應用人工神經網絡算法的冷水機組能效提升策略

張夢華，周鎮新，劉念，韓林志，陳煥新*

（1-華中科技大學能源與動力工程學院，湖北武漢 430074；2-上海疊騰網絡科技有限公司，上海 200000）

0 引言

冷水機組系統廣泛應用于建筑空調中，由于它們是建筑中主要的耗能部件，因此提高它們的運行性能可以考慮節約能源[1]。為了提高冷水機組的運行性能，許多專家學者對冷水機組的運行策略進行了大量研究。

一種方法是應用理論物理方程計算結果，或利用現有數據擬合公式；另一種方法是利用人工智能模型對過去的數據進行預測。傳統的方法包括白箱模型、灰箱模型和黑箱模型[2]。白箱模型采用物理方程計算性能系數，如BROWNE等[3]、CHAN等[4]提出了預測具有10%偏差的冷水機組動態性能的仿真模型。張歡等[5]提出加載控制策略應用變頻技術，以實現機組制冷量、冷凍水流量和冷卻水流量的無極調節，保證設備的高效運行。卓明勝等[6]建立完整的中央空調水系統仿真模型，分析了冷水機組在提高供水溫度優化控制、冷卻水泵優化控制、冷凍水泵優化控制的中央空調系統群控優化控制策略下的系統節能率。MA[7]以灰箱研究為例，引入了一系列的理論和經驗表達式，闡明了循環過程影響下的熱力學機制。黑箱模型是從冷水機制造商、實驗室和現場測量中獲得一套訓練數據，用多元回歸方法建立黑箱模型，黑箱模型的一些參數由大量的性能數據確定[8]。

最流行的黑箱模型是人工神經網絡（Artificial Neural Network，ANN）。ANN方法為這些復雜的非線性問題提供了一種新的解決方案[9]，它利用相關的運行數據來預測螺桿式冷水機組的性能，能適用現場不斷變化的條件。CHOW等[10]描述了直燃型吸收式制冷機系統的ANN過程，并結合遺傳算法討論了系統的最優控制。ESEN等[11]比較了自適應神經模糊推理系統和人工神經網絡在耦合地源熱泵系統建模中的應用。CHANG[12]利用Hopfield網絡找到了解決冷水機冷水供應溫度下最優冷水機負荷缺陷的方法。還有利用ANN在不同的實驗條件下模擬太陽能輔助制冷系統[13-14]。LAZRAK等[15]開發了一種ANN方法來建模和評估吸收式制冷機的能量性能和出口溫度。WANG等[16]提出了一種實用的改進方法，在沒有頻繁大波動的情況下，滿足建筑物熱負荷目標的冷卻裝置，結合了變搜索邊界、物理方程和人工神經網絡冷卻塔模型。

此外有些針對模型控制的研究，試圖提高冷水機組模型的效率。如BRAUN等[17]開發了一種優化冷卻塔風扇速度的方法。王占偉等[18]將距離拒絕（Distance Rejection，DR）機制融入貝葉斯網絡（Bayesian Network，BN）中，提出一種基于DR-BN的冷水機組故障檢測方法。另一些研究人員開發了利用系統模型和優化算法尋找冷凝器回水溫度最優設定值的方法，這些方法通常稱為基于模型的優化方法。如LU等[19]提出了一種基于模型的冷水機組冷凝器水設定值優化方法。發現與冷卻塔風機和冷凝器水泵一直全速運行的基準相比，這種方法在高負荷時期可以節省冷凝器水環路10%左右的能耗。LEE等[20]建立了基于模型的優化方法，尋找最優冷凝器水設定值和冷水機組冷卻水設定值，冷水機組可實現高達11.1%的日節能量。HUANG等[21]運用了類似的方法，冷水機和冷卻塔的年節能率可達9%左右。雖然上述基于模型的優化方法取得了良好的效果[22]，但是對于實際應用過程中，針對由于蓄水池的作用，導致物理換熱模型的滯后性，使冷水機組出水溫度不能準確預測，機組反饋機制不能準確進行反饋來調節風機和水泵頻率，從而增加了系統的能耗，這方面的研究很少。

本文選擇將人工神經網絡模型訓練為冷水機組模型，在采用大量歷史運行數據的情況下，根據專家知識加入專家變量，預測出t時刻后的冷水機組回水溫度，從而解決在物理建模過程中，由于蓄水池導致物理換熱模型的滯后性，能夠快速對環境反應，反饋給系統，從而達到及時調節相關參數，提高機組能效的目的。

1 基于人工神經網絡的回水溫度預測

1.1 冷水機組系統結構

該工程系統是中國寧波的某所工廠冷水機組系統（圖1）。數據收集時間段為2017-01-02—2018-12-27，冷水機組每天工作24 h，每5 min收集一次數據。冷凍室（包括螺桿式冷水機組、離心式冷水機組和水循環泵）位于設備室，冷卻塔位于室外屋頂。該項目經過了全面的實際應用測試，數據收集間隔為5 min。水系統包括3個變頻螺桿式冷水機組、3個冷卻水循環泵、5個冷凍水循環泵和3個冷卻塔，3#冷卻塔有兩個風機。其中冷水機組是傳統的制冷循環，包括1個變頻螺桿壓縮機、1個蒸發器、1個冷凝器和1個電子膨脹閥，本次實驗只研究3#冷水機組。已知冷卻塔型號和設計工況下參數，室外濕球溫度、室外干球溫度、冷卻塔進水溫度、冷卻塔出水溫度和冷卻水流量，希望能預測出冷卻塔風機功率及其頻率。

圖1 冷水機組系統結構

本次工程實驗項目的預測模型難點在于，冷卻塔下方有土建水池，冷卻塔的出水先進入水池，導致冷卻水經過冷卻后并未及時進入冷機，故對于3#冷水機組存在較大延遲，用常規方法建模有困難。由于本文中測量的冷卻塔風機功率存在一定的零值，所以將預測變量變化為冷水機組回水溫度，根據t分鐘之前的參數變量來預測此刻的冷水機組回水溫度，從而檢測排除系統延遲時間，為實際工程應用中提供參考，從而提成冷水機組能效比。

1.2 研究方法

人工神經網絡是一種機器學習工具，它受人類大腦生物系統的啟發，可以用來學習輸入和輸出變量之間的關系，復雜的物理系統不需要顯式的數學函數就可以精確地建模。由于其在分類、聚類、優化和預測等方面的廣泛應用，使得神經網絡方法在研究中得到了廣泛的應用。

神經網絡的結構是由輸入、神經元和輸出參數組成的，如圖2所示。神經元通過數學函數將輸入和輸出之間的相關性聯系起來。在建立人工神經網絡模型時，必須保證所提出的人工神經網絡不僅能在訓練階段準確擬合數據，而且在驗證階段也能準確擬合數據。一般而言，神經網絡有兩種類型，即靜態神經網絡和動態神經網絡。靜態模型只使用當前值作為輸入，而動態模型不僅考慮當前值，還考慮輸入的幾個更早的值，如本文考慮了t時刻前的供回水溫度。

圖2 ANN神經網絡結構

本文根據神經網絡的結構、神經元數目，建立了動態神經網絡模型。訓練和驗證階段分別使用不同的數據進行，需注意用于驗證的數據并不包括在訓練過程中。網絡只使用訓練數據進行訓練，然后通過預測未引入的驗證數據來驗證網絡的性能。

神經網絡的兩個主要部分是訓練和測試。在訓練部分，用已知數據進行訓練。測試部分使用未使用過的數據進行測試。神經網絡的一個神經元計算其輸入的權值，并生成一個s形函數為式(1)的輸出：

一個訓練網絡基本上是一個達到網絡最優權值的過程。整個網絡由前向和后向兩部分組成。輸出和輸出單元的誤差在前向傳遞中計算。輸出單元誤差用于改變后向遍歷中輸出單元的權值。另外，計算隱含層的誤差，并根據計算誤差值改變隱含層的權值。迭代中ANN的誤差定義為式(2)：

學習部分是權重變化規則，權重的改變與單位時間內的誤差成比例，單位的輸出被輸入權重。特別是在下一次迭代中，將Δwij的修正加入到wij的權值中，可以減少網絡誤差，其中j=1, 2, …n；n為前一層神經元的數量。

定義wij和Δwij為式(3)：

式中，b為學習速率常數；a為動量因子；i、j為迭代索引值。

均方根誤差（Root Mean Square Error，RMSE）表示現場實驗數據的離散程度：

式中，ai和pi為設置的現場測試值和預測值；n為數據模式的數量。

網絡性能的另一個指標是相關系數R：

式中，tmean為所有實驗測量數據點的平均值。

1.3 數據處理流程

圖3所示為基于人工神經網絡的冷水機組回水溫度預測流程。主要由數據獲取、變量選取、數據歸一化處理、訓練集和測試集劃分、用人工神經網絡對數據進行建模、冷水機組回水溫度預測和預測結果誤差評價標準共7個步驟組成。

圖3 模型預測系統流程

（1）數據獲取

首先通過多聯機實驗平臺中的各類傳感器，實時采集實驗的各類變量的參數，于此同時數據實時傳輸到PC端，然后數據采集軟件會對獲得的數據進行集成操作。

（2）數據變量選取

由于人工神經網絡算法相較于其他普通算法，有更強大的擬合能力，在從實驗采集的數據剔除異常值之后，根據專家知識，剔除不相關的變量，本文保留了共14個變量，分別有11個系統變量和3個專家變量包括t分鐘前回水溫度、t分鐘前供水溫度、t分鐘前供回水溫差（如表1）。

表1 用于人工神經網絡建模的14個特征變量

其中t分鐘前回水溫度即上述說明中不同提前時刻的冷卻水回水溫度；t分鐘前供水溫度即上述說明中不同提前時刻的冷卻水供水溫度；t分鐘前供回水溫差即上述說明中不同提前時刻的冷卻水供水溫度和回水溫度的差值。其中選擇這兩個專家變量的原因是計算出t時刻前的供回水溫度兩個變量與預測結果值具有高度相關性。

（3）數據歸一化處理

輸入的數據中，不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到數據分析的結果，為了消除指標之間的量綱影響，需要進行數據標準化處理，以解決數據指標之間的可比性，這里采用Scaler2函數進行標準化。

（4）用神經網絡對數據進行建模

文中人工神經網絡模型都是基于Python3.7中的Keras實現的，選取原始數據中的14個變量為輸入變量，對每個變量數據進行歸一化處理。文中搭建的核心網絡模型是由輸入層、隱藏層、輸出層組成，其中輸入層由14個神經元組成，對應數據集中的14個特征，作為輸入向量；隱含層包含25個神經元；輸出層包含1個神經元。在文中所用模型中，我們選擇的神經元激活函數為sigmoid函數，迭代的優化器選擇Rmsprop，最初各個層的連接權重和偏重是隨機生成的，每次模型訓練50次（表2）。最后對訓練好的模型進行封裝。

表2 人工神經網絡網絡模型預測參數

（5）冷水機組回水溫度預測

利用訓練集的數據訓練好人工神經網絡模型，分別為5 min預測模型（模型一），10 min預測模型（模型二），15 min預測模型（模型三），20 min模型預測（模型四），然后將模型封存，再將測試集數據集導入不同的訓練好的冷水機組回水溫度預測模型中，預測回水溫度，從而畫出預測回水溫度與預測溫度的對比圖。

（6）預測結果誤差評價標準

采用RMSE和R2兩種評價標準進行，RMSE越低模型效率越好，R2越高模型效率越高，預測準確度越高。

2 預測結果分析

2.1 預測結果

圖4所示為冷水機組回水溫度預測結果。橫坐標為測試集冷卻水回水溫度真實值，縱坐標為冷卻水回水溫度預測值，可知閥值在90%~110%。

圖4 冷水機組回水溫度預測結果

2.2 結果分析

由于水池的蓄水作用，當前時刻的風機功率對回水溫度造成的影響有滯后作用，具體的滯后時間需要經過實際測量。因此模型訓練時采用了4套時間（5、10、15和20 min）。最終可以通過測試數據的導入，依據模型的準確率（表3）來判斷那個時間跨度的模型較好。

表3 4種預測模型性能

由表3可知，以模型一進行測量的冷水機組回水溫度誤差最小，RMSE為0.106 9，小于模型二、模型三和模型四。從而證明在實際工程應用過程中可以通過人工神經網絡對冷水機組冷卻水塔延遲時間進行預測?；谌斯ど窠浘W絡算法模型的冷水機組回水溫度預測方法能充分利用人工神經網絡自適應、自組織和非線性的特點，具有一定的普適性。神經網絡模型無需通過采用相關性分析方法對冷水機組的運行參數進行了分析，簡單操作且效率高，避免冷水機組的結構設計過程中冷水機組運行參數多，難以對神經網絡的輸入參數選擇進行選擇的問題。人工神經網絡模型可以用來處理動態問題，根據本文研究可以發現，用5 min前的參數對此時的冷水機組回水溫度進行預測的效果最好，從而解決冷卻水塔下的蓄水池對冷水機組回水溫度的延遲影響，從而實時預測冷水機組中冷風機的功率和頻率，達到提高機組性能。

3 結論

本文應用人工神經網絡（ANN）算法模型進行冷水機組回水溫度預測研究，研究通過冷水機組系統實驗獲取數據，選擇14個特征變量，建立ANN模型，通過模型的訓練、測試和微調等過程，得到最終模型，得出如下結論：

1）在原11個特征變量基礎上增加了3個專家變量之后，現場測試值與預測值之間的均方根誤差達到0.106 9、R2達到0.992 3；說明該ANN模型能較準確地預測該類裝置的不同時刻下的冷卻水回水溫度，便于冷水機組冷卻塔的優化控制；

2）應用ANN模型，得出利用5 min前的測量數據可以準確預測此時的冷水機組回水溫度，從而可以判斷冷卻水塔下的蓄水池對回水溫度的延遲影響為大概5 min，且其RMSE相較于模型二、模型三、和模型四分別提高50.89%、106.36%和109.35%，R2相較于模型二、模型三、模型四分別提高0.39%、0.83%和0.85%。

3）此結果對工程項目冷水機組冷卻塔優化控制有一定的參考性，雖然不同的項目根據實際安裝設備的不同結果也不盡相同，但是本文為其提供了一個新穎的思路供參考。