CN104700147A - 冷却塔出水温度预测方法 - Google Patents
冷却塔出水温度预测方法 Download PDFInfo
- Publication number
- CN104700147A CN104700147A CN201510115906.2A CN201510115906A CN104700147A CN 104700147 A CN104700147 A CN 104700147A CN 201510115906 A CN201510115906 A CN 201510115906A CN 104700147 A CN104700147 A CN 104700147A
- Authority
- CN
- China
- Prior art keywords
- cooling tower
- water temperature
- output
- input
- layer
- 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
Landscapes
- Separation By Low-Temperature Treatments (AREA)
Abstract
本发明涉及一种冷却塔出水温度预测方法,属于冷却塔技术领域,本发明方法包括如下步骤:步骤一:建立小波神经网络诊断模型,输入初始样本数据,进行样本学习;步骤二:样本训练完成后,输入采集单元采集到的实时数据,进行水温预测。所述采集单元采集的样本数据包括:冷却塔进塔水温、空气湿球温度和水气质量比。初始训练样本数据还包括出水温度,本发明方法对三类数据进行学习,并对数据进行分析比较,能够预测出水温度,与传统神经网络相比,小波神经网络的计算速率明显加快,而且准确率高。
Description
技术领域
本发明属于冷却塔在技术领域,具体涉及一种冷却塔出水温度预测方法。
背景技术
冷却塔是应用非常普遍的水资源循环利用设备,其主要功能是将含有废热的冷却水与空气在塔内进行热交换,使水温降至要求的温度,以便进行再次循环。
冷却塔作为空调系统等设备的重要散热部件,它的出塔水温会直接影响冷水机组的运行性能,因此,冷却塔的出水温度严重影响设备的运行性能,另外,冷却塔出水温度预测也可用来判断冷却塔故障。
发明内容
为了克服现有技术的不足,本发明提供一种冷却塔出水温度预测方法,利用神经网络自学习和自适应的能力,预先对提供的相互对应的输入输出数据进行学习,分析掌握两者之间的潜在规律,并推算预测结果。
本发明的技术方案是:一种冷却塔出水温度预测方法,包括如下步骤:步骤一:建立小波神经网络诊断模型,输入初始样本数据,进行样本学习;步骤二:样本训练完成后,输入采集单元采集到的实时数据,进行水温预测。所述采集单元采集的样本数据包括:冷却塔进塔水温、空气湿球温度和水气质量比。所述水气质量比为冷却水流量和空气流量比值。所述初始样本数据包括:冷却塔进塔水温、空气湿球温度、水气质量比和冷却塔出水温度。所述小波神经网络预测模型包括输入层、隐含层和输出层,隐含层选取的神经元激励函数为Morlet小波: 。所述输入层的目标误差函数为:式中: 为输出层第n个结点的期望输出; 为网络实际输出,P为输入输出样本数目。
所述隐含层的输出为:式中:为输入层输入; 隐含层输出;m为输入层结点;k为隐含层结点;wkm为隐含层节点和输入层节点之间的权值;h(·)为Morlet小波函数。所述输出层的输出为:式中:为输出层输入;k为隐含层结点;n为输出层结点;wnk为隐含层节点与输出层节点之间的权值;sig(·)为Sigmod函数。
本发明有如下积极效果:本发明对三类数据进行学习,并对数据进行分析比较,与传统神经网络相比,小波神经网络的计算速率明显加快,而且准确率高。
附图说明
图1为本发明具体实施方式小波神经网络结构图。
具体实施方式
下面对照附图,通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
机械通风开式冷却塔内的水冷却过程实质是空气和水之间的热质传递过程。在风机的作用下,空气被吸入冷却塔,和填料上的水滴、水膜进行热质交换,带走水的热量,降低水的温度。影响冷却水出塔水温的因素可以分为以下三类:
1)冷却塔的进塔水温----影响冷却散热量:在其余条件恒定的情况下,进塔水温越高则出塔水温越高。
2)空气的干、湿球温度----影响冷却极限:在其余条件恒定的情况下,空气的干、湿球温度越高,出塔水温越高。
3)冷却塔内的空气流量和水流量----空气的接触时间和换热速度:在其余条件恒定的情况下,冷却水量越大,空气流量越小,出塔水温越高。空气流量和水流量之间的关系也反映了冷却塔结构特性对于出塔水温的作用。
这三类因素中,有三个是温度参数,两个流量参数。为了统一输入模型的参数形式,引入无量纲因子—水气质量比(F)代替空气流量和水流量:
通过对5000组实测数据的对比分析后发现,空气干球温度与出塔水温的相关系数远小于其余三个参数。因此确定模型将使用进塔水温、湿球温度和水气质量比预测出塔水温。
小波神经网络在建立冷却塔的进塔水温、空气的干、湿球温度、水气质量比和出水温度非线性映射关系中有良好成效,遗传算法提供求复杂系统优化问题的通用框架,由于其较强的鲁棒性而广泛应用于函数优化、自动控制及机器学习等各个领域。本发明算法在搜寻小波神经网络隐含层链接权值之前,先使用遗传算法进行计算,对小波神经网络结构进行优化。
本发明采用的小波神经网络模型包括输入层、隐含层和输出层,输出层采用线性输出,输入层有M(m=1,2,……,N)个神经元,隐含层有K(k=1,2,……K)个神经元,如图1所示。
隐含层选取的神经元激励函数为Morlet小波
(1)
为了避免在逐个样本训练时引起权值和阈值修正中发生振荡,采用成批训练方法。对网络的输出也没有简单地加权求和,而是先对网络隐含层小波结点的输出加权求和,再经Sigmoid函数变换后,得到最终网络输出,这样有利于处理分类问题,同时减少训练过程中发散的可能性。
给定P(p=1,2,……,P)组输入输出样本,学习率为η(η>0),动量因子为λ(0<λ<1),目标误差函数为
(2)
式中: 为输出层第n个结点的期望输出; 为网络实际输出。
算法的目标为不断调整网络各项参数,使得误差函数达到最小值。
隐含层输出为
(3)
式中:为输入层输入; 隐含层输出;m为输入层结点;k为隐含层结点;wkm为隐含层节点和输入层节点之间的权值;h(·)为Morlet小波函数。
输出层输出为
(4)
式中:为输出层输入;k为隐含层结点;n为输出层结点;wnk为隐含层节点与输出层节点之间的权值;sig(·)为Sigmod函数。
将神经网络各个权值wkm、wnk按次序编成一字符串作为问题的解,采用实数编码如下
w01w02……w1mwo1……wkmwnk
评价函数为
f=1/(1+E)
式中:E的表达式见式(2)。
具体操作如下:
(1)初始化群体:为了产生尽可能多的可能解,可将群体中的个体进行分组;
(2)计算每个个体的适应度并排序,将遗传算子作用于下一代循环执行,直到满足条件。
小波神经网络增加动量项后的理论模型继承了BP神经网络和小波神经网络的优点,同时具有优秀的函数逼近以及模式回归性能,避免了局部极小值,具有更好的实用性。为了避免当网络结构复杂时,小波神经网络很难找到最优解的问题,本文算法在搜寻小波神经网络隐含层链接权值之前,先使用遗传算法进行计算,对小波神经网络结构进行优化。
本发明方法对三类数据进行学习,并对数据进行分析比较,与传统神经网络相比,小波神经网络的计算速率明显加快,而且准确率高。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (8)
1.一种冷却塔出水温度预测方法,其特征在于:包括如下步骤:
步骤一:建立小波神经网络诊断模型,输入初始样本数据,进行样本学习;
步骤二:样本训练完成后,输入采集单元采集到的实时数据,进行水温预测。
2.根据权利要求1所述的冷却塔出水温度预测方法,其特征在于:所述采集单元采集的样本数据包括:冷却塔进塔水温、空气湿球温度和水气质量比。
3.根据权利要求2所述的冷却塔出水温度预测方法,其特征在于:所述水气质量比为冷却水流量和空气流量比值。
4.根据权利要求1所述的冷却塔出水温度预测方法,其特征在于:所述初始样本数据包括:冷却塔进塔水温、空气湿球温度、水气质量比和冷却塔出水温度。
5.根据权利要求1所述的冷却塔出水温度预测方法,其特征在于:所述小波神经网络预测模型包括输入层、隐含层和输出层,隐含层选取的神经元激励函数为Morlet小波:
。
6.根据权利要求1所述的冷却塔出水温度预测方法,其特征在于:所述输入层的目标误差函数为:
式中: 为输出层第n个结点的期望输出; 为网络实际输出,P为输入输出样本数目。
7.根据权利要求1所述的冷却塔出水温度预测方法,其特征在于:所述隐含层的输出为:
式中:为输入层输入; 隐含层输出;m为输入层结点;k为隐含层结点;wkm为隐含层节点和输入层节点之间的权值;h(·)为Morlet小波函数。
8.根据权利要求1所述的冷却塔出水温度预测方法,其特征在于:所述输出层的输出为:
式中:为输出层输入;k为隐含层结点;n为输出层结点;wnk为隐含层节点与输出层节点之间的权值;sig(·)为Sigmod函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510115906.2A CN104700147A (zh) | 2015-03-17 | 2015-03-17 | 冷却塔出水温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510115906.2A CN104700147A (zh) | 2015-03-17 | 2015-03-17 | 冷却塔出水温度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104700147A true CN104700147A (zh) | 2015-06-10 |
Family
ID=53347244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510115906.2A Pending CN104700147A (zh) | 2015-03-17 | 2015-03-17 | 冷却塔出水温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700147A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460459A (zh) * | 2017-02-22 | 2018-08-28 | 大连云海创新科技有限公司 | 基于小波神经网络的无人机遥感测温中温度拟合的方法 |
CN108803576A (zh) * | 2018-07-24 | 2018-11-13 | 广东工业大学 | 一种温控系统的故障预警方法及相关装置 |
CN110110411A (zh) * | 2019-04-25 | 2019-08-09 | 浙江浙能技术研究院有限公司 | 一种湿式冷却塔自适应建模方法 |
CN110413495A (zh) * | 2019-07-23 | 2019-11-05 | 惠州市华星光电技术有限公司 | 显示面板温度预测方法及温度预测装置 |
CN111291465A (zh) * | 2020-01-10 | 2020-06-16 | 上海海事大学 | 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 |
CN113109669A (zh) * | 2021-04-12 | 2021-07-13 | 国网陕西省电力公司西安供电公司 | 一种基于行波特征频率的配电网混联线路故障定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1206826A (zh) * | 1997-07-28 | 1999-02-03 | 煜丰企业有限公司 | 能量可随负载自动调整变化的冷却水塔 |
CN201169797Y (zh) * | 2008-01-28 | 2008-12-24 | 张映祥 | 一种不锈钢水塔出水口结构 |
EP2352269A1 (en) * | 2008-12-30 | 2011-08-03 | State Grid Corporation of China | Service access method and system |
-
2015
- 2015-03-17 CN CN201510115906.2A patent/CN104700147A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1206826A (zh) * | 1997-07-28 | 1999-02-03 | 煜丰企业有限公司 | 能量可随负载自动调整变化的冷却水塔 |
CN201169797Y (zh) * | 2008-01-28 | 2008-12-24 | 张映祥 | 一种不锈钢水塔出水口结构 |
EP2352269A1 (en) * | 2008-12-30 | 2011-08-03 | State Grid Corporation of China | Service access method and system |
Non-Patent Citations (2)
Title |
---|
张良均等: "《神经网络实用教程》", 29 February 2008 * |
徐哲恬等: "基于人工神经网络的机械通风开式冷却塔运行比能在线预测", 《上海市制冷学会2013年学术年会论文集》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460459A (zh) * | 2017-02-22 | 2018-08-28 | 大连云海创新科技有限公司 | 基于小波神经网络的无人机遥感测温中温度拟合的方法 |
CN108803576A (zh) * | 2018-07-24 | 2018-11-13 | 广东工业大学 | 一种温控系统的故障预警方法及相关装置 |
CN110110411A (zh) * | 2019-04-25 | 2019-08-09 | 浙江浙能技术研究院有限公司 | 一种湿式冷却塔自适应建模方法 |
CN110413495A (zh) * | 2019-07-23 | 2019-11-05 | 惠州市华星光电技术有限公司 | 显示面板温度预测方法及温度预测装置 |
CN111291465A (zh) * | 2020-01-10 | 2020-06-16 | 上海海事大学 | 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 |
CN111291465B (zh) * | 2020-01-10 | 2023-10-03 | 上海海事大学 | 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 |
CN113109669A (zh) * | 2021-04-12 | 2021-07-13 | 国网陕西省电力公司西安供电公司 | 一种基于行波特征频率的配电网混联线路故障定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700147A (zh) | 冷却塔出水温度预测方法 | |
CN109634121B (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN108520272A (zh) | 一种改进苍狼算法的半监督入侵检测方法 | |
Zendehboudi et al. | Desiccant-wheel optimization via response surface methodology and multi-objective genetic algorithm | |
CN113177594B (zh) | 基于贝叶斯优化的pca-极限随机树的空调故障诊断方法 | |
CN109446028B (zh) | 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法 | |
CN102135021B (zh) | 一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法 | |
CN115115143B (zh) | 基于ai算法的冷却塔最优开启台数和最小运行能耗的计算方法 | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
CN109764570A (zh) | 一种基于神经元网络的跨临界二氧化碳热泵系统排气压力的控制方法 | |
CN114322199A (zh) | 基于数字孪生的通风系统自主优化运行调控平台及方法 | |
Chen et al. | Majorities help minorities: Hierarchical structure guided transfer learning for few-shot fault recognition | |
CN107527093B (zh) | 一种风电机组运行状态诊断方法及装置 | |
CN111062509A (zh) | 一种基于改进神经网络的风功率中短期预测方法及系统 | |
Bouzeffour et al. | Performance prediction of a liquid desiccant dehumidifier using artificial neural networks approach | |
CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
CN114091338B (zh) | 一种电力负荷分解模型的建立方法及装置 | |
Yang et al. | Prevailing Wind Direction Forecasting for Natural Ventilation djustment in Greenhouses Based on LE-SVM | |
CN110033172A (zh) | 一种能效多维度评价方法、装置及系统 | |
CN106897771B (zh) | 一种基于混沌遗传算法的新能源样板机选择方法及系统 | |
CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150610 |