基于rbf神经网络的冷却塔建模方法
【专利摘要】本发明公开了一种基于RBF神经网络的冷却塔建模方法，所述方法包括实时监测现场冷却塔运行参数、排风参数和室外环境参数；根据现场监测参数，利用RBF神经网络建立冷却塔的数学模型；通过已建立的RBF神经网络模型实现冷却塔热力性能的实时评估；根据热力性能完成对冷却塔风机、水泵的智能调控，减少系统能耗。本发明有利于避免冷却塔非线性复杂系统建模，简化冷却塔建模过程，通过冷却塔风机、水泵的节能优化控制，减少冷却塔能耗，本方法实时性好、适应性强，可广泛应用于地铁冷却塔现场热力性能评估和节能减排。
【专利说明】基于RBF神经网络的冷却塔建模方法
【技术领域】
[0001]本发明涉及冷却塔建模方法，尤其涉及基于RBF神经网络的冷却塔建模方法。
【背景技术】
[0002]21世纪以来，城市建筑及地下交通建设得到了高速发展，大量地铁已在各大城市兴起、发展，由于工程位于地下，通常需要建设通风空调系统，且空调系统运行能耗可占到整个地下工程营运能耗的40%，同时由于城市建筑、道路的密集性，地下空调系统的冷却塔性能的优劣越来越起引起人们及政府的关注，通风空调系统的节能环保已经是地下商场、地铁建设及运营过程中亟需解决的问题。
[0003]在整个地铁循环冷却系统中，冷却塔热力性能的优劣不仅对冷却系统节水节能具有直接影响，对地铁系统的正常稳定运行也具有重要意义。当冷却塔动力配置过高时，将降低冷却塔运行效率，而且容易造成冷却水的过度浪费；当动力配置过低时，将导致冷却塔出水温度高，无法满足循环冷却系统的需求，导致设备处于高温运行状态，损耗设备，甚至导致设备故障停止运行。若要提高换热效率，则有必要对冷却塔进行建模分析。
[0004]利用地铁排风的冷却塔运行涉及参数较多，如冷却水流速、进风风速、温湿度、地铁排风风速、温湿度及设计室外环境参数等，是一个复杂的非线性系统，难以建立准确的数学模型，而RBF神经网络是一种单隐含层的三层前馈网络，理论已证明对于一给定的非线性函数，RBF神经网络可以任意精度逼近它，且具有全局最优与最佳逼近性能，因此可采用RBF神经网络建立冷却装置系统模型，为节能优化控制提供依据。
【发明内容】
[0005]为解决上述技术问题，本发明的目的是提供一种基于RBF神经网络的冷却塔建模方法。
[0006]本发明的目的通过以下的技术方案来实现:
[0007]基于RBF神经网络的冷却塔建模方法，所述方法包括
[0008]A根据现场监测参数，并利用RBF神经网络建立冷却塔的数学模型；
[0009]B根据建立的数学模型对冷却塔热力性能实时评估；
[0010]C根据热力性能完成对冷却塔风机、水泵的智能优化调控。
[0011]与现有技术相比，本发明的一个或多个实施例可以具有如下优点:
[0012]基于冷却塔参数的实时监测建立模型，通过RBF神经网络避免冷却塔非线性复杂系统建模，简化冷却塔建模过程，实现冷却塔热力性能的准确评估，通过冷却塔风机、水泵的节能优化控制，减少冷却塔能耗。本方法实时性好、适应性强，可广泛应用于地铁冷却塔现场热力性能评估和节能减排。
[0013]本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出结构来实现和获得。
【专利附图】
【附图说明】
[0014]附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，不构成对本发明限制。在附图中:
[0015]图1是基于RBF神经网络的冷却塔建模方法流程图；
[0016]图2是基于RBF神经网络的冷却塔工作原理图；
[0017]图3是冷却塔RBF神经网络结构图；
[0018]图4是基于RBF神经网络的冷却塔建模方法建模与实施程序流程图。
【具体实施方式】
[0019]容易理解，根据本发明的技术方案，在不变更本发明的实质精神下，本领域的一般技术人员可以提出本发明的多个结构方式和制作方法。因此以下【具体实施方式】以及附图仅是本发明的技术方案的具体说明，而不应当视为本发明的全部或者视为本发明技术方案的限定或限制。
[0020]下面结合实施例及附图对本发明作进一步详细的描述。
[0021]图1是根据本发明实施例的基于RBF神经网络的冷却塔建模方法的结构示意图，下面参考图1，详细说明本发明实施例的流程。
[0022]如图1所示，本发明的基于RBF神经网络的冷却塔建模方法流程包括以下步骤:
[0023]基于RBF神经网络的冷却塔建模方法，所述方法包括
[0024]步骤10根据现场监测参数，并利用RBF神经网络建立冷却塔的数学模型；
[0025]所述现场监测参数包括冷却塔运行参数、排风参数和室外环境参数；所述现场监测参数通过监测装置实时进行监测。将冷却塔监测装置安装于图2所示的冷却塔中，启动冷却塔监测装置，为实现冷却塔的准确建模，每隔5s实时监测冷却塔现场运行参数，包括进水量V#、进水温度T#、进风量Vm1、进风温度Tw1、进风湿度Hmi，冷却塔排风参数包括排风量V风2、排风温度Tm2、排风湿度H风2，室外环境参数包括大气压P空气、空气温度T空气、空气湿度Hsn，作为RBF神经网络输入层的11个输入参数。
[0026]步骤20根据建立的数学模型对冷却塔热力性能实时评估；
[0027]步骤30根据热力性能完成对冷却塔风机、水泵的智能优化调控。
[0028]将冷却塔监测装置安装于图2所示的冷却塔中，该冷却塔包括冷凝器、进水泵、挡水板、风机、喷淋器、填料、储水盘、风机、进风口、出风口及出水泵。在实施过程中，启动冷却塔监测装置，为实现冷却塔的准确建模，每隔5s实时监测冷却塔现场运行参数，包括进水量V #、进水温度I*、进风量V Λ 1、进风温度Tw 1、进风湿度Hm i，冷却塔排风参数包括排风量VΛ2、排风温度TΛ2、排风湿度Hm2，室外环境参数包括大气压P 、空气温度T 、空气湿度
作为RBF神经网络输入层的11个输入参数；
[0029]上述步骤10具体包括:设计如图3所示的冷却塔RBF神经网络结构，包括一个输入层、采用径向基函数神经元的隐含层及一个输出层。输入层包括5个冷却塔运行参数、3个排风参数、3个室外环境参数，输出层以出塔水温为目标函数。
[0030]冷却塔RBF神经网络输入层节点为Xi (i = 1，2，…11)，采用高斯函数径向基函数Φ(δ) =θχρ(-δ 2/Β2) (B为实常数，用于改变高斯曲线宽度)确定神经网络隐含层，第i个隐含层节点中心向量为Ck = [Ckl, Ck2,…，Ckll]T(k = 1，2，..，q ;q为隐含层个数)，其输出为
11
[0031 ] Zk (4) = i?(X-Ci) = exp —乙[X1-CkpB2./'-1.
[0032]设隐含层输出列向量为Z = [Z1, Z2,…，Zq]T，隐含层至输出层权向量W =[(O1, ω2，…，ω山则神经网络输出T出水=WZ — θ (Θ为输出节点阈值)。训练神经网络样本，建立冷却塔模型。
[0033]建立神经网络后对该网络进行训练与校验，将数据样本分成训练样本与校验样本。训练过程分两部分，先根据训练样本决定隐含层各节点高斯基函数中心向量，再根据最小二乘法，求出输出层与隐含层间的权值向量，完成训练后通过校验样本校验得出冷却塔模型。
[0034]所述步骤20具体包括:通过已建立的冷却塔RBF神经网络模型，实时计算冷却塔出水温度T 设冷却塔热力性能为η，实测进出水温差Λ Tt = T -T*,设计工况水温差ATc = T^水-1*'，通过对比原冷却塔设计工况完成冷却塔热力性能实时评估，可得冷却塔热力性能为
AT
[0035]// = ^^Χ100%
C
[0036]所述步骤30具体包括:根据实时评估的热力性能结果，进一步判断冷却塔热力性能水平，通过变频器完成成对冷却塔风机、水泵的智能优化调控，智能控制冷却塔的进水量和风机功率，若冷却塔热力性能较小，则通过减小进水量，提高冷却风机功率，选择冷却塔热力性能最优值，反之亦然，从而实现优化控制，减少冷却塔系统能耗。
[0037]本实施例的建模与实施程序流程参阅图4，首先实时监测冷却塔现场运行参数、排风参数和室外环境参数各大参数，判断各参数是否正常，参数正常，则将数据导入输入层节点，否则进行故障报警并从新监测各大参数。确定输入层节点后，通过高斯函数径向基函数确定隐含层，确定输出量，并建立RBF神经网络模型，将神经网络数据分成训练样本与校验样本，根据训练样本决定隐含层高斯基函数中心向量，利用最小二乘法求出输出层与隐含层间的权值，完成训练并通过校验样本校验得出冷却塔模型，完成冷却塔建模后，通过已建立模型实现冷却塔热力性能实时评估，根据热力性能实现冷却塔风机、水泵智能优化调控。
[0038]虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属【技术领域】内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
【权利要求】
1.基于RBF神经网络的冷却塔建模方法，其特征在于，所述方法包括 A根据现场监测参数，并利用RBF神经网络建立冷却塔的数学模型； B根据建立的数学模型对冷却塔热力性能实时评估； C根据热力性能完成对冷却塔风机、水泵的智能优化调控。
2.根据权利要求1所述的基于RBF神经网络的冷却塔建模方法，其特征在于，所述现场监测参数包括冷却塔运行参数、排风参数和室外环境参数；所述现场监测参数通过监测装置实时进行监测。
3.根据权利要求2所述的基于RBF神经网络的冷却塔建模方法，其特征在于，所述运行参数包括进水量V7jc、进水温度τ 7jc、进风量VΛ 1、进风温度T w 1、进风湿度Hm i,排风参数包括排风量Vw2、排风温度Tw2、排风湿度Hm2，环境参数包括大气压PSq、空气温度T 、空气湿度H空气。
4.根据权利要求1所述的基于RBF神经网络的冷却塔建模方法，其特征在于，所述步骤A具体包括:设计冷却塔RBF神经网络输入层节点为Xi (i = 1,2,…11)，采用高斯函数径向基函数Φ ( δ ) = exp(- δ 2/Β2)确定神经网络隐含层，以出塔水温T咖为目标函数，训练神经网络样本，建立冷却塔模型。
5.根据权利要求1所述的基于RBF神经网络的冷却塔建模方法，其特征在于，所述步骤B具体包括:根据建立的冷却塔RBF神经网络模型，实时计算冷却塔出水温度T 通过对比原冷却塔设计工况完成冷却塔热力性能实时评估。
6.根据权利要求1所述的基于RBF神经网络的冷却塔建模方法，其特征在于，所述步骤C具体包括:根据实时评估的热力性能结果，通过变频器对冷却塔风机、水泵进行智能优化调控，智能控制冷却塔的进水量和风机功率，减少冷却塔系统能耗。
【文档编号】G06F17/50GK104239597SQ201410312965
【公开日】2014年12月24日 申请日期:2014年7月2日 优先权日:2014年7月2日
【发明者】谭小卫 申请人:新菱空调(佛冈)有限公司