土壤蓄熱預(yù)測管理論文

導(dǎo)語：土壤蓄熱預(yù)測管理論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：針對淺埋地下工程，分析在考慮土壤蓄熱作用下的室內(nèi)熱環(huán)境變化，在應(yīng)用CFD軟件的基礎(chǔ)上建立圍護(hù)結(jié)構(gòu)及室內(nèi)空氣的耦合傳熱模型。并將模擬所得結(jié)果進(jìn)一步用來訓(xùn)練預(yù)測空調(diào)最佳啟停時間的人工神經(jīng)網(wǎng)絡(luò)模型。此模型可用于預(yù)測出各種復(fù)雜的非線性條件下最佳啟停時間，以降低能耗，節(jié)約能源。

關(guān)鍵詞：土壤蓄熱間歇空調(diào)最佳啟停時間MATLAB

1引言

大多數(shù)地面建筑的空調(diào)系統(tǒng)，如商場、寫字樓、餐廳等均屬間歇運行方式。在許多平戰(zhàn)結(jié)合的人防工程甚至指揮所同樣也存在間歇運行系統(tǒng)。非工作時間空調(diào)系統(tǒng)停機(jī)后，由于室內(nèi)外溫差及圍護(hù)結(jié)構(gòu)散熱導(dǎo)致室溫偏離設(shè)定值，在下一段運行前需要提前啟動空調(diào)系統(tǒng)進(jìn)行預(yù)冷（熱），使房間在使用時處于要求的溫度范圍內(nèi)。預(yù)冷過早會造成能量浪費；預(yù)冷過晚又達(dá)不到控制所要求的指標(biāo)。同時空調(diào)的制冷機(jī)組停機(jī)后，其冷卻系統(tǒng)中仍有一部分剩余冷量，可以繼續(xù)利用送風(fēng)機(jī)組將這部分冷量送入房間，從而達(dá)到節(jié)能目的，如圖1所示。從圖1中還可以明顯看出間歇空調(diào)系統(tǒng)運行時間相對房間使用時間存在一定的偏移量。因此需要對這一啟停時間進(jìn)行預(yù)測，并保證用最少的能量在使用時間內(nèi)達(dá)到所要求的參數(shù)范圍。然而，空調(diào)系統(tǒng)的預(yù)冷（熱）啟動時間以及提前停機(jī)時間是一多輸入單輸出的帶有大滯后環(huán)節(jié)的非線性對象。其中最佳啟動時間取決于啟動前室內(nèi)溫度，室外氣象條件，建筑結(jié)構(gòu)的熱物性及內(nèi)熱源和空調(diào)送冷（熱）量等；最佳提前停機(jī)時間也受空調(diào)設(shè)備容量及溫差，內(nèi)部照明、辦公設(shè)備及人員散熱等、停機(jī)前室內(nèi)外溫度等諸因素影響，因此系統(tǒng)的建模工作相當(dāng)復(fù)雜。

同時應(yīng)該看到間歇空調(diào)如果沒有足夠的預(yù)熱（冷）時間，空調(diào)中的蓄熱負(fù)荷是不容忽視的。【1】尤其對各種地下建筑而言，土壤的蓄熱作用對啟動和停機(jī)時間的影響尤為重要。不同熱惰性的土壤對室內(nèi)外溫度波及熱流波存在不同的延遲和衰減作用。本文主要針對典型地區(qū)的淺埋平戰(zhàn)結(jié)合的人防工程，分別對考慮土壤蓄熱作用下的圍護(hù)結(jié)構(gòu)及室內(nèi)空氣建立熱平衡方程，并通過軟件模擬出室內(nèi)溫度隨時間的變化情況；并在此基礎(chǔ)上用MATLAB中的人工神經(jīng)網(wǎng)絡(luò)工具箱對啟動和停止時間進(jìn)行智能控制。

2研究方法

圖1間歇空調(diào)運行期間的室內(nèi)溫度典型變化曲線

目前，有關(guān)預(yù)測最佳啟動時間的研究已有靜態(tài)最優(yōu)法、簡化數(shù)學(xué)模型法、一元回歸分析法、模糊控制等，這些方法各有特點，但由于空調(diào)系統(tǒng)的復(fù)雜性和受傳統(tǒng)算法的限制，預(yù)測結(jié)果都存在著一定的誤差。同時關(guān)于最佳停機(jī)時間的確定，由于停機(jī)過程尚處在房間使用期間，仍需保證空氣熱舒適性要求，因此在來自內(nèi)部隨機(jī)變化的較大擾動下，預(yù)測的提前停機(jī)時間誤差有可能會更大，至今也沒有較成功的理論和實例。文獻(xiàn)【2】【3】曾就建筑物內(nèi)HVAC設(shè)備的衰減時間用數(shù)學(xué)公式表示，但是由于強(qiáng)烈的非線性以及建筑負(fù)荷響應(yīng)的不斷變化導(dǎo)致結(jié)果誤差較大。金洪文和韋節(jié)廷等在文獻(xiàn)【4】中對空調(diào)系統(tǒng)間歇運行的時間延遲問題的討論時，分別對全空氣空調(diào)系統(tǒng)和風(fēng)機(jī)盤管空調(diào)系統(tǒng)進(jìn)行分析。但在建立室內(nèi)空氣熱平衡方程的過程中，由于對圍護(hù)結(jié)構(gòu)傳熱存在很大程度上的簡化，即采用空調(diào)冷負(fù)荷估算指標(biāo)對傳熱量進(jìn)行計算，這樣的處理方法不能及時有效地反映實際上的強(qiáng)烈非線形復(fù)雜變化，因此精度不能得到有效保證。河北工業(yè)大學(xué)的張雪萍、劉作軍對智能樓宇定風(fēng)量空調(diào)系統(tǒng)的啟停控制【5】提出采用最優(yōu)化方法中的非線性規(guī)劃問題解法，即外點罰函數(shù)法。這一方法不但需要系統(tǒng)停止使用前內(nèi)的工程用電量、平均人員數(shù)、室內(nèi)平均溫度和室外平均溫度四個因素，同時各系數(shù)必須通過采集各種歷史數(shù)據(jù)，并應(yīng)用統(tǒng)計的方法，經(jīng)過回歸分析運算得出。因此這一方法也不是很適用。

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork）具有較強(qiáng)的學(xué)習(xí)和適應(yīng)能力，適于那些具有不確定性或高度非線性的對象建模及控制。同時BP算法可以在隱層單元足夠多的時候逼近任意非線性映射關(guān)系，而且其學(xué)習(xí)算法屬于全局逼近方法，具有較好的泛化能力。本文將用ANN模型來預(yù)測考慮土壤蓄熱作用下的間歇空調(diào)最佳啟停時間，并對這一模型進(jìn)行優(yōu)化后用于其他各種不同熱特性地下建筑間歇空調(diào)啟停控制，達(dá)到節(jié)能目的。由于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)需要大量正確的實驗數(shù)據(jù)作為訓(xùn)練樣本，在本文的研究過程中為了彌補(bǔ)有限實驗條件的不足，在做了少量的采樣實驗基礎(chǔ)上采用計算機(jī)模擬的方法來獲得各種不同條件下的學(xué)習(xí)樣本。因此還需要結(jié)合CFD數(shù)值模擬軟件對淺埋地下工程的圍護(hù)結(jié)構(gòu)傳熱情況及其對室溫變化的影響進(jìn)行模擬，并得出考慮土壤蓄熱作用下的室溫變化情況。之后將各種條件下得出的模擬數(shù)據(jù)輸入到人工神經(jīng)網(wǎng)絡(luò)模型中，不斷進(jìn)行訓(xùn)練并進(jìn)一步優(yōu)化，為最佳啟停時間的預(yù)測確定好最優(yōu)模型。

2.1考慮圍護(hù)結(jié)構(gòu)蓄熱的室內(nèi)溫度模型

首先需要對室內(nèi)空氣溫度變化進(jìn)行熱分析，見圖2。由此可以看出室內(nèi)空氣溫度是受各圍護(hù)結(jié)構(gòu)內(nèi)表面與室內(nèi)空氣的換熱，空調(diào)送冷量，排風(fēng)帶走的冷量以及室內(nèi)各種熱量擾動因素影響的。這些熱量和冷量共同作用于室內(nèi)空氣，在考慮室內(nèi)空氣的綜合熱容基礎(chǔ)上建立其熱平衡方程；而在這一方程中圍護(hù)結(jié)構(gòu)內(nèi)表面的換熱量計算尤為重要，因此還需要以圍護(hù)結(jié)構(gòu)內(nèi)表面建立熱平衡方程，并考慮圍護(hù)結(jié)構(gòu)對內(nèi)擾的蓄熱作用和對外擾的阻隔作用對室溫變化造成的影響。

CFD數(shù)值模擬使用現(xiàn)有的軟件PHOENICS3.4，并做如下假設(shè)：

1)各圍護(hù)結(jié)構(gòu)內(nèi)表面之間的輻射不予考慮；

2)室內(nèi)綜合熱源對室溫的作用只考慮對流換熱，且其間歇過程視工程使用情況進(jìn)行簡化；

3)圍護(hù)結(jié)構(gòu)中均不考慮存在內(nèi)熱源；

4)各圍護(hù)結(jié)構(gòu)之間不存在冷橋作用；

5)假定所研究房間室內(nèi)空氣溫度為均勻的，在每一時刻保持為一定值；

6)假定同一天的逐時氣象參數(shù)在計算過程中連續(xù)使用一定天數(shù)。

圖2室內(nèi)空氣熱分析示意圖

考慮單建式淺埋地下工程在較短的一段時期（如某一季節(jié)）的室內(nèi)溫度隨圍護(hù)結(jié)構(gòu)特性、空調(diào)參數(shù)及室外氣象參數(shù)的變化情況。由于短時期內(nèi)室外氣象參數(shù)具有一定的變化規(guī)律且可以穩(wěn)定地近似成為余弦變化，考慮土壤對地表溫度波的衰減和延遲后，受地表氣溫影響的地層溫度周期性變化的幅值隨地層深度的增加按自然指數(shù)的規(guī)律減小。因此地層溫度隨深度和時間變化的關(guān)系如下：

（1）

同時考慮簡化室內(nèi)間歇過程，將人員、照明和其他等室內(nèi)熱源綜合成一均值表示。根據(jù)工作班制，考慮熱源在及這兩個時間段開啟。模型分別針對不同熱工特性的圍護(hù)結(jié)構(gòu)以及間歇工作機(jī)制進(jìn)行模擬，考慮土壤蓄熱作用影響下的室內(nèi)溫度分布情況。對于圍護(hù)結(jié)構(gòu)傳熱部分，PHOENICS中是將室內(nèi)空氣和圍護(hù)結(jié)構(gòu)視為整體來求解的，即采用整場求解方法【6】。下圖3顯示了室內(nèi)空氣溫度在試驗的兩個工作日中隨時間變化的情況，圖4顯示了圍護(hù)結(jié)構(gòu)內(nèi)表面在這兩個試驗工作日中的溫度變化情況以及與實測數(shù)據(jù)的比較。

圖3室內(nèi)空氣溫度隨時間變化情況（兩個工作日）

圖4土壤壁面溫度隨時間的變化曲線（兩個工作日）

以上誤差分析是針對土壤壁面的溫度進(jìn)行的，原因之一是因為室內(nèi)氣溫變化比較突兀，對誤差分析不利；同時由于圍護(hù)結(jié)構(gòu)內(nèi)表面的溫度直接影響到室內(nèi)輻射平均溫度，因此有必要對土壤壁面的溫度進(jìn)行研究。經(jīng)過誤差分析比較得出，程序模擬結(jié)果與實測數(shù)據(jù)的均方差在允許范圍之內(nèi)，故可以證明所研究的簡化模型對于大部分情況是適用的。同時將模擬得出的數(shù)據(jù)用于下文建立的關(guān)于最佳啟停時間預(yù)測的人工神經(jīng)網(wǎng)絡(luò)模型中，同樣也存在可靠性和合理性。這些模擬數(shù)據(jù)不僅能為ANN提供大量真實可靠的訓(xùn)練數(shù)據(jù)，也可為進(jìn)一步優(yōu)化此模型提供先決條件。

2.2空調(diào)最佳啟停時間預(yù)測的ANN優(yōu)化模型

考慮影響空調(diào)最佳啟停時間的因素歸結(jié)為室內(nèi)空氣溫度，室內(nèi)空氣溫度變化率以及室外氣象參數(shù)和室外氣溫變化率，因此可以分別用，，和表示為神經(jīng)元網(wǎng)絡(luò)的輸入量，輸出量只有一個，即為最佳啟動或停機(jī)時間（圖5），則有：

（2）

圖5預(yù)測最佳啟停時間的ANN模型

圖中為隱層各神經(jīng)元的輸出閾值，為相應(yīng)輸入層各變量到隱層的連接權(quán)值，為輸出層神經(jīng)元的輸出閾值（此處僅有一個單元），為相應(yīng)隱層各變量到輸出層的連接權(quán)值，這里是指輸入變量的個數(shù)，是指隱層的變量個數(shù)。

利用目標(biāo)向量以及網(wǎng)絡(luò)的實際輸出計算得神經(jīng)網(wǎng)絡(luò)樣本學(xué)習(xí)的總誤差為（式中為樣本數(shù)）：

（3）

隱層與輸出層之間權(quán)重以及輸出層的輸出閾值的修正值采用梯度法求得：

（4）

（5）

式中為學(xué)習(xí)步長。

輸入層與隱層之間權(quán)重以及隱層的輸出閾值修正如下：

（6）

（7）

式中；學(xué)習(xí)步長。

結(jié)合上述BP算法，通過MATLAB中的人工神經(jīng)網(wǎng)絡(luò)工具箱（ANNToolbox），構(gòu)造一個前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，并設(shè)置一個循環(huán)對中間層上的單元個數(shù)進(jìn)行最優(yōu)控制，其主要程序如下：

%循環(huán)語句

s=4:12;

res=1:9;

fori=1:9

%構(gòu)造一個前向BP網(wǎng)絡(luò)

net=newff(minmax(p),[s(i),1],{''''tansig'''',''''purelin''''},''''trainrp'''',''''learngd'''',''''msereg'''');

%設(shè)置訓(xùn)練參數(shù)

net.trainparam.show=500;

net.trainparam.epochs=2500;

net.trainparam.goal=0.01;

%訓(xùn)練網(wǎng)絡(luò)

net=train(net,p,t)

%仿真

y=sim(net,p);

%誤差向量

error=y-t

res(i)=norm(error)

%設(shè)置性能參數(shù)

net.performparam.ratio=20/(20+1);

%網(wǎng)絡(luò)性能評估

perf=msereg(error,net)

end

通過不斷對網(wǎng)絡(luò)的性能進(jìn)行評價得出的perf值對模型結(jié)構(gòu)進(jìn)行尋優(yōu)。經(jīng)過分析對比，確定模型采用三層網(wǎng)絡(luò)結(jié)構(gòu)，中間層采用5個神經(jīng)元最優(yōu)，此時的誤差的范數(shù)norm(error)最小，網(wǎng)絡(luò)性能最好，如圖6所示；第一個傳遞函數(shù)采用sigmoid型正切函數(shù)，第二個傳遞函數(shù)采用sigmoid型線性函數(shù)，這樣可以將無限的輸入映射到有限的輸出；訓(xùn)練采用有彈回的BP算法，可以消除梯度模值對網(wǎng)絡(luò)訓(xùn)練帶來的影響，在與其他的訓(xùn)練函數(shù)進(jìn)行比較的過程中得出trainrp函數(shù)最適用。這里的網(wǎng)絡(luò)盡管沒有達(dá)到0.01的目標(biāo)，但是其MSEREG已經(jīng)達(dá)到0.011441，因此可以認(rèn)為已經(jīng)接近網(wǎng)絡(luò)目標(biāo)。

圖6ANN模型的性能曲線

3模型驗證

采用一個小型的系統(tǒng)模型實驗對上述ANN模型的有效性及正確性進(jìn)行驗證。實驗在埋深為的南京地區(qū)某淺埋地下工程中進(jìn)行，對其中一的房間采用一臺容量為的空調(diào)器，綜合擾動源采用一臺間歇開關(guān)的電加熱器。實驗控制室內(nèi)溫度在℃范圍內(nèi)，對這一房間采用ANN控制其空調(diào)系統(tǒng)最佳啟停時間。實驗結(jié)果表明，應(yīng)用本文的控制方法，控制精度較普通控制方法有很大提高，舒適性使用要求也比較容易滿足；同時系統(tǒng)耗電量與普通情況相比節(jié)約以上，其節(jié)能效果顯著。尤其對一些熱惰性很大的圍護(hù)結(jié)構(gòu)而言，在強(qiáng)蓄熱作用下空調(diào)啟停時間的最優(yōu)控制將會顯得更加重要。

4結(jié)論

本文針對考慮圍護(hù)結(jié)構(gòu)蓄熱作用下的室內(nèi)溫度變化對空調(diào)啟動和停止時間造成的影響進(jìn)行耦合傳熱分析以及最佳時間預(yù)測的。淺埋地下工程室內(nèi)空氣與圍護(hù)結(jié)構(gòu)之間耦合傳熱模型的建立，是為預(yù)測最佳啟停時間的人工神經(jīng)網(wǎng)絡(luò)模型提供各種可能的樣本數(shù)據(jù)，因此是神經(jīng)網(wǎng)絡(luò)預(yù)測的關(guān)鍵。本文在簡化假定的基礎(chǔ)上建立兩者之間的耦合傳熱簡化模型，并通過實測分析比較得出模型的適用性。基于以上模擬得出的各種條件下室溫變化率的樣本數(shù)據(jù)，不斷訓(xùn)練建立的人工神經(jīng)網(wǎng)絡(luò)，并最終確定最優(yōu)的ANN模型。模型對實際情況下空調(diào)啟動和停機(jī)時間的最優(yōu)控制通過一個小型的模型實驗得到進(jìn)一步驗證。實驗同時也分析了本文控制方法在節(jié)能效果上較普通控制要顯著。

此外由于淺埋地下工程巖土耦合傳熱模型需要進(jìn)一步考慮全年氣象參數(shù)變化以及復(fù)雜室內(nèi)綜合熱源的隨機(jī)性，故耦合傳熱模型的進(jìn)一步完善將是下一步研究的重點。

參考文獻(xiàn)

1.黃晨，李美玲，鄒志軍等，大空間建筑冬季室內(nèi)熱環(huán)境現(xiàn)場測試及能耗分析，暖通空調(diào)，2002.32(2)；

2.Park，Cheol，Anoptimalstart/stopalgorithmforheatingandcoolingsystemsinbuildings.NationalBureauofStandards,U.S.DepartmentofCommerce,May1983；

3.KoreaInstituteofConstructionTechnology,AstudyontheHVACsystemandlightingcontrolconditionsforbuildingautomation，December1987:53；

4.金洪文，韋節(jié)廷，張曉燕，空調(diào)系統(tǒng)間歇運行的時間延遲，長春工程學(xué)院學(xué)報（自然科學(xué)版），2000.1(1)，pp39-42；

5.張雪萍，劉作軍，李練兵，智能樓宇定風(fēng)量空調(diào)系統(tǒng)的啟停控制，河北工業(yè)大學(xué)學(xué)報，2001.30(6)，pp98-101；

6.王琴，間歇加熱時深埋地下工程內(nèi)部環(huán)境與巖石耦合傳熱的動態(tài)模擬【碩士學(xué)位論文】，解放軍理工大學(xué)，2004，pp7-8；

7.HoYang,Kwang-WooKim，Predictionofthetimeofroomairtemperaturedescendingforheatingsystemsinbuildings，BuildingandEnvironment39(2004)，pp19-29；

8.JunTanimoto，AyaHagishima，StatetransitionprobabilityfortheMarkovModeldealingwithon-offcoolingscheduleindwellings，EnergyandBuildings37(2005)，pp98-101；

9.G.Clark，P.Mehta，Artificialintelligenceandnetworkinginintegratedbuildingmanagementsystems，AutomationinConstruction6(1997)，pp481-498