1、微型冷熱電聯供系統的人工神經網絡建模及仿真    魏會東 吳靜怡 王如竹 皇甫藝 許煜雄摘要：本文以人工神經網絡為工具，建立了燃氣電機組和吸附式制冷機組成的微型冷熱電聯供系統的模型，對于模型的仿真結果進行了分析。通過對模型的分析和評價，發現人工神經網絡模型能準確適應聯供系統的高度非線性。仿真結果顯示了模型與系統的實際運行規律較為符合，為以后指導系統的優化運行和控制的設計奠定了良好的基礎。 關鍵詞：微型冷熱電聯供系統 非線性 BP神經網絡     0 前言    能源是當今社會

2、發展所面臨的一個重大問題。隨著全球經濟的快速發展和可持續戰略的實施，能源的利用問題也擺在了非常重要的位置。冷熱電聯供系統作為一種新的能源利用方式具有無可比擬的優勢。冷熱電聯供系統用天然氣作為一次能源，隨著世界天然氣產量的增加，天然氣將大大改變現有的能源結構，成為能源利用新的主力；而冷熱電聯供系統作為一種能量梯級利用系統，利用一次能源驅動發動機發電，利用余熱利用設備對余熱進行回收利用，同時提供電力，熱量和冷量，這樣能大大提高能源的利用效率1。基于以上優點，冷熱電聯供系統成為各國競相研究的對象，并且在美國、日本和歐洲各國都有大規模的實際應用。冷熱電聯供系統的一個重要的研究方向是整個系統的建模，好的

3、系統模型可以用來確定系統的可行性和分析預測系統的運行，以及用于系統的控制策略研究,并可以為系統的優化匹配和優化運行提供指導。以往的關于聯供系統的數學模型都是基于熱力學基本原理，建立簡單的數學模型。而聯供系統的特性是高度非線性化的，傳統的熱力學模型無法準確描述其運行特性，因此需要用另外的一種思路去建立模型，而人工神經網絡則從一定程度上滿足了這一需要。人工神經網絡吸取了生物神經網絡的許多優點，表現在：    （1）高度的并行性。    （2）高度的非線性全局作用。    （3）良

4、好的容錯性與聯想記憶功能。    （4）十分強的自適應、自學習能力。2    近年來，人工神經網絡已經在制冷空調方面有了一些應用。5、7    1 微型冷熱電聯供系統實驗裝置設計    1.1 系統描述    上海交通大學制冷與低溫工程研究所孔祥強1等建立了制冷功率在10 kW左右的微型冷熱電聯供系統試驗臺，整個系統采用了一臺小型燃氣發電機組和一臺研究所自己研制的余熱型吸附式制冷機，其系統圖見圖1

5、。系統設計參數見表1。    圖1 微型冷熱電聯供系統流程圖    1.2 實驗參數儀器    系統的測試參數包括    （1）熱水循環、冷卻塔冷卻水循環、冷凍水循環的狀態參數（主要有溫度和流量）；    （2）液化氣供應的狀態參數（主要有壓力、溫度和流量）；    （3）空氣供應的狀態參數（主要是溫度和流量）    

6、（4）小型燃氣內燃機排煙的狀態參數；    （5）系統發電的狀態參數（主要是功率、電壓、電流和頻率）    上述待測參數的采集及處理全部由計算機采集系統自動完成。整個數據采集系統由27個溫度傳感器、2個壓力傳感器、7個流量傳感器、1臺電參數測量儀、1臺Keithely2700數據采集/測量儀和1臺計算機組成。    表1 微型冷熱電聯供系統設計參數     微型冷熱電聯供系統    輸出電能峰值&

7、#160;   > 12kW，400V/230V，50Hz    輸出熱能峰值    > 25kW（>50熱水）    發電峰值效率    > 20    系統總能效率    > 70    小型燃氣內燃機發電機組    

8、;最大輸出電功率    < 12kW    轉速    1500rpm    峰值效率    > 20    裸機噪音    < 95dBA（1m）    箱裝體外噪音    < 75dBA（1m） 

9、60;  小型余熱型吸附式制冷機組    最大制冷量    > 9kW    制冷峰值制冷COP    > 0.3    2 人工神經網絡建模    人工神經網絡（Artificial Neural Network，簡稱ANN）是人類在對其大腦神經網絡認識理解的基礎上人工構造的能夠實現某種功能的神經網絡。它是理論化的人腦神經網

10、絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統。2它實際上是由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統。目前，在人工神經網絡的實際應用中，絕大部分的神經網絡模型是采用BP（Back Propagation）網絡和它的變化形式，它是前向網絡的核心部分，并體現了人工神經網絡最精華的部分。BP神經網絡特別適用于函數逼近，因此本文采用BP神經網絡建立模型。4    2.1 BP神經網絡的原理    BP網絡結構是一種單向傳播的多層前向網絡，這

11、種網絡除輸入輸出節點外，還有一層或多層的隱節點，同層節點中沒有任何耦合。輸入信號從輸入層節點依次傳過各隱層節點，然后傳到輸出節點，每一層節點的輸出只影響下一層節點的輸出。如果輸出層不能得到期望輸出，即實際輸出值與期望輸出值之間有誤差，則轉入反向傳播過程，將誤差信號沿原來的連接通路返回，通過修改各層神經元的權值，逐次向輸入層進行計算，再經過正向傳播過程，反復進行，使得誤差信號最小。    2.2 BP神經網絡的計算公式3    本文取三層BP網絡，其輸入節點為，隱節點為，輸出節點為，閾值為，輸入節點與隱節點間的網絡權

12、值為，隱節點與輸出節點的網絡權值，輸出節點的期望輸出為。    隱節點的輸出    (1)    其中,     輸出節點的計算輸出    (2)    其中,     輸出節點的誤差公式    (3)    2.3 系統模型的建立

13、0;   挑出部分實驗數據作為下一步的測試之用，剩余的數據利用Matlab6.5人工神經網絡工具箱建立燃氣發電機組神經網絡模型（Gas-Engine ANN Model），見圖2，和吸附式制冷機神經網絡模型(Adsorption Chiller ANN Model)，見圖3。    圖2 燃氣發電機組神經網絡結構圖    圖3 吸附式制冷機神經網絡結構圖    實際的燃氣發電機組的影響因素很多，但本文對其做了簡化處理，其輸入參數為燃氣的消耗量換算

14、成的輸入能量，輸出參數為發電量和余熱回收量，這樣能大大減少模型的復雜程度，便于用神經網絡進行訓練，而其誤差卻能控制在可接受的范圍內。吸附式制冷機的輸入參數為部分回收余熱量，輸出參數為產冷量。需要指出的是，吸附式制冷機的影響參數也非常多，包括加熱時間，回質時間，加熱量等都會改變系統的性能。上海交大制冷與低溫研究所王如竹梯隊對吸附式制冷做了大量的研究，因此有可靠的數據支持6，故作者在建立吸附式制冷機神經網絡模型時嘗試把這些影響因素都考慮進去，建立了多輸入參數的神經網絡模型。    燃氣發電機組神經網絡模型的仿真見圖4，吸附式制冷機人工神經網絡模型的仿真見圖5

15、，整個系統模型冷熱電的輸出仿真見圖6。    圖4 燃氣發電機組發電量和回收余熱量隨輸入能量的變化圖    圖5 吸附式制冷機產冷量隨輸入熱量的變化圖    圖6 微型冷熱電聯供系統神經網絡模型的系統輸出仿真圖由圖4所示，燃氣發電機組的發電量和回收的余熱量隨著輸入能量的增大而增大，在輸入能量在達到30 kW以后，發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，在其它參數固定時，吸附式制冷機的產冷量隨輸入熱量的增加而接近線

16、性增大，也就是說制冷機的COP值此時變化不大。    圖6是神經網絡模型對系統冷熱電同時輸出的仿真，從圖中可以看出，在發電量一定時，也就是系統輸入能量一定時，隨著制冷量的增加，系統輸出的熱量增加，這是由于發電量對應了一定的總的余熱回收量，制冷量的增加使得用于吸附機的熱量增大，因而使得剩余的輸出熱量減少。在制冷量一定時，隨著發電量的增加，系統的輸入能量隨之增加，從而使得總的余熱回收量增加，制冷量不變對應的吸附機輸入熱量不變，使得剩余的輸出熱量增加。上述的仿真結果是與實際的系統規律相符合的。    3 人工神經網絡模型

17、（ANN Model）的評價    為了對建立的人工神經網絡模型進行評價，本文采用了兩種驗證方法，一是模型與所利用的實驗數據進行誤差計算；二是用另外的幾組新的數據對模型進行測試。其誤差曲線見圖7，圖8；其測試圖見圖9，圖10。    如圖7所示，燃氣發電機組模型的發電量絕對誤差非常小，且波動也較小，說明模型和實驗數據擬合的比較好；而余熱量在輸入熱量較大時誤差突然變大，這是由于神經網絡在訓練時候的隨機性決定的，但其絕對誤差控制在0.06范圍內，相對誤差也非常小。在圖9中可以看出模型對于測試點的預測效果非常好。

18、0;   如圖8所示，吸附式制冷機模型的絕對誤差在0.03范圍內波動，由圖10可見，測試點基本上在模型曲線上下波動，在多輸入參數的情況下，說明模型具有一定的適用性。    圖7 燃氣發電機組神經網絡模型的誤差曲線圖    圖8 吸附式制冷機神經網絡模型的誤差曲線圖    圖9 燃氣發電機組神經網絡模型的測試圖    圖10 吸附式制冷機神經網絡模型的測試圖    4 結論    針對微型冷熱電聯供系統的高度非線性，多輸入多輸出的特點，本文提出了以BP神經網絡進行建模的思想。系統模擬和評價的結果表明，神經網絡作為一種非線性的數學工具，具有快速、簡單、準確的特點，結合M