摘要

地源热泵（Ground Source Heat Pump，GSHP）技术以其节能、环保、可利用低位热能等特性越来越受到人们的重视，并被广泛应用于工程项目中。我国建成并投入运行的地源热泵项目，绝大多数都没有监测系统。由于没有安装测量仪表、没有分开计量或传感器故障等原因而难以获得计算评价系统性能指标所需要的参数，从而造成系统评价困难。

本文基于较小的数据参数集，利用蒸发器进出口水温，冷凝器进出口水温四个易于测量的参数，基于人工神经网络模型（Artificial Neural Network，ANN）和自适应神经模糊推理系统模型（Adaptive Neuro-Fuzzy Inference System，ANFIS）计算地源热泵系统的重要评价指标:机组COP（Coefficient of Performance，COP）和系统COP。首先，在TRNSYS平台上对武汉某办公楼地源热泵中央空调系统建立模型，模拟得到该系统全年的逐时运行数据，包括热泵机组蒸发器进出口水温和冷凝器进出口水温。基于模拟数据建立ANN模型和ANFIS模型，两模型均以热泵机组蒸发器进口水温、蒸发器出口水温、冷凝器进口水温、冷凝器出口水温4个参数为输入值，计算地源热泵机组COP和系统COP。采用均方根误差RMS（Root-Mean Squared）、方差R2（the Coefficient of Multiple Determinations）等统计方法比较计算值与真实值，然后进行模型的验证。最后对ANN和ANFIS两种模型的计算准确度进行了对比分析，发现ANFIS模型计算精度更高。

利用武汉某科研大楼地下水源热泵系统及浙江绍兴某办公楼地源热泵系统的实际监测数据，对所建ANN模型和ANFIS模型进行了训练及验证，模型计算值与实际值吻合度很高，证明该模型能够在实际项目中应用。

所建模型能够利用较小的参数集来计算评价地源热泵系统所需的指标机组COP和系统COP，从而可在部分监测条件不足或部分传感器出现故障时计算机组和系统性能评价指标，为将来仅测量较少的量计算评价指标从而减少传感器安装数量提供技术支持。

关键词:人工神经网络；ANFIS；TRNSYS；地源热泵；COP