应用人工神经网络算法的冷水机组能效提升策略

张梦华，周镇新，刘念，韩林志，陈焕新*

（1-华中科技大学能源与动力工程学院，湖北武汉 430074；2-上海叠腾网络科技有限公司，上海 200000）

0 引言

冷水机组系统广泛应用于建筑空调中，由于它们是建筑中主要的耗能部件，因此提高它们的运行性能可以考虑节约能源[1]。为了提高冷水机组的运行性能，许多专家学者对冷水机组的运行策略进行了大量研究。

一种方法是应用理论物理方程计算结果，或利用现有数据拟合公式；另一种方法是利用人工智能模型对过去的数据进行预测。传统的方法包括白箱模型、灰箱模型和黑箱模型[2]。白箱模型采用物理方程计算性能系数，如BROWNE等[3]、CHAN等[4]提出了预测具有10%偏差的冷水机组动态性能的仿真模型。张欢等[5]提出加载控制策略应用变频技术，以实现机组制冷量、冷冻水流量和冷却水流量的无极调节，保证设备的高效运行。卓明胜等[6]建立完整的中央空调水系统仿真模型，分析了冷水机组在提高供水温度优化控制、冷却水泵优化控制、冷冻水泵优化控制的中央空调系统群控优化控制策略下的系统节能率。MA[7]以灰箱研究为例，引入了一系列的理论和经验表达式，阐明了循环过程影响下的热力学机制。黑箱模型是从冷水机制造商、实验室和现场测量中获得一套训练数据，用多元回归方法建立黑箱模型，黑箱模型的一些参数由大量的性能数据确定[8]。

最流行的黑箱模型是人工神经网络（Artificial Neural Network，ANN）。ANN方法为这些复杂的非线性问题提供了一种新的解决方案[9]，它利用相关的运行数据来预测螺杆式冷水机组的性能，能适用现场不断变化的条件。CHOW等[10]描述了直燃型吸收式制冷机系统的ANN过程，并结合遗传算法讨论了系统的最优控制。ESEN等[11]比较了自适应神经模糊推理系统和人工神经网络在耦合地源热泵系统建模中的应用。CHANG[12]利用Hopfield网络找到了解决冷水机冷水供应温度下最优冷水机负荷缺陷的方法。还有利用ANN在不同的实验条件下模拟太阳能辅助制冷系统[13-14]。LAZRAK等[15]开发了一种ANN方法来建模和评估吸收式制冷机的能量性能和出口温度。WANG等[16]提出了一种实用的改进方法，在没有频繁大波动的情况下，满足建筑物热负荷目标的冷却装置，结合了变搜索边界、物理方程和人工神经网络冷却塔模型。

此外有些针对模型控制的研究，试图提高冷水机组模型的效率。如BRAUN等[17]开发了一种优化冷却塔风扇速度的方法。王占伟等[18]将距离拒绝（Distance Rejection，DR）机制融入贝叶斯网络（Bayesian Network，BN）中，提出一种基于DR-BN的冷水机组故障检测方法。另一些研究人员开发了利用系统模型和优化算法寻找冷凝器回水温度最优设定值的方法，这些方法通常称为基于模型的优化方法。如LU等[19]提出了一种基于模型的冷水机组冷凝器水设定值优化方法。发现与冷却塔风机和冷凝器水泵一直全速运行的基准相比，这种方法在高负荷时期可以节省冷凝器水环路10%左右的能耗。LEE等[20]建立了基于模型的优化方法，寻找最优冷凝器水设定值和冷水机组冷却水设定值，冷水机组可实现高达11.1%的日节能量。HUANG等[21]运用了类似的方法，冷水机和冷却塔的年节能率可达9%左右。虽然上述基于模型的优化方法取得了良好的效果[22]，但是对于实际应用过程中，针对由于蓄水池的作用，导致物理换热模型的滞后性，使冷水机组出水温度不能准确预测，机组反馈机制不能准确进行反馈来调节风机和水泵频率，从而增加了系统的能耗，这方面的研究很少。

本文选择将人工神经网络模型训练为冷水机组模型，在采用大量历史运行数据的情况下，根据专家知识加入专家变量，预测出t时刻后的冷水机组回水温度，从而解决在物理建模过程中，由于蓄水池导致物理换热模型的滞后性，能够快速对环境反应，反馈给系统，从而达到及时调节相关参数，提高机组能效的目的。

1 基于人工神经网络的回水温度预测

1.1 冷水机组系统结构

该工程系统是中国宁波的某所工厂冷水机组系统（图1）。数据收集时间段为2017-01-02—2018-12-27，冷水机组每天工作24 h，每5 min收集一次数据。冷冻室（包括螺杆式冷水机组、离心式冷水机组和水循环泵）位于设备室，冷却塔位于室外屋顶。该项目经过了全面的实际应用测试，数据收集间隔为5 min。水系统包括3个变频螺杆式冷水机组、3个冷却水循环泵、5个冷冻水循环泵和3个冷却塔，3#冷却塔有两个风机。其中冷水机组是传统的制冷循环，包括1个变频螺杆压缩机、1个蒸发器、1个冷凝器和1个电子膨胀阀，本次实验只研究3#冷水机组。已知冷却塔型号和设计工况下参数，室外湿球温度、室外干球温度、冷却塔进水温度、冷却塔出水温度和冷却水流量，希望能预测出冷却塔风机功率及其频率。

图1 冷水机组系统结构

本次工程实验项目的预测模型难点在于，冷却塔下方有土建水池，冷却塔的出水先进入水池，导致冷却水经过冷却后并未及时进入冷机，故对于3#冷水机组存在较大延迟，用常规方法建模有困难。由于本文中测量的冷却塔风机功率存在一定的零值，所以将预测变量变化为冷水机组回水温度，根据t分钟之前的参数变量来预测此刻的冷水机组回水温度，从而检测排除系统延迟时间，为实际工程应用中提供参考，从而提成冷水机组能效比。

1.2 研究方法

人工神经网络是一种机器学习工具，它受人类大脑生物系统的启发，可以用来学习输入和输出变量之间的关系，复杂的物理系统不需要显式的数学函数就可以精确地建模。由于其在分类、聚类、优化和预测等方面的广泛应用，使得神经网络方法在研究中得到了广泛的应用。

神经网络的结构是由输入、神经元和输出参数组成的，如图2所示。神经元通过数学函数将输入和输出之间的相关性联系起来。在建立人工神经网络模型时，必须保证所提出的人工神经网络不仅能在训练阶段准确拟合数据，而且在验证阶段也能准确拟合数据。一般而言，神经网络有两种类型，即静态神经网络和动态神经网络。静态模型只使用当前值作为输入，而动态模型不仅考虑当前值，还考虑输入的几个更早的值，如本文考虑了t时刻前的供回水温度。

图2 ANN神经网络结构

本文根据神经网络的结构、神经元数目，建立了动态神经网络模型。训练和验证阶段分别使用不同的数据进行，需注意用于验证的数据并不包括在训练过程中。网络只使用训练数据进行训练，然后通过预测未引入的验证数据来验证网络的性能。

神经网络的两个主要部分是训练和测试。在训练部分，用已知数据进行训练。测试部分使用未使用过的数据进行测试。神经网络的一个神经元计算其输入的权值，并生成一个s形函数为式(1)的输出：

一个训练网络基本上是一个达到网络最优权值的过程。整个网络由前向和后向两部分组成。输出和输出单元的误差在前向传递中计算。输出单元误差用于改变后向遍历中输出单元的权值。另外，计算隐含层的误差，并根据计算误差值改变隐含层的权值。迭代中ANN的误差定义为式(2)：

学习部分是权重变化规则，权重的改变与单位时间内的误差成比例，单位的输出被输入权重。特别是在下一次迭代中，将Δwij的修正加入到wij的权值中，可以减少网络误差，其中j=1, 2, …n；n为前一层神经元的数量。

定义wij和Δwij为式(3)：

式中，b为学习速率常数；a为动量因子；i、j为迭代索引值。

均方根误差（Root Mean Square Error，RMSE）表示现场实验数据的离散程度：

式中，ai和pi为设置的现场测试值和预测值；n为数据模式的数量。

网络性能的另一个指标是相关系数R：

式中，tmean为所有实验测量数据点的平均值。

1.3 数据处理流程

图3所示为基于人工神经网络的冷水机组回水温度预测流程。主要由数据获取、变量选取、数据归一化处理、训练集和测试集划分、用人工神经网络对数据进行建模、冷水机组回水温度预测和预测结果误差评价标准共7个步骤组成。

图3 模型预测系统流程

（1）数据获取

首先通过多联机实验平台中的各类传感器，实时采集实验的各类变量的参数，于此同时数据实时传输到PC端，然后数据采集软件会对获得的数据进行集成操作。

（2）数据变量选取

由于人工神经网络算法相较于其他普通算法，有更强大的拟合能力，在从实验采集的数据剔除异常值之后，根据专家知识，剔除不相关的变量，本文保留了共14个变量，分别有11个系统变量和3个专家变量包括t分钟前回水温度、t分钟前供水温度、t分钟前供回水温差（如表1）。

表1 用于人工神经网络建模的14个特征变量

其中t分钟前回水温度即上述说明中不同提前时刻的冷却水回水温度；t分钟前供水温度即上述说明中不同提前时刻的冷却水供水温度；t分钟前供回水温差即上述说明中不同提前时刻的冷却水供水温度和回水温度的差值。其中选择这两个专家变量的原因是计算出t时刻前的供回水温度两个变量与预测结果值具有高度相关性。

（3）数据归一化处理

输入的数据中，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性，这里采用Scaler2函数进行标准化。

（4）用神经网络对数据进行建模

文中人工神经网络模型都是基于Python3.7中的Keras实现的，选取原始数据中的14个变量为输入变量，对每个变量数据进行归一化处理。文中搭建的核心网络模型是由输入层、隐藏层、输出层组成，其中输入层由14个神经元组成，对应数据集中的14个特征，作为输入向量；隐含层包含25个神经元；输出层包含1个神经元。在文中所用模型中，我们选择的神经元激活函数为sigmoid函数，迭代的优化器选择Rmsprop，最初各个层的连接权重和偏重是随机生成的，每次模型训练50次（表2）。最后对训练好的模型进行封装。

表2 人工神经网络网络模型预测参数

（5）冷水机组回水温度预测

利用训练集的数据训练好人工神经网络模型，分别为5 min预测模型（模型一），10 min预测模型（模型二），15 min预测模型（模型三），20 min模型预测（模型四），然后将模型封存，再将测试集数据集导入不同的训练好的冷水机组回水温度预测模型中，预测回水温度，从而画出预测回水温度与预测温度的对比图。

（6）预测结果误差评价标准

采用RMSE和R2两种评价标准进行，RMSE越低模型效率越好，R2越高模型效率越高，预测准确度越高。

2 预测结果分析

2.1 预测结果

图4所示为冷水机组回水温度预测结果。横坐标为测试集冷却水回水温度真实值，纵坐标为冷却水回水温度预测值，可知阀值在90%~110%。

图4 冷水机组回水温度预测结果

2.2 结果分析

由于水池的蓄水作用，当前时刻的风机功率对回水温度造成的影响有滞后作用，具体的滞后时间需要经过实际测量。因此模型训练时采用了4套时间（5、10、15和20 min）。最终可以通过测试数据的导入，依据模型的准确率（表3）来判断那个时间跨度的模型较好。

表3 4种预测模型性能

由表3可知，以模型一进行测量的冷水机组回水温度误差最小，RMSE为0.106 9，小于模型二、模型三和模型四。从而证明在实际工程应用过程中可以通过人工神经网络对冷水机组冷却水塔延迟时间进行预测。基于人工神经网络算法模型的冷水机组回水温度预测方法能充分利用人工神经网络自适应、自组织和非线性的特点，具有一定的普适性。神经网络模型无需通过采用相关性分析方法对冷水机组的运行参数进行了分析，简单操作且效率高，避免冷水机组的结构设计过程中冷水机组运行参数多，难以对神经网络的输入参数选择进行选择的问题。人工神经网络模型可以用来处理动态问题，根据本文研究可以发现，用5 min前的参数对此时的冷水机组回水温度进行预测的效果最好，从而解决冷却水塔下的蓄水池对冷水机组回水温度的延迟影响，从而实时预测冷水机组中冷风机的功率和频率，达到提高机组性能。

3 结论

本文应用人工神经网络（ANN）算法模型进行冷水机组回水温度预测研究，研究通过冷水机组系统实验获取数据，选择14个特征变量，建立ANN模型，通过模型的训练、测试和微调等过程，得到最终模型，得出如下结论：

1）在原11个特征变量基础上增加了3个专家变量之后，现场测试值与预测值之间的均方根误差达到0.106 9、R2达到0.992 3；说明该ANN模型能较准确地预测该类装置的不同时刻下的冷却水回水温度，便于冷水机组冷却塔的优化控制；

2）应用ANN模型，得出利用5 min前的测量数据可以准确预测此时的冷水机组回水温度，从而可以判断冷却水塔下的蓄水池对回水温度的延迟影响为大概5 min，且其RMSE相较于模型二、模型三、和模型四分别提高50.89%、106.36%和109.35%，R2相较于模型二、模型三、模型四分别提高0.39%、0.83%和0.85%。

3）此结果对工程项目冷水机组冷却塔优化控制有一定的参考性，虽然不同的项目根据实际安装设备的不同结果也不尽相同，但是本文为其提供了一个新颖的思路供参考。