一种基于BP神经网络的复合供暖控制方法

本发明属于地源热泵空调技术领域，具体涉及一种基于bp神经网络的复合供暖控制方法。

背景技术：

在寒冷地区，太阳能－土壤源热泵复合系统既能解决单一地源热泵运行造成的土壤热失衡问题，又具有高效环保、节能的优势，因此受到广泛应用。常见的复合系统供暖策略按照太阳能集热系统中储热水箱的热水使用方式，分为串联、并联、混联。目前多数学者的研究方向为，在串、并、混联的基础上，研究如何更高效地利用储热水箱中的热量，从而提高系统的运行能效。例如将水箱负荷侧的出水温度划分为4个区间，针对不同温度区间分别设计不同的水箱热水利用模式。

现有的一种被广泛采用的水箱热水直接向末端供暖的方式，即当水箱温度满足直接供暖要求的启动温度时，便停止运行土壤源热泵机组。由于缺少考虑机组实际运行的动态特性，会出现在供暖负荷较大时，开启水箱直供模式，而在负荷较小时，切换为热泵供暖的状况，热泵长时间在低负荷下运行，机组运行能效低。且在较大负荷下开启水箱直供模式，太阳能集热器向水箱的补热速率无法让水箱温度维持在启动温度以上，从而造成机组频繁启停的问题。而在太阳能—土壤源热泵复合系统运行及控制方法方面，涉及控制储热水箱直接供暖的研究较少。

技术实现要素：

本发明要解决的技术问题是：提供一种基于bp神经网络的复合供暖控制方法，优化水箱直供模式和土壤源热泵供暖模式的开启条件，使土壤源热泵系统处于效率较高状态，从而提高机组能效。

为解决上述技术问题，本发明实施例提供一种基于bp神经网络的复合供暖控制方法，其特征在于，应用于太阳能与土壤源热泵复合系统，所述复合供暖控制方法包括：

监测水箱负荷侧出口温度，若水箱负荷侧出口温度不满足水箱直供要求，则采用土壤源热泵供暖模式；若水箱负荷侧出口温度满足水箱直供要求，则判断式(1)是否满足，若满足，则采用水箱直供模式，否则采用土壤源热泵供暖模式；

0.1qh,nom≤qh≤aqh,nom式(1)

式中，qh,nom表示土壤源热泵额定制热量，qh表示当前实际供暖负荷，a表示控制系数。

作为本发明实施例的进一步改进，还包括：

在水箱负荷侧出口温度首次满足水箱直供要求时，求取控制系数a。

作为本发明实施例的进一步改进，所述求取控制系数a，具体包括：

步骤10)预测得到逐时太阳辐射值和逐时供暖负荷值；

步骤11)利用式(2)计算水箱直供热量：

b＝cw,pρv

c＝atηcηl

式中，qzg表示水箱直供热量，it表示t时刻的预测太阳辐射值，t0表示水箱负荷侧出口温度首次满足水箱直供要求的时刻，ts,end表示预设太阳辐射结束时刻，cw,p表示水的比热容，ρ表示水的密度，v表示水箱体积，at表示集热器面积，ηc表示集热效率，ηl表示水箱和管路热损失率；ts表示水箱直供模式开始时水箱温度，te表示水箱直供模式结束时水箱温度；

步骤12)利用式(3)计算部分负荷率0.1～m区间的供暖负荷之和：

式中，qh,m表示部分负荷率0.1～m区间的供暖负荷之和，t0表示水箱负荷侧出口温度首次满足水箱直供要求的时刻，th,end表示预设供暖负荷结束时刻，qh,t表示t时刻的预测供暖负荷值，qh,nom表示土壤源热泵额定制热量；m＝0.2+q×δp，q表示步骤13)返回步骤12)的次数，q的初始值为0，δp表示预设符合率间隔；

步骤13)判断qzg≤qh,m是否满足，若满足，则a＝m，否则若m等于预设最大负荷率，则a＝1，否则返回步骤12)。

作为本发明实施例的进一步改进，所述步骤10)具体包括：

步骤101)采集预测日的前n天的逐时太阳辐射值和逐时供暖负荷值，前n天的最高环境温度和最低环境温度，以及预测日的最高环境温度和最低环境温度；n表示大于等于2的整数；

步骤102)利用步骤101)采集的数据，建立基于bp神经网络的太阳辐射量预测模型和基于bp神经网络的建筑负荷预测模型，利用太阳能辐射量预测模型预测得到预测日的逐时太阳辐射值，利用建筑负荷预测模型预测得到预测日的逐时供暖负荷值。

作为本发明实施例的进一步改进，所述基于bp神经网络的太阳辐射量预测模型中，输入参数为预测日的前n天的预设辐射时间段的逐时太阳辐射值、预测日的最高环境温度以及预测日的最高环境温度和预测日的最低环境温度的平均值，bp神经网络采用levenberg-marquardt算法，输入节点数为24个，隐藏层节点数为12个，隐藏层神经元激励函数选择tansig形式，输出层激励函数采用logsig形式，输出为预测日的逐时太阳辐射值。

作为本发明实施例的进一步改进，所述基于bp神经网络的建筑负荷预测模型中，输入参数为预测日的前n天的预设供暖时间段的逐时负荷值，前n天的最高环境温度和最低环境温度，预测日的最高环境温度和最低环境温度，以及预测日与前一日的最高环境温度的差值，bp神经网络采用levenberg-marquardt算法，输入节点数为33个，隐藏层节点数为14个，隐藏层神经元激励函数选择tansig形式，输出层激励函数采用logsig形式，输出为预测日的逐时供暖负荷值。

与现有技术相比，本发明的技术方案具有以下有益效果：本发明实施例提供的基于bp神经网络的负荷供暖控制方法，可以在供暖负荷较小且水箱负荷侧出口温度满足直接供暖要求时，停止运行热泵机组，开启水箱直供模式。既可以避免热泵机组在较小负荷率下运行使得机组效率低的问题，也可避免由于供暖负荷过大，太阳辐射量无法长时间维持水箱负荷侧出口温度在水箱直供启动温度以上，造成的热泵机组频繁启停的问题。

附图说明

图1是本发明实施例的控制方法流程图；

图2是本发明实施例方法中的逐时太阳辐射预测模型示意图；

图3是本发明实施例方法中逐时供暖负荷预测模型示意图；

图4是本发明实施例方法与现有水箱直供模式的机组启停情况模拟结果图，其中，图4(a)是现有水箱直供模式的机组启停情况模拟图，图4(b)是本发明实施例方法的机组启停情况模拟图；

图5是本发明实施例方法与常规水箱直供模式的机组cop模拟结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更清楚、完整地描述。

本发明实施例提供一种应用于太阳能与土壤源热泵复合系统的基于bp神经网络的复合供暖控制方法，如图1所示，包括：

太阳能与土壤源热泵复合系统运行，监测水箱负荷侧出口温度，若水箱负荷侧出口温度不满足水箱直供要求，则采用土壤源热泵供暖模式；若水箱负荷侧出口温度满足水箱直供要求，则判断式(1)是否满足，若满足，则采用水箱直供模式，否则采用土壤源热泵供暖模式。

0.1qh,nom≤qh≤aqh,nom式(1)

式中，qh,nom表示土壤源热泵额定制热量，qh表示当前实际供暖负荷，a表示控制系数。

其中，水箱负荷侧出口温度满足水箱直供要求是指水箱负荷侧出口温度大于等于预设温度值，预设温度值一般根据建筑末端的换热形式和室内温度要求而设置。

上述实施例的基于bp神经网络的负荷供暖控制方法，可以在供暖负荷较小且水箱负荷侧出口温度满足直接供暖要求时，停止运行热泵机组，开启水箱直供模式，既可以避免热泵机组在较小负荷率下运行使得机组效率低的问题，也可避免由于供暖负荷过大，太阳辐射量无法长时间维持水箱负荷侧出口温度在水箱直供启动温度以上，造成的热泵机组频繁启停的问题。

优选的，本发明实施例方法中，太阳能与土壤源热泵复合系统的运行周期为24小时，一个运行周期是指从一天的0：00到24：00。每个运行周期更新一次控制系数a，即每天都有对应的控制系数。

优选的，在当天水箱负荷侧出口温度首次满足水箱直供要求时，求取当天的控制系数a。在之后的系统运行中，每当满足水箱直供要求时，就判断0.1qh,nom≤qh≤aqh,nom，决定是否开启水箱直供模式。

进一步，求取控制系数a具体包括：

步骤10)预测得到当天的逐时太阳辐射值和逐时供暖负荷值；

步骤11)利用式(2)计算水箱直供热量：

b＝cw,pρv

c＝atηcηl

式中，qzg表示水箱直供热量，it表示t时刻的预测太阳辐射值，t0表示水箱负荷侧出口温度首次满足水箱直供要求的时刻，ts,end表示预设太阳辐射结束时刻，cw,p表示水的比热容，ρ表示水的密度，v表示水箱体积，at表示集热器面积，ηc表示集热效率，ηl表示水箱和管路热损失率；ts表示水箱直供模式开始时水箱温度，te表示水箱直供模式结束时水箱温度。

步骤12)利用式(3)计算部分负荷率0.1～m区间的供暖负荷之和：

式中，qh,m表示部分负荷率0.1～m区间的供暖负荷之和，t0表示水箱负荷侧出口温度首次满足水箱直供要求的时刻，th,end表示预设供暖负荷结束时刻，qh,t表示t时刻的预测供暖负荷值，qh,nom表示土壤源热泵额定制热量；m＝0.2+q×δp，q表示步骤13)返回步骤12)的次数，q的初始值为0，δp表示预设负荷率间隔；

步骤13)判断qzg≤qh,m是否满足，若满足，则a＝m，否则，若m等于预设最大负荷率，则a＝1，否则返回步骤12)。

其中，预设负荷率间隔优选为0.1。若间隔选取过小，会放大太阳辐射和负荷预测的误差，降低控制方法的有效性；若间隔选取过大，则控制系数a的控制效果不明显。预设最大负荷率优选为0.5，一般情况下热泵机组在负荷率0.5以下运行时，处于低效的运行状态，而在负荷率0.5以上运行时，运行效率较好。预设最大负荷率也需要根据实际的热泵机组技术参数决定。由于热泵机组的负荷率越低，运行效率越低，如负荷率0.2下的效率低于0.3下的效率，故本实施例方法在求控制系数a时从0.1顺次向0.5变化，将控制方法的作用发挥到最大。

其中，为了加快求取控制系数的速度，及时做出模式控制策略，优选的，步骤10)可在太阳能与土壤源热泵复合系统在上一个运行周期结束时，新的运行周期的开始时就执行。

进一步，所述步骤10)具体包括：

步骤101)采集当天的前n天的逐时太阳辐射值和逐时供暖负荷值，前n天的最高环境温度和最低环境温度，以及当天的最高环境温度和最低环境温度；n表示大于等于2的整数；其中，当天的最高环境温度和最低环境温度可从天气预报系统获得；

步骤102)利用步骤101)采集的数据，建立基于bp神经网络的太阳辐射量预测模型和基于bp神经网络的建筑负荷预测模型，利用太阳能辐射量预测模型预测得到当天的逐时太阳辐射值，利用建筑负荷预测模型预测得到当天的逐时供暖负荷值。

考虑到能够获得高精度的基于bp神经网络的太阳辐射量预测模型和基于bp神经网络的建筑负荷预测模型，n优选为2。

其中，基于bp神经网络的太阳辐射量预测模型，如图2所示，其输入参数为当天的前n天的预设辐射时间段的逐时太阳辐射值、当天的最高环境温度以及当天的最高环境温度和最低环境温度的平均值，bp神经网络采用levenberg-marquardt算法，输入节点数为24个，隐藏层节点数为12个，隐藏层神经元激励函数选择tansig形式，输出层激励函数采用logsig形式，输出为当天的逐时太阳辐射值。

基于bp神经网络的建筑负荷预测模型，如图3所示，其输入参数为当天的前n天的预设供暖时间段的逐时负荷值，前n天的最高环境温度和最低环境温度，当天的最高环境温度和最低环境温度，以及当天与前一天的最高环境温度的差值，bp神经网络采用levenberg-marquardt算法，输入节点数为33个，隐藏层节点数为14个，隐藏层神经元激励函数选择tansig形式，输出层激励函数采用logsig形式，输出为当天的逐时供暖负荷值。

下面提供一具体实施例，本具体实施例的供暖地为沈阳，设置供暖时间为8：00～20：00，太阳辐射时间为6：00～16：00。本实施例的复合供暖控制方法如下：

步骤100)太阳能与土壤源热泵复合系统在预测日的运行周期的开始前，或预测日的运行周期的开始时，预测得到预测日的逐时太阳辐射值和逐时供暖负荷值，具体包括：

步骤1001)采集筑负荷、太阳辐射量、环境温度等历史数据，包括采集预测日前一日和前两日6：00～16：00时的逐时太阳辐射值与8：00～20：00时的逐时负荷值，前两日、前一日和预测日的最高环境温度和最低环境温度。

步骤1002)建立基于bp神经网络的太阳能逐时辐射预测模型，通过预测模型，输入预测日前一日和前两日6：00～16：00时的逐时太阳辐射值、预测日最高环境温度、预测日最高和最低环境温度的平均值作为参数，采用levenberg-marquardt算法，输入节点数24个，隐藏层节点数12个，隐藏层神经元激励函数选择tansig形式，输出层激励函数采用logsig形式，输出预测日的逐时太阳辐射值。

步骤1003)建立基于bp神经网络的逐时负荷预测模型，通过预测模型，输入预测日前一日和前两日8：00～20：00时的逐时负荷值，前两日、前一日和预测日的最高和最低环境温度，以及预测日与前一日最高温度的差值作为参数，采用levenberg-marquardt算法，输入节点数33个，隐藏层节点数14个，隐藏层神经元激励函数选择tansig形式，输出层激励函数采用logsig形式，输出预测日的逐时供暖负荷值。

步骤2000)预测日太阳能与土壤源热泵复合系统运行中，监测水箱负荷侧出口温度，若水箱负荷侧出口温度小于45℃，则采用土壤源热泵供暖模式。

步骤2001)当水箱负荷侧出口温度大于等于45℃时，记录该时刻为t0，利用式(3)计算时刻t0之后的0.1～m(m分别取0.2、0.3、0.4、0.5)部分负荷率区间的供暖负荷之和qh,m，利用式(2)计算水箱直供热量qzg。

步骤2002)m＝0.2，比较时刻t0之后的部分负荷qh,0.2以及直供热量qzg的大小，若满足判断条件qzg≤qh,0.2，则控制系数a＝0.2，进入步骤300)，否则，进入步骤2003)。

步骤2003)m＝0.3，比较时刻t0之后的部分负荷qh,0.3以及直供热量qzg的大小，若满足判断条件qzg≤qh,0.3，则控制系数a＝0.3，进入步骤300)，否则，进入步骤2004)。

步骤2004)m＝0.4，比较时刻t0之后的部分负荷qh,0.4以及直供热量qzg的大小，若满足判断条件qzg≤qh,0.4，则控制系数a＝0.4，进入步骤300)，否则，进入步骤2005)。

步骤2005)m＝0.5，比较时刻t0之后的部分负荷qh,0.5以及直供热量qzg的大小，若满足判断条件qzg≤qh,0.5，则控制系数a＝0.5，进入步骤300)，否则，控制值a＝1。

步骤300)在预测日复合系统供暖运行过程中，监测水箱负荷侧出口温度，若水箱负荷侧出口温度不满足水箱直供要求，则采用土壤源热泵供暖模式；若水箱负荷侧出口温度满足水箱直供要求，则判断式(1)是否满足，若满足，则采用水箱直供模式，否则采用土壤源热泵供暖模式。

提供一个对比例，采用传统水箱直供方法，即水箱负荷侧出口温度≥45℃时采用直供模式。选取了供暖季一个典型日对比分析本发明实施例和对比例的运行情况，结果如图4所示和图5所示。图4和图5中，策略1为复合系统的传统水箱直供方法，策略2为本发明实施例的复合供暖控制方法。

如图4所示，在策略1下运行，整个供暖时间内，机组启动9次，尤其是11:00～14:00之间，共启动8次。由于这段时间内太阳辐射较小，太阳能集热器向水箱的补热速率无法让水箱负荷侧出口温度维持在45℃及以上，就出现间断的水箱直供现象，导致机组频繁启停。而在策略2下运行，热泵共停机2次，当天的控制值a为0.3，使得在12:00～15:00，部分负荷率不大于0.3时才开启水箱直供模式。

如图5所示，策略1运行下的机组当天平均cop为3.90，策略2运行下的机组平均cop为4.02，提高了3.12％。相比策略1，机组在策略2下处于较大供暖负荷下运行的时长更长，从而获得更高的cop。

以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。