暖通空调制冷机的优化控制

基金：沈阳市科技攻关重点项目（编号：1053084-2-5），辽宁省教育厅基金资助项目（编号：2004D039）作者：李树江，男，满族，1966年12月生，工学博士，教授，沈阳工业大学自动化控制与系统工程研究所所长，沈阳市嵌入式系统重点实验室主任。主要研究领域包括复杂过程的建模与控制、智能控制理论与应用技术研究及嵌入式系统应用技术。暖通空调制冷机的优化控制李树江赵健单位：沈阳工业大学邮编：110023摘要：本文介绍了一种暖通空调制冷机的优化控制方法，以吸气压力为控制变量控制压缩机的工作频率，根据建立吸气压力的BP神经网络模型计算吸气压力各个负荷下的最佳设定值，使制冷机达到最佳工作状态。关键词：制冷机优化控制吸气压力BP神经网络变负荷OptimalControlofHVACRefrigerationSystemLiShuJiang;ZhaoJian;ShenYangUniversityOfTechnology,ShenYang,ChinaAbstract:ThispapergivesakindofoptimalcontrolmethodforHVACrefrigerationsystem.Controlthefrequencyofcompressorbasedonthesuctionpressureascontrolvariable.CalculatetheoptimalsuctionpressureofvariousloadsonprincipleofBPneuralnetworkmodel,sothatmaketherefrigerationsystemobtainoptimalstate.Keywords:RefrigerationSystem;OptimalControl;SuctionPressure;BPNeuralNetworkModel;VariableLoad1背景介绍随着生产力的发展和人们生活水平的提高，暖通空调（HVAC）系统，已在我国得到了广泛应用，HVAC技术也得到了很大发展，我国的暖通空调系统绝大多数处在低效运行状态，造成运行效率低，能源浪费严重[1]，解决好暖通空调系统的能源浪费问题有很重要的现实意义。制冷机作为暖通空调系统中制取冷量和输出冷量的部分，其能耗大约占整个暖通空调系统的50％[2]。对制冷机控制方法的好坏直接影响到整个暖通空调系统的运行状况，因此对制冷机的工作状态进行优化控制是解决对暖通空调系统能耗问题的重要途径。国内外许多学者对制冷机的部分负荷下工作状态进行了优化控制研究[3][4]，在制冷机的优化控制上做出了巨大的贡献。但是也存在一些问题，如：很多人的研究对象都是制冷机的数学模型[5]，他们根据一些对制冷机工作时的状态进行了理想的假设和大量的简化建立了制冷机的机理模型，而这些假设和简化在实际中是不成立的。对控制变量的选择有时也不是很合理，如采用冷冻水供水温度为压缩机的工作频率控制变量[6]，当压缩机的工作状态发生改变时，冷冻水供水温度因其工作特性不能及时的变化。本文通过暖通空调系统实际运行的数据来辨识吸气压力的BP神经网络模型，得到了各种负荷下最佳工况。对于整个暖通空调系统的优化控制具有指导意义。2制冷机优化控制方法的研究在对制冷机进行优化控制时，对压缩机的工作频率的确定是一个重要问题。吸气压力是制冷机中重要的参数，是衡量制冷机是否正常运行的，本文选用吸气压力作为压缩机工作频率的控制变量，这样会比温度作为控制变量的要准确、快速。但由于影响吸气压力的参数具有很强的非线性的特点，不容易建立其机理模型。本文根据制冷机运行时的实际数据，通过BP神经网络辨识吸气压力的模型，来消除非线性等因素对结果的影响。2.1吸气压力的BP神经网络模型以吸气压力为神经网络的输出量，选取与吸气压力关系紧密的压缩机入口制冷剂温度、压缩机出口制冷剂温度和负荷作为神经网络的输入变量。根据本文研究对象的实际情况，采用一个隐层五个隐层结点即3－5－1模式来辨识吸气压力的模型。通过改变输入变量的值得到不同条件下的样本数据。输入1500组实际测量的输入变量样本数据和期望的吸气压力输出的值进行计算。BP算法的误差err_goal=0.01，学习速率lr=0.01，隐层传递函数为tansig，输出层传递函数为purelin，学习函数为learnbp。计算后的权值如下：为了检验BP神经网络模型的精确性，用预先准备的50组样本数据进行预测，横坐标表示50个例子，并与实际值比较，见图1。结果表明，预测值和实际值吻合的相当的好，说明建立的BP神经网络模型是精确的，在实际中是可行的。表1吸气压力神经网络模型输入层与隐层的权值表隐层节点输入节点1234510.95010.23171.51310.48580.891220.76210.4470-0.17210.82120.444330.61540.79360.92480.73821.1763表2吸气压力神经网络模型隐层与输出层的权值表隐层节点输出节点1234510.17340.69840.69570.17790.6613根据吸气压力的BP神经网络模型，通过计算机仿真观察在一定负荷时的吸气压力和压缩机入口制冷剂温度、压缩机出口制冷剂温度的关系。上图分别是负荷为100％，80％和40％时的吸气压力随着压缩机入口制冷剂温度和压缩机出口制冷剂温度变化而变化的情况。可以观察出，当压缩机入口制冷剂温度越高，吸气压力的值越大，压缩机出口制冷剂温度越低，吸气压力的值越小，并且吸气压力的最大值在压缩机入口制冷剂温度达到最高、压缩机出口制冷剂温度达到最低是达到。在各个负荷下，吸气压力的最大值是唯一的。图1实例测试图2100％负荷时下各变量关系图380％负荷时下各变量关系图440％负荷时下各变量关系2.2制冷机的最佳工况的研究制冷机性能参数COP是衡量制冷机效率的参数。把制冷机运行时的压缩机入口的制冷剂温度，压缩机出口的制冷剂温度和吸气压力的值定义为制冷机的工况。在同样的负荷下，制冷机的工况有无数种，通过计算COP的值可以看出，不同工况下，制冷机的功率是不同的。在一定的负荷下，COP最大时的工况为制冷机存在最佳工况，在达到同样的制冷量的条件下，最佳工况时制冷机能源消耗最小。由制冷理论分析可知当冷凝压力不变时，升高吸气压力升高会使制冷剂的单位制冷量增大；压缩机吸入制冷剂蒸汽的比容减少，而且由于吸气压力的提高，压缩机的压力比减小，容积效率升高，实际吸气质量增大，压缩机的制冷量也增大。因此吸气压力越大，对吸气压力的BP神经网络模型仿真可以得到，不同负荷时都有一个最大的吸气压力，这个吸气压力就是该负荷下的最佳工况下的吸气压力，其对应的压缩机入口制冷剂温度、压缩机出口制冷剂温度也是它们的最佳工况下的值。通过以上分析表明，在不同负荷下，提高制冷机的工作效率的方法是使制冷机在吸气压力较大的状态下工作，在压缩机入口制冷剂温度和压缩机出口制冷剂温度达到最佳工况的值时，可以用本文建立的吸气压力的BP神经网络模型来计算出该负荷下的最佳吸气压力的值，把这个值作为设定值来调节压缩机的工作频率达到这个值，使制冷机达到各个负荷下的最佳工作状态。以下给出了几组典型负荷下，通过建立的BP神经网络模型计算出最佳工况下吸气压力的值以及对应的压缩机入口制冷机温度和压缩机出口制冷剂温度的值。表3不同负荷下的最佳工况2.3制冷系统的优化控制方法通过以上的分析，本文得到对制冷机的优化控制方法步骤如下：在一定负荷下，通过本文建立的BP神经网络的模型，计算出最佳吸气压力的值，并且得到最佳工况时压缩机入口制冷剂温度、压缩机出口制冷剂温度的值，这两个值满足最佳工况要求时，把最佳吸气压力的值作为设定负荷（％）压缩机入口制冷机温度（℃）压缩机出口制冷剂温度（℃）吸气压力（Bar）10032.467.38.038031.755.47.847030.146.77.646026.638.17.225023.532.36.614016.726.25.91值，采用工程上广泛使用的PID控制器控制压缩机的工作频率使吸气压力达到这个设定值，保持制冷机在该负荷下以最佳工况运行。在50％的负荷下，采用额定工况，制冷机能耗为1.876Kw，采用本控制方法制冷机能耗为1.035Kw，节能量约为44.8％。图6制冷机的优化控制结构图3结论（1）本章采用BP神经网络建立了，分析了采用吸气压力作为制冷机中的压缩机的控制变量的优点，建立了制冷机吸气压力的数学模型，可根据此模型，计算出不同负荷下最佳工况对应的吸气压力的值。（2）分析和验证了不同负荷下制冷机性能参数COP和吸气压力的关系，并且得出了不同负荷下的最佳工况。（3）给出了一种制冷机的优化控制方法，该方法在不同负荷下根据神经网络计算出来最佳吸气压力的值和最佳工况，在达到最佳工况的条件下，控制压缩机的工作频率使吸气压力的值达到最佳值，达到制冷机在最佳工作状态下运行的目的。对整个暖通空调系统的优化控制有指导意义。参考文献[1]李树江,秦军等暖通空调系统优化控制与能量管理得现状及发展趋势《暖通空调》2007年04期30-34页[2]CaiWenjian,WangYaowen,LiShujiang,etal.AsimplifiedmodelingofcoolingcoilsforcontrolandoptimizationofHVACsystems[J].EnergyConversionandManagement,2004,45(18/19):2915-2930[3]Ikegami,Y,Nanayakkara.Refrigeratorsystemmodelingandvalidation[C]IEEEInternationalSymposiumonIndustrialElectronics,v3,2001,p2001-2006[4]FongKF,HanbyVI.HVACsystemoptimizationforenergymanagementbyevolutionaryprogramming[J].EnergyandBuildings,2006,38(3):220–231[5]HeXiangdong,AsadaHH.Anewfeedbacklinearizationapproachtoadvancedcontrolofmulti2unitHVACsystems[C]AmericanControlConference,2003[6]Shirayama,Yuuya.Dynamicsimulatorofabsorptionrefrigeratingsystem[C]ProceedingsoftheSICEAnnualConference,SICE2005AnnualConferenceinOkayama-Proceedings,2005,p1790-1794