CN104700147A - 冷却塔出水温度预测方法 - Google Patents

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

冷却塔出水温度预测方法

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；w_km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；ｗ_ｎｋ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；w_km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；ｗ_ｎｋ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ｗ_ｋｍ、ｗ_ｎｋ按次序编成一字符串作为问题的解，采用实数编码如下

w₀₁w₀₂……w_1mw_o1……w_kmw_nk

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；w_km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；ｗ_ｎｋ为隐含层节点与输出层节点之间的权值；sig（·）为Sigmod函数。