基于神經網絡的軟測量在隔離型換熱節能系統中的應用
2012-04-12 00:00:00王瑞華王普
現代電子技術 2012年5期
摘 要：隔離型換熱節能系統的模型研究對系統優化有著現實意義。在對系統結構介紹的基礎上，建立了系統的穩態機理模型。針對系統模型中的關鍵參數難以測量的問題，提出采用基于RBF神經網絡的軟測量方法加以解決，并利用現場數據進行了實驗研究。結果表明，所提方法是可行、有效的。
關鍵詞：換熱節能； 機理模型； 軟測量； RBF神經網絡
中圖分類號：
TN911.7-34; TP271+.3
文獻標識碼：A
文章編號：1004-373X(2012)05
-0150
-03
Application of soft measurement based on neural network in isolated
heat exchange energy-saving system
WANG Rui-hua， WANG Pu
(Beijing University of Technology， Beijing 100124， China)
Abstract：
The research on the model of heat pipe heat exchange system has practical significance to system optimization. Based on introducing the system structure， the steady state mechanism model is built. Aiming at the problem that key para-meter is difficult to be measured in system model， the soft measurement method based on RBF neural network is proposed. Then， using practical data in field， testing research is carried out. The conclusion shows that the method is feasible and valid.
Keywords： heat exchange energy-saving; mechanism model; soft measurement; RBF neural network
收稿日期：2011-11-29
基金項目：國家自然科學基金資助項目(60974133)
0 引 言
節能問題日益成為社會的熱點問題，暖通空調系統這一能源消耗大戶越來越引起人們的關注，如何降低空調系統的節能降耗具有非常重要的社會意義。隔離型換熱節能系統是把室外的自然環境作為冷源，通過換熱器把室外冷空氣的冷量傳遞到室內，達到冷卻室內空氣的目的。由于這一方法綠色環保的特點，已經受到越來越多人的關注［1-3］。但對其進行系統建模與優化的研究鮮有報道。因此，研究并開發出高效率運行的隔離型換熱節能系統在現階段具有開拓性的意義和重要的價值。
要對節能系統進行運行特征分析和進一步的運行優化控制，系統模型的研究起到至關重要的作用。對于換熱過程這樣一個物理過程系統，可以通過列寫反映流體傳熱傳質等基本規律的動力學方程來建立系統的數學模型。在模型結構確定后，由于模型中的關鍵參數難以測量導致所建立模型的不確定性。本文以筆者開發的北京某電信機房所安裝的隔離型換熱節能系統為背景，利用軟測量技術來獲得不可測變量的最佳估計，為解決上述問題提供了一種有效方法。
1 軟測量技術
軟測量技術是解決過程系統中普遍存在的一類難以在線測量的變量估計問題的有效方法。它的基本思想是把自動控制理論與生產過程知識有機結合起來，應用計算機技術，對于難于測量或暫時不能測量的重要變量，通過選擇另外一些容易測量的變量與之構成某種數學關系來推斷和估計。在以軟測量的估計值作為反饋信號的控制系統中，軟測量儀表除了能“測量”主導變量，還可估計一些反映過程特性的工藝參數，如精餾塔的塔板效率、反應速率和催化劑的活性等，為實現產品質量的實時檢測與控制奠定基礎［4］。
2 系統模型建立
2.1 系統介紹
隔離型換熱節能系統的結構如圖1所示。系統由室外風道和室內風道組成，室外風道利用室外風機的驅動作用，從室外引進溫度比較低的空氣，經過換熱器換熱后再排放到室外。室內風道利用室內風機的驅動作用，從室內引進溫度比較高的空氣，經過換熱器后再送回到室內。室內風道與室外風道之間是隔離的，通過換熱效率較高的換熱器將二者連接起來，并通過換熱器進行熱量的交換，室內外風機均選用變頻風機以改變風道內的風量。
圖1 隔離型換熱節能系統的結構圖
2.2 機理模型建立
忽略一些熱損失等次要因素，根據傳熱過程的兩個基本方程式列寫穩態特性方程如下:
式中:q為傳熱速率(單位：kJ/h)；G為質量流量(單位：kg/h)；C為平均比熱容(單位：kJ/(kg·K))， 本系統中冷熱流體均為空氣，所以C1和C2都是空氣的平均比熱容Cp;T1為室外風道進風口溫度(單位：K);T2為室外風道出風口溫度(單位：K);T3為室內風道進風口溫度(單位：K);T4為室內風道出風口溫度(單位：K)。式(2)中，U為傳熱總系數(單位：kJ/(m2·K·h))；Am表示平均傳熱面積(單位：m2)；Δθm表示平均溫度差(單位：K)，其表達式為：
式(5)即為隔離型換熱節能系統的穩態模型［5-6］。其中兩個風道內空氣的質量流量G1和G2與兩個風機運行頻率f1和f2呈顯著的線性關系，可以分別表示成f1和f2的線性函數如下：G1=440.76f1-1 860與G2=305.52f2-1 374，這樣就把風量G1和G2轉化成比較容易理解的風機頻率值f1和f2進行處理。
3 軟測量技術應用
3.1 問題描述
從模型中可以看出，UAm是模型中的未知參數，通過對傳熱過程的分析與對實際數據的分析也可以得出，雖然傳熱面積Am在系統運行階段是個固定值，可以通過換熱器的實際設計參數進行推導，但傳熱總系數U的大小受兩個風道內風量大小和進風口溫度等變量的影響，是個變化的參數。因此，為了簡化運算，把UAm可以作為軟測量技術中的主導變量，方程右邊的其他變量作為軟測量技術中的輔助變量，問題的關鍵就是如何通過建立兩者的數學關系，完成對UAm的推斷和估計。
3.2 軟測量模型的建立
軟測量模型是軟測量技術的核心。建立的方法有機理建模、經驗建模以及兩者相結合。機理模型的優點是可以充分利用已知的過程知識，從事物的本質上認識外部特征，有較大的適用范圍。但通過對本系統的機理研究發現，對流換熱過程受物體特性、流動狀態、溫度和換熱面幾何特性等多種因素影響，要通過機理模型來表示這種影響關系，難度很大，而且精度很低［7］。因此，本文采用實驗測試的方法來完成對UAm的軟測量，即通過實測或積累的操作數據，通過公式(5)，可以得到UAm=G2Cp(T3－T4)/［(T3－T1)－12(1+G2G1)(T3－T4)］，這樣，利用T1，T3，T4，G1，G2的歷史數據，可以計算出UAm的值，以這些數據作為模型建立的樣本，使用經驗建模的方法可以獲得系統的軟測量模型。
3.3 基于RBF神經網絡的軟測量
人工神經元網絡為解決復雜過程的建模提供了一條新途徑，也成為軟測量實現中最重要的一種方法。由于某些過程系統內在機理復雜，存在嚴重非線性和不確定性問題。采用神經網絡方法可以在不需要了解過程先驗知識的情況下很方便地建立軟測量模型。
理論上已經證明，三層前饋神經網絡可以任意精度逼近任意非線性函數。前饋型神經元網絡如此良好的性質，在過程建模中得到廣泛應用，作為軟測量方法也是十分誘人的。前饋型網絡中應用最廣的是BP網絡和RBF網絡。RBF神經網絡可以根據具體問題確定相應的網絡拓撲結構，具有自學習、自組織、自適應功能，它對非線性連續函數具有一致逼近性，參數調整為線性算法，學習速度快，可以進行大范圍的數據融合，更適合于軟測量應用［8］。RBF神經網絡是一個三層前向網絡，即包括輸入層、隱層和輸出層。從輸入空間到隱層空間的變換是非線性的，而從隱層空間到輸出層空間的變換是線性的。RBF神經網絡用徑向基函數(RBF)作為各隱單元的“基”，構成隱含層空間，隱含層對輸入矢量進行變換，將低維的模式輸入數據變換到高維空間內，使得在低維空間內的線性不可分問題在高維空間內線性可分。徑向基函數有多種形式，一般取高斯函數，它是一種局部分布的且對中心點徑向對稱衰減的非負非線性函數.整個RBF神經網絡可用公式描述為:
式中:fj是第j個線性層神經元的輸出;b為第j個線性層神經元所附加的偏差;Wij是RBF層的第i個神經元與線性層的第j個神經元的連接權值;φ為高斯函數;n是隱層節點數;m是線性層節點數;P是網絡輸入向量;ci是第i個隱層節點的中心向量;b是所有隱層節點的形狀參數［9-10］。
4 實驗研究與分析
4.1 實驗數據的準備
建立系統模型的目的是對系統的輸出狀態進行估計，以便更好地對系統所要達到的目標進行優化和控制。因此模型估計能力的高低對模型的評價至關重要。這里可以用泛化能力的概念來衡量所建模型的優劣。系統通過對一定數量的數據進行神經網絡訓練獲得系統模型，在使用模型進行估計的工作階段，當向模型輸入神經網絡訓練時未曾見過的數據時，模型也能很好地完成由輸入空間向輸出空間的正確映射。說明模型的泛化能力強，表明所建的模型可靠，可以被實際所采用。模型泛化能力高低與訓練用的樣本密切相關，設計一個好的訓練樣本集既要注意樣本的規模，又要注意樣本質量。一般可以參考這樣的一個經驗規則，訓練樣本數是網絡連接權總數的5～10倍。同時，神經網絡用樣本一定要遵循多樣性與均勻性的原則。如果在大量的歷史數據中隨機選取其中一部分作為訓練樣本，這樣很可能使訓練樣本集本身沒有包含全部樣本的特征，使估計的結果出現較大的誤差，從而使模型的泛化能力變差［11］。
4.2 RBF神經網絡實驗
遵循多樣性與均勻性的原則，在大量的歷史數據中挑選出合理并有效的樣本數據73組進行RBF神經網絡的訓練。首先對樣本數據進行歸一化。本文通過變換處理將網絡的輸入、輸出數據限制在［-1，1］區間內，經過神經網絡計算后，輸出值再還原成常規值。隱層節點數選為5個。采用隨機選取的100組交叉檢驗數據對模型的泛化能力進行檢驗。使用Matlab語言編寫程序，得到的RBF神經網絡模型輸出與系統實際輸出的對比曲線如圖2所示。從圖中也可以看出，根據現場實際數據計算得到的UAm值與經過訓練后的神經網絡模型估計得出的值基本吻合，使用各樣本點相對誤差的均值MER衡量模型的泛化能力，求得測試樣本的MER為0.027，證明該模型是有效的。
4.3 實驗結果分析
通過實驗的結果可以看出，在含有非線性關系的模型建立中，由于神經網絡模型可以對非線性關系任意精度逼近的特點，使用RBF神經網絡建立的軟測量模型的擬合精度和泛化能力都比較高，能夠滿足系統建模的要求。
5 結 語
隔離型換熱節能系統作為當前空調節能降耗的有效措施日益受到各方面的關注。因此具有良好的推廣前景。本文從工程實際出發，利用基于RBF神經網絡的軟測量技術對系統模型中的關鍵參數難以測量的問題進行了研究。并利用實際工程中現場采集的數據進行了實驗研究與分析。交叉檢驗的結果表明，文中方法是有效的。本文的研究為節能系統的穩態優化實施打下了基礎，具有較高的實用價值。
參 考 文 獻
［1］劉巖.自然冷資源輔助空調系統研究［D］.哈爾濱:東北農業大學，2007.
［2］許磊，陳超，管勇，等.自然冷卻換熱技術在電信行業通信機房空調系統中的應用研究［J］.制冷與空調，2010，10(5):85-89.
［3］鮑玲玲.通信基站用空氣換熱器的研究［D］.邯鄲：河北工程大學，2008.
［4］俞金壽，劉愛倫，張克進.軟測量技術及其在石油化工中的應用［M］.北京：化學工業出版社，2000.
［5］俞金壽，蔣慰孫.過程控制工程［M］.北京:電子工業出版社，2007.
(下轉第159頁)
