CN1875330A - 蒸汽压缩系统的超临界压力调节 - Google Patents

Abstract

一种蒸汽压缩系统包括压缩机、气体冷却器、膨胀装置和蒸发器。制冷剂在闭路循环中循环流动。优选二氧化碳作为制冷剂。采用自适应控制来优化该蒸汽压缩系统的性能系数。由于该系统随时间发生变化，因而对操作该系统的模型进行修改。该模型由包括可变系数的自适应控制算法确定。随着该模型发生变化，上述自适应控制算法的变量也发生变化。然后，调节上述气体冷却器的控制来调节该系统的高压，并因此也调节了性能系数。在第一实施例中，使用最小均方(LMS)法修改自适应控制算法的变量，以优化性能系数。在第二实施例中，通过一种缓慢变化的周期性激励方法来优化上述性能系数。而第三实施例用三角化方法来求得最优的性能系数。

Description

蒸汽压缩系统的超临界压力调节

技术领域

本发明一般地涉及通过采用自适应控制调节跨临界蒸汽压缩系统的高压分量的系统。

背景技术

传统的蒸汽压缩系统一般设计成在零过热或制冷剂的临界温度下运行。以亚临界方式运行的蒸汽压缩系统通常是通过选择负载特性(高压侧排热)、输入特性(低压侧热吸收)和制冷剂特性(高压/低压侧制冷剂温度和过热)进行优化。

由于含氯的制冷剂可对臭氧产生不利影响，因而在世界上大部分地区已逐步淘汰这种类型的制冷剂。已使用氢氟碳(HFC)作为替代的制冷剂，但这些制冷剂同样可产生不利后果。已有人提议将诸如二氧化碳和丙烷的“自然”制冷剂用作替代流体。二氧化碳具有较低的临界点，这使得在大多数情况下，大部分采用二氧化碳的空调系统部分地运行于该临界点上方，或是以跨临界方式运行。在饱和条件下(当液体和蒸汽均存在时)，任何亚临界流体的压力是关于温度的函数。然而，当该流体的温度超过临界温度时(超临界)，该压力便成为流体密度的函数。

当蒸汽压缩系统以跨临界方式运行时，调节该系统的高压分量是有利的。通过调节系统高压，可以控制和优化系统的容量和/或效率。通过以跨临界方式操作系统，可以彼此独立地控制压力和排热温度。

在自适应控制算法中，可采用自适应控制来修改可变系数。通过在自适应控制算法中修改可变系数，可以获得实现最大容量的优化的可变设定点的基准。

在现有的蒸汽压缩系统中，已将采用递归最小二乘法(RLS)的后退时域控制(receding horizon control)用于模型鉴别。并且，通过调节控制变量和用直接的矩阵求逆来求解系统，也对系统进行了优化。这两种方法均自动调节热泵、鼓风机速度和蒸汽压缩系统的蒸发器过热来优化系统的性能系数。

发明内容

基本形式的蒸汽压缩系统包括压缩机、气体冷却器、膨胀装置和蒸发器。制冷剂在闭路循环中循环流动。将二氧化碳用作制冷剂。由于二氧化碳具有较低的临界点，因此，将二氧化碳用作制冷剂的系统通常要求蒸汽压缩系统以跨临界方式运行。当系统以跨临界方式运行时，调节蒸汽压缩系统的高压分量来控制和优化系统的容量和/或效率是有利的。系统的整体效率是通过将由排热热交换器提取的有用能量的量与用于压缩制冷剂和运行系统的任何辅助部件(如热交换器风扇或泵)的那部分能量的量进行比较而确定的。

由于环境和系统随时间发生变化，因此提供系统的最大性能系数的高压也发生变化。采用自适应控制来修改操作系统的模型，以连续优化性能系数。该模型是通过包括可变系数的自适应控制算法确定的。由于系统随时间发生变化，因此修改操作该系统的模型来优化性能系数。由于该自适应算法的变量发生变化，因而该模型也发生变化。然后，基于上述修改调节排热热交换器的控制来调节系统的高压，并因此调节性能系数。

在第一实施例中，使用最小均方(LMS)法修改自适应控制算法的变量，以优化性能系数。在第一步中，使用梯度下降方法计算系统鉴别误差。在第二步中，使用上述系统鉴别误差对模型进行调整。修改模型，使其输出基本上等于系统的输出，这样便将系统鉴别误差减小到零。并基于该自适应控制更新调节某一控制，以调节排热热交换器中的系统的高压，来获得最大的性能系数。

在第二实施例中，通过采用缓慢变化的周期性激励方法来寻求极值条件，对性能系数进行优化。采用智能激励和信号处理及滤波来实现自适应控制更新。

第三实施例采用三角化方法来求取系统的最优性能系数。建立了具有三个设定点的三角形：一个点处于左侧，具有正的斜率，一个点处于右侧，具有负的斜率，并有一个中点位于上述两点之间。在首先建立包括三个点的三角形后，自适应控制算法压缩上述控制变量，并关注于旧的中点来定义新的中点。重复这种三角化，直到获得最大的性能系数为止。然后，系统运行于这种输入，来使性能系数变得最大。

从以下的说明和附图中，可以最好地理解本发明的这些和其他特征。

附图说明

通过阅读以下关于当前的优选实施例的详细说明，本领域技术人员当能更清楚的理解本发明的各种特征和优点。现对本详细说明的附图简述如下：

图1为现有技术的蒸汽压缩系统的示意图；

图2为跨临界蒸汽压缩系统的热力学图；

图3示意表示用最小均方法使跨临界蒸汽压缩系统的性能系数为最大的自适应控制系统；

图4示意表示用缓慢变化的周期性激励使跨临界蒸汽压缩系统的性能系数为最大的系统；

图5示意表示用三角化方法使跨临界蒸汽压缩系统的性能系数为最大的系统；

图6示意表示图5中的系统的初始化；

图7示意表示所求取的图5中的系统的三角化。

具体实施方式

图1示出一种蒸汽压缩系统，该系统包括压缩机22、气体冷却器/冷凝器24、膨胀装置26和蒸发器。制冷剂在闭路系统20中循环流动。

制冷剂以高压和高焓的形式离开压缩机22，并流过气体冷却器24。在气体冷却器24中，制冷剂散热，并以低焓和高压的形式离开气体冷却器24。诸如水或空气的流体介质流过散热器32，并与流过气体冷却器24的制冷剂交换热量。例如，冷却水在散热器进口34处进入散热器32，并在与制冷剂流动的方向相反的方向上流动。在与制冷剂完成热交换后，得到加热的水通过散热器出口36离开。然后，制冷剂流经膨胀装置26，其压力也有所降低。膨胀后，制冷剂流过蒸发器28，并以高焓和低压的形式离开。

最好将二氧化碳用作制冷剂。尽管图中示出的是二氧化碳，但是也可以使用其他制冷剂。因为二氧化碳具有较低的临界点，因此用二氧化碳作为制冷剂的系统通常要求蒸汽压缩系统20以跨临界方式运行。

如图2的A点所示，制冷剂以高压和高焓的形式离开压缩机22。由于制冷剂以高压的形式流过气体冷却器24，因此它散发热和焓，并以低焓和高压的形式离开气体冷却器24，如点B所示。随着制冷剂流过膨胀装置26，其压力也有所下降，如点C所示。在进行膨胀后，制冷剂流经蒸发器28，并以高焓和低压的形式离开，如点D所示。在制冷剂流经压缩机22后，它又重新成为高压和高焓的形式，从而完成了循环。

系统20的整体效率是通过将由气体冷却器24提取的有用能量与用于压缩压缩机22中的制冷剂和运行系统20的任何辅助部件(如热交换器风扇或泵)的那部分能量进行比较而确定的。因此，将系统性能(z(u))或称性能系数定义成：

(等式1)

变量u是由输入到膨胀装置26中的控制输入控制的压力设定点。因此，系统20的性能系数是关于压力设定点的函数。

当蒸汽压力系统20以跨临界方式运行时，调节系统20的高压侧是有利的。通过调节系统20的高压，可以控制和优化系统20的性能系数。通过以跨临界方式运行系统20，可以彼此独立地控制压力和排热温度。

对跨临界蒸汽压缩系统20的自适应控制提供了可变的设定点基准和用于达到上述设定点的可变的算法参数。可变的设定点基准对它们自身进行修改，以与外界影响无关地促进系统20的最优操作。即，修改设定点基准来得到优化的性能系数。通过改变控制算法的参数，使外部因素对达到上述设定点的性能系数的影响为最小。

系统20是通过模型进行操作的，由于环境和系统20随时间发生变化，因此提供系统20的最大性能系数的高压也发生变化。如果该模型没有随系统20发生变化而得到更新，则该模型将不能正确地操作已经改变了的系统20，而这会导致非最优的性能系数。在本发明中，利用自适应控制来修改该模型，以连续地优化系统20的性能系数。上述模型是通过包括可变系数的自适应控制算法确定的。由于系统20随时间变化，因而，改变上述自适应控制算法的可变系数来修改上述模型，以优化性能系数。上述变量是基于诸如环境条件和用户选择的负载对系统20的影响而进行修改的。

大多数自适应控制方法包括以下两个步骤：1)在靠近预期最优值的设定点处的初始化，和2)随后的激励，以确定在参数空间中哪个方向上将该组变量进一步最大化。

系统20中最好存在两个独立的控制回路。其中，用于气体冷却器24内的设定点控制的PID回路保持对高压侧出口温度进行调节控制。而用于优化性能系数的LMS回路根据系统20的运行方式来改变设定点。上述两个回路通过热泵进行耦合。通过在不同的时标上运行这两个回路，可以将耦合最小化。PID回路运行相对较快，而LMS回路运行相对较慢。因此，LMS回路不响应高压侧温度输入或输出的变化。用于系统鉴别的对系统20的激励运行于PID回路速度和LMS回路速度之间。

在第一实施例中，如图3所示，用最小均方(LMS)法修改自适应控制算法的变量，以优化性能系数。在第一步中，使用梯度下降方法计算系统鉴别误差。系统鉴别误差是系统输出和模型输出之间的差异。在第二步中，使用该系统鉴别误差信息对模型进行调整。

系统通过最小均方(LMS)法进行鉴别。首先，通过调节控制单元38(如图1所示)对系统20进行激励(du)。然后，将系统输出(dy)与系统模型的输出(dy’)进行比较。通过传感器40读出系统输出(dy)。系统模型(Φ)是性能系数(z(u))相对于压力设定点(u)的的斜率。因此，系统模型的输出(dy’)是系统模型(Φ)与第一激励(du)之积。

系统20被双向地激励，以确定进一步最大化性能系数(z(u))的空间方向。激励(du)必须是连续的，以导致性能系数的缓慢变化。激励(du)的频率取决于系统的动态性能。为模型鉴别选择了静态关系，且相对于控制信号，系统20的响应必须呈现为静态。在一实施例中，激励(du)是幅值较低的正弦输入。该幅值选择得使激励(du)在仪器噪声级外对性能系数(z(u))进行微扰(perturb)。

模型(Φ)通过具有可变系数的自适应控制算法确定。系统20和系统20的最优性能系数(z(u))随时间发生变化。基于系统20的状态修改自适应控制算法的可变系数，以调整系统20来优化性能系数。上述可变系数基于诸如环境条件和用户选择的负载对系统的影响进行修改。用最小均方法来调整系统模型(Φ)，使得模型的输出(dy’)等于系统的输出(dy)。

在对系统进行激励(du)后，将系统输出(dy)与系统模型的输出(dy’)进行比较，以确定系统鉴别误差(e)。系统鉴别误差(e)是系统输出(dy)和模型的输出(dy’)之间的差异，或

e＝dy-dy′＝dy-Φdu            (等式2)

然后将系统鉴别误差(e)取平方，得到关于该模型的参数的模型精确度的正的二次函数：

E[e²]＝E[dy^T]+Φ²[dudu^T]Φ-2ΦE[dydu]     (等式3)

通过求导，得到了上述二次关系的梯度：

$\▿=\frac{\∂E\left[e^2\right]}{\∂\mathrm{\Φ}}=2\mathrm{\ΦE}\left[{\mathrm{dudu}}^T\right]-2E\left[\mathrm{dydu}\right]$ (等式4)

通过促使离散时间模型在上述梯度方向上更新，系统鉴别误差(e)得到最小化(最陡下降方法)。

利用模型更新参数( μ)来产生所鉴别模型的更新。模型更新参数( μ)对系统鉴别的稳定性和收敛时间有影响。模型更新参数( μ)取决于系统的激励(du)，并定义成：

$\stackrel{\‾}{\mathrm{\μ}}=\frac{\mathrm{\μ}}{+{d_u}^2}$ (等式5)

通常将用户定义的调整常数(μ)选得较小，如处于0.0和1.0之间。当模型更新参数( μ)小且基于控制信号的预期最小水平进行选取时，规格化参数(ε)可减轻数值计算上的困难。规格化减少了在高幅值激励期间出现的噪声和未知的系统动态性能，而该高幅值激励能影响更新参数( μ)。

将鉴别的模型更新(Φ_K+1)定义成：

Φ_K+1＝Φ_K+ μ(-_K)          (等式6)

其中k为时间点。该等式表明，模型更新(Φ_K+1)是当前系统模型(Φ_K)加上模型更新参数( μ)与负梯度(-_k)之积的和。

在鉴别了对输入的响应后，利用最优控制理论，得到了对于对系统20的输入(du)的最优自适应控制更新。已知的二次成本函数定义成：

J(u)＝z^Tqz+du^Tσdu         (等式7)

在该二次成本函数中，q和σ是用户定义的补偿权重，z是蒸汽压缩系统20的靠近平均工作点的隐式系统性能系数。

将系统性能参数(z)定义成：

z＝z₀+Φdu           (等式8)

在该系统性能系数等式中，z₀是系统性能参数(z)的平均工作点。用二次成本函数J(u)来处罚系统性能参数(z)和控制导数。在将收敛速度向最优和稳定的方向进行平衡时选择成本函数J(u)的参数。

通过求二次成本函数J(u)的极值，得到最优的自适应控制更新：

$\mathrm{du}=\frac{-\mathrm{\Φq}}{{\mathrm{\Φ}}^T\mathrm{q\Φ}+\mathrm{\σ}}$ (等式9)

通过在最优自适应控制更新等式中使用经鉴别的模型更新Φ_K+1，可以得到最优的自适应控制更新。该最优自适应控制更新(du)调整模型(Φ)，使得模型输出(dy’)基本上等于系统输出(dy)，这样便将系统鉴别误差(e)减少到零。基于自适应控制更新(du)调节控制单元38来调节气体冷却器24内的系统20的高压，以得到最大的性能系数。在一实施例中，控制单元38调节通过气体冷却器24的水流的变速泵。

在第二实施例中，如图4所示，系统20的性能系数用缓慢变化的周期性激励方法进行优化。已用智能激励和信号处理(包括信号滤波)在极值的方向上实现自适应控制更新。

该方法以叠加在平均设定点上的系统20的正弦激励开始。与系统的动态性能相比，该激励的频率较低。将该正弦激励定义成：

u′＝ u+Asin(ωt)             (等式10)

其中u’是输入到系统20中的信号，而 u是输入到系统20中的平均信号。

对正弦激励(u’)的系统响应是：

z′＝z₀+zsin(ωt)        (等式11)

然后，通过第一动态滤波器H₁(s)(s为拉普拉斯变量)对响应(z’)进行滤波。第一动态滤波器H₁(s)实际上是高通滤波器，它除去了响应(z’)中的直流偏移量，从而得到了谐波响应。因此，响应(z’)在正弦激励信号(u’)的频率处必定具有零相位。如果正弦激励信号(u’)是在系统20的带宽内选择的，则第一动态滤波器H₁(s)能部分地导致系统20的动态相互作用。第一动态滤波器H₁(s)也可减少仪器噪声。

假设为低激励，则上述谐波响应包含与正弦激励信号(u’)同相或异相的正弦响应。这种相位特征便于在极值的方向上确定设定点更新。如果系统20为同相，则 u小于u_opt，其中u_opt是最优解；此外，如果系统20为异相，则 u大于u_opt。

然后，将谐波响应与初始的激励 u相乘，以解调该谐波响应。通过用初始激励 u解调谐波响应，得到了相对静态的增益和高频谐波信息：

Z*u＝ uz′- uz′sin(2ωt)       (等式12)

然后，用第二动态滤波器H₂(s)过滤高频成分。第二动态滤波器H₂(s)实际上是低通滤波器，它除去了振荡因子[1/2 uz’sin(2ωt)]而仅留下静态增益(1/2 uz’)。该静态增益与系统20的性能系数曲线z(u)的斜率类似。耦合到第二动态滤波器H₂(s)的积分型控制器使系统响应(z’)的相对静态的增益(或斜率)变为零。第二动态滤波器H₂(s)提供了足以将上述斜率变为零的新的平均控制信号，并提高了控制算法的稳定性和性能。为了稳定，第二动态滤波器H₂(s)的稳定的状态增益必须与激励的幅值相匹配。此外，选择第二动态滤波器H₂(s)的极点，以从解调过程识别出需要的信息。可设定第二动态滤波器H₂(s)的频率响应曲线的形状，以减少上述闭环系统的带宽，从而增加随时间的收敛性(the convergence over time)。

然后，将来自第二动态滤波器H₂(s)的经过滤的信号用作系统20的输入。由于性能系数z(u)是系统20的输入(u’)的函数，因而性能系数被修改成最优值。调节控制单元38来调节气体冷却器24内的系统20的高压，以得到最大的性能系数。该方法的优点是，对系统20的鉴别不会中断上述控制，从而导致了更好的收敛速度。

参阅图5，本发明的第三实施例利用三角化方法来确定系统20的最大的性能系数(z(u))。该三角化包括1)对系统20进行的非连续激励和2)存储系统响应以用自适应的方式映射系统20。通过智能地移动控制设定点，可建立一个三角形。

图5是作为系统20的平均控制变量的输入(u)的函数的性能系数z(u)的曲线图。建立了一个具有三个设定点条件的三角形。一个点z(u_LHS)位于图的左侧，因为曲线具有正斜率；因而该点为正值，另一个点z(u_RHS)位于图的右侧，因为曲线具有负斜率，因而该点为负值，且指明最大性能系数z(u)的点z(u_MAX)位于上述两点之间。因此，

$\frac{\&PartialD;z}{\&PartialD;u}{|}_{u=\mathrm{uLHS}}>0;$ 和 $\frac{\&PartialD;z}{\&PartialD;u}{|}_{u=\mathrm{uRHS}}<0\&RightArrow;u_{\max }\&Element;(u_{\mathrm{LHS}},u_{\mathrm{RHS}})$ (等式13)

系统20的响应的历史记录被保存以总是保留将极值包含其中的条件三角形。在首先建立包括点z(u_LHS)、z(u_RHS)和z(u_MID)的三角形后，算法便开始缩小控制变量的范围，并集中于u_MID来定义新的中点。例如，如图6所示，首先让系统20运行于u₁点。然后，让系统20的工作点从第一设定点u₁移动到第二设定点u₂。如果该移动导致性能系数减少，则进行反方向移动。例如，如图6所示，如果将工作点移动到左侧导致性能系数减少，则让工作点向右移动，而这提供了增加的性能系数。在与移动到第二设定点u₂的移动方向类似的方向上选择第三设定点u₃。该次移动提供了增加的性能系数，因而，选择第三设定点u₃。然而，如果该次移动提供了减少的性能系数，则在相反的方向上选择第三设定点u₃。如果选择了恰当的步长，则可以加速三角形鉴别过程。因此，如果

z(u₂)＞z(u₁)→方向正確，則u₃＞u₂；如果

z(u₂)＜z(u₁)→方向錯誤，則u₃＜u₁           (等式14)

初始的步长必须选得较小，使得即便第一步进行的方向有错，也不会使系统20的性能显著变差。最小步长是改变性能系数所需的最小的控制改变量。进行每一步的时刻基于系统20的动态响应特性来确定。然而，必须指定最小步长来保证，如果非线性性能系数z(u)随时间变化，则可以通过算法来跟踪这些变化(持续激励)。该步长也应受限于一个最大值，以在初始化过程中防止其从最大值的一侧超调到最大值的另一侧。

通过让上一个成功步长乘以诸如Fibonacchi的黄金分割比率(k＝1.618)的增益来选择步长：

Δu_new＝kΔu_old，k＞1         (等式15)

如图7所示，继续进行初始化，直到得到具有处于设定点u_k和u_k-2之间的最大性能系数u_k-1的三角形为止。为校验此过程，对上述扰动进行监视，直至取得一组三设定点条件，该组中有一个处于两个较小值之间的最大值。当该条件得到满足时，以下为真：

z(u_k-1)＞z(u_k-2)；以及z(u_k)＜z(u_k-1)→建立了三角形     (等式16)

一旦三角形建立，初始化就完成。然后，通过集中于当前的中点u_k-1，算法不断缩小上述三角形的大小。选取作为偏离中点u_k-1的逻辑扰动的新的设定点，同时考虑与先前接受的三角形的中点u_k-1距离最远的先前点。通过考虑上述最远的先前点，减小了三角形的大小。此外，如果基于先前的步长来选择步长，则在靠近最大值时算法的速度下降，从而有利于提高稳定性。

重复上述三角形约束，直至获取得到最大性能系数z(u)的输入(u)为止。当得到该输入(u)时，系统20便运行于该输入(u)处，以使系统20的性能系数z(u)成为最大。对控制单元38进行调节来调节气体冷却器24内的系统20的高压，以得到最大性能系数。

另外，可用单个多输入多输出(MIMO)自适应控制器而不是两个独立的PID和LMS控制回路来提供更快的性能系数收敛和水温调控。通过使用多变量形式的梯度下降控制和用来优化上述性能系数的调整，可同时实现高压侧出口温度的调节和性能参数的最大化。相对于膨胀阀26，水出口温度并非是不变的，且性能系数受到了排热热交换器24中的能量获取速度的影响。

先上仅是对本发明原理的举例阐述。借助于上述教导，可以对本发明进行许多修改和变更。文中公开了本发明的若干优选实施例，然而，本领域具有普通技能的人员应认识到，可以在本发明的范围内对实施例进行某些修改。因此，应当理解，在所附权利要求书规定的范围内，可以用不同于本公开具体说明的方式来实施本发明。因此，应当研读后附的权利要求书，以明确本发明的真实范围和内容。

Claims (11)

1.一种调节跨临界蒸汽压缩系统的高压的方法，包括以下步骤：

(a)基于模型操作所述系统；以及

(b)调整所述模型，以得到所述跨临界蒸汽压缩系统的要求的高压。

2.如权利要求1所述的方法，还包括以下步骤：

(c)将制冷剂压缩到所述高压；

(d)冷却所述制冷剂；

(e)膨胀所述制冷剂；以及

(f)蒸发所述制冷剂。

3.如权利要求2所述的方法，还包括以下步骤：

(g)通过冷却步骤对所述制冷剂流进行控制；

(h)调整对所述制冷剂流进行控制步骤，以得到要求的高压。

4.如权利要求2所述的方法，其中，所述制冷剂为二氧化碳。

5.如权利要求1所述的方法，其中，所述要求的高压达到最大性能系数。

6.如权利要求1所述的方法，还包括以下步骤：

(c)用激励信号来激励所述系统，以产生系统输出；

(d)将所述系统输出与所述模型输出进行比较。

7.如权利要求6所述的方法，其中，具有可变系数的自适应控制算法操作所述模型，且调整所述模型的步骤包括修改所述可变系数，使得所述模型的所述模型输出基本等于所述系统的所述系统输出。

8.如权利要求7所述的方法，其中，将所述系统输出与所述模型输出进行比较的步骤确定了系统鉴别误差。

9.如权利要求8所述的方法，其中，调整所述模型的步骤包括利用所述系统鉴别误差的步骤。

10.如权利要求1所述的方法，其中，调整所述模型的步骤还包括以下步骤：

1)以正弦信号激励系统，以产生响应；

2)对所述响应进行过滤，以产生谐波响应；

3)用所述激励信号乘所述谐波响应，以解调所述谐波响应来得到经解调的谐波响应；

4)从所述经解调的谐波响应中滤除振荡因子，以分离出静态增益；以及

5)将所述静态增益用作新的激励信号。

11.如权利要求1所述的方法，其中，调整所述模型的步骤还包括以下步骤：

1)建立左输入点、右输入点和处于上述两点之间的中间输入点；

2)为所述左输入点、所述右输入点和所述中间输入点确定性能系数；

3)确定处于所述左输入点和所述中间输入点之间的左中输入点的左中性能系数，并确定处于所述右输入点和所述中间输入点之间的右中输入点的右中性能系数；

4)比较所述左性能系数和所述右性能系数；

5)确定所述左性能系数和所述右性能系数中哪一个是更大值；

6)用所述更大值作为新的中间输入点；以及

7)用所述新的中间输入点作为所述中点来重复步骤1)至5)。

Images