地源熱泵體系因其低污染高功率得到廣泛使用

    1·導言
    地源熱泵體系因其低污染，高功率得到廣泛使用［1，2］。在冬冷夏熱且夏日冷負荷遠大于冬天熱負荷區域常選用帶有輔佐散熱設備如冷卻塔的復合式地源熱泵體系，經過有挑選性的運轉冷卻塔和土壤換熱器包管地下排熱與取熱平衡［3，4］。在滿意全年土壤熱平衡的前提下，某一時辰是運轉土壤換熱器仍是冷卻塔的挑選存在著極大的自由度。常選用的操控辦法主要有3種［5］:(1)流體最高溫度操控法。當熱泵機組的進口或出口溫度超越某一個值時，發動冷卻塔，當溫度低于某一個值時，將冷卻塔封閉;(2)溫差操控法。將熱泵機組的進口或出口溫度與室外干球或濕球溫度作比擬，當溫差高于某一個值時，發動冷卻塔，低于某一值時封閉冷卻塔;(3)工夫操控法。設置特定的冷卻塔或土壤換熱器的工作工夫，如夜間運轉冷卻塔等。
    在土壤換熱器與冷卻塔并聯運轉的體系中，為使機組的進口水溫較低然后進步機組的瞬時功率，更為有用的辦法即直接比擬土壤換熱器與冷卻塔的出口水溫。但是咱們只可以實時測得兩者之一，由于在其間一個運轉時別的一個處于擱置狀況。如在冷卻塔運轉時，土壤換熱器處于擱置狀況，大家無法取得若是此刻發動土壤換熱器其出口水溫為多少，反之當土壤換熱器運轉時，冷卻塔處于擱置狀況，大家無法取得此刻若是發動冷卻塔其出口水溫為多少，因而必須樹立牢靠的模型完成土壤換熱器和冷卻塔出口溫度的猜測。
    冷卻塔出口溫度的猜測曾經完成［6，7］，關鍵在于土壤換熱器的出口水溫的猜測。由于土壤換熱的雜亂性，很難用傳統的數學辦法樹立精確的猜測模型。Michopoulos使用了解析模型對土壤換熱器出口溫度進行了猜測，但最大差錯高達6℃，精度不高［8］。人工神經網絡因其強壯的信息處置才能，自組織，自適應性，在圖畫處置，形式識別，人工智能范疇有著廣泛的使用，Hikmet等測驗用其對整個地源熱泵體系進行建模［9～12］。
    本文測驗使用人工神經網絡完成土壤換熱器出口溫度的猜測。首要拔取一棟坐落武漢市的辦公修建作為模仿目標，使用DEST核算得全年逐時負荷，樹立機組和冷卻塔模型，選用FLUENT軟件樹立土壤換熱器模型，將整個復合式地源熱泵體系在FLUENT環境下進行核算，一方面獲取神經網絡模型所需求的練習和測驗樣本，一方面查驗神經網絡模型猜測精度。本文根據模型練習樣本和測驗樣本的來歷特征，樹立多個神經網絡模型，研討復合式地源熱泵體系異樣運轉形式下人工神經網絡猜測土壤換熱器出口水溫的可行性與精確性。
    2·復合式地源熱泵體系及其數值模型
    2．1復合式地源熱泵體系
    本文拔取一棟坐落武漢市的辦公修建作為模仿目標，使用DEST核算其全年逐時負荷，如圖1所示。
             
    由圖1可知，本修建最大冷負荷，全年累積冷負荷都顯著大于熱負荷，因而選用帶有冷卻塔的復合式地源熱泵體系，土壤換熱器根據冬天熱負荷進行描繪，并與冷卻塔并聯，冷卻塔滿意夏日冷負荷。機組選用Gordan冷凍機組功耗模型，冷卻塔模型選用Merkel焓差法，因這兩個模型不為本文研討要點，故其建模進程不詳細引見，詳細做法見文獻［13］。復合式地源熱泵體系布局圖如圖2所示。
            
    2．2土壤換熱器數值模型樹立
    本文在FLUENT軟件下進行土壤換熱器數值模型的樹立。在Gambit里邊樹立土壤換熱器的幾許模型，土壤換熱器為單U型埋管，直管長度為60m，管內徑為26mm，管外徑為32mm，回填資料直徑為200mm，深62m，土壤直徑為3m，其幾許模型如圖3所示。畫好網格后，在FLUENT里邊設置土壤、回填資料、管子和水的熱物性參數，并界說各個面的鴻溝條件，其間土壤的外鴻溝，上下外表均為為絕熱鴻溝，地埋管的進口設置為ve-locity－inlet，為減小核算量，本文沿對稱面將其剖開，對稱面設置為symmetry鴻溝，以300s為工夫步長進行核算。詳細建模進程見文獻［14，15］。
             
    在數值模型中，監測6個變量的改變，除了土 壤換熱器的進出口水溫tin、tout，其他4個監測點均坐落地下5m處沿U型管直管中間連線垂直地面的對稱面上，分別為tinpipe－5，toutpipe－5(進、出口側管外壁溫度)，tinbf－5，toutbf－5(進出口側回填資料外壁溫度)。
    2．3體系運轉形式
    在數值模仿核算中，選用設定工作工夫法操控土壤換熱器和冷卻塔的運轉。核算工夫長度為9個周，每周周一至周五8:00至21:00運轉。第1－4、9周每天運轉形式固定:8:00－11:00，14:00－17:00，冷卻塔運轉，土壤換熱器不運轉;11:00－14:00，18:00－21:00，土壤換熱器運轉，冷卻塔不運轉。5－8周冷卻塔和土壤換熱器運轉工夫隨機改變，形式不固定。
    3·土壤換熱器神經網絡模型
    3．1人工神經網絡
    人工神經網絡(ANN)是由很多簡略神經元相互連接，經過模仿人的大腦神經處置信息的辦法，進行信息并行處置和非線性變換的雜亂網絡體系［16］。本文使用三層BP網絡猜測土壤換熱器出口水溫，并經過均方根差錯RMS來評估猜測成果，核算公式為:
           
    3．2土壤換熱器的人工神經網絡模型樹立
    (1)輸出層
    本文以土壤換熱器的出口溫度為輸出變量，即輸出神經元數目為1。
    (2)輸入層
    以除出口水溫外的5個監測點作為輸入變量，則輸入層神經元有5個。
    (3)隱含層
     三層BP網絡可以完成普通的非線性映射，因而隱含層數為1。當前還沒有一種比擬完善的理論來斷定隱含層的最佳神經元數，本文根據經歷公式2［17］，斷定隱含層神經元數目為11。
    Nh=2Ni+1(2)
    式中Ni———輸入層神經元數
     Nh———隱含層神經元數
    本文用Levenberg－Marquardt(LM)算法練習神經網絡模型，學習速度設為0．2，最大練習次數為2000，樹立好的神經網絡模型布局見圖4。根據練習樣本和測驗樣本組合特征，本文共樹立6組模型。
             
    4·成果與評論
    根據練習樣本和測驗樣本來歷的復合式地源熱泵體系的運轉形式，可以將模型分為6類，詳細闡明見表1。關于每個模型，均選用四周的數據，其間三周數據作為練習樣本，剩余一周為測驗樣本，歸一化處置后用于樹立人工神經網絡模型，練習和測驗成果見表2。
 
                 
    由表2可知，無論是樣本來歷有何特色，土壤換熱器的人工神經網絡模型均可以取得較高的精度，練習樣本的最大均方根差錯為0．047，最小為0．027，測驗樣本的最大均方根差錯為0．062，最小為0．034。從M1至M6，可知測驗樣本和練習樣本均取自安穩運轉形式時，練習樣本和測驗樣本都可以取得較小的差錯;練習樣本取自安穩形式而測驗樣本取自非安穩運轉形式時測驗樣本差錯顯著增大。當練習樣本取自非安穩運轉形式，測驗樣本取自安穩形式時，測驗樣本差錯較小，且小于練習樣本差錯，其他模型均為測驗樣本均方根差錯大于練習樣本。由此可知，當神經網絡取得滿足的信息量時，可以完成精確的猜測。
    在實踐運轉進程中，使用人工神經網絡進行在線猜測，體系的運轉形式在工夫上面并不固定，即在6個模型中，與M5狀況鄰近。由表2可知，M5的練習樣本的RMS為0．041，測驗樣本RMS為0．0059，與其他模型比擬，兩個差錯固然比擬大，但仍具有較高的精度。M5的練習成果和測驗成果見圖5和圖6。
             
             
    從圖5和圖6可知，練習樣本絕對差錯坐落［－0．2，0．2］之間，但絕大部分樣本差錯均為與0鄰近，即人工神經網絡可以用來精確樹立土壤換熱器模型。測驗樣本差錯差錯規模為［－0．25，0．2］，絕大部分坐落［－0．1，0．1］之間，即練習好的神經網絡模型具有較好的泛化才能，關于不參加練習的樣本仍具有較高的精確性。
    由此可以得出:無論復合式地源熱泵體系處于何種運轉形式，神經網絡均可精確猜測土壤換熱器的出口水溫，模型具有較高的精確性和泛化才能。這使得直接比擬土壤換熱器和冷卻塔出口水溫的操控辦法得以完成。還使用人工神經網絡猜測土壤換熱器的出口水溫，為在無法得知地下物性參數時(包羅土壤、回填資料和管子的熱物性等)，研討土壤換熱器的換熱供給一種簡略牢靠的辦法，對土壤換熱器的研討具有重大意義。
    5·結語
    本文提出在復合式地源熱泵并聯體系中直接比擬冷卻塔與土壤換熱器出口溫度的操控辦法。為完成這一戰略，運用人工神經網絡來完成土壤換熱器出口水溫的猜測，樹立異樣的神經網絡模型。成果表明無論復合式地源熱泵體系處于何種運轉形式，人工神經網絡均可以用來精確猜測土壤換熱器的出口水溫，且神經網絡模型具有較高的精確性和泛化才能。練習樣本最大差錯絕對值不超越0．2℃，測驗樣本最大差錯絕對值不超越0．25℃。
    進一步的研討將會集在以下幾方面:經過樹立動態神經網絡模型，進步神經網絡的猜測精度;在以土壤換熱器和冷卻塔兩者出水溫度作為操控根據時，復合式地源熱泵體系的能耗特性，并與現有幾種操控辦法做比擬。

儲氣罐，換熱器