CN104239597A - 基于rbf神经网络的冷却塔建模方法 - Google Patents

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

基于RBF神经网络的冷却塔建模方法

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X_i(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C_k＝[C_k1,C_k2,…,C_k11]^T(k＝1,2,..,q；q为隐含层个数)，其输出为

$Z_k\left({\mathrm{\δ}}_k\right)=R(X-C_k)=\exp [-\underset{i=1}{\overset{11}{\mathrm{\Σ}}}{(X_i-C_k)}^2/B^2]$

设隐含层输出列向量为Z＝[Z₁,Z₂,…,Z_q]^T，隐含层至输出层权向量W＝[ω₁,ω₂,…,ω_q]，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ΔT_t＝T_出水-T_水，设计工况水温差ΔT_c＝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

$\mathrm{\η}=\frac{{\mathrm{\ΔT}}_t}{{\mathrm{\ΔT}}_c}\×100\%$

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X_i(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。