陳 夢(mèng) 黃 翔 屈悅瀅

（西安工程大學(xué)城市規(guī)劃與市政工程學(xué)院 西安 710048）

0 引言

蒸發(fā)冷卻空調(diào)技術(shù)以水作為制冷劑，最大限度地利用了我國干燥地區(qū)豐富的干空氣能源，能有效減少溫室氣體排放、節(jié)約能源[1]。作為我國暖通空調(diào)行業(yè)綠色、環(huán)保、節(jié)能的關(guān)鍵技術(shù)之一，目前蒸發(fā)冷卻空調(diào)技術(shù)已日益成熟并實(shí)現(xiàn)了產(chǎn)業(yè)化，已用于工業(yè)建筑、公共建筑、住宅建筑、軌道交通、農(nóng)業(yè)建筑的空調(diào)系統(tǒng)中，可以大大減少峰值的電力消耗和電力需求[2]。

露點(diǎn)間接蒸發(fā)冷卻技術(shù)利用一次空氣干球溫度和露點(diǎn)溫度的差值為驅(qū)動(dòng)勢(shì)，能有效提高蒸發(fā)冷卻空調(diào)設(shè)備的溫降。由于其顯著的優(yōu)勢(shì)，成為目前國際上許多專家和學(xué)者研究的熱點(diǎn)。關(guān)于露點(diǎn)間接蒸發(fā)冷卻性能預(yù)測(cè)方面還鮮有研究，如何尋找一種簡單、快速、高效的性能預(yù)測(cè)模型已成為研究重點(diǎn)之一。采用神經(jīng)網(wǎng)絡(luò)方法的優(yōu)勢(shì)在于可以充分模擬預(yù)測(cè)、規(guī)避產(chǎn)品缺陷；降低機(jī)組的研發(fā)成本、縮短機(jī)組研發(fā)的周期、增強(qiáng)機(jī)組的核心競(jìng)爭(zhēng)力[3]。

1 露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組BP 神經(jīng)網(wǎng)絡(luò)分析樣本測(cè)試數(shù)據(jù)采集

1.1 中等濕度地區(qū)某露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組實(shí)測(cè)數(shù)據(jù)采集

本項(xiàng)目用的露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組位于陜西省榆林市錦界鎮(zhèn)，機(jī)組實(shí)物圖如圖1所示，機(jī)組測(cè)點(diǎn)布置圖如圖3所示，測(cè)點(diǎn)分別布置在機(jī)組的進(jìn)風(fēng)口、排風(fēng)口、送風(fēng)口處。其中1 臺(tái)機(jī)組應(yīng)用于中控室，面積約50m2/間；2 臺(tái)應(yīng)用于電子間，面積約60m2/間，機(jī)組風(fēng)量均為20000m3/h。室內(nèi)還裝有三臺(tái)機(jī)械制冷柜機(jī)，作為輔助冷源使用。

圖1 露點(diǎn)間接蒸發(fā)冷卻機(jī)組實(shí)物圖Fig.1 Physical map of dew point indirect evaporative cooling air conditioning unit

圖2 露點(diǎn)間接蒸發(fā)冷卻空調(diào)系統(tǒng)平面圖Fig.2 Dew point indirect evaporative cooling air conditioning unit system plan

圖3 露點(diǎn)間接蒸發(fā)冷卻機(jī)組測(cè)點(diǎn)布置示意圖Fig.3 Dew point indirect evaporative cooling unit measurement point arrangement diagram

1.2 高濕度地區(qū)某露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組實(shí)測(cè)數(shù)據(jù)采集

本項(xiàng)目用的是在福州地區(qū)某公司實(shí)驗(yàn)室安裝的露點(diǎn)機(jī)組[4]，機(jī)組實(shí)物圖如圖4所示，機(jī)組測(cè)點(diǎn)布置圖同樣如圖3所示，測(cè)點(diǎn)分別布置在機(jī)組的進(jìn)風(fēng)口、排風(fēng)口、送風(fēng)口處。該機(jī)組額定風(fēng)量15000m3/h，對(duì)上述機(jī)組進(jìn)行測(cè)試，機(jī)組的風(fēng)口截面積不變，實(shí)測(cè)的機(jī)組進(jìn)風(fēng)迎面平均風(fēng)速為5.5m/s，二/一次風(fēng)量比為0.6，一次風(fēng)量為6375m3/h，二次風(fēng)量為3825m3/h。部分測(cè)試數(shù)據(jù)如表2所示。

圖4 機(jī)組實(shí)物圖Fig.4 Physical map of the unit

表2 15000m3/h 風(fēng)量機(jī)組測(cè)試數(shù)據(jù)（部分?jǐn)?shù)據(jù)）Table 2 Test data of 15000m3/h air volume unit(partial data)

1.3 干燥地區(qū)某露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組實(shí)測(cè)數(shù)據(jù)采集

本工程為機(jī)場(chǎng)擴(kuò)建工程子項(xiàng)目，主要范圍為敦煌機(jī)場(chǎng)航空配餐中心?？偨ㄖ娣e2880m2，共2層，層高4.2m，機(jī)組實(shí)物圖如圖5所示，共有6臺(tái)機(jī)組[5,6]，機(jī)組測(cè)點(diǎn)布置圖同樣如圖3所示，測(cè)點(diǎn)分別布置在機(jī)組的進(jìn)風(fēng)口、排風(fēng)口、送風(fēng)口處。該機(jī)組額定風(fēng)量分別為20000m3/h、10000m3/h，對(duì)上述機(jī)組進(jìn)行測(cè)試，機(jī)組的風(fēng)口截面積不變，實(shí)測(cè)的機(jī)組進(jìn)風(fēng)迎面平均風(fēng)速分別為6.1m/s、4.7m/s，二/一次風(fēng)量比分別為0.56、0.62，一次風(fēng)量分別為11804m3/h、4320m3/h，二次風(fēng)量分別為6610m3/h、2680m3/h。部分測(cè)試數(shù)據(jù)如表3所示。

圖5 機(jī)組實(shí)物圖Fig.5 Physical map of the unit

表3 10000m3/h 和20000m3/h 風(fēng)量機(jī)組測(cè)試數(shù)據(jù)（部分?jǐn)?shù)據(jù)）Table 3 Test data of 10000m3/h and 20000m3/h air volume unit(partial data)

續(xù)表3 10000m3/h 和20000m3/h 風(fēng)量機(jī)組測(cè)試數(shù)據(jù)（部分?jǐn)?shù)據(jù)）

2 露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組BP 神經(jīng)網(wǎng)絡(luò)性能預(yù)測(cè)模型研究

2.1 BP 神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)

2.1.1 BP 神經(jīng)網(wǎng)絡(luò)算法介紹

BP 算法包括樣本正向、誤差反向傳播兩部分。如圖6所示，算法結(jié)構(gòu)分為三部分[7]。當(dāng)網(wǎng)絡(luò)的結(jié)構(gòu)被確定后，根據(jù)輸入、輸出數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，找到兩者之間的關(guān)系，修正隱含層的閾值。

圖6 BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖Fig.6 BP Neural network topology structure diagram

2.1.2 BP 神經(jīng)網(wǎng)絡(luò)研究方法

（1）訓(xùn)練樣本的選取

訓(xùn)練樣本：本文所研究的機(jī)組功能段核心為露點(diǎn)間接段。由于影響機(jī)組冷卻效率的因素對(duì)機(jī)組性能產(chǎn)生的影響是非線性的，同時(shí)需要較多的測(cè)試數(shù)據(jù)進(jìn)行訓(xùn)練，才能更好地尋找兩者之間的規(guī)律。因此，采用機(jī)組實(shí)測(cè)數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，利用Matlab 軟件建立預(yù)測(cè)露點(diǎn)蒸發(fā)冷卻空調(diào)機(jī)組性能的神經(jīng)網(wǎng)絡(luò)模型，從而利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)露點(diǎn)蒸發(fā)冷卻空調(diào)機(jī)組的蒸發(fā)效率進(jìn)行預(yù)測(cè)。

（2）輸入/輸出樣本設(shè)計(jì)

影響露點(diǎn)間接蒸發(fā)冷卻效率的影響因素很多，本課題主要研究在機(jī)組其他條件不變的情況下，主要考慮機(jī)組進(jìn)風(fēng)口干球溫度、相對(duì)濕度、總風(fēng)量、迎面風(fēng)速、一次風(fēng)量、二次風(fēng)量、二/一次風(fēng)量比對(duì)機(jī)組性能（蒸發(fā)效率）的影響。為了更有效地進(jìn)行網(wǎng)絡(luò)訓(xùn)練，對(duì)訓(xùn)練數(shù)據(jù)歸一化[8]，對(duì)網(wǎng)絡(luò)輸出數(shù)據(jù)進(jìn)行反歸一化。

（3）神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)

輸入層包括機(jī)組進(jìn)風(fēng)口的空氣狀態(tài)參數(shù)（干球溫度、相對(duì)濕度）、總風(fēng)量、迎面風(fēng)速、一次風(fēng)量、二次風(fēng)量、二/一次風(fēng)量比7 個(gè)重要的參數(shù)，由于考慮到多輸出參數(shù)導(dǎo)致的神經(jīng)網(wǎng)絡(luò)參數(shù)權(quán)重以及參數(shù)之間共用最優(yōu)解的問題，因此輸出層有蒸發(fā)效率1 個(gè)參數(shù)。網(wǎng)絡(luò)采用一個(gè)隱含層，隱含層的神經(jīng)元個(gè)數(shù)按Mr.Kawashima 提出的方法選擇，即神經(jīng)元個(gè)數(shù)為7×2+2=16，即隱含層神經(jīng)元個(gè)數(shù)初始值取16 個(gè)，通過程序運(yùn)行過程中采用試湊法得出最佳的隱含層神經(jīng)元個(gè)數(shù)為14。

（4）網(wǎng)絡(luò)傳遞及訓(xùn)練函數(shù)

隱含層神經(jīng)元采用對(duì)數(shù)S 型正切函數(shù)Tansig，輸出層神經(jīng)元采用purelin 函數(shù)。為避免BP 神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)結(jié)果陷入局部最優(yōu)的問題，學(xué)習(xí)和訓(xùn)練函數(shù)采用LM 算法的trainlm 函數(shù)。同時(shí)還需要設(shè)置訓(xùn)練次數(shù)1000 次，訓(xùn)練誤差10-9，學(xué)習(xí)率0.1。

2.2 中等濕度地區(qū)某露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組BP 神經(jīng)網(wǎng)絡(luò)性能預(yù)測(cè)結(jié)果分析

本小節(jié)對(duì)中等濕度地區(qū)（陜西榆林）露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組性能預(yù)測(cè)，測(cè)試時(shí)間為2019年8月1—6日、每天9:00—18:00 的實(shí)際機(jī)組運(yùn)行的測(cè)試數(shù)據(jù)，每小時(shí)記錄一次，每天10 組，共有60組測(cè)試數(shù)據(jù)。以2019年8月1—5日每天9:00—18:00 的測(cè)試數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，設(shè)置2019年8月6日9:00—18:00 的數(shù)據(jù)為預(yù)測(cè)數(shù)據(jù)。

由圖7 和圖8，BP 網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)值與實(shí)測(cè)值的變化趨勢(shì)整體上基本一致。但存在個(gè)別數(shù)據(jù)誤差較大的問題，其中，在測(cè)試樣本號(hào)為7 的相對(duì)誤差較大，接近10%。通過對(duì)預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)與驗(yàn)證，得到該預(yù)測(cè)模型蒸發(fā)效率的RMSE為3.1367，決定系數(shù)r2為0.9659。

圖7 BP 神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)結(jié)果Fig.7 BP Neural Network's Forecast Results of Unit Evaporation Efficiency

圖8 BP 神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)相對(duì)誤差Fig.8 BP neural network predicts relative error of unit evaporation efficiency

2.3 高濕度地區(qū)某露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組BP神經(jīng)網(wǎng)絡(luò)性能預(yù)測(cè)結(jié)果分析

本小節(jié)對(duì)高濕度地區(qū)（福建福州）機(jī)組的性能預(yù)測(cè)方法同上，并且機(jī)組結(jié)構(gòu)相同，機(jī)組測(cè)試時(shí)間為2017年6月23日、27—30日，通過對(duì)數(shù)據(jù)的整理，選擇每天9:00—18:00 的機(jī)組運(yùn)行的測(cè)試數(shù)據(jù)，每30 分鐘記錄一次，每天20 組，共有100 組測(cè)試數(shù)據(jù)。以2017年6月23日、27—29日每天9:00—18:00 的測(cè)試數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，設(shè)置2017年6月30日9:00—18:00 的數(shù)據(jù)為預(yù)測(cè)數(shù)據(jù)。

由圖9 和圖10，BP 網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)值與實(shí)測(cè)值的變化趨勢(shì)整體上基本一致。但存在個(gè)別數(shù)據(jù)誤差較大的問題，其中，在測(cè)試樣本號(hào)為3、10、16 的相對(duì)誤差較大，最大的相對(duì)誤差接近10%。通過對(duì)預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)與驗(yàn)證，得到該預(yù)測(cè)模型蒸發(fā)效率的RMSE 為4.6170，決定系數(shù)r2為0.9581。因此可認(rèn)為，BP 網(wǎng)絡(luò)能夠預(yù)測(cè)出蒸發(fā)效率及其變化趨勢(shì)。

圖9 BP 神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)結(jié)果Fig.9 BP Neural Network's Forecast Results of Unit Evaporation Efficiency

圖10 BP 神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)相對(duì)誤差Fig.10 BP neural network predicts relative error of unit evaporation efficiency

2.4 干燥地區(qū)某露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組BP神經(jīng)網(wǎng)絡(luò)性能預(yù)測(cè)結(jié)果分析

本小節(jié)對(duì)干燥地區(qū)（敦煌機(jī)場(chǎng)）機(jī)組性能預(yù)測(cè)方法同上，并且機(jī)組結(jié)構(gòu)相同，機(jī)組測(cè)試時(shí)間為2018年8月19-23日，通過對(duì)數(shù)據(jù)的整理，選擇每天9:00—18:00 的機(jī)組運(yùn)行的測(cè)試數(shù)據(jù)，每30分鐘記錄一次，每天20 組，共有100 組測(cè)試數(shù)據(jù)。以2018年8月19—22日每天9:00—18:00 的測(cè)試數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，設(shè)置2018年8月23日9:00—18:00 的數(shù)據(jù)為預(yù)測(cè)數(shù)據(jù)。

由圖11 和圖12，BP 網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)值與實(shí)測(cè)值的變化趨勢(shì)整體上也基本一致。但同時(shí)存在個(gè)別數(shù)據(jù)誤差較大的問題，其中，在測(cè)試樣本號(hào)為4 的相對(duì)誤差較大，接近14%。通過對(duì)預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)與驗(yàn)證，得到該預(yù)測(cè)模型蒸發(fā)效率的RMSE 為3.4934，決定系數(shù)r2為0.9673。因此可認(rèn)為，BP 網(wǎng)絡(luò)能夠準(zhǔn)確的預(yù)測(cè)出蒸發(fā)效率及其變化趨勢(shì)。

圖11 BP 神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)結(jié)果Fig.11 BP Neural Network's Forecast Results of Unit Evaporation Efficiency

圖12 BP 神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)相對(duì)誤差Fig.12 BP neural network predicts relative error of unit evaporation efficiency

2.5 不同氣象條件下露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組BP 神經(jīng)網(wǎng)絡(luò)性能預(yù)測(cè)結(jié)果分析

本文2.2-2.4 節(jié)分別是對(duì)不同地區(qū)露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組的性能預(yù)測(cè)，本節(jié)神經(jīng)網(wǎng)絡(luò)輸入輸出樣本為三個(gè)地區(qū)的260 組數(shù)據(jù)，設(shè)置陜西地區(qū)2019年8月1—2日9:00—18:00 的數(shù)據(jù)為預(yù)測(cè)值，其他數(shù)據(jù)均為模型的訓(xùn)練值。

由圖13 和圖14，BP 網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)值與實(shí)測(cè)值的變化趨勢(shì)整體上是基本一致的。同樣存在個(gè)別數(shù)據(jù)誤差較大的問題，其中，在測(cè)試樣本號(hào)為11、12 的相對(duì)誤差較大，接近13%。通過對(duì)預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)與驗(yàn)證，得到該預(yù)測(cè)模型蒸發(fā)效率的RMSE 為6.4157，決定系數(shù)r2為0.9381。因此可認(rèn)為，BP 網(wǎng)絡(luò)能夠準(zhǔn)確的預(yù)測(cè)出機(jī)組蒸發(fā)效率及其變化趨勢(shì)。

圖13 BP 神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)結(jié)果Fig.13 BP Neural Network's Forecast Results of Unit Evaporation Efficiency

圖14 BP 神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)相對(duì)誤差Fig.14 BP neural network predicts relative error of unit evaporation efficiency

由表4 可得，對(duì)于BP 神經(jīng)網(wǎng)絡(luò)在不同氣象條件下露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組的預(yù)測(cè)，決定系數(shù)r2均在0.9 以上，表明所搭建的模型具有一定的穩(wěn)定性。均方根誤差RMSE 平均為4.4157。

表4 BP 神經(jīng)網(wǎng)絡(luò)對(duì)不同氣象條件露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組蒸發(fā)效率的預(yù)測(cè)結(jié)果對(duì)比Table 4 Comparison of prediction results of BP neural network on the evaporation efficiency of indirect evaporative cooling air conditioning units with dew point in different meteorological conditions

2.6 輸入變量對(duì)輸出變量影響程度分析

2.6.1 灰色關(guān)聯(lián)分析方法理論基礎(chǔ)

灰色關(guān)聯(lián)分析是一種多因素統(tǒng)計(jì)方法，衡量各個(gè)因素間的關(guān)聯(lián)度，適用于動(dòng)態(tài)過程分析[9]，可以彌補(bǔ)數(shù)理統(tǒng)計(jì)方法的不足，具有很強(qiáng)的適用性。該方法通過對(duì)數(shù)據(jù)進(jìn)行量化，計(jì)算量小，非常方便，因此灰色關(guān)聯(lián)分析的結(jié)果不會(huì)與定性結(jié)果矛盾。本文采用該方法來實(shí)現(xiàn)多個(gè)因素對(duì)結(jié)果影響程度的分析。

2.6.2 輸入變量對(duì)輸出變量影響程度結(jié)果分析

采用Matlab 來實(shí)現(xiàn)輸入變量與輸出變量之間的關(guān)聯(lián)度分析。得到的關(guān)聯(lián)度如表5 和圖15所示，通過比較7 個(gè)輸入變量與輸出變量關(guān)聯(lián)度的大小可以看出：二/一次風(fēng)量比>迎面風(fēng)速>進(jìn)風(fēng)溫度>總風(fēng)量>相對(duì)濕度>二次風(fēng)量>一次風(fēng)量。

圖15 關(guān)聯(lián)度結(jié)果圖Fig.15 Relevance result graph

表5 關(guān)聯(lián)度的計(jì)算結(jié)果Table 5 Calculation result of relevance

因此得出結(jié)論：輸出變量蒸發(fā)效率受到輸入變量二/一次風(fēng)量比的影響最大。二次風(fēng)量的影響雖然是最小的，但是關(guān)聯(lián)度為0.5657>0.5，因此也是重要的參數(shù)。

3 露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組PSO 優(yōu)化BP神經(jīng)網(wǎng)絡(luò)性能預(yù)測(cè)模型研究

3.1 PSO-BP 模型的構(gòu)建

由于第2 節(jié)所建立的BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果具有較好的穩(wěn)定性，在不同氣象條件下（陜西、福建、甘肅）的預(yù)測(cè)效果差別不大，因此本節(jié)將建立的PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型僅應(yīng)用在陜西榆林，即本節(jié)采用的數(shù)據(jù)為第1.2 節(jié)露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組的實(shí)測(cè)數(shù)據(jù)。訓(xùn)練數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)的設(shè)置同2.2 節(jié)。

PSO 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)模型是對(duì)網(wǎng)絡(luò)的閾值、權(quán)值進(jìn)行不斷更新的一個(gè)過程，通過構(gòu)建合適的網(wǎng)絡(luò)結(jié)構(gòu)來對(duì)機(jī)組的蒸發(fā)效率進(jìn)行預(yù)測(cè)。網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)同2.1 節(jié)。優(yōu)化算法的流程圖如圖16所示。

圖16 PSO 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)模型的流程圖Fig.16 Flow chart of PSO optimized BP neural network model

（1）確定粒子的維度

式中：m為輸入層神經(jīng)元數(shù)；n為隱含層神經(jīng)元數(shù)；l為輸出層神經(jīng)元數(shù)。

根據(jù)公式（1），由2.1 節(jié)可知BP 神經(jīng)網(wǎng)絡(luò)模型的輸入層神經(jīng)元數(shù)為7、隱含層神經(jīng)元數(shù)為14、輸出層神經(jīng)元數(shù)為1，因此可得D=127。

（2）確定粒子種群規(guī)模N

N與該算法的計(jì)算量和全局尋優(yōu)能力有很大關(guān)系，N越大，參與搜索的粒子數(shù)越多，所以算法全局尋優(yōu)能力越強(qiáng)。N過大也會(huì)導(dǎo)致其計(jì)算時(shí)間呈現(xiàn)指數(shù)式增長。N過少會(huì)使全局信息減少從而易陷入局部最優(yōu)。N的增長不與搜索能力成正比[10]。一般來說，經(jīng)驗(yàn)參數(shù)值多在[20，80]。綜上，N取50。

（3）確定學(xué)習(xí)因子C1和C2

一般情況下C1和C2為非負(fù)常數(shù)。PSO 算法的兩個(gè)學(xué)習(xí)因子代表的是單個(gè)粒子的認(rèn)知能力與整個(gè)群體的信息交換能力，C1和C2可以確定粒子在整體信息擴(kuò)展和自我認(rèn)知學(xué)習(xí)之間的關(guān)系，決定粒子的搜索軌跡。C1和C2越大越容易讓算法快速達(dá)到最優(yōu)解范圍，若C1和C2過大，解會(huì)在最優(yōu)解中徘徊，不能獲取最優(yōu)；過小則會(huì)導(dǎo)致算法緩慢，得不到最優(yōu)解。一般經(jīng)驗(yàn)取值在[0，4]。

因此本節(jié)在建立PSO 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法時(shí)，設(shè)定C1=C2=2。

（4）確定慣性權(quán)重ω

ω表示粒子在每次迭代前的慣性，不斷尋找最優(yōu)解。ω越大粒子移動(dòng)速度越大，搜索速度變快，在全局的尋優(yōu)能力越強(qiáng)，有時(shí)候會(huì)使算法無法收斂，因此就需要進(jìn)行合理的取值。ω越小粒子的移動(dòng)速度越慢，可能會(huì)導(dǎo)致算法的局部收斂?？梢苑譃楣潭ê蜁r(shí)變兩類，前者的值是固定的，而后者可以針對(duì)實(shí)際情況自動(dòng)進(jìn)行及時(shí)的調(diào)整，在一定程度上能夠提高算法準(zhǔn)確性。由于其弊端是在高維度粒子群里，運(yùn)行速度減慢。因此本節(jié)選用固定權(quán)重。一般經(jīng)驗(yàn)取值ω范圍為[0.8，1.2]，所以取ω=1。

（5）確定粒子的搜索范圍和速度范圍

粒子的搜索能力與速度范圍、搜索范圍相關(guān)。搜索范圍越大，算法的精度越高，但是運(yùn)行速度會(huì)越低。搜索范圍越小，運(yùn)行速度加快，陷入局部最小解。由于BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值的范圍為[0，1]，所以設(shè)置PSO 的搜索范圍和速度范圍也為[0，1]。

（6）PSO-BP 模型輸入?yún)?shù)的確定

根據(jù)對(duì)影響蒸發(fā)效率的影響因素考慮，本節(jié)依然選取機(jī)組進(jìn)風(fēng)口干球溫度、相對(duì)濕度、總風(fēng)量、迎面風(fēng)速、一次風(fēng)量、二次風(fēng)量、二/一次風(fēng)量比這7 個(gè)參數(shù)作為PSO-BP 神經(jīng)網(wǎng)絡(luò)的輸入變量，神經(jīng)網(wǎng)絡(luò)的輸出變量為機(jī)組的蒸發(fā)效率。

3.2 PSO-BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果分析

3.2.1 PSO-BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果

利用采集并處理過的測(cè)試數(shù)據(jù)對(duì)優(yōu)化后的網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試分析，以此來驗(yàn)證優(yōu)化后網(wǎng)絡(luò)的預(yù)測(cè)效果。圖17、圖18 分別為兩者的預(yù)測(cè)結(jié)果、相對(duì)誤差，可以看出，PSO-BP 神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)值與測(cè)試變化趨勢(shì)基本一致，且兩者的數(shù)據(jù)較為接近，不存在個(gè)別數(shù)據(jù)誤差較大的問題，最大相對(duì)誤差2.48%。

圖18 PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相對(duì)誤差Fig.18 PSO-BP Neural network predicts relative error

通過對(duì)該P(yáng)SO-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)與驗(yàn)證，得到該預(yù)測(cè)模型蒸發(fā)效率的RMSE 為1.102，決定系數(shù)r2為0.9745。因此可認(rèn)為，本節(jié)所建立的PSO-BP 神經(jīng)網(wǎng)絡(luò)模型精度相對(duì)較高，該P(yáng)SO-BP 神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確預(yù)測(cè)蒸發(fā)效率及其變化趨勢(shì)。

3.2.2 BP、PSO-BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果對(duì)比分析

圖19 為BP 神經(jīng)網(wǎng)絡(luò)和優(yōu)化后的PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組蒸發(fā)效率的結(jié)果對(duì)比圖，可以看出，優(yōu)化后的模型預(yù)測(cè)曲線與實(shí)測(cè)值更接近，沒有出現(xiàn)太大的誤差波動(dòng)點(diǎn)，預(yù)測(cè)精度明顯要比BP 神經(jīng)網(wǎng)絡(luò)好。

圖19 BP、PSO-BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果對(duì)比圖Fig.19 Comparison chart of prediction results of BP and PSO-BP neural network

從圖20 和表6 可以明顯看出，優(yōu)化后模型的相對(duì)誤差整體較優(yōu)化前的BP 神經(jīng)網(wǎng)絡(luò)小，因此可以用于預(yù)測(cè)露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組的蒸發(fā)效率。且在同一時(shí)刻，優(yōu)化前的BP 神經(jīng)網(wǎng)絡(luò)相對(duì)誤差為9.6%，優(yōu)化后僅為2.21%，準(zhǔn)確度有效提高了7.39%。

圖20 BP、PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相對(duì)誤差對(duì)比Fig.20 Comparison of relative error of BP and PSO-BP neural network prediction

表6 BP、PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果對(duì)比Table 6 Comparison of prediction results of BP and PSO-BP neural network

4 結(jié)論

（1）數(shù)據(jù)的采集：從三個(gè)不同地區(qū)整理的測(cè)試數(shù)據(jù)來看，機(jī)組送風(fēng)參數(shù)均滿足室內(nèi)送風(fēng)要求，說明應(yīng)用露點(diǎn)間接蒸發(fā)冷卻空調(diào)機(jī)組能保證室內(nèi)空氣調(diào)節(jié)要求。采集到了可供分析應(yīng)用的基礎(chǔ)數(shù)據(jù)，為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)和對(duì)比奠定基礎(chǔ)。

（2）參數(shù)的選取：在機(jī)組其他條件不變的情況下，僅考慮機(jī)組進(jìn)風(fēng)參數(shù)干球溫度、進(jìn)風(fēng)相對(duì)濕度、總風(fēng)量、迎面風(fēng)速、一次風(fēng)量、二次風(fēng)量、二/一次風(fēng)量比7 個(gè)重要參數(shù)對(duì)機(jī)組蒸發(fā)效率的影響。采用灰色關(guān)聯(lián)分析方法，得出蒸發(fā)效率受到二/一次風(fēng)量比的影響最大，受到二次風(fēng)量的影響最小，但關(guān)聯(lián)度為0.5657>0.5，因此也是重要的參數(shù)。

（3）模型的研究：雖然BP 神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)組蒸發(fā)效率的預(yù)測(cè)結(jié)果在可接受的范圍內(nèi)，預(yù)測(cè)結(jié)果與實(shí)測(cè)數(shù)據(jù)雖然規(guī)律相近，但是有個(gè)別點(diǎn)存在誤差過大的問題，因此必須對(duì)該模型進(jìn)行改進(jìn)。

（4）模型的優(yōu)化：實(shí)驗(yàn)表明PSO 算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在預(yù)測(cè)準(zhǔn)確度和精度上都優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。在同一時(shí)刻，BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的相對(duì)誤差為9.6%時(shí)，PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的相對(duì)誤差為2.21%，精度提高了7.39%。