CN104239597A - 基于rbf神经网络的冷却塔建模方法 - Google Patents
基于rbf神经网络的冷却塔建模方法 Download PDFInfo
- Publication number
- CN104239597A CN104239597A CN201410312965.4A CN201410312965A CN104239597A CN 104239597 A CN104239597 A CN 104239597A CN 201410312965 A CN201410312965 A CN 201410312965A CN 104239597 A CN104239597 A CN 104239597A
- Authority
- CN
- China
- Prior art keywords
- cooling tower
- rbf neural
- air
- modeling method
- thermal performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明公开了一种基于RBF神经网络的冷却塔建模方法,所述方法包括实时监测现场冷却塔运行参数、排风参数和室外环境参数;根据现场监测参数,利用RBF神经网络建立冷却塔的数学模型;通过已建立的RBF神经网络模型实现冷却塔热力性能的实时评估;根据热力性能完成对冷却塔风机、水泵的智能调控,减少系统能耗。本发明有利于避免冷却塔非线性复杂系统建模,简化冷却塔建模过程,通过冷却塔风机、水泵的节能优化控制,减少冷却塔能耗,本方法实时性好、适应性强,可广泛应用于地铁冷却塔现场热力性能评估和节能减排。
Description
技术领域
本发明涉及冷却塔建模方法,尤其涉及基于RBF神经网络的冷却塔建模方法。
背景技术
21世纪以来,城市建筑及地下交通建设得到了高速发展,大量地铁已在各大城市兴起、发展,由于工程位于地下,通常需要建设通风空调系统,且空调系统运行能耗可占到整个地下工程营运能耗的40%,同时由于城市建筑、道路的密集性,地下空调系统的冷却塔性能的优劣越来越起引起人们及政府的关注,通风空调系统的节能环保已经是地下商场、地铁建设及运营过程中亟需解决的问题。
在整个地铁循环冷却系统中,冷却塔热力性能的优劣不仅对冷却系统节水节能具有直接影响,对地铁系统的正常稳定运行也具有重要意义。当冷却塔动力配置过高时,将降低冷却塔运行效率,而且容易造成冷却水的过度浪费;当动力配置过低时,将导致冷却塔出水温度高,无法满足循环冷却系统的需求,导致设备处于高温运行状态,损耗设备,甚至导致设备故障停止运行。若要提高换热效率,则有必要对冷却塔进行建模分析。
利用地铁排风的冷却塔运行涉及参数较多,如冷却水流速、进风风速、温湿度、地铁排风风速、温湿度及设计室外环境参数等,是一个复杂的非线性系统,难以建立准确的数学模型,而RBF神经网络是一种单隐含层的三层前馈网络,理论已证明对于一给定的非线性函数,RBF神经网络可以任意精度逼近它,且具有全局最优与最佳逼近性能,因此可采用RBF神经网络建立冷却装置系统模型,为节能优化控制提供依据。
发明内容
为解决上述技术问题,本发明的目的是提供一种基于RBF神经网络的冷却塔建模方法。
本发明的目的通过以下的技术方案来实现:
基于RBF神经网络的冷却塔建模方法,所述方法包括
A根据现场监测参数,并利用RBF神经网络建立冷却塔的数学模型;
B根据建立的数学模型对冷却塔热力性能实时评估;
C根据热力性能完成对冷却塔风机、水泵的智能优化调控。
与现有技术相比,本发明的一个或多个实施例可以具有如下优点:
基于冷却塔参数的实时监测建立模型,通过RBF神经网络避免冷却塔非线性复杂系统建模,简化冷却塔建模过程,实现冷却塔热力性能的准确评估,通过冷却塔风机、水泵的节能优化控制,减少冷却塔能耗。本方法实时性好、适应性强,可广泛应用于地铁冷却塔现场热力性能评估和节能减排。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,不构成对本发明限制。在附图中:
图1是基于RBF神经网络的冷却塔建模方法流程图;
图2是基于RBF神经网络的冷却塔工作原理图;
图3是冷却塔RBF神经网络结构图;
图4是基于RBF神经网络的冷却塔建模方法建模与实施程序流程图。
具体实施方式
容易理解,根据本发明的技术方案,在不变更本发明的实质精神下,本领域的一般技术人员可以提出本发明的多个结构方式和制作方法。因此以下具体实施方式以及附图仅是本发明的技术方案的具体说明,而不应当视为本发明的全部或者视为本发明技术方案的限定或限制。
下面结合实施例及附图对本发明作进一步详细的描述。
图1是根据本发明实施例的基于RBF神经网络的冷却塔建模方法的结构示意图,下面参考图1,详细说明本发明实施例的流程。
如图1所示,本发明的基于RBF神经网络的冷却塔建模方法流程包括以下步骤:
基于RBF神经网络的冷却塔建模方法,所述方法包括
步骤10根据现场监测参数,并利用RBF神经网络建立冷却塔的数学模型;
所述现场监测参数包括冷却塔运行参数、排风参数和室外环境参数;所述现场监测参数通过监测装置实时进行监测。将冷却塔监测装置安装于图2所示的冷却塔中,启动冷却塔监测装置,为实现冷却塔的准确建模,每隔5s实时监测冷却塔现场运行参数,包括进水量V水、进水温度T水、进风量V风1、进风温度T风1、进风湿度H风1,冷却塔排风参数包括排风量V风2、排风温度T风2、排风湿度H风2,室外环境参数包括大气压P空气、空气温度T空气、空气湿度H空气,作为RBF神经网络输入层的11个输入参数。
步骤20根据建立的数学模型对冷却塔热力性能实时评估;
步骤30根据热力性能完成对冷却塔风机、水泵的智能优化调控。
将冷却塔监测装置安装于图2所示的冷却塔中,该冷却塔包括冷凝器、进水泵、挡水板、风机、喷淋器、填料、储水盘、风机、进风口、出风口及出水泵。在实施过程中,启动冷却塔监测装置,为实现冷却塔的准确建模,每隔5s实时监测冷却塔现场运行参数,包括进水量V水、进水温度T水、进风量V风1、进风温度T风1、进风湿度H风1,冷却塔排风参数包括排风量V风2、排风温度T风2、排风湿度H风2,室外环境参数包括大气压P空气、空气温度T空气、空气湿度H空气,作为RBF神经网络输入层的11个输入参数;
上述步骤10具体包括:设计如图3所示的冷却塔RBF神经网络结构,包括一个输入层、采用径向基函数神经元的隐含层及一个输出层。输入层包括5个冷却塔运行参数、3个排风参数、3个室外环境参数,输出层以出塔水温T出水为目标函数。
冷却塔RBF神经网络输入层节点为Xi(i=1,2,…11),采用高斯函数径向基函数Φ(δ)=exp(-δ2/B2)(B为实常数,用于改变高斯曲线宽度)确定神经网络隐含层,第i个隐含层节点中心向量为Ck=[Ck1,Ck2,…,Ck11]T(k=1,2,..,q;q为隐含层个数),其输出为
设隐含层输出列向量为Z=[Z1,Z2,…,Zq]T,隐含层至输出层权向量W=[ω1,ω2,…,ωq],则神经网络输出T出水=WZ-θ(θ为输出节点阈值)。训练神经网络样本,建立冷却塔模型。
建立神经网络后对该网络进行训练与校验,将数据样本分成训练样本与校验样本。训练过程分两部分,先根据训练样本决定隐含层各节点高斯基函数中心向量,再根据最小二乘法,求出输出层与隐含层间的权值向量,完成训练后通过校验样本校验得出冷却塔模型。
所述步骤20具体包括:通过已建立的冷却塔RBF神经网络模型,实时计算冷却塔出水温度T出水,设冷却塔热力性能为η,实测进出水温差ΔTt=T出水-T水,设计工况水温差ΔTc=T出′水-T水′,通过对比原冷却塔设计工况完成冷却塔热力性能实时评估,可得冷却塔热力性能为
所述步骤30具体包括:根据实时评估的热力性能结果,进一步判断冷却塔热力性能水平,通过变频器完成成对冷却塔风机、水泵的智能优化调控,智能控制冷却塔的进水量和风机功率,若冷却塔热力性能较小,则通过减小进水量,提高冷却风机功率,选择冷却塔热力性能最优值,反之亦然,从而实现优化控制,减少冷却塔系统能耗。
本实施例的建模与实施程序流程参阅图4,首先实时监测冷却塔现场运行参数、排风参数和室外环境参数各大参数,判断各参数是否正常,参数正常,则将数据导入输入层节点,否则进行故障报警并从新监测各大参数。确定输入层节点后,通过高斯函数径向基函数确定隐含层,确定输出量,并建立RBF神经网络模型,将神经网络数据分成训练样本与校验样本,根据训练样本决定隐含层高斯基函数中心向量,利用最小二乘法求出输出层与隐含层间的权值,完成训练并通过校验样本校验得出冷却塔模型,完成冷却塔建模后,通过已建立模型实现冷却塔热力性能实时评估,根据热力性能实现冷却塔风机、水泵智能优化调控。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (6)
1.基于RBF神经网络的冷却塔建模方法,其特征在于,所述方法包括
A根据现场监测参数,并利用RBF神经网络建立冷却塔的数学模型;
B根据建立的数学模型对冷却塔热力性能实时评估;
C根据热力性能完成对冷却塔风机、水泵的智能优化调控。
2.根据权利要求1所述的基于RBF神经网络的冷却塔建模方法,其特征在于,所述现场监测参数包括冷却塔运行参数、排风参数和室外环境参数;所述现场监测参数通过监测装置实时进行监测。
3.根据权利要求2所述的基于RBF神经网络的冷却塔建模方法,其特征在于,所述运行参数包括进水量V水、进水温度T水、进风量V风1、进风温度T风1、进风湿度H风1,排风参数包括排风量V风2、排风温度T风2、排风湿度H风2,环境参数包括大气压P空气、空气温度T空气、空气湿度H空气。
4.根据权利要求1所述的基于RBF神经网络的冷却塔建模方法,其特征在于,所述步骤A具体包括:设计冷却塔RBF神经网络输入层节点为Xi(i=1,2,…11),采用高斯函数径向基函数Φ(δ)=exp(-δ2/B2)确定神经网络隐含层,以出塔水温T出水为目标函数,训练神经网络样本,建立冷却塔模型。
5.根据权利要求1所述的基于RBF神经网络的冷却塔建模方法,其特征在于,所述步骤B具体包括:根据建立的冷却塔RBF神经网络模型,实时计算冷却塔出水温度T出水,通过对比原冷却塔设计工况完成冷却塔热力性能实时评估。
6.根据权利要求1所述的基于RBF神经网络的冷却塔建模方法,其特征在于,所述步骤C具体包括:根据实时评估的热力性能结果,通过变频器对冷却塔风机、水泵进行智能优化调控,智能控制冷却塔的进水量和风机功率,减少冷却塔系统能耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410312965.4A CN104239597A (zh) | 2014-07-02 | 2014-07-02 | 基于rbf神经网络的冷却塔建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410312965.4A CN104239597A (zh) | 2014-07-02 | 2014-07-02 | 基于rbf神经网络的冷却塔建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104239597A true CN104239597A (zh) | 2014-12-24 |
Family
ID=52227653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410312965.4A Pending CN104239597A (zh) | 2014-07-02 | 2014-07-02 | 基于rbf神经网络的冷却塔建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104239597A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104697585A (zh) * | 2015-03-13 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷却塔塔筒强度预测控制系统及其方法 |
CN104713410A (zh) * | 2015-03-13 | 2015-06-17 | 芜湖凯博实业股份有限公司 | 一种调控冷却塔出水温度的方法 |
CN104765953A (zh) * | 2015-03-17 | 2015-07-08 | 芜湖凯博实业股份有限公司 | 冷却塔进风口导风板结构参数设定方法 |
CN104933322A (zh) * | 2015-07-11 | 2015-09-23 | 湖南大学 | 一种前置式防、融霜方法 |
CN106440853A (zh) * | 2016-10-31 | 2017-02-22 | 新菱空调(佛冈)有限公司 | 一种基于萤火虫算法的冷却塔出风防雾能耗优化方法 |
CN107607579A (zh) * | 2017-09-13 | 2018-01-19 | 山东大学 | 一种湿式冷却塔的热力性能在线监测系统及其方法 |
CN109695944A (zh) * | 2018-11-29 | 2019-04-30 | 中国汽车工业工程有限公司 | 一种基于多模型深度学习的涂装新风空调的控制方法 |
CN111043876A (zh) * | 2018-10-11 | 2020-04-21 | 济南蓝辰能源技术有限公司 | 一种热水冷却的闭式冷却塔校核方法 |
CN111356891A (zh) * | 2017-11-15 | 2020-06-30 | 巴尔的摩汽圈公司 | 热交换器操作的自动控制 |
CN114279235A (zh) * | 2021-12-29 | 2022-04-05 | 博锐尚格科技股份有限公司 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
CN114279235B (zh) * | 2021-12-29 | 2024-05-10 | 博锐尚格科技股份有限公司 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4392604B2 (ja) * | 2004-09-07 | 2010-01-06 | 清水建設株式会社 | 空調負荷予測方法 |
CN103293013A (zh) * | 2013-05-13 | 2013-09-11 | 华南理工大学 | 一种冷却塔热力性能评估方法及系统 |
-
2014
- 2014-07-02 CN CN201410312965.4A patent/CN104239597A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4392604B2 (ja) * | 2004-09-07 | 2010-01-06 | 清水建設株式会社 | 空調負荷予測方法 |
CN103293013A (zh) * | 2013-05-13 | 2013-09-11 | 华南理工大学 | 一种冷却塔热力性能评估方法及系统 |
Non-Patent Citations (4)
Title |
---|
何胜强: "《军用飞机智能综合论证理论和评价方法》", 31 December 2013, 西安:西北工业大学出版社 * |
刘桂雄 等: "冷却塔热力性能在线监测装置及系统研制", 《中国测试》 * |
戴振会 等: "火电厂大型冷却塔运行性能的动态综合分析与评价", 《电站系统工程》 * |
李勇 等: "基于RBF网络的冷却塔运行特性数学模型", 《汽轮机技术》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104713410A (zh) * | 2015-03-13 | 2015-06-17 | 芜湖凯博实业股份有限公司 | 一种调控冷却塔出水温度的方法 |
CN104697585A (zh) * | 2015-03-13 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷却塔塔筒强度预测控制系统及其方法 |
CN104765953B (zh) * | 2015-03-17 | 2017-11-03 | 芜湖凯博实业股份有限公司 | 冷却塔进风口导风板结构参数设定方法 |
CN104765953A (zh) * | 2015-03-17 | 2015-07-08 | 芜湖凯博实业股份有限公司 | 冷却塔进风口导风板结构参数设定方法 |
CN104933322A (zh) * | 2015-07-11 | 2015-09-23 | 湖南大学 | 一种前置式防、融霜方法 |
CN104933322B (zh) * | 2015-07-11 | 2017-10-27 | 湖南大学 | 一种前置式防、融霜方法 |
CN106440853B (zh) * | 2016-10-31 | 2018-07-06 | 新菱空调(佛冈)有限公司 | 一种基于萤火虫算法的冷却塔出风防雾能耗优化方法 |
CN106440853A (zh) * | 2016-10-31 | 2017-02-22 | 新菱空调(佛冈)有限公司 | 一种基于萤火虫算法的冷却塔出风防雾能耗优化方法 |
CN107607579A (zh) * | 2017-09-13 | 2018-01-19 | 山东大学 | 一种湿式冷却塔的热力性能在线监测系统及其方法 |
CN107607579B (zh) * | 2017-09-13 | 2020-01-17 | 山东大学 | 一种湿式冷却塔的热力性能在线监测系统及其方法 |
CN111356891A (zh) * | 2017-11-15 | 2020-06-30 | 巴尔的摩汽圈公司 | 热交换器操作的自动控制 |
CN111043876A (zh) * | 2018-10-11 | 2020-04-21 | 济南蓝辰能源技术有限公司 | 一种热水冷却的闭式冷却塔校核方法 |
CN111043876B (zh) * | 2018-10-11 | 2021-08-24 | 济南蓝辰能源技术有限公司 | 一种热水冷却的闭式冷却塔校核方法 |
CN109695944A (zh) * | 2018-11-29 | 2019-04-30 | 中国汽车工业工程有限公司 | 一种基于多模型深度学习的涂装新风空调的控制方法 |
CN114279235A (zh) * | 2021-12-29 | 2022-04-05 | 博锐尚格科技股份有限公司 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
CN114279235B (zh) * | 2021-12-29 | 2024-05-10 | 博锐尚格科技股份有限公司 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104239597A (zh) | 基于rbf神经网络的冷却塔建模方法 | |
CN107420743B (zh) | 一种智能城市燃气pe管网测控系统及测控方法 | |
CN110440396B (zh) | 云边端协同的中央空调全局优化节能控制方法和系统 | |
Gebraad et al. | Wind plant power optimization through yaw control using a parametric model for wake effects—a CFD simulation study | |
Gebraad et al. | A data-driven model for wind plant power optimization by yaw control | |
CN105571073B (zh) | 一种地铁站空调水系统变频控制节能方法 | |
CN105571343B (zh) | 空冷发电机组汽轮机运行背压连续优化控制方法及系统 | |
CN102003772B (zh) | 一种水源热泵节能优化控制方法 | |
CN104359195B (zh) | 基于动态响应末端总负荷变化的中央空调冷冻水控制方法 | |
CN102541015B (zh) | 一种能效智能控制系统及方法 | |
CN104832203B (zh) | 矿井通风系统在线闭环优调优控方法 | |
CN106774247A (zh) | 中央空调仿真测试系统及测试方法 | |
CN104571068A (zh) | 一种分布式能源系统的运行优化控制方法及系统 | |
PH12013000300A1 (en) | Method for determining and tuning process characteristic parameters using a simulation system | |
CN105320118A (zh) | 基于云平台的空调系统电力需求响应控制方法 | |
CN105627506A (zh) | 一种空调冷机的建筑冷负荷预测方法及装置 | |
CN102353119A (zh) | 一种vav变风量空调系统控制方法 | |
CN105569707A (zh) | 基于环境预测的公路隧道通风前馈控制方法 | |
CN109932896A (zh) | 一种建筑能耗的控制方法和系统 | |
CN103234256A (zh) | 动态负荷跟踪的中央空调冷源全局最优节能控制方法 | |
CN104515271A (zh) | 中央空调冷冻站系统的节能优化控制系统及其控制方法 | |
CN107023966A (zh) | 一种地铁站空调冷却水出水温度设定值优化方法 | |
KR20180138371A (ko) | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 | |
CN111025895A (zh) | 一种基于人工智能的建筑节能控制系统 | |
Liu et al. | Optimization of intelligent heating ventilation air conditioning system in urban building based on BIM and artificial intelligence technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141224 |
|
RJ01 | Rejection of invention patent application after publication |