4.1　基于武汉某科研大楼实测数据的模型验证

4.1.1　工程简介

武汉某科研大楼地下水源热泵空调工程位于武汉市，总占地面积为12294m2，总建筑面积29600m2，建筑功能为办公大楼。该工程示范面积19064m2，采用节能、环保的地下水源热泵空调系统作为建筑物的冷热源。设计主楼夏季冷负荷为1900kW，冬季负荷为1400kW。

共设计6口热源井，井深约54m，其中2口取水井，4口回灌井，采用地下回路管网进行连通进入机房。空调机组采用2台制冷量为961kW的地下水源热泵机组，夏季提供7～12℃冷冻水，冬季提供45～40℃热水，热泵机组可根据末端负荷实现10%～100%的无级能量调节。室内末端系统由风机盘管加新风系统组成。

4.1.2　检测数据及分析

检测时间为某一夏季典型日，气候条件为气温32～37℃，相对湿度50%～70%，晴。在2号热泵机组单独正常运行的条件下，测试2号热泵机组室外侧管道的供水温度、回水温度（即冷凝器供水、回水温度），热泵机组用户侧管道的供水温度、回水温度（即蒸发器供水、回水温度），水流量和热泵机组耗电量。检测时间从上午10:46到下午16:46每隔20min记录1次数据，一共得到19组数据。检测数据及依据检测数据计算得到的机组COP变化曲线见图4-1。

4.1.3　建立ANN及ANFIS计算模型

由于蒸发器进口水温度为非定值，而且检测数据有限（没有水泵及其他耗能设备的功率），只能计算2＃热泵机组的机组COP，所以对第3章所建ANN模型及ANFIS模型稍作修改，以蒸发器进出口水温度、冷凝器进出口水温度4个参数作为模型的输入，以2＃热泵机组的机组COP作为模型的输出，其结构示意见图4-2。

由于检测数据样本较少，对这19组数据样本以测试时间为标准从10:46每隔40 min挑选1组一共可挑选10组作为模型的训练样本，剩余的9组数据样本作为测试样本。

ANN模型隐含层传递函数选用S型的正切函数Tansig，输出层传递函数选用线性函数pureline，隐含层神经元个数取6，选用的训练算法为Levenberg-Marquardt方法。本文BP网络模型中设定训练次数为5000次，训练精度为1×10-7，其他参数均采用默认值。对输入数据作标准化处理，使其在0～1范围内，输出不作处理。

图4-1　检测数据及机组COP曲线

图4-2　ANN模型和ANFIS模型结构示意图

ANFIS模型隶属度函数取两个，均选用高斯型，训练次数为300次，期望误差为0，初始步长、步长递减率等其他参数采用默认值。

4.1.4　测试结果分析

机组COP测试结果、绝对误差和相对误差分别见图4-3～图4-5，精度见表4-1。

图4-3　ANN模型及ANFIS模型测试结果与真实值比较

图4-4　ANN模型及ANFIS模型测试绝对误差

图4-5　ANN模型及ANFIS模型测试相对误差

表4-1　ANN模型和ANFIS模型精度

由图4-3～图4-5可知，ANN模型及ANFIS模型均能较准确地根据蒸发器进出口水温度和冷凝器进出口水温度4个参数计算出机组COP，其绝对误差和相对误差均在可接受的范围内，由此证明所建模型是可行的。但是相比于第3章利用模拟数据作为训练样本和测试样本的ANN模型和ANFIS模型来说，其计算精度有所降低，原因为本次训练样本较少。如果训练样本更多，ANN模型和ANFIS模型就更能准确地提取输入变量和输出变量的非线性关系，进而计算精度会更准确。

另外由表4-1可观察到，ANFIS模型的均方根误差小于ANN模型，而其方差比ANN模型更接近于1，绝对误差和相对误差也更小，进一步证明了ANFIS模型在基于较小参数集计算机组COP的精度更高、模型更准确。