alw微型冷熱電聯(lián)供系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)建模及仿真

1、微型冷熱電聯(lián)供系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)建模及仿真摘要：本文以人工神經(jīng)網(wǎng)絡(luò)為工具，建立了燃?xì)怆姍C(jī)組和吸附式制冷機(jī)組成的微型冷熱電聯(lián)供系統(tǒng)的模型，對(duì)于模型的仿真結(jié)果進(jìn)行了分析。通過對(duì)模型的分析和評(píng)價(jià)，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)模型能準(zhǔn)確適應(yīng)聯(lián)供系統(tǒng)的高度非線性。仿真結(jié)果顯示了模型與系統(tǒng)的實(shí)際運(yùn)行規(guī)律較為符合，為以后指導(dǎo)系統(tǒng)的優(yōu)化運(yùn)行和控制的設(shè)計(jì)奠定了良好的基礎(chǔ)。關(guān)鍵詞：微型冷熱電聯(lián)供系統(tǒng) 非線性 BP神經(jīng)網(wǎng)絡(luò)0 前言能源是當(dāng)今社會(huì)發(fā)展所面臨的一個(gè)重大問題。隨著全球經(jīng)濟(jì)的快速發(fā)展和可持續(xù)戰(zhàn)略的實(shí)施，能源的利用問題也擺在了非常重要的位置。冷熱電聯(lián)供系統(tǒng)作為一種新的能源利用方式具有無可比擬的優(yōu)勢(shì)。冷熱電聯(lián)供系統(tǒng)用天然氣

2、作為一次能源，隨著世界天然氣產(chǎn)量的增加，天然氣將大大改變現(xiàn)有的能源結(jié)構(gòu)，成為能源利用新的主力；而冷熱電聯(lián)供系統(tǒng)作為一種能量梯級(jí)利用系統(tǒng)，利用一次能源驅(qū)動(dòng)發(fā)動(dòng)機(jī)發(fā)電，利用余熱利用設(shè)備對(duì)余熱進(jìn)行回收利用，同時(shí)提供電力，熱量和冷量，這樣能大大提高能源的利用效率1。基于以上優(yōu)點(diǎn)，冷熱電聯(lián)供系統(tǒng)成為各國(guó)競(jìng)相研究的對(duì)象，并且在美國(guó)、日本和歐洲各國(guó)都有大規(guī)模的實(shí)際應(yīng)用。冷熱電聯(lián)供系統(tǒng)的一個(gè)重要的研究方向是整個(gè)系統(tǒng)的建模，好的系統(tǒng)模型可以用來確定系統(tǒng)的可行性和分析預(yù)測(cè)系統(tǒng)的運(yùn)行，以及用于系統(tǒng)的控制策略研究,并可以為系統(tǒng)的優(yōu)化匹配和優(yōu)化運(yùn)行提供指導(dǎo)。以往的關(guān)于聯(lián)供系統(tǒng)的數(shù)學(xué)模型都是基于熱力學(xué)基本原理，建立簡(jiǎn)單的

3、數(shù)學(xué)模型。而聯(lián)供系統(tǒng)的特性是高度非線性化的，傳統(tǒng)的熱力學(xué)模型無法準(zhǔn)確描述其運(yùn)行特性，因此需要用另外的一種思路去建立模型，而人工神經(jīng)網(wǎng)絡(luò)則從一定程度上滿足了這一需要。人工神經(jīng)網(wǎng)絡(luò)吸取了生物神經(jīng)網(wǎng)絡(luò)的許多優(yōu)點(diǎn)，表現(xiàn)在：（1）高度的并行性。（2）高度的非線性全局作用。（3）良好的容錯(cuò)性與聯(lián)想記憶功能。（4）十分強(qiáng)的自適應(yīng)、自學(xué)習(xí)能力。2近年來，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)在制冷空調(diào)方面有了一些應(yīng)用。5、71 微型冷熱電聯(lián)供系統(tǒng)實(shí)驗(yàn)裝置設(shè)計(jì)1.1 系統(tǒng)描述上海交通大學(xué)制冷與低溫工程研究所孔祥強(qiáng)1等建立了制冷功率在10 kW左右的微型冷熱電聯(lián)供系統(tǒng)試驗(yàn)臺(tái)，整個(gè)系統(tǒng)采用了一臺(tái)小型燃?xì)獍l(fā)電機(jī)組和一臺(tái)研究所自己研制的余熱

4、型吸附式制冷機(jī)，其系統(tǒng)圖見圖1。系統(tǒng)設(shè)計(jì)參數(shù)見表1。圖1 微型冷熱電聯(lián)供系統(tǒng)流程圖1.2 實(shí)驗(yàn)參數(shù)儀器系統(tǒng)的測(cè)試參數(shù)包括（1）熱水循環(huán)、冷卻塔冷卻水循環(huán)、冷凍水循環(huán)的狀態(tài)參數(shù)（主要有溫度和流量）；（2）液化氣供應(yīng)的狀態(tài)參數(shù)（主要有壓力、溫度和流量）；（3）空氣供應(yīng)的狀態(tài)參數(shù)（主要是溫度和流量）（4）小型燃?xì)鈨?nèi)燃機(jī)排煙的狀態(tài)參數(shù)；（5）系統(tǒng)發(fā)電的狀態(tài)參數(shù)（主要是功率、電壓、電流和頻率）上述待測(cè)參數(shù)的采集及處理全部由計(jì)算機(jī)采集系統(tǒng)自動(dòng)完成。整個(gè)數(shù)據(jù)采集系統(tǒng)由27個(gè)溫度傳感器、2個(gè)壓力傳感器、7個(gè)流量傳感器、1臺(tái)電參數(shù)測(cè)量?jī)x、1臺(tái)Keithely2700數(shù)據(jù)采集/測(cè)量?jī)x和1臺(tái)計(jì)算機(jī)組成。表1 微型冷

5、熱電聯(lián)供系統(tǒng)設(shè)計(jì)參數(shù)2 人工神經(jīng)網(wǎng)絡(luò)建模人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡(jiǎn)稱ANN）是人類在對(duì)其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識(shí)理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。2它實(shí)際上是由大量簡(jiǎn)單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實(shí)現(xiàn)的系統(tǒng)。目前，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型是采用BP（BackPropagation）網(wǎng)絡(luò)和它的變化形式，它是前向網(wǎng)絡(luò)的核心部分，并體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。BP神經(jīng)網(wǎng)絡(luò)特別適

6、用于函數(shù)逼近，因此本文采用BP神經(jīng)網(wǎng)絡(luò)建立模型。42.1 BP神經(jīng)網(wǎng)絡(luò)的原理BP網(wǎng)絡(luò)結(jié)構(gòu)是一種單向傳播的多層前向網(wǎng)絡(luò)，這種網(wǎng)絡(luò)除輸入輸出節(jié)點(diǎn)外，還有一層或多層的隱節(jié)點(diǎn)，同層節(jié)點(diǎn)中沒有任何耦合。輸入信號(hào)從輸入層節(jié)點(diǎn)依次傳過各隱層節(jié)點(diǎn)，然后傳到輸出節(jié)點(diǎn)，每一層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出。如果輸出層不能得到期望輸出，即實(shí)際輸出值與期望輸出值之間有誤差，則轉(zhuǎn)入反向傳播過程，將誤差信號(hào)沿原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值，逐次向輸入層進(jìn)行計(jì)算，再經(jīng)過正向傳播過程，反復(fù)進(jìn)行，使得誤差信號(hào)最小。2.2 BP神經(jīng)網(wǎng)絡(luò)的計(jì)算公式3本文取三層BP網(wǎng)絡(luò)，其輸入節(jié)點(diǎn)為輸入節(jié)點(diǎn)與隱節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為節(jié)點(diǎn)

7、的期望輸出為。隱節(jié)點(diǎn)的輸出，隱節(jié)點(diǎn)為，輸出節(jié)點(diǎn)為，閾值為，輸出，隱節(jié)點(diǎn)與輸出節(jié)點(diǎn)的網(wǎng)絡(luò)權(quán)值(1)其中,輸出節(jié)點(diǎn)的計(jì)算輸出(2)其中, 輸出節(jié)點(diǎn)的誤差公式(3)2.3 系統(tǒng)模型的建立挑出部分實(shí)驗(yàn)數(shù)據(jù)作為下一步的測(cè)試之用，剩余的數(shù)據(jù)利用Matlab6.5人工神經(jīng)網(wǎng)絡(luò)工具箱建立燃?xì)獍l(fā)電機(jī)組神經(jīng)網(wǎng)絡(luò)模型（Gas-Engine ANN Model），見圖2，和吸附式制冷機(jī)神經(jīng)網(wǎng)絡(luò)模型(Adsorption Chiller ANN Model)，見圖3。圖2 燃?xì)獍l(fā)電機(jī)組神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖圖3 吸附式制冷機(jī)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖實(shí)際的燃?xì)獍l(fā)電機(jī)組的影響因素很多，但本文對(duì)其做了簡(jiǎn)化處理，其輸入?yún)?shù)為燃?xì)獾南牧繐Q算成的

8、輸入能量，輸出參數(shù)為發(fā)電量和余熱回收量，這樣能大大減少模型的復(fù)雜程度，便于用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，而其誤差卻能控制在可接受的范圍內(nèi)。吸附式制冷機(jī)的輸入?yún)?shù)為部分回收余熱量，輸出參數(shù)為產(chǎn)冷量。需要指出的是，吸附式制冷機(jī)的影響參數(shù)也非常多，包括加熱時(shí)間，回質(zhì)時(shí)間，加熱量等都會(huì)改變系統(tǒng)的性能。上海交大制冷與低溫研究所王如竹梯隊(duì)對(duì)吸附式制冷做了大量的研究，因此有可靠的數(shù)據(jù)支持6，故作者在建立吸附式制冷機(jī)神經(jīng)網(wǎng)絡(luò)模型時(shí)嘗試把這些影響因素都考慮進(jìn)去，建立了多輸入?yún)?shù)的神經(jīng)網(wǎng)絡(luò)模型。 燃?xì)獍l(fā)電機(jī)組神經(jīng)網(wǎng)絡(luò)模型的仿真見圖4，吸附式制冷機(jī)人工神經(jīng)網(wǎng)絡(luò)模型的仿真見圖5，整個(gè)系統(tǒng)模型冷熱電的輸出仿真見圖6。圖4 燃?xì)獍l(fā)

9、電機(jī)組發(fā)電量和回收余熱量隨輸入能量的變化圖圖5 吸附式制冷機(jī)產(chǎn)冷量隨輸入熱量的變化圖圖6 微型冷熱電聯(lián)供系統(tǒng)神經(jīng)網(wǎng)絡(luò)模型的系統(tǒng)輸出仿真圖由圖4所示，燃?xì)獍l(fā)電機(jī)組的發(fā)電量和回收的余熱量隨著輸入能量的增大而增大，在輸入能量在達(dá)到30 kW以后，發(fā)電量和余熱量隨著輸入能量近似接近線形變化。由圖5所示，在其它參數(shù)固定時(shí)，吸附式制冷機(jī)的產(chǎn)冷量隨輸入熱量的增加而接近線性增大，也就是說制冷機(jī)的COP值此時(shí)變化不大。圖6是神經(jīng)網(wǎng)絡(luò)模型對(duì)系統(tǒng)冷熱電同時(shí)輸出的仿真，從圖中可以看出，在發(fā)電量一定時(shí)，也就是系統(tǒng)輸入能量一定時(shí)，隨著制冷量的增加，系統(tǒng)輸出的熱量增加，這是由于發(fā)電量對(duì)應(yīng)了一定的總的余熱回收量，制冷量的增加

10、使得用于吸附機(jī)的熱量增大，因而使得剩余的輸出熱量減少。在制冷量一定時(shí)，隨著發(fā)電量的增加，系統(tǒng)的輸入能量隨之增加，從而使得總的余熱回收量增加，制冷量不變對(duì)應(yīng)的吸附機(jī)輸入熱量不變，使得剩余的輸出熱量增加。上述的仿真結(jié)果是與實(shí)際的系統(tǒng)規(guī)律相符合的。3 人工神經(jīng)網(wǎng)絡(luò)模型（ANN Model）的評(píng)價(jià)為了對(duì)建立的人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行評(píng)價(jià)，本文采用了兩種驗(yàn)證方法，一是模型與所利用的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行誤差計(jì)算；二是用另外的幾組新的數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試。其誤差曲線見圖7，圖8；其測(cè)試圖見圖9，圖10。如圖7所示，燃?xì)獍l(fā)電機(jī)組模型的發(fā)電量絕對(duì)誤差非常小，且波動(dòng)也較小，說明模型和實(shí)驗(yàn)數(shù)據(jù)擬合的比較好；而余熱量在輸入熱量較大

11、時(shí)誤差突然變大，這是由于神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)候的隨機(jī)性決定的，但其絕對(duì)誤差控制在0.06范圍內(nèi)，相對(duì)誤差也非常小。在圖9中可以看出模型對(duì)于測(cè)試點(diǎn)的預(yù)測(cè)效果非常好。 如圖8所示，吸附式制冷機(jī)模型的絕對(duì)誤差在0.03范圍內(nèi)波動(dòng)，由圖10可見，測(cè)試點(diǎn)基本上在模型曲線上下波動(dòng)，在多輸入?yún)?shù)的情況下，說明模型具有一定的適用性。圖7 燃?xì)獍l(fā)電機(jī)組神經(jīng)網(wǎng)絡(luò)模型的誤差曲線圖圖8 吸附式制冷機(jī)神經(jīng)網(wǎng)絡(luò)模型的誤差曲線圖圖9 燃?xì)獍l(fā)電機(jī)組神經(jīng)網(wǎng)絡(luò)模型的測(cè)試圖圖10 吸附式制冷機(jī)神經(jīng)網(wǎng)絡(luò)模型的測(cè)試圖4 結(jié)論針對(duì)微型冷熱電聯(lián)供系統(tǒng)的高度非線性，多輸入多輸出的特點(diǎn)，本文提出了以BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模的思想。系統(tǒng)模擬和評(píng)價(jià)的結(jié)果表明，神經(jīng)網(wǎng)絡(luò)作為一種非線性的數(shù)學(xué)工具，具有快速、簡(jiǎn)單、準(zhǔn)確的特點(diǎn)，結(jié)合Matlab的神經(jīng)網(wǎng)絡(luò)工具箱使得算法的精度和模型的適用性大大增強(qiáng)。這為以后預(yù)測(cè)系統(tǒng)的運(yùn)行，系統(tǒng)的控制設(shè)計(jì)都提供了良好的基礎(chǔ)。在建模過程中對(duì)系統(tǒng)做了必要的簡(jiǎn)化處理，隨著實(shí)驗(yàn)和理論研究的進(jìn)一步深入，以后的工作要研究多個(gè)參數(shù)對(duì)系統(tǒng)的運(yùn)行的影響，為系統(tǒng)的優(yōu)化運(yùn)行提出必要的方案。參考文獻(xiàn)1. 孔祥強(qiáng). 基于燃?xì)鈨?nèi)燃機(jī)和吸附制冷機(jī)的微型冷熱電聯(lián)供系統(tǒng)研究.博士學(xué)位論文. 上海：上海交通大學(xué)，20052. 叢爽. 面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用（第2版）. 合肥：中國(guó)