一种基于神经元网络的跨临界二氧化碳热泵系统排气压力的控制方法与流程

文档序号：17701084发布日期：2019-05-17 22:28阅读：149来源：国知局

本发明属于跨临界二氧化碳系统领域，特别涉及一种跨临界二氧化碳热泵系统排气压力的控制方法。

背景技术：

众所周知，环境问题已成为目前最受关注的问题之一，cfcs和hcfcs类的人工合成制冷工质因导致全球变暖而逐渐面临被淘汰的局面，寻找并使用高效、绿色环保制冷工质已成为当前国际社会共同关注的问题。自然工质co2作为新一代的替代工质不仅环保而且性能优良，其跨临界循环所具有的高排气温度和温度滑移非常适合水温加热，让它在热泵热水器应用领域具有其它已知工质无法比拟的优势，但是跨临界co2热泵系统在运行过程中，其并不是一直运行在最优状态下，原因是在外部工况改变的情况下气体冷却器的水侧需要根据设定的出水温度实时调节流经气体冷却器的水流量，继而造成了系统在调节过程中处于最优逼近的状态。考虑到水侧调节的滞后性，吸气压力、蒸发器盘管温度、气冷出口温度、排气温度、环境温度、水泵的进水温度和水泵的出水温度是影响最优排气压力的主要特征。系统运行状态为非最优排气压力状态时，系统的性能比较差，且能源利用率低，浪费能源。

现有的co2跨临界热泵在运行的过程中，大多采用由少数数据拟合而成的一般线性公式预测系统的运行的最优压力值，例如通过少数几组气体冷却器的出口温度值和最优排气压力的值拟合出的简单的一次函数关系，这种预测误差较大，不够精确，因此也无法随时精准的调节和控制系统使其运行在最优压力下，导致系统的性能无法达到最佳，长时间的运行在非最佳工况下，能源利用率不高，造成能源浪费。

技术实现要素：

本发明的目的在于提供了一种基于神经元网络的跨临界二氧化碳热泵系统排气压力的控制方法，在已有的co2热泵系统的基础上，利用pso-bp神经网格进行建模仿真预测，达到拟合系统的最优排气压力，控制系统在最优压力下工作，提高系统性能的目的。

为了实现上述目的，本发明采用的技术方案是：

一种基于神经元网络的跨临界二氧化碳热泵系统排气压力的控制方法，包括：

采集跨临界二氧化碳热泵系统运行中的环境温度tair、蒸发器盘管温度te、气体冷却器的出口温度tgc,out、热泵出水温度twater,ou，代入公式(1)中，计算获得压缩机最优排气压力popt；根据计算获得的压缩机最优排气压力popt控制跨临界二氧化碳热泵系统中电子膨胀阀的开度，使压缩机的排气压力达到最优排气压力popt；

popt＝w1×tansig(w1，1×te+w2，1×tair+w3，1×tgc,out+w4，1×twater,out+θ1)+

w2×tansig(w1，2×te+w2，2×tair+w3，2×tgc,out+w4，2×twater,out+θ2)+

……

w24×tansig(w1，24×te+w2，24×tair+w3，24×tgc,out+w4，24×twater,out+θ24)+a1(1)。

其中：popt——压缩机的最优排气压力/mpa；

te——蒸发器盘管内温度/℃；

tair——环境温度/℃；

tgc,out——气体冷却器的出口温度/℃；

twater,out——气冷出水温度/℃；

wij——输入层到隐含层的权值；

wi——隐含层到输出层的权值。

进一步的，公式(1)通过以下方法获得：

1)采集三台机组共7904组跨临界二氧化碳热泵系统的运行数据，获得数组；

2)建立pso-bp神经网格，并获得pso-bp神经网络的权值和阈值；

3)将步骤1)处理后的数组和步骤2)的神经网络的权值和阈值的数组代入pso-bp神经网格，求得神经网络的确切表达式为公式(1)。

将步骤1)处理后的数组具体为对原始采集的数组据进行混合处理，剔除掉相同的数组变量；然后对数组进行三次随机排序。

进一步的，步骤1)中，数组包含5个变量，分别是环境温度、蒸发器盘管温度、气冷出口温度、热泵出水温度和压缩机排气压力；

进一步的，步骤2)中，pso-bp神经网格的结构选择3层结构；3层结构包括输入层，隐含层和输出层各一个。

进一步的，神经网络的输入层个数为4，输出层个数为1。

进一步的，进一步的，步骤2)中的具体为将7904组数据分为两部分，前7000组作为网格训练集，参与神经网格的训练，904组数据作为测试集，对训练结果进行判定，前7000组训练集中取15％即1050组数据作为判定集对判定结果的网格参数(即权值和阈值)进行调试。

进一步的，pos-bp神经网络的输入和隐含层节点传递函数采用了正切s型传递函数tansig；隐含层和输出为purelin函数；训练函数选择梯度下降法bp算法训练函数trainlm，学习网络函数选择bp学习规则learndm，网络学习选择带动量项的bp学习规则learngm。

进一步的，步骤3)中的pso-bp神经网格的优化，主要包含两个方面：bp神经网格隐含层节点数和pso算法粒子循环次数。通过利用步骤1)中数组对网格性能验证调试发现，隐含层节点数为24时，算法粒子循环次数为200时，网格预测性能最佳。

进一步的，pso-bp神经网络的权值和阈值的数组表为：

2.1)输入层到隐含层的权值：

wij＝{-1.373645179,-0.171434748,0.180450729,-0.419344707,-1.011174395,-1.095370306,-0.830633156,-2.375743856,-0.257030363,0.803925612,0.444660281,-0.956847463,-1.302595066,0.60939121,1.44270544,0.896090847,-0.256660406,1.071666471,1.091072963,-0.137175234,0.825383828,-0.554595693,1.333515141,-1.407159615,-1.071725234,-0.805831555,1.131061235,0.357316579,-0.903785699,0.663157186,-0.331196959,0.742801954,-0.610567156,2.525753297,0.243592494,0.709136427,-1.105587445,-0.72669056,1.346842937,0.751014569,0.952272284,0.177353584,1.061300908,0.875134325,0.128631765,1.449397231,0.223057781,-0.728439985,-1.089126606,-1.385787842,2.163516832,0.017385835,-0.254999419,1.282306975,-0.973242962,-1.156798981,-0.16573785,1.239275104,-0.86799971,-0.567617228,-0.439380446,-1.314739974,0.912920472,-0.645901465,-1.19571486,-1.741144827,-0.661052052,-0.565010726,-0.422493372,-0.579636988,0.960136387,0.771403746,0.755393263,-0.328503118,-1.271603343,0.798993956,0.438676136,1.09133534,-0.425173762,-1.134201289,-0.444948685,-1.039746691,0.35972868,1.134079237,-0.290332065,0.407184456,-1.206843505,0.592616827,-0.19963379,-0.861030702,0.785647446,0.706934095,-0.652098923,-0.883946838,0.849861688,0.329638324}；

2.2)输入层到隐含层的阈值

θi＝{0.257558476,-0.89355435,-0.930294354,0.620820834,-0.505408308,0.323818441,2.134062922,0.698001067,-0.692487021,-0.280434446,-0.379538764,0.042341748,-0.793686679,-0.280328752,-0.076848832,2.427111937,-0.111656369,1.334433533,-0.003113182,-0.958630098,-0.302250969,0.477703521,-0.050519198,0.308304082}；

2.3)隐含层到输出层的权值

wi＝{1.069690833,0.705072106,-1.130932743,0.053217769,-0.101927472,-0.356915054,-2.359099898,0.387526948,1.132651956,-0.798591685,-0.261955516,-1.402381137,0.798599759,0.866208212,1.387519681,1.236713142,1.700995412,1.576768087,1.341827887,-0.062136221,-0.150827572,2.942764548,-0.391359771,-1.067339334}；

2.4)隐含层到输出层的阈值

a1＝{-1.198399403}。

相对于现有技术，本发明具有以下有益效果：

本发明针对现有co2跨临界热泵运行状态的现状，提出了一种基于神经元网络的跨临界二氧化碳热泵系统排气压力的控制方法，通过这种方法，可以预测系统的最优排气压力，进而通过调节压缩机的排气压力达到最优排气压力值来控制热泵系统处于最优性能下工作运行，提高了系统的性能，从而提高了能源的利用率，节约能源，保护环境。

附图说明

图1为典型的跨临界二氧化碳热泵系统的结构示意图。

具体实施方式

本发明提供一种基于神经元网络的跨临界二氧化碳热泵系统排气压力的控制方法，根据跨临界二氧化碳热泵系统测试机组得到的实验数据，利用pso-bp神经网格进行建模仿真预测，拟合系统的最优排气压力，再分析神经网格优化算法的基础上，建立跨临界co2热泵系统排气压力寻优的数学模型。

请参阅图1所示，典型的跨临界二氧化碳热泵系统包括压缩机1，压缩机1的出口和入口之间依次连接气体冷却器2、电子膨胀阀3、蒸发器4和气液分离器5；蒸发器4上设有风机6；蒸发器4的出口连接气液分离器5的入口，气液分离器5的气体出口连接压缩机1的入口。机组进水通过水流量调节阀7连接气体冷却器2的进水口，气体冷却器2的出水口经水泵8连接用户热水管道。气体冷却器2的工质入口连接压缩机1的出口，气体冷却器2的工质出口连接电子膨胀阀3。工质和水在气体冷却器2中换热，加热形成用户需求的热水。

一种基于神经元网络的跨临界二氧化碳热泵系统排气压力的控制方法，包括以下步骤：

1)采集跨临界二氧化碳热泵系统的运行数据；将运行数据进行混合处理，剔除掉相同的数组变量；数组包含5个变量，分别是环境温度、蒸发器盘管温度、气冷出口温度、热泵出水温度和压缩机排气压力，其中前4变量为已知量，压缩机排气压力为期望值。为了让数据在神经网络训练过程中可以更好的参与系统的训练，对数据进行三次随机排序，彻底打乱数据的排序，作为神经网络训练数据的样本数据。

2)建立pso-bp神经网格

pso-bp神经网格的结构选择3层结构，即输入层(input)，隐含层(hiddenlayer)和输出层(outputlayer)各一个。神经网络的输入层个数为4，输出层个数为1。考虑到函数拟合的需要，pos-bp神经网络的输入和隐含层节点传递函数采用了正切s型传递函数tansig，见公式(2)，隐含层和输出为purelin函数，即y＝x。因为考虑到bp神经网络需要和其他算法进行权值和阈值的优化，训练函数选择梯度下降法bp算法训练函数trainlm，学习网络函数选择bp学习规则learndm，网络学习选择带动量项的bp学习规则learngm。

步骤1)处理后的数组数据在进行网络进行训练之前进行三次随机打乱重新排序，将数据分为两部分，第一部分的7000组数据作为训练集，参与神经网路的训练，第二部分的904组数据作为测试集，不参与网络的训练，仅对训练预测结果进行比较判定。在训练集中的数据，随机抽取15％的数据即1050组数据进行验证，在神经网络训练中作为验证神经网络训练结果的判定数据集用于网络参数的调试。

步骤3)中的pso-bp神经网格的优化，主要包含两个方面：bp神经网格隐含层节点数和pso算法粒子循环次数。通过利用步骤1)中数组对网格性能验证调试发现，隐含层节点数为24时，算法粒子循环次数为200时，网格预测性能最佳。

一种基于神经元网络的跨临界二氧化碳热泵系统排气压力的控制方法，在确认pso-bp神经网络结构后，通过预测数据，得到神经网络的权值和阈值的数组表为：