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。