1、背景

　　介紹隨著生產(chǎn)力的發(fā)展和人們生活水平的提高，暖通空調(diào)（HVAC）系統(tǒng)，已在我國得到了廣泛應(yīng)用，HVAC技術(shù)也得到了很大發(fā)展，我國的暖通空調(diào)系統(tǒng)絕大多數(shù)處在低效運(yùn)行狀態(tài)，造成運(yùn)行效率低，能源浪費(fèi)嚴(yán)重[1]，解決好暖通空調(diào)系統(tǒng)的能源浪費(fèi)問題有很重要的現(xiàn)實(shí)意義。

　　制冷機(jī)作為暖通空調(diào)系統(tǒng)中制取冷量和輸出冷量的部分，其能耗大約占整個暖通空調(diào)系統(tǒng)的50％[2].對制冷機(jī)控制方法的好壞直接影響到整個暖通空調(diào)系統(tǒng)的運(yùn)行狀況，因此對制冷機(jī)的工作狀態(tài)進(jìn)行優(yōu)化控制是解決對暖通空調(diào)系統(tǒng)能耗問題的重要途徑。

　　國內(nèi)外許多學(xué)者對制冷機(jī)的部分負(fù)荷下工作狀態(tài)進(jìn)行了優(yōu)化控制研究[3][4]，在制冷機(jī)的優(yōu)化控制上做出了巨大的貢獻(xiàn)。但是也存在一些問題，如：很多人的研究對象都是制冷機(jī)的數(shù)學(xué)模型[5]，他們根據(jù)一些對制冷機(jī)工作時的狀態(tài)進(jìn)行了理想的假設(shè)和大量的簡化建立了制冷機(jī)的機(jī)理模型，而這些假設(shè)和簡化在實(shí)際中是不成立的。對控制變量的選擇有時也不是很合理，如采用冷凍水供水溫度為壓縮機(jī)的工作頻率控制變量[6]，當(dāng)壓縮機(jī)的工作狀態(tài)發(fā)生改變時，冷凍水供水溫度因其工作特性不能及時的變化。

　　本文通過暖通空調(diào)系統(tǒng)實(shí)際運(yùn)行的數(shù)據(jù)來辨識吸氣壓力的BP神經(jīng)網(wǎng)絡(luò)模型，得到了各種負(fù)荷下最佳工況。對于整個暖通空調(diào)系統(tǒng)的優(yōu)化控制具有指導(dǎo)意義。

　　2、制冷機(jī)優(yōu)化控制方法的研究

　　在對制冷機(jī)進(jìn)行優(yōu)化控制時，對壓縮機(jī)的工作頻率的確定是一個重要問題。吸氣壓力是制冷機(jī)中重要的參數(shù)，是衡量制冷機(jī)是否正常運(yùn)行的，本文選用吸氣壓力作為壓縮機(jī)工作頻率的控制變量，這樣會比溫度作為控制變量的要準(zhǔn)確、快速。但由于影響吸氣壓力的參數(shù)具有很強(qiáng)的非線性的特點(diǎn)，不容易建立其機(jī)理模型。本文根據(jù)制冷機(jī)運(yùn)行時的實(shí)際數(shù)據(jù)，通過BP神經(jīng)網(wǎng)絡(luò)辨識吸氣壓力的模型，來消除非線性等因素對結(jié)果的影響。

　　2.1吸氣壓力的BP神經(jīng)網(wǎng)絡(luò)模型以吸氣壓力為神經(jīng)網(wǎng)絡(luò)的輸出量，選取與吸氣壓力關(guān)系緊密的壓縮機(jī)入口制冷劑溫度、壓縮機(jī)出口制冷劑溫度和負(fù)荷作為神經(jīng)網(wǎng)絡(luò)的輸入變量。根據(jù)本文研究對象的實(shí)際情況，采用一個隱層五個隱層結(jié)點(diǎn)即3－5－1模式來辨識吸氣壓力的模型。

　　通過改變輸入變量的值得到不同條件下的樣本數(shù)據(jù)。輸入1500組實(shí)際測量的輸入變量樣本數(shù)據(jù)和期望的吸氣壓力輸出的值進(jìn)行計算。BP算法的誤差err_goal=0.01，學(xué)習(xí)速率lr=0.01，隱層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為purelin，學(xué)習(xí)函數(shù)為learnbp.計算后的權(quán)值如下：為了檢驗(yàn)BP神經(jīng)網(wǎng)絡(luò)模型的精確性，用預(yù)先準(zhǔn)備的50組樣本數(shù)據(jù)進(jìn)行預(yù)測，橫坐標(biāo)表示50個例子，并與實(shí)際值比較，見圖1.結(jié)果表明，預(yù)測值和實(shí)際值吻合的相當(dāng)?shù)暮�，說明建立的BP神經(jīng)網(wǎng)絡(luò)模型是精確的，在實(shí)際中是可行的。

　　根據(jù)吸氣壓力的BP神經(jīng)網(wǎng)絡(luò)模型，通過計算機(jī)仿真觀察在一定負(fù)荷時的吸氣壓力和壓縮機(jī)入口制冷劑溫度、壓縮機(jī)出口制冷劑溫度的關(guān)系。上圖分別是負(fù)荷為100％，80％和40％時的吸氣壓力隨著壓縮機(jī)入口制冷劑溫度和壓縮機(jī)出口制冷劑溫度變化而變化的情況�？梢杂^察出，當(dāng)壓縮機(jī)入口制冷劑溫度越高，吸氣壓力的值越大，壓縮機(jī)出口制冷劑溫度越低，吸氣壓力的值越小，并且吸氣壓力的最大值在壓縮機(jī)入口制冷劑溫度達(dá)到最高、壓縮機(jī)出口制冷劑溫度達(dá)到最低是達(dá)到。在各個負(fù)荷下，吸氣壓力的最大值是唯一的。

　　2.2 制冷機(jī)的最佳工況的研究制冷機(jī)性能參數(shù)COP是衡量制冷機(jī)效率的參數(shù)。把制冷機(jī)運(yùn)行時的壓縮機(jī)入口的制冷劑溫度，壓縮機(jī)出口的制冷劑溫度和吸氣壓力的值定義為制冷機(jī)的工況。在同樣的負(fù)荷下，制冷機(jī)的工況有無數(shù)種，通過計算COP的值可以看出，不同工況下，制冷機(jī)的功率是不同的。在一定的負(fù)荷下，COP最大時的工況為制冷機(jī)存在最佳工況，在達(dá)到同樣的制冷量的條件下，最佳工況時制冷機(jī)能源消耗最小。

　　由制冷理論分析可知當(dāng)冷凝壓力不變時，升高吸氣壓力升高會使制冷劑的單位制冷量增大；壓縮機(jī)吸入制冷劑蒸汽的比容減少，而且由于吸氣壓力的提高，壓縮機(jī)的壓力比減小，容積效率升高，實(shí)際吸氣質(zhì)量增大，壓縮機(jī)的制冷量也增大。因此吸氣壓力越大，對吸氣壓力的BP神經(jīng)網(wǎng)絡(luò)模型仿真可以得到，不同負(fù)荷時都有一個最大的吸氣壓力，這個吸氣壓力就是該負(fù)荷下的最佳工況下的吸氣壓力，其對應(yīng)的壓縮機(jī)入口制冷劑溫度、壓縮機(jī)出口制冷劑溫度也是它們的最佳工況下的值。

　　通過以上分析表明，在不同負(fù)荷下，提高制冷機(jī)的工作效率的方法是使制冷機(jī)在吸氣壓力較大的狀態(tài)下工作，在壓縮機(jī)入口制冷劑溫度和壓縮機(jī)出口制冷劑溫度達(dá)到最佳工況的值時，可以用本文建立的吸氣壓力的BP神經(jīng)網(wǎng)絡(luò)模型來計算出該負(fù)荷下的最佳吸氣壓力的值，把這個值作為設(shè)定值來調(diào)節(jié)壓縮機(jī)的工作頻率達(dá)到這個值，使制冷機(jī)達(dá)到各個負(fù)荷下的最佳工作狀態(tài)。

　　以下給出了幾組典型負(fù)荷下，通過建立的BP神經(jīng)網(wǎng)絡(luò)模型計算出最佳工況下吸氣壓力的值以及對應(yīng)的壓縮機(jī)入口制冷機(jī)溫度和壓縮機(jī)出口制冷劑溫度的值。

　　在50％的負(fù)荷下，采用額定工況，制冷機(jī)能耗為1.876Kw，采用本控制方法制冷機(jī)能耗為1.035Kw，節(jié)能量約為44.8％。

　　3、結(jié)論

　�。�1）本章采用BP神經(jīng)網(wǎng)絡(luò)建立了，分析了采用吸氣壓力作為制冷機(jī)中的壓縮機(jī)的控制變量的優(yōu)點(diǎn)，建立了制冷機(jī)吸氣壓力的數(shù)學(xué)模型，可根據(jù)此模型，計算出不同負(fù)荷下最佳工況對應(yīng)的吸氣壓力的值。

　�。�2）分析和驗(yàn)證了不同負(fù)荷下制冷機(jī)性能參數(shù)COP和吸氣壓力的關(guān)系，并且得出了不同負(fù)荷下的最佳工況。

　�。�3）給出了一種制冷機(jī)的優(yōu)化控制方法，該方法在不同負(fù)荷下根據(jù)神經(jīng)網(wǎng)絡(luò)計算出來最佳吸氣壓力的值和最佳工況，在達(dá)到最佳工況的條件下，控制壓縮機(jī)的工作頻率使吸氣壓力的值達(dá)到最佳值，達(dá)到制冷機(jī)在最佳工作狀態(tài)下運(yùn)行的目的。對整個暖通空調(diào)系統(tǒng)的優(yōu)化控制有指導(dǎo)意義。

　　參考文獻(xiàn)

　　[1] 李樹江，秦軍等 暖通空調(diào)系統(tǒng)優(yōu)化控制與能量管理得現(xiàn)狀及發(fā)展趨勢 《暖通空調(diào)》2007年04期30-34頁

　　[2] Cai Wenjian，Wang Yaowen，Li Shujiang，et al. A simplified modeling of cooling coils for control and optimization of HVAC systems[J].Energy Conversion and Management，2004，45（18/19）：2915 -2930

　　[3] Ikegami，Y，Nanayakkara. Refrigerator system modeling and validation [C] IEEE International Symposium on Industrial Electronics，v3，2001，p2001-2006

　　[4] Fong K F，Hanby V I. HVAC system optimization for energy management by evolutionary programming [J] . Energy and Buildings，2006 ，38 （3）：220–231

　　[5] He Xiangdong，Asada H H. A new feedback linearization approach to advanced control of multi2unit HVAC systems [C] American Control Conference ，2003

　　[6] Shirayama，Yuuya. Dynamic simulator of absorption refrigerating system[C] Proceedings of the SICE Annual Conference，SICE 2005 Annual Conference in Okayama-Proceedings，2005，p1790-1794