地源热泵体系因其低污染高功率得到广泛使用

    1·导言
    地源热泵体系因其低污染，高功率得到广泛使用［1，2］。在冬冷夏热且夏日冷负荷远大于冬天热负荷区域常选用带有辅佐散热设备如冷却塔的复合式地源热泵体系，经过有挑选性的运转冷却塔和土壤换热器包管地下排热与取热平衡［3，4］。在满意全年土壤热平衡的前提下，某一时辰是运转土壤换热器仍是冷却塔的挑选存在着极大的自由度。常选用的操控办法主要有3种［5］:(1)流体最高温度操控法。当热泵机组的进口或出口温度超越某一个值时，发动冷却塔，当温度低于某一个值时，将冷却塔封闭;(2)温差操控法。将热泵机组的进口或出口温度与室外干球或湿球温度作比拟，当温差高于某一个值时，发动冷却塔，低于某一值时封闭冷却塔;(3)工夫操控法。设置特定的冷却塔或土壤换热器的工作工夫，如夜间运转冷却塔等。
    在土壤换热器与冷却塔并联运转的体系中，为使机组的进口水温较低然后进步机组的瞬时功率，更为有用的办法即直接比拟土壤换热器与冷却塔的出口水温。但是咱们只可以实时测得两者之一，由于在其间一个运转时别的一个处于搁置状况。如在冷却塔运转时，土壤换热器处于搁置状况，大家无法取得若是此刻发动土壤换热器其出口水温为多少，反之当土壤换热器运转时，冷却塔处于搁置状况，大家无法取得此刻若是发动冷却塔其出口水温为多少，因而必须树立牢靠的模型完成土壤换热器和冷却塔出口温度的猜测。
    冷却塔出口温度的猜测曾经完成［6，7］，关键在于土壤换热器的出口水温的猜测。由于土壤换热的杂乱性，很难用传统的数学办法树立精确的猜测模型。Michopoulos使用了解析模型对土壤换热器出口温度进行了猜测，但最大差错高达6℃，精度不高［8］。人工神经网络因其强壮的信息处置才能，自组织，自适应性，在图画处置，形式识别，人工智能范畴有着广泛的使用，Hikmet等测验用其对整个地源热泵体系进行建模［9～12］。
    本文测验使用人工神经网络完成土壤换热器出口温度的猜测。首要拔取一栋坐落武汉市的办公修建作为模仿目标，使用DEST核算得全年逐时负荷，树立机组和冷却塔模型，选用FLUENT软件树立土壤换热器模型，将整个复合式地源热泵体系在FLUENT环境下进行核算，一方面获取神经网络模型所需求的练习和测验样本，一方面查验神经网络模型猜测精度。本文根据模型练习样本和测验样本的来历特征，树立多个神经网络模型，研讨复合式地源热泵体系异样运转形式下人工神经网络猜测土壤换热器出口水温的可行性与精确性。
    2·复合式地源热泵体系及其数值模型
    2．1复合式地源热泵体系
    本文拔取一栋坐落武汉市的办公修建作为模仿目标，使用DEST核算其全年逐时负荷，如图1所示。
             
    由图1可知，本修建最大冷负荷，全年累积冷负荷都显着大于热负荷，因而选用带有冷却塔的复合式地源热泵体系，土壤换热器根据冬天热负荷进行描绘，并与冷却塔并联，冷却塔满意夏日冷负荷。机组选用Gordan冷冻机组功耗模型，冷却塔模型选用Merkel焓差法，因这两个模型不为本文研讨要点，故其建模进程不详细引见，详细做法见文献［13］。复合式地源热泵体系布局图如图2所示。
            
    2．2土壤换热器数值模型树立
    本文在FLUENT软件下进行土壤换热器数值模型的树立。在Gambit里边树立土壤换热器的几许模型，土壤换热器为单U型埋管，直管长度为60m，管内径为26mm，管外径为32mm，回填资料直径为200mm，深62m，土壤直径为3m，其几许模型如图3所示。画好网格后，在FLUENT里边设置土壤、回填资料、管子和水的热物性参数，并界说各个面的鸿沟条件，其间土壤的外鸿沟，上下外表均为为绝热鸿沟，地埋管的进口设置为ve-locity－inlet，为减小核算量，本文沿对称面将其剖开，对称面设置为symmetry鸿沟，以300s为工夫步长进行核算。详细建模进程见文献［14，15］。
             
    在数值模型中，监测6个变量的改变，除了土 壤换热器的进出口水温tin、tout，其他4个监测点均坐落地下5m处沿U型管直管中间连线垂直地面的对称面上，分别为tinpipe－5，toutpipe－5(进、出口侧管外壁温度)，tinbf－5，toutbf－5(进出口侧回填资料外壁温度)。
    2．3体系运转形式
    在数值模仿核算中，选用设定工作工夫法操控土壤换热器和冷却塔的运转。核算工夫长度为9个周，每周周一至周五8:00至21:00运转。第1－4、9周每天运转形式固定:8:00－11:00，14:00－17:00，冷却塔运转，土壤换热器不运转;11:00－14:00，18:00－21:00，土壤换热器运转，冷却塔不运转。5－8周冷却塔和土壤换热器运转工夫随机改变，形式不固定。
    3·土壤换热器神经网络模型
    3．1人工神经网络
    人工神经网络(ANN)是由很多简略神经元相互连接，经过模仿人的大脑神经处置信息的办法，进行信息并行处置和非线性变换的杂乱网络体系［16］。本文使用三层BP网络猜测土壤换热器出口水温，并经过均方根差错RMS来评估猜测成果，核算公式为:
           
    3．2土壤换热器的人工神经网络模型树立
    (1)输出层
    本文以土壤换热器的出口温度为输出变量，即输出神经元数目为1。
    (2)输入层
    以除出口水温外的5个监测点作为输入变量，则输入层神经元有5个。
    (3)隐含层
     三层BP网络可以完成普通的非线性映射，因而隐含层数为1。当前还没有一种比拟完善的理论来断定隐含层的最佳神经元数，本文根据经历公式2［17］，断定隐含层神经元数目为11。
    Nh=2Ni+1(2)
    式中Ni———输入层神经元数
     Nh———隐含层神经元数
    本文用Levenberg－Marquardt(LM)算法练习神经网络模型，学习速度设为0．2，最大练习次数为2000，树立好的神经网络模型布局见图4。根据练习样本和测验样本组合特征，本文共树立6组模型。
             
    4·成果与评论
    根据练习样本和测验样本来历的复合式地源热泵体系的运转形式，可以将模型分为6类，详细阐明见表1。关于每个模型，均选用四周的数据，其间三周数据作为练习样本，剩余一周为测验样本，归一化处置后用于树立人工神经网络模型，练习和测验成果见表2。
 
                 
    由表2可知，无论是样本来历有何特色，土壤换热器的人工神经网络模型均可以取得较高的精度，练习样本的最大均方根差错为0．047，最小为0．027，测验样本的最大均方根差错为0．062，最小为0．034。从M1至M6，可知测验样本和练习样本均取自安稳运转形式时，练习样本和测验样本都可以取得较小的差错;练习样本取自安稳形式而测验样本取自非安稳运转形式时测验样本差错显着增大。当练习样本取自非安稳运转形式，测验样本取自安稳形式时，测验样本差错较小，且小于练习样本差错，其他模型均为测验样本均方根差错大于练习样本。由此可知，当神经网络取得满足的信息量时，可以完成精确的猜测。
    在实践运转进程中，使用人工神经网络进行在线猜测，体系的运转形式在工夫上面并不固定，即在6个模型中，与M5状况邻近。由表2可知，M5的练习样本的RMS为0．041，测验样本RMS为0．0059，与其他模型比拟，两个差错固然比拟大，但仍具有较高的精度。M5的练习成果和测验成果见图5和图6。
             
             
    从图5和图6可知，练习样本绝对差错坐落［－0．2，0．2］之间，但绝大部分样本差错均为与0邻近，即人工神经网络可以用来精确树立土壤换热器模型。测验样本差错差错规模为［－0．25，0．2］，绝大部分坐落［－0．1，0．1］之间，即练习好的神经网络模型具有较好的泛化才能，关于不参加练习的样本仍具有较高的精确性。
    由此可以得出:无论复合式地源热泵体系处于何种运转形式，神经网络均可精确猜测土壤换热器的出口水温，模型具有较高的精确性和泛化才能。这使得直接比拟土壤换热器和冷却塔出口水温的操控办法得以完成。还使用人工神经网络猜测土壤换热器的出口水温，为在无法得知地下物性参数时(包罗土壤、回填资料和管子的热物性等)，研讨土壤换热器的换热供给一种简略牢靠的办法，对土壤换热器的研讨具有重大意义。
    5·结语
    本文提出在复合式地源热泵并联体系中直接比拟冷却塔与土壤换热器出口温度的操控办法。为完成这一战略，运用人工神经网络来完成土壤换热器出口水温的猜测，树立异样的神经网络模型。成果表明无论复合式地源热泵体系处于何种运转形式，人工神经网络均可以用来精确猜测土壤换热器的出口水温，且神经网络模型具有较高的精确性和泛化才能。练习样本最大差错绝对值不超越0．2℃，测验样本最大差错绝对值不超越0．25℃。
    进一步的研讨将会集在以下几方面:经过树立动态神经网络模型，进步神经网络的猜测精度;在以土壤换热器和冷却塔两者出水温度作为操控根据时，复合式地源热泵体系的能耗特性，并与现有几种操控办法做比拟。

储气罐，换热器