微型冷热电联供系统-人工神经网络建模及仿真

1、微型冷热电联供系统-人工神经网络建模及仿真            魏会东 吴静怡 王如竹 皇甫艺 许煜雄摘要：本文以人工神经网络为工具，建立了燃气电机组和吸附式制冷机组成的微型冷热电联供系统的模型，对于模型的仿真结果进行了分析。通过对模型的分析和评价，发现人工神经网络模型能准确适应联供系统的高度非线性。仿真结果显示了模型与系统的实际运行规律较为符合，为以后指导系统的优化运行和控制的设计奠定了良好的基础。 关键词：微型冷热电联供系统 非线性 BP神经网络 0 前言能源是当今社会

2、发展所面临的一个重大问题。随着全球经济的快速发展和可持续战略的实施，能源的利用问题也摆在了非常重要的位置。冷热电联供系统作为一种新的能源利用方式具有无可比拟的优势。冷热电联供系统用天然气作为一次能源，随着世界天然气产量的增加，天然气将大大改变现有的能源结构，成为能源利用新的主力；而冷热电联供系统作为一种能量梯级利用系统，利用一次能源驱动发动机发电，利用余热利用设备对余热进行回收利用，同时提供电力，热量和冷量，这样能大大提高能源的利用效率1。基于以上优点，冷热电联供系统成为各国竞相研究的对象，并且在美国、日本和欧洲各国都有大规模的实际应用。冷热电联供系统的一个重要的研究方向是整个系统的建模，好的

3、系统模型可以用来确定系统的可行性和分析预测系统的运行，以及用于系统的控制策略研究,并可以为系统的优化匹配和优化运行提供指导。以往的关于联供系统的数学模型都是基于热力学基本原理，建立简单的数学模型。而联供系统的特性是高度非线性化的，传统的热力学模型无法准确描述其运行特性，因此需要用另外的一种思路去建立模型，而人工神经网络则从一定程度上满足了这一需要。人工神经网络吸取了生物神经网络的许多优点，表现在：（1）高度的并行性。（2）高度的非线性全局作用。（3）良好的容错性与联想记忆功能。（4）十分强的自适应、自学习能力。2近年来，人工神经网络已经在制冷空调方面有了一些应用。5、71 微型冷热电联供系统实

4、验装置设计1.1 系统描述上海交通大学制冷与低温工程研究所孔祥强1等建立了制冷功率在10 kW左右的微型冷热电联供系统试验台，整个系统采用了一台小型燃气发电机组和一台研究所自己研制的余热型吸附式制冷机，其系统图见图1。系统设计参数见表1。，隐节点为，阈值为，隐节点与输出节点的网络权值。隐节点的输出输出节点的计算输出输出节点的误差公式图2 燃气发电机组神经网络结构图图4 燃气发电机组发电量和回收余热量随输入能量的变化图图6 微型冷热电联供系统神经网络模型的系统输出仿真图    由图4所示，燃气发电机组的发电量和回收的余热量随着输入能量的增大而增大，在输入能

5、量在达到30 kW以后，发电量和余热量随着输入能量近似接近线形变化。由图5所示，在其它参数固定时，吸附式制冷机的产冷量随输入热量的增加而接近线性增大，也就是说制冷机的COP值此时变化不大。图6是神经网络模型对系统冷热电同时输出的仿真，从图中可以看出，在发电量一定时，也就是系统输入能量一定时，随着制冷量的增加，系统输出的热量增加，这是由于发电量对应了一定的总的余热回收量，制冷量的增加使得用于吸附机的热量增大，因而使得剩余的输出热量减少。在制冷量一定时，随着发电量的增加，系统的输入能量随之增加，从而使得总的余热回收量增加，制冷量不变对应的吸附机输入热量不变，使得剩余的输出热量增加。上述的仿真结果是

6、与实际的系统规律相符合的。3 人工神经网络模型（ANN Model）的评价为了对建立的人工神经网络模型进行评价，本文采用了两种验证方法，一是模型与所利用的实验数据进行误差计算；二是用另外的几组新的数据对模型进行测试。其误差曲线见图7，图8；其测试图见图9，图10。如图7所示，燃气发电机组模型的发电量绝对误差非常小，且波动也较小，说明模型和实验数据拟合的比较好；而余热量在输入热量较大时误差突然变大，这是由于神经网络在训练时候的随机性决定的，但其绝对误差控制在0.06范围内，相对误差也非常小。在图9中可以看出模型对于测试点的预测效果非常好。如图8所示，吸附式制冷机模型的绝对误差在0.03范围内波动，由图10可见，测试点基本上在模型曲线上下波动，在多输入参数的情况下，说明模型具有一定的适用性。图8 吸附式制冷机神经网络模型的误差曲线图图10 吸附式制冷机神经网络模型的测试图4 结论针对微型冷热电联供系统的高度非线性，多输入多输出的特点，本文提出了以BP神经网络进行建模的思想。系统模拟和评价的结果表明，神经网络作为一种非线性的数学工具，具有快速、简单、准确的特点，结合Matlab的神经网络工具箱使得算法的精度和模型的适用性大大增强。这为以后预测系统的运行，系统的控制设计都提供了良好的基础。