基于BP神经网络的露点蒸发冷却冷水机组性能预测

常若新 黄翔 屈悦滢

摘  要：本文针对传统蒸发冷却冷水机组的设计缺点：不能对机组实际运行情况全面考虑，量产前优化设计复杂、成本投入大等问题。通过借助神经网络对非线性动力学系统的预测能力，建立露点间接蒸发冷却器性能的预测模型，并对网络模型进行训练与仿真，以供参考。

关键词：BP神经网络;蒸发冷却;冷水机组;预测分析

中图分类号：TU831        文献标识码：A         文章编号：2096-6903（2021）01-0000-00

0引言

蒸发冷却空调技术是节能、绿色的制冷技术，在干燥地区和中低湿度地区可替代传统的氟利昂制冷剂[1]。目前广泛应用的有直接/间接蒸发冷却技术等多种方式[2]。其中，基于ValeriyMaisotsenko提出的新型热力循环（即M-cycle理论）[3]得出的露点间接蒸发冷却可使产出空气逼近进入空气的露点温度，是提高设备温降的核心技术之一。

传统露点间接蒸发冷却冷水机组的设计缺点在于不能对机组实际运行情况全面考虑;量产前优化设计复杂、成本投入大。通过借助神经网络对非线性动力学系统的预测能力，建立露点冷却器性能的预测模型，并对网络模型进行训练与仿真，其涉及暖通空调、信息处理、计算机等多学科，为露点冷却器性能的预测研究提供新的思路。其优势在于进行充分模拟预测，以此规避机组缺陷;同时也降低试验成本;缩短开发周期，提高机组竞争力[4]。

1BP神经网络算法介绍

1.1BP神经网络及其性能预测流程

BP神经网络是采用机器学习算法进行训练的人工神经网络结构，其拓扑结构图如图1所示，由输入样本的正向传播以及误差的反向传播这2个过程组成[5]，选择露点蒸发冷却冷水机组性能稳定的测试数据，再对数据进行归一化处理，并建立相对应的神经网络模型，利用训练好的神经网络对露点蒸发冷却冷水机组性能进行预测。

1.2训练样本的选取

1.2.1露点间接蒸发冷却冷水机组

露点间接蒸发冷却冷水机组的结构图如图2所示，本机组产出空气流动路径是“Z”字型，产出空气不光有叉流换热过程，同时还有逆流换热过程，增加了空气的预冷时间，降低了出水温度[6]

1.2.2训练样本

对上述机组进行测试，采用64组测试数据作为BP神经网络的训练样本，对机组送风干球温度、相对湿度、含湿量、供回水温度的结果进行预测。其中，2/3为训练数据，1/3为验证数据。

测试数据以及性能评价公式可得到露点间接蒸发冷却冷水机组在三种测试工况下的性能参数，部分参数如表1所示。

2建立预测模型

2.1原始数据样本设计

露点蒸发冷却效率受很多影响因素，包括结构设计、淋水量、室外空气状态也会对冷却器的换热效能产生影响。在其他条件不变的情况下，主要考虑室外空气状态（室外空气进风口干球温度、湿球温度、相对湿度、含湿量）对机组性能（露点蒸发冷却效率）的影响。共选取64组实验数据进行BP神经网络的预测。

2.2网络传递及训练函数

网络传递中局部最优比较容易陷入，这也成为了BP神经网络的部分局限性，故选择LM算法作为训练方法对BP网络进行训练，训练函数采用LM算法的trainlm函数，学习函数采用trainlm函数，设置训练次数为1000次，训练目标误差为0.000000001，学习率为0.1。

3 BP神经网络训练结果分析

3.1网络的拟合效果

图3是本网络的拟合效果。横纵坐标表示均为输出长度是4的单位向量，R是线性回归后的相关系数，R越接近于1，表明预测结果越好。四个图分别是对训练结果、校验结果、测试数据、所有数据的拟合，可以看出，总体拟合效果较好，拟合度为0.99684。

3.2测训练结果分析

本次预测基于MATLAB的BP神经网络训练模型的RMSE为0.0513。

表2是网络输出的预测值的部分数据，由图4可以看出，BP神经网络对机组出口水温预测的均方根误差为0.12，表明建立的该BP神经网络模型预测精度较好，整体预测的冷水机组出水温度与实际机组的出水溫度变化规律相符，同时绝对误差在1%以内，符合工程设计的需要。

4结语

本文通过借助BP神经网络对非线性动力学系统的预测能力，建立露点间接蒸发冷却冷水机组性能的预测模型，对网络模型进行训练与仿真，并使用实际测试结果对预测结果进行验证。验证结果表明，使用该方法得到的预测结果精度较高，绝对误差控制在1%以内。该方法替代了传统的实验方法，也降低试验成本，缩短开发周期，提高了冷水机组机组的竞争力。

参考文献

[1]黄翔，孙铁柱，汪超.蒸发冷却空调技术的诠释（1）[J].制冷与空调，2012，12（2）：1-6+14.

[2]黄翔.蒸发冷却空调技术发展动态[J].制冷，2009，28（1）：19-25.

[3]麦索特森科.用于露点蒸发冷却器的方法和板装置[P].中国：ZL02828060.1，2001-09-27.

[4]黄童毅，何林，郭庆，等.基于BP神经网络的空调性能预测研究[J].环境技术，2019，37（4）：100-103+114.

[5]张峰，李苏泷.基于BP神经网络的建筑空调负荷预测[J].智能建筑与智慧城市，2019（7）：34-35+41.

[6]李朝阳.露点间接蒸发冷却空调系统的应用研究[D].西安：西安工程大学，2020.

收稿日期：2020-12-20

作者简介：常若新（1996—），男，河南洛阳人，硕士研究生在读，研究方向：蒸发冷却技术与建筑可再生能源理论与应用。

通讯作者：黄翔（1962—），男，北京人，研究方向：蒸发冷却技术与建筑可再生能源理论与应用。

Performance Prediction of Dew-point Evaporative Cooling Chiller Based on BP Neural Network

CHANG Ruoxin，HUANG Xiang，QU Yueying

（School of Urban Planning and Municipal Engineering，Xi’an Polytechnic University，Xi’an  Shaanxi  710048）

Abstract：This paper aims at the design shortcomings of the traditional evaporative cooling chillers， such as the failure to take the actual operation of the chillers into full consideration， the complexity of the optimization design before mass production and the large cost input. The prediction model of dew point indirect evaporative cooler was established by using neural network to predict the nonlinear dynamic system， and the network model was trained and simulated.

Keywords：airport building;air conditioning system;evaporative cooling;engineering application;test analysis