1、收稿日期：! # $ # %作者简介：姚杨&(%$ # )，女，哈尔滨建筑大学副教授 *第 $ 卷 第 % 期哈 尔 滨 建 筑 大 学 学 报+,-* $ .,* %! 年 ! 月/,0123- ,4 531672 8279:1;7* ?* A1BC7:B01:D:B* !文章编号：% # %EF&!)% # FE # G空气源热泵冷热水机组中压缩机性能的模拟姚杨，杨自强，马最良&哈尔滨建筑大学 建筑热能工程系，黑龙江 哈尔滨 G()摘要：采用神经网络对冬季运行的空气源热泵冷热水机组中螺杆式压缩机的特性进行了模拟。采用误差反向传播算法&HI 算法)对网络的连接权值进行学习和调整，以满足给定的
2、精度要求。只要训练样本可靠，采用该方法建模可以达到比较高的精度要求。关键词：神经网络J 空气源热泵冷热水机组J 压缩机J 训练样本J HI 算法中图分类号：K8F$L* F文献标识码：AM7N0-37,2 ,4 O:14,1N32B: ,4 C: B,NO1:;,1 72371P;,01B: C:3 O0NO C:3:1 Q BC7-:1 027!#!$%& !()*+,-+$%& .*/+,0+$%&D:O31N:2 ,4 H07-R72S 5:3797- ?2S*A1BC*T 531672 G(，C723)1234$536 KC: O:14,1N32B: ,4 ;B1:U B,NO1:;,
3、1 72 371P;,01B: C:3 O0NO C:3:1 Q BC7-:1 027 ,O:1372S72 U72:1 7; ;7N0-3:R 0;72S C: 2:013- 2:U,1V;* W2 ,1R:1 , ;37;4= C: 1:X071:N:2 ,4 C: S79:2 O1:PB7;7,2TC: B,22:B7,2 O,U:1 ,4 C: 2:U,1V; 7; ;0R7:R 32R 3RY0;:R 0;72S C: 63BVO1,O3S37,2 1372P72S 3-S,17CN &HI 3-S,17CN) *Z,R:-72S U7C C7; N:C,R B32 3BC7:9:
4、C7SC O1:B7;7,2 74 C: 137272S;3NO-:; 31: 1:-736-:*789 :;426 2:013- 2:U,1V;J371P;,01B: C:3 O0NO C:3:1 Q BC7-:1 027JB,NO1:;,1J137272S ;3NO-:J63BVO1,O3S37,2 137272S 3-S,17CN 前言空气源热泵冷热水机组是近几年才发展起来的新型冷热源设备，其应用越来越广泛。但冬季室外换热器结霜是影响其应用和发展的主要问题，因此有必要采用计算机模拟的方法建立空气源热泵冷热水机组的比较完善的数学模型，以便对机组在不同运行工况下的特性进行模拟分析。要建立空气
5、源热泵冷热水机组的数学模型，必须首先建立机组中各个部件的模型，然后利用质量守恒、动量守恒、能量守恒定律将单一的部件模型有机地结合起来，构成整个机组的模型。作为空气源热泵冷热水机组的压缩机，其种类很多，主要有全封闭涡旋式、全封闭活塞式、全封闭螺杆式、半封闭活塞式、半封闭螺杆式等，制冷量范围也相差很大。目前常用的压缩机建模方法有效率法、图形法、多变压缩指数法、多控制容积法和神经网络法等。由于压缩机的结构很复杂且影响其工作性能的因素很多，使得传统的建模方法存在一定的局限性，或者是只能适用于某一特定型号的压缩机，或者是采用一些经验公式，使得建模精度受到一定限制。本文拟采用神经网络模拟空气源热泵冷热水机
6、组中螺杆式压缩机的性能，采用误差反向传播算法&HI 算法)训练该网络，对网络的连接权值进行学习和调整，以适应给定的精度要求。!哈尔滨建筑大学学报第 卷图 #三层前馈网络模型# 神经网络及 $% 算法! ! 神经网络简介神经网络是由大量的、同时也是很简单的处理单元&神经元广泛地相互连接而形成的复杂的网络系统，它具有通过学习获取知识并解决问题的能力。神经元是神经网络中最基本的处理单元，它有三个基本要素()*：#+ 一组连接权，连接强度由各连接上的权值表示，权值为正表示激励，为负表示抑制。)+ 一个求和单元，用于求取各输入信息的加权和。+ 一个非线性激励函数，起非线性映射作用，并限制神经元输出幅度在
7、一定范围之内&一般限制在 , - # 之间。通常神经网络模型由网络的拓扑结构、神经元特性&激励函数和学习或训练规则这三个因素所决定。神经网络的拓扑结构主要有两种：前馈型网络和反馈型网络。前馈型网络中各神经元只接受前一层的输入，并输出给下一层，没有反馈，即第 ! 层的输入只与第 ! . # 层的输出相连。而反馈型网络中各神经元之间没有严格的层次结构，任意两个神经元可以相互连接。激励函数通常有三种型式：阈值函数、分段线性函数和 / 型函数，其中 / 型函数为（ #） 0#12$ （ #%!）&#式中：! 为阈值。神经网络的学习算法或训练规则主要有三种：有监督学习、无监督学习和再励学习。$% 算法属
8、于有监督学习，它要求在训练过程中必须给出输入和正确的输出。网络根据当前的计算输出值与所要求的目标输出值的误差来调整连接网络的权值，以使网络作出正确反应。! #$% 算法的基本原理目前常用的多层前馈型网络为三层结构：首层为输入层，中间层为隐含层，最外层为输出层，如图 # 所示。这种三层神经网络可以实现任何的函数映射( *。对于该模型输入层神经元，其输出与输入相同，即 &! !。隐含层和输出层神经元的操作特性为()*+,$!-,!&+!&)&+,（ ()*+,）&其中： + 为训练网络的模式对个数； -,!为从神经元 ! 到神经元 , 的连接权值； &+!为神经元 , 的当前输入；&+,为其输出。
9、一般来说网络的输出 &+,与理想输出 *+,不可能完全一致。对于每个模式对，网络输出误差为.+0#$),（ *+,$&+,）)&3系统的平均误差为.0#)$+$+,（ *+,$&+,）)&4神经网络的学习过程就是要求网络寻找单一的一组连接权值和阈值，以使 . 最小。按照梯度搜索法，误差减小的方向为负梯度方向，故按下式进行权值调整!+-,!#+,&+!&5!式中：! 为网络学习速率；!为局部梯度。如果神经元的输出函数取#!#$%&$（$% $#!$&#）()*则对于输出层! （ (!)#!） #!（ $#!）(!*对隐含层!#!（ $)#!$）*!*%*(*也就是说，隐含层神经元的 值必须由上一
10、层 值来计算。计算时先从输出层开始，然后将误差反向传播到隐含层。计算了每个模式对的 !+$后，权值的变化!%$#$!%$($+*对阈值 # 的训练也可以采用上述方法，将阈值设想为神经元的一个权值，但该神经元的输入值总是 $。, 压缩机模型的建立与性能模拟对于冬季运行的空气源热泵冷热水机组，其压缩机的特性为制热量 ,、消耗功率 -、制冷剂质量流量 ./随蒸发温度 (0、冷凝温度 (1、过冷度和过热度的变化。由于厂家样本中给出的压缩机特性均为给定过热度和过冷度时的数据，故本模拟中输入层神经元数 $ # ,，即 (0和 (1，隐含层神经元数 # -，输出层神经元数 * # .，即 ,、 - 和 ./
11、。对于不同过热度下压缩机的性能，采用 /01232 等人456提出的方法进行修正。在训练神经网络之前，必须对输入输出数据进行归一化处理，即把数据处理成 + 7 $ 之间的小数值，网络的输出值需还原成常规值。89 算法中，学习速率 ! 的选择很重要。 ! 大收敛快，但过大可能引起不稳定； ! 小可避免不稳定，但收敛速度就慢了。因此可在开始时将 ! 取得较大，随着学习的继续， ! 值就慢慢地变小。也有人建议引入某个动量项解决这一问题4.6。表 !训练样本(0 ,. ,$ $) $. - $(1,: 5,.!: ,)-: .,$: .;: ;5$: 5;-: 55+: $5$-;+: ;.: $;!
12、: +),: ): !$: !;: +!): ;./$: +5)$: $.;$: .,-$: -;.$: )5,: +5.,: .,: 5;,$: +,.-: ,)$: ).$;: .;$: +5+-: ;5-!: .5!,: ;55-;,: ;-: $)+: ,)-: .!+: 5!5: ;!: !+: -./$: +5+$: $,!$: .,+$: -,$: )+,: +.,: .,$,: 5;5,$-: ;,.$: ;,;): -.$: 5.-: 5.: .5-$: ,5)-: ,5)-;5: ;): ,),: -): )!,: !): .$: ).: 5./$: +.5$: $,$:
13、.$,$: -55$: )!.,: +,5,: .$,: 5-5,$,: ,): ,;.: .+;: -.5: !.: +555: $5;): )-+-;: ;: .)5: )!+: $!-: -+: +5: -;: ./$: +,.$: $;$: .+-$: -.;$: ),: +$),: ,),: 555,+!: ;,5: $,-!: !.+$: .5.: !.!;: .5.;: -5-: )-.-;!: ;)$: 5);: !,: -!: $,: ): .: ,./$: +$: $+!$: ,-$: -,$: );5,: +),: ,!),: 5.,第 ; 期姚 杨等：空气源热泵冷热水机
14、组中压缩机性能的模拟!哈尔滨建筑大学学报第 # 卷连接权值和阈值的初值选取也很重要，采用文献$%&推荐的方法，将初值选为 ( %) * + !，%) * +!）之间均匀分布的小数 ! 为所连单元输入端个数,。在实际应用中要输入训练样本，每输入一次全部训练样本为一个训练周期。本文采用批处理方式，即待组成一个训练周期的全部样本都依次输入后，再由式-,计算总的平均误差，直至 #! !为所要求的计算精度,。对于表 . 中给出的某台螺杆式压缩机的特性，采用图 . 所示的网络进行训练。当 ! / ) -时，得到该网络的连接权值和阈值，见表 %。表 !网络的连接权值和阈值$ %&,$ (&%, %, (,(
15、 0) 001) %1-( -) -%( -) *0( .) !( .) !0#) *0) 2*-*) %2.( 0) 2%*) !-( ) %.( %) .0.( 0) #-0.) *00*) -*0( ) .!.) #%( %) 0( ) !%1( 0) %-( -) -!0( .) 12*( .) %0!#) 1.0#) 21*) !22( ) #2!.) %-2( ) -!.) !0) *#%) 0%注： 为输入层神经元数， % 为隐含层神经元数， ( 为输出层神经元数。# 计算结果分析为验证模拟结果的正确性，采用如下几个判别准则对模拟结果进行误差分析：.) 标准方差 #：指方差的平方
16、根#$)*).（ +,，-+.，）%*.,式中：+,/ 为神经网络输出值的还原值；+./ 为样本理想输出值。%) 期望偏差百分率 0：为标准方差和样本输出值中最大值的绝对值之比的百分数0)#+.，3451.%,#) 偏差系数 23：为标准方差和样本输出值平均值的绝对值之比的百分数23)#+ +.1.#,采用以上三种方法对于在不同精度 !) -6 ) .6 ) -6 ) .,和不同学习速率 $) !6 ) 16) -,下压缩机的特性进行了误差分析见表 #,。由于采用对样本所有模式对同时进行训练的批处理方式，使得在精度相同时，不同学习速率下的误差基本相同，但收敛速度相差很大。表 误差分析!$特性#
17、0 4 523 4 5迭代次数) !6*) .2) 2-#.) %#0.-!2-!) -) 17) !.2) !%-.) .-%0%0) -89) %.) 20.) %-%2!1!%) !60) %#.) %1%.) 2*%-12-%) .) 17.) %.) %2.) %21*#0-) -89) *.) 01#%) *#.*2.) !6.#) !2%) 01#) 21%-0.!) -) 17%) 222%) !.%#) 0%01%) -89) 0!%) 11-*) #1.2) !6%) .#1*) .!-) !-%0.*) .) 17#) 0-*#) 02#*) -2112!) -89) .
18、*) -*0) -%.*!&第 # 期姚 杨等：空气源热泵冷热水机组中压缩机性能的模拟由表 $ 可以看出，采用神经网络对压缩机的特性进行模拟分析可以达到比较高的精度要求，而且不必考虑压缩机复杂的构造，如果有足够的、可靠的训练样本，可以对压缩机全年的工作性能进行模拟。由表 $ 还可以看出，不同的学习速率 ! 对模拟结果的精度影响很小，但对网络的收敛速度影响很大。以 % & &( 为例，当 ! 取 & ( 时，迭代次数为 &) 次；当 ! 取 & * 时，迭代次数为 *+次，节省机时约 , $；而当 ! 取 & ! 时，迭代次数为 (#! 次，与 ! % & ( 相比节省机时近一半。由此可见，采用
19、神经网络模拟压缩机特性时，在迭代收敛的情况下，尽可能采用比较大的学习速率。另外模拟精度对收敛速度的影响也很大， % & & 与 % & &( 相比，计算时间相差近 & 倍，因此在实际模拟时，应根据需要合理确定模拟精度。- 结论本文采用神经网络对冬季运行的空气源热泵冷热水机组中压缩机的特性进行了模拟。采用这种方法可以不必考虑压缩机复杂的构造，避免采用一些经验公式，提高了模型的模拟精度。如果有足够的、可靠的训练样本，可以对压缩机全年的工作性能进行模拟。将该压缩机模型与室内外换热器模型、电子膨胀阀模型等有机地结合在一起，就形成了空气源热泵冷热水机组的模型。采用该模型可以对空气源热泵冷热水机组的运行工
20、况进行模拟与分析。参考文献：./ 丁国良 制冷压缩机热力性能的神经网络模拟.0/ 上海交通大学学报，!，$1$2：+#( 3 +#*.+/ 张乃尧，阎平凡 神经网络与模糊控制.4/北京：清华大学出版社，!).$/ 胡守仁 神经网络导论.4/长沙：国防科技大学出版社，!.-/ 567898 6 :; 98: ?ABCDD?B DEFGHIE?J ?KCG LEIM ?BBCIE?JD N?B IMC GCOCG ?N DFIE?J PHD DFACBMCHI.0/6QR9:6 SBHJD; !); 1+2T * 3 *)+待发论文摘要饮用水中病原原生动物的去除方法摘要：粒状活性炭1U62过滤去除贾第虫和阴胞子虫的效果与砂滤池或双层多层滤料滤池的效果大致相同，其中对贾第虫胞囊的去除效果较好，对阴胞子虫卵囊的去除效果较差。通用的消毒剂氯和氯胺不能有效地灭活阴胞子虫，因这种寄生虫卵对这些消毒剂有抗性。为了有效地灭活阴胞子虫卵囊，所需的这些消毒剂的剂量约为贾第虫和其它普遍存在的寄生虫胞囊灭活剂量的 & 倍。一些强氧化剂如臭氧、二氧化氯或者这些强氧化剂的联用，能有效地使阴胞子虫灭活。例如，臭氧化与二氧化氯联用可达到 -G?P的灭活率。这些氧化剂的有效性依次为：臭氧V二氧化氯V氯V氯胺。膜技术，尤其是超滤膜和纳滤膜能有效地去除病毒和病原原生动物，能达到V#G?P 的去除率。
