地源熱泵體系因其低污染高功率得到廣泛使用

    1·導(dǎo)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(fù)荷遠(yuǎn)大于冬天熱負(fù)荷區(qū)域常選用帶有輔佐散熱設(shè)備如冷卻塔的復(fù)合式地源熱泵體系，經(jīng)過有挑選性的運轉(zhuǎn)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(zhuǎn)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(dāng)熱泵機(jī)組的進(jìn)口或出口溫度超越某一個值時，發(fā)動冷卻塔，當(dāng)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(jī)組的進(jìn)口或出口溫度與室外干球或濕球溫度作比擬，當(dāng)溫差高于某一個值時，發(fā)動冷卻塔，低于某一值時封閉冷卻塔;(3)工夫操控法。設(shè)置特定的冷卻塔或土壤換熱器的工作工夫，如夜間運轉(zhuǎn)冷卻塔等。
    在土壤換熱器與冷卻塔并聯(lián)運轉(zhuǎn)的體系中，為使機(jī)組的進(jìn)口水溫較低然后進(jìn)步機(jī)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(zhuǎn)時別的一個處于擱置狀況。如在冷卻塔運轉(zhuǎn)時，土壤換熱器處于擱置狀況，大家無法取得若是此刻發(fā)動土壤換熱器其出口水溫為多少，反之當(dāng)土壤換熱器運轉(zhuǎn)時，冷卻塔處于擱置狀況，大家無法取得此刻若是發(fā)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(jīng)完成［6，7］，關(guān)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(tǒng)的數(shù)學(xué)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(jìn)行了猜測，但最大差錯高達(dá)6℃，精度不高［8］。人工神經(jīng)網(wǎng)絡(luò)因其強(qiáng)壯的信息處置才能，自組織，自適應(yīng)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(jìn)行建模［9～12］。
    本文測驗使用人工神經(jīng)網(wǎng)絡(luò)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(biāo)，使用DEST核算得全年逐時負(fù)荷，樹立機(jī)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(fù)合式地源熱泵體系在FLUENT環(huán)境下進(jìn)行核算，一方面獲取神經(jīng)網(wǎng)絡(luò)模型所需求的練習(xí)和測驗樣本，一方面查驗神經(jīng)網(wǎng)絡(luò)模型猜測精度。本文根據(jù)模型練習(xí)樣本和測驗樣本的來歷特征，樹立多個神經(jīng)網(wǎng)絡(luò)模型，研討復(fù)合式地源熱泵體系異樣運轉(zhuǎn)形式下人工神經(jīng)網(wǎng)絡(luò)猜測土壤換熱器出口水溫的可行性與精確性。
    2·復(fù)合式地源熱泵體系及其數(shù)值模型
    2．1復(fù)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(biāo)，使用DEST核算其全年逐時負(fù)荷，如圖1所示。
             
    由圖1可知，本修建最大冷負(fù)荷，全年累積冷負(fù)荷都顯著大于熱負(fù)荷，因而選用帶有冷卻塔的復(fù)合式地源熱泵體系，土壤換熱器根據(jù)冬天熱負(fù)荷進(jìn)行描繪，并與冷卻塔并聯(lián)，冷卻塔滿意夏日冷負(fù)荷。機(jī)組選用Gordan冷凍機(jī)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(jìn)程不詳細(xì)引見，詳細(xì)做法見文獻(xiàn)［13］。復(fù)合式地源熱泵體系布局圖如圖2所示。
            
    2．2土壤換熱器數(shù)值模型樹立
    本文在FLUENT軟件下進(jìn)行土壤換熱器數(shù)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(nèi)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(wǎng)格后，在FLUENT里邊設(shè)置土壤、回填資料、管子和水的熱物性參數(shù)，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(jìn)口設(shè)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(shè)置為symmetry鴻溝，以300s為工夫步長進(jìn)行核算。詳細(xì)建模進(jìn)程見文獻(xiàn)［14，15］。
             
    在數(shù)值模型中，監(jiān)測6個變量的改變，除了土 壤換熱器的進(jìn)出口水溫tin、tout，其他4個監(jiān)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(jìn)、出口側(cè)管外壁溫度)，tinbf－5，toutbf－5(進(jìn)出口側(cè)回填資料外壁溫度)。
    2．3體系運轉(zhuǎn)形式
    在數(shù)值模仿核算中，選用設(shè)定工作工夫法操控土壤換熱器和冷卻塔的運轉(zhuǎn)。核算工夫長度為9個周，每周周一至周五8:00至21:00運轉(zhuǎn)。第1－4、9周每天運轉(zhuǎn)形式固定:8:00－11:00，14:00－17:00，冷卻塔運轉(zhuǎn)，土壤換熱器不運轉(zhuǎn);11:00－14:00，18:00－21:00，土壤換熱器運轉(zhuǎn)，冷卻塔不運轉(zhuǎn)。5－8周冷卻塔和土壤換熱器運轉(zhuǎn)工夫隨機(jī)改變，形式不固定。
    3·土壤換熱器神經(jīng)網(wǎng)絡(luò)模型
    3．1人工神經(jīng)網(wǎng)絡(luò)
    人工神經(jīng)網(wǎng)絡(luò)(ANN)是由很多簡略神經(jīng)元相互連接，經(jīng)過模仿人的大腦神經(jīng)處置信息的辦法，進(jìn)行信息并行處置和非線性變換的雜亂網(wǎng)絡(luò)體系［16］。本文使用三層BP網(wǎng)絡(luò)猜測土壤換熱器出口水溫，并經(jīng)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(jīng)網(wǎng)絡(luò)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(jīng)元數(shù)目為1。
    (2)輸入層
    以除出口水溫外的5個監(jiān)測點作為輸入變量，則輸入層神經(jīng)元有5個。
    (3)隱含層
     三層BP網(wǎng)絡(luò)可以完成普通的非線性映射，因而隱含層數(shù)為1。當(dāng)前還沒有一種比擬完善的理論來斷定隱含層的最佳神經(jīng)元數(shù)，本文根據(jù)經(jīng)歷公式2［17］，斷定隱含層神經(jīng)元數(shù)目為11。
    Nh=2Ni+1(2)
    式中Ni———輸入層神經(jīng)元數(shù)
     Nh———隱含層神經(jīng)元數(shù)
    本文用Levenberg－Marquardt(LM)算法練習(xí)神經(jīng)網(wǎng)絡(luò)模型，學(xué)習(xí)速度設(shè)為0．2，最大練習(xí)次數(shù)為2000，樹立好的神經(jīng)網(wǎng)絡(luò)模型布局見圖4。根據(jù)練習(xí)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(jù)練習(xí)樣本和測驗樣本來歷的復(fù)合式地源熱泵體系的運轉(zhuǎn)形式，可以將模型分為6類，詳細(xì)闡明見表1。關(guān)于每個模型，均選用四周的數(shù)據(jù)，其間三周數(shù)據(jù)作為練習(xí)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(jīng)網(wǎng)絡(luò)模型，練習(xí)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(jīng)網(wǎng)絡(luò)模型均可以取得較高的精度，練習(xí)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(xí)樣本均取自安穩(wěn)運轉(zhuǎn)形式時，練習(xí)樣本和測驗樣本都可以取得較小的差錯;練習(xí)樣本取自安穩(wěn)形式而測驗樣本取自非安穩(wěn)運轉(zhuǎn)形式時測驗樣本差錯顯著增大。當(dāng)練習(xí)樣本取自非安穩(wěn)運轉(zhuǎn)形式，測驗樣本取自安穩(wěn)形式時，測驗樣本差錯較小，且小于練習(xí)樣本差錯，其他模型均為測驗樣本均方根差錯大于練習(xí)樣本。由此可知，當(dāng)神經(jīng)網(wǎng)絡(luò)取得滿足的信息量時，可以完成精確的猜測。
    在實踐運轉(zhuǎn)進(jìn)程中，使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行在線猜測，體系的運轉(zhuǎn)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(xí)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(xí)成果和測驗成果見圖5和圖6。
             
             
    從圖5和圖6可知，練習(xí)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(jīng)網(wǎng)絡(luò)可以用來精確樹立土壤換熱器模型。測驗樣本差錯差錯規(guī)模為［－0．25，0．2］，絕大部分坐落［－0．1，0．1］之間，即練習(xí)好的神經(jīng)網(wǎng)絡(luò)模型具有較好的泛化才能，關(guān)于不參加練習(xí)的樣本仍具有較高的精確性。
    由此可以得出:無論復(fù)合式地源熱泵體系處于何種運轉(zhuǎn)形式，神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)猜測土壤換熱器的出口水溫，為在無法得知地下物性參數(shù)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(jié)語
    本文提出在復(fù)合式地源熱泵并聯(lián)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(zhàn)略，運用人工神經(jīng)網(wǎng)絡(luò)來完成土壤換熱器出口水溫的猜測，樹立異樣的神經(jīng)網(wǎng)絡(luò)模型。成果表明無論復(fù)合式地源熱泵體系處于何種運轉(zhuǎn)形式，人工神經(jīng)網(wǎng)絡(luò)均可以用來精確猜測土壤換熱器的出口水溫，且神經(jīng)網(wǎng)絡(luò)模型具有較高的精確性和泛化才能。練習(xí)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(jìn)一步的研討將會集在以下幾方面:經(jīng)過樹立動態(tài)神經(jīng)網(wǎng)絡(luò)模型，進(jìn)步神經(jīng)網(wǎng)絡(luò)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(jù)時，復(fù)合式地源熱泵體系的能耗特性，并與現(xiàn)有幾種操控辦法做比擬。

儲氣罐，換熱器