CN113312773B - 一种地源热泵设备的能效精细化方法 - Google Patents
一种地源热泵设备的能效精细化方法 Download PDFInfo
- Publication number
- CN113312773B CN113312773B CN202110599459.8A CN202110599459A CN113312773B CN 113312773 B CN113312773 B CN 113312773B CN 202110599459 A CN202110599459 A CN 202110599459A CN 113312773 B CN113312773 B CN 113312773B
- Authority
- CN
- China
- Prior art keywords
- heat pump
- ground source
- energy efficiency
- source heat
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000007670 refining Methods 0.000 title claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000013178 mathematical model Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000001419 dependent effect Effects 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000005070 sampling Methods 0.000 claims description 25
- 210000002569 neuron Anatomy 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 10
- 239000012530 fluid Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005057 refrigeration Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Feedback Control In General (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种地源热泵设备的能效精细化方法，属于地源热泵技术领域。一种地源热泵设备的能效精细化方法，包括以下步骤：获取地源热泵设备数据，采集所述地源热泵设备数据中的自变量和因变量构建地源热泵数学模型；采用BP神经网络预测方法确定所述地源热泵数学模型的能效值；采用限幅递推平均滤波方法对所述能效值进行降噪生成预测能效值。与现有技术相比，本申请的一种地源热泵设备的能效精细化方法首先建立数学模型，然后使用BP神经网络模型预测地源热泵设备能效值，对预测值采用限幅递推平均滤波方法进行降噪，从而得到满足精度要求的地源热泵设备能效值。
Description
技术领域
本发明涉及地源热泵技术领域，具体涉及一种地源热泵设备的能效精细化方法。
背景技术
地源热泵是一种能够利用地下地热能源即能在冬季向室内供暖又能在夏季向室内供冷的高效节能环保的空调系统。运行原理主要是根据热力学第二定律；热量是从高温物体传向低温物体的，如果发生转换必须做功。它是以支出电能做代价的。地源热泵是需要外界输入少量的电能，就能够完成能量从低温热源向高温热源转移的。
如何准确的测量且预测出地源热泵设备的能效水平一直是设备建模的研究热点，当前针对地源热泵建模主要分为两种方式：数学模型与物理基理建模。数学模型相对简单，只关注设备输入与输出能量水平，仿真时设定的参数可以变化，但是其仿真结果不如物理基理建模准确，且其所能仿真的情况有限。物理基理建模能直接观察各器件的物理特性变化过程，理论上能实现所有现实情况的模拟。为此本发明提供一种地源热泵设备的能效精细化方法，并通过外界数据接入，训练驱动地缘热泵模型参数，以实现对地源热泵设备能效精细化建模。
发明内容
针对现有技术的不足，本发明提出了一种地源热泵设备的能效精细化方法。
本发明的目的可以通过以下技术方案实现：
一种地源热泵设备的能效精细化方法，包括以下步骤：
步骤1：获取地源热泵设备数据，采集所述地源热泵设备数据中的自变量和因变量构建地源热泵数学模型；
步骤2：采用BP神经网络预测方法确定所述地源热泵数学模型的能效值；
步骤3：采用限幅递推平均滤波方法对所述能效值进行降噪生成预测能效值；
步骤4：根据所述预测能效值调整所述地源热泵设备。
进一步地，所述地源热泵数学模型以冷热量需求量作为自变量，以输入能源作为因变量构建形成，所述冷热量需求量和所述输入能源的关系式如下：
Cap＝Pshpcopshp
Qabsorbed＝Cap-Pshp
Tload,out＝Tload,in-Cap/(mloadcpload)
Tsource,out＝Tsource,in-Cap/(msourcecpsource)
式中Pshp为热泵功率，copshp为热泵制冷/热能效比,Cap为供冷/热功率；Qabsorbed为吸收地源热量，Tsource,in为地源侧进水温度，Tsource,out为地源侧出水温度，Tload,in为负荷侧进水温度，Tload,out为负荷侧出水温度，msource为地源侧水质量流量、mload为负荷侧水质量流量，cpsource为地源侧流体介质比热，cpload为负荷侧流体介质比热。
进一步地，所述BP神经网络预测方法通过BP算法确定所述能效值；所述BP算法包含输入层、隐含层和输出层；所述输入层、所述隐含层和所述输出层均由神经元组成；所述BP算法中每一神经元均与上层神经元相互联系；所述隐含层与所述输出层的神经元输入输出函数关系式与激活函数如下：
式中，xi为神经元的输入信号，f为神经元函数的激活函数，θ为该神经元函数的阈值，ωi为神经元的输入信号的权值，y为所述输出层神经元的输出函数。
进一步地，所述BP神经网络预测方法采用PSO算法对所述BP算法的神经元的权值与阈值的更新策略进行优化；所述PSO算法的适应度值由所述BP算法在进行神经网络训练时的训练误差决定，所述PSO算法的优化算法更新公式与位置更新公式如下：
v(i+1)d＝vid+c1r1(pbest-xid)+c2r2(gbest-xid)
x(i+1)d＝xid+vid
式中，c1与c2为学习因子，pbest为上一轮优化中各个粒子所找到的最优解，gbest为上一轮优化中整个种群中所找到的最优解，r1与r2分别为区间(0,1)中的随机常数，vid为上一次PSO算法中种群内某个粒子移动的速度，xid为上一次PSO算法中种群内某个粒子移动的距离，v(i+1)d为本次PSO算法中种群内某个粒子移动的速度，x(i+1)d为本次PSO算法中种群内某个粒子移动的距离。
进一步地，所述限幅递推平均滤波方法基于所述能效值确定滤波窗口的大小，并计算两次采样值之间的差值，通过两次采样值之间的差值与预先设置的限制幅度相比较，若差值未超过后一次采样值，则保留后一次采样值。将采样值放入采样数组内，等到采样数组内的采样值数量满足采样数量要求，进行采样数据求均值，若均值大于采样数据队列长度最大值与滤波参数差值时，滤波结束；将采样数据的均值作为所述预测能效值。
本发明实施例还提供一种地源热泵设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种地源热泵设备的能效精细化方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述的一种地源热泵设备的能效精细化方法。
本发明的有益效果：使用BP神经网络算法与限幅递推平均滤波算法，对地源热泵设备能效值进行预测；首先建立数学模型，然后使用BP神经网络模型预测地源热泵设备能效值，对预测值采用限幅递推平均滤波方法进行降噪，从而得到满足精度要求的地源热泵设备能效值；本发明在满足实际工程精度的同时，提高了算法的通用度，提高了预测设备能效时的计算速度。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本申请的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1：
本发明选择夏季某工作日的三百个采样点按照图1的流程进行仿真验证，地缘热泵的输出功率由高品位电能的输入量和地源热泵数学模型所预测的能效值决定，地源热泵输出控制策略是根据地源热泵所需要的输出能量除以上一时刻的能效值，来计算出高品位输入的能量值来，输入到地源热泵中，从而获取低品位的热能。仪表每30分钟测量和记录一次地源热泵设备实际能效，并计算出具体误差，具体过程如下：
步骤1：获取地源热泵设备数据，使用python以地源热泵设备数据中的冷热量需求量作为自变量，以输入能源作为因变量构建地源热泵数学模型，冷热量需求量和输入能源的关系式如下：
Cap＝Pshpcopshp
Qabsorbed＝Cap-Pshp
Tload,out＝Tload,in-Cap/(mloadcpload)
Tsource,out＝Tsource,in-Cap/(msourcecpsource)
式中Pshp为热泵功率，copshp为热泵制冷/热能效比,Cap为供冷/热功率；Qabsorbed为吸收地源热量，Tsource,in为地源侧进水温度，Tsource,out为地源侧出水温度，Tload,in为负荷侧进水温度，Tload,out为负荷侧出水温度，msource为地源侧水质量流量、mload为负荷侧水质量流量，cpsource为地源侧流体介质比热，cpload为负荷侧流体介质比热。
步骤2：通过监测地源热泵蒸发器与冷凝器入口介质的流量、温度，采用BP神经网络预测地源热泵某一时刻的能效值。使用PSO算法生成BP神经网络预测模型的神经元的权值与阈值，采用的PSO算法种群数量为60，学习因子均设置为1.5，迭代步数设置为80。建立的BP神经网络算法包含输入层、隐含层与输出层3层，隐含层的神经元个数设置为15，输出层的神经元个数设置为1，利用单步预测的方法，选取一月的1000组系统实际运行数据作为训练样本，测试模型的数据量为300组。
步骤3：采用限幅递推平均滤波方法对能效值进行降噪生成预测能效值，使用限幅递推平均滤波方法时，需要对于滤波参数进行设置，设置最优的参数能增大滤波后的数值的平滑性，通过使用POLYFIT函数对于步骤4中的预测值进行函数拟合，作为滤波后的准确性与平滑度的评判基准，通过比较设置不同滤波参数，比较滤波后的定量评判基准，可以得到最优的滤波参数；
步骤4：根据预测能效值调整地源热泵设备。
将预测能效值与实际能效值进行对比，对比结果如表1所示。
表1地源热泵模型与实际测量设备能效值部分对比
| 时间(1h) | 数据驱动模型能效值 | 实际测量设备能效值 | 误差 |
| 1 | 3.52 | 3.63 | 3.1％ |
| 2 | 4.45 | 4.44 | 0.2％ |
| 3 | 2.78 | 2.82 | 1.4％ |
| 4 | 4.83 | 4.89 | 1.2％ |
| 5 | 3.24 | 3.18 | 1.8％ |
| 6 | 2.42 | 2.34 | 3.3％ |
| 7 | 3.81 | 3.98 | 4.5％ |
经过对比可以得出，除少许预测数据有一定偏差，其余均满足预测要求，表明本方法提供的一种地源热泵设备的能效精细化方法，能够准确预测某时刻地源热泵的能效值，因此基于本方法对地源热泵设备进行调整，减少能源的损耗。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (5)
1.一种地源热泵设备的能效精细化方法，其特征在于，包括以下步骤：
步骤1：获取地源热泵设备数据，采集所述地源热泵设备数据中的自变量和因变量构建地源热泵数学模型；
步骤2：采用BP神经网络预测方法确定所述地源热泵数学模型的能效值；
步骤3：采用限幅递推平均滤波方法对所述能效值进行降噪生成预测能效值；
步骤4：根据所述预测能效值调整所述地源热泵设备；
所述地源热泵数学模型以冷热量需求量作为自变量，以输入能源作为因变量构建形成，所述冷热量需求量和所述输入能源的关系式如下：
Cap＝Pshpcopshp
Qabsorbed＝Cap-Pshp
Tload,out＝Tload,in-Cap/(mloadcpload)
Tsource,out＝Tsource,in-Cap/(msourcecpsource)
式中Pshp为热泵功率，copshp为热泵制冷/热能效比,Cap为供冷/热功率；Qabsorbed为吸收地源热量，Tsource,in为地源侧进水温度，Tsource,out为地源侧出水温度，Tload,in为负荷侧进水温度，Tload,out为负荷侧出水温度，msource为地源侧水质量流量、mload为负荷侧水质量流量，cpsource为地源侧流体介质比热，cpload为负荷侧流体介质比热；
所述限幅递推平均滤波方法基于所述能效值确定滤波窗口的大小，并计算两次采样值之间的差值；将两次采样值之间的差值与所述限幅递推平均滤波方法的限制幅度相比较，若差值未超过后一次采样值，则保留后一次采样值；
将保留的采样值放入采样数组内，当采样数组内的采样值数量满足采样数量要求，进行采样数据求均值；
若均值大于采样数据队列长度最大值和滤波参数差值时，滤波结束；将采样数据的均值作为所述预测能效值。
2.根据权利要求1所述的地源热泵设备的能效精细化方法，其特征在于，所述BP神经网络预测方法通过BP算法确定所述能效值；所述BP算法包含输入层、隐含层和输出层；所述输入层、所述隐含层和所述输出层均由神经元组成；所述隐含层与所述输出层的神经元输入输出函数关系式与激活函数如下：
式中，xi为神经元的输入信号，f为神经元函数的激活函数，θ为该神经元函数的阈值，ωi为神经元的输入信号的权值，y为所述输出层神经元的输出函数。
3.根据权利要求2所述的地源热泵设备的能效精细化方法，其特征在于，所述BP神经网络预测方法采用PSO算法对所述BP算法的神经元的权值与阈值的更新策略进行优化；所述PSO算法的适应度值由所述BP算法在进行神经网络训练时的训练误差决定，所述PSO算法的优化算法更新公式与位置更新公式如下：
v(i+1)d＝vid+c1r1(pbest-xid)+c2r2(gbest-xid)
x(i+1)d＝xid+vid
式中，c1与c2为学习因子，pbest为所述BP算法中各个粒子所找到的最优解，gbest为所述BP算法中整个种群中所找到的最优解，r1与r2分别为区间(0,1)中的随机常数，vid为上一次PSO算法中种群内某个粒子移动的速度，xid为上一次PSO算法中种群内某个粒子移动的距离，v(i+1)d为本次PSO算法中种群内某个粒子移动的速度，x(i+1)d为本次PSO算法中种群内某个粒子移动的距离。
4.一种地源热泵设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1所述的一种地源热泵设备的能效精细化方法。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1所述的一种地源热泵设备的能效精细化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110599459.8A CN113312773B (zh) | 2021-05-31 | 2021-05-31 | 一种地源热泵设备的能效精细化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110599459.8A CN113312773B (zh) | 2021-05-31 | 2021-05-31 | 一种地源热泵设备的能效精细化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113312773A CN113312773A (zh) | 2021-08-27 |
| CN113312773B true CN113312773B (zh) | 2024-04-19 |
Family
ID=77376317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110599459.8A Active CN113312773B (zh) | 2021-05-31 | 2021-05-31 | 一种地源热泵设备的能效精细化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113312773B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598092A (zh) * | 2018-12-28 | 2019-04-09 | 浙江工业大学 | 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法 |
| CN111723533A (zh) * | 2020-06-03 | 2020-09-29 | 湖北洁能工程技术开发公司 | 一种地源热泵系统变频水泵节能计算方法 |
| CN112614013A (zh) * | 2020-12-14 | 2021-04-06 | 国网北京市电力公司 | 一种多站融合型分布式能源站的多能耦合调度系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7502768B2 (en) * | 2004-02-27 | 2009-03-10 | Siemens Building Technologies, Inc. | System and method for predicting building thermal loads |
-
2021
- 2021-05-31 CN CN202110599459.8A patent/CN113312773B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598092A (zh) * | 2018-12-28 | 2019-04-09 | 浙江工业大学 | 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法 |
| CN111723533A (zh) * | 2020-06-03 | 2020-09-29 | 湖北洁能工程技术开发公司 | 一种地源热泵系统变频水泵节能计算方法 |
| CN112614013A (zh) * | 2020-12-14 | 2021-04-06 | 国网北京市电力公司 | 一种多站融合型分布式能源站的多能耦合调度系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 太阳能地源热泵联合供热水系统TRNS YS模拟与研究;李淋 等;电网与清洁能源;20170930;第33卷(第9期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113312773A (zh) | 2021-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
| CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
| CN111735178B (zh) | 基于精英主义和svr回归算法的空调节能系统及优化方法 | |
| CN112084707B (zh) | 基于冷冻水和冷却水变流量解耦的制冷机房节能优化方法及系统 | |
| CN108168030B (zh) | 一种基于制冷性能曲线的智能控制方法 | |
| CN113326651B (zh) | 基于t-s模糊模型的制冷站负荷和能效比动态建模方法 | |
| CN114484731B (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
| CN107940679B (zh) | 一种基于数据中心冷水机组性能曲线的群控方法 | |
| CN113283156A (zh) | 一种基于深度强化学习的地铁站空调系统节能控制方法 | |
| CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
| CN114383299A (zh) | 基于大数据与动态仿真的中央空调系统运行策略优化方法 | |
| CN114202111A (zh) | 基于粒子群优化bp神经网络的电子膨胀阀流量特性预测 | |
| CN114997044A (zh) | 一种用于中央空调的能耗优化方法及数据采集系统 | |
| CN108615097A (zh) | 一种风速预测方法、系统、设备及计算机可读存储介质 | |
| CN115840987A (zh) | 一种基于深度强化学习的混动汽车热管理策略生成方法 | |
| CN111709454A (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
| CN110084426A (zh) | 一种基于工况辨识的风电功率区间预测方法 | |
| CN112052570A (zh) | 一种基于灰狼算法的火电厂湿冷机组经济背压寻优方法 | |
| CN109921426A (zh) | 基于cv-kde的风电并网系统概率潮流计算方法 | |
| CN115983438A (zh) | 数据中心末端空调系统运行策略确定方法及装置 | |
| CN104700147A (zh) | 冷却塔出水温度预测方法 | |
| CN114326987B (zh) | 制冷系统控制及模型训练方法、装置、设备及存储介质 | |
| CN113432247B (zh) | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 | |
| CN113312773B (zh) | 一种地源热泵设备的能效精细化方法 | |
| CN117175595B (zh) | 一种基于多级数据的电网调控方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |