中央空调系统机组能效预测模型的研究

论文摘要

空调系统机组的COP是衡量系统性能的一项重要指标,本文通过建模来预测机组的COP值,以期为空调系统的高效运行和故障诊断提供建议,最终达到节能目的。本文利用建筑能耗分析软件EnergyPlus对某建筑空调系统进行模拟,得到该系统冷水机组在整个空调季的运行数据（包括机组功率、冷冻水进口温度、冷却水进口温度和冷却水出口温度的逐时值）,再运用BP神经网络建模,得到机组COP的预测模型,最后验证该建模方式的可靠性。本文通过回归分析可知与t+1时刻机组COP相关最显著的4个参数为t时刻的机组功率、冷冻水进口温度、冷却水进口温度和冷却水出口温度,通过进一步的研究最终确定预测模型的输入为t-1时刻和t时刻的机组功率、冷冻水进口温度、冷却水进口温度和冷却水出口温度共8个输入,输出为t+1时刻机组COP,从而确定了模型的基本结构。本文通过研究可知提高预测精度的方法有3种,即一是在程序中增加自适应学习率和动量因子来克服BP网络存在的自身缺陷,如系统训练不稳定和有时收敛到局部极小值;二是调整对BP网络模型预测能力影响最大的3个参数即输入层节点数、隐层节点数及网络训练允许误差MSE目标值,使其处于最合理的搭配;三是改变输入方式使模型可以学习到整个空调运行期的运行规律,从而提高预测精度。最终模型的预测结果为期望值和网络输出值的绝对误差大都集中在±0.1之间,而相对误差则基本上介于±5%内。预测结果较理想。本文通过对Energyplus软件中的自带模型和Matlab模型的模拟数据以及某实际建筑中的中央空调系统运行数据建模验证可知文中研究的建模方式是可靠的。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题的研究背景与意义
• 1.2 国内外发展研究概况
• 1.3 本文主要研究内容
• 2 基于EnergyPlus 的中央空调系统模拟
• 2.1 EnergyPlus 简介
• 2.2 空调系统模拟
• 2.3 空调系统模拟结果分析
• 2.4 本章小结
• 3 空调机组能效预测模型的建立
• 3.1 神经网络简介
• 3.2 BP 网络模型的建立
• 3.3 BP 网络模型的训练与测试
• 3.4 本章小结
• 4 空调机组能效预测模型的验证
• 4.1 Energyplus 自带模型的验证
• 4.2 Matlab 模型的验证
• 4.3 实际运行数据建模验证
• 4.4 本章小结
• 5 总结与展望
• 5.1 全文总结
• 5.2 展望
• 致谢
• 参考文献