279基于神经网络的冷却塔出水温度的预测

基于神经网络的冷却塔出水温度的预测华中科技大学刚文杰王劲柏摘要：本文主要介绍了运用人工神经网络预测冷却塔出水温度的方法。通过在MATLAB环境下编程建立冷却塔模型，获取神经网络模型需要的训练数据和测试数据。建立一个三层基于反向传播算法的神经网络模型（BP网络），以空气干球温度﹑相对湿度﹑冷却塔进水温度和冷却水流量作为输入变量，冷却塔出水温度作为输出变量，在MATLAB环境下，用训练数据训练神经网络，测试数据检测神经网络预测结果。结果表明神经网络可以用来预测冷却塔出水温度，并得出适合本研究的最理想的神经网络模型。关键字：冷却塔出水温度人工神经网络BP网络预测1前言冷却塔在制冷系统中起着重要的作用。制冷剂在冷凝器内冷凝放热，冷却水吸收冷凝器中的热量，温度升高，被送至冷却塔，通过与空气进行热质交换，温度降低，再被送至冷凝器，构成冷却水循环。冷却塔在其中负责将冷却水中的热量，即制冷系统中的热量排放出去。冷却水出口温度的高低，直接关系到空调系统的制冷效果和能耗。通过预测冷却塔出水温度，判断空调的运行效果，采取控制措施，从而保证空调系统的高效运行，就显得尤为重要。2冷却塔模型本文采用迈克尔（Merkel）焓差法建立逆流湿式冷却塔模型。通过两个参数N(冷却数)和'N(冷却塔特性数)实现冷却塔热工计算：'xAZNW；式中：'N－冷却塔特性数；x－以含湿量差表示的传质系数，2/()kgms；－填料的比表面积，23/mm；A－塔的横截面积，2m；Z－塔内填料高度，m；W－进入冷却塔的冷却水流量，/kgs。冷却数的确定采用辛普逊近似积分法，在精度要求不高，且水在塔内的温降t15℃时，可将冷却塔分两层进行计算。本文涉及的室外参数覆盖面比较广，且存在进出口温差t15℃的工况，因此将冷却塔分四层进行计算（见图1），具体公式如下：''''''''''111122332214241()12mmmmmmctNiiiiiiiiii式中：N－冷却数；c－水的比热容，（/(Jkg℃））；t－冷却水在塔内的温降；''1i，''2i，''1mi，''2mi，''3mi－分别与1wt，2wt，1mt，2mt，3mt相对应的饱和空气焓，/kJkg；其中1wt为冷却塔的进水温度，2wt为冷却塔的出水温度，11120.25()m，21120.25()m31120.75()m；1i，2i－分别为冷却塔空气出口处，进口处空气的焓值，其中11120.25()miiii，，21120.5()miiii，31120.75()miiii。图1水和空气在冷却塔中的换热过程图2本设计BP神经网络模型冷却塔的设计计算问题，就是要求冷却任务与冷却能力相适应，即'NN。本文通过在MATLAB环境下编程，实现此冷却塔模型。3人工神经网络人工神经网络（ArtificialNeuralNetworks,ANN）是由大量简单的基本元件——神经元相互连接，通过模拟人的大脑神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统。由于神经网络具有强大的学习功能，可以比较轻松的实现非线性映射过程，并且具有大规模计算的能力，因此在模式识别，人工智能，控制工程，优化计算和联想记忆，信号处理方面得到大量的应用。单个人工神经元往往不能完成对输入信号的处理，它要按一定的规则连接成网络，并让网络中每个神经元的权值和阈值按一定的规则变化，才能实现所设计设计神经网络的功能要求。BP神经网络是目前应用最为广泛和成功的神经网络，它是由Rumelhant和McClelland在1986年提出的一种多层网络的学习算法。典型的BP神经网络由输入层，输出层和隐含层组成。通过文献可知，BP网络可实现从输入空间到输出空间的非线性映射，本文利用它的这一特点，来完成对冷却塔出水温度的预测，并通过一些统计值，如均方根用来检测预测结果。21,,()nmpremmeamytRMSn式中：RMS－均方根；n－数据组的个数；,premy－第m个数据的预测值；,meamt－第m个数据的计算值。4冷却塔的神经网络模型设计（1）输入层的设计影响自然通风逆流湿式冷却塔出口温度的因素有很多，除冷却塔本身的构造外，还包括空气流速﹑干球温度﹑相对湿度﹑冷却塔的进水温度﹑冷却水的流量等。本文中忽略空气流速和其他因素的影响，将空气的干球温度（airT），相对湿度（airF），冷却水的进口温度（winT），冷却水流量（waterG）四个参数作为神经网络模型的输入变量（见图2）。（2）输出层的设计本文主要研究运用神经网络预测冷却塔的出水温度，因此输出即为冷却塔出水温度（woutT）。（3）隐层数设计具有单隐层的前馈网络可以映射所有连续函数，因此本设计隐层数目为1。（4）隐层节点数设计隐层节点数对神经网络的性能有一定的影响。隐层节点数目过少，不足以存储样本蕴含的所有规律，隐层节点过多，训练时间增加，计算量增加，而且会出现“过学习”现象。迄今为止，还没有一个完整的理论来确定隐层节点的最佳数目，本文通过经验公式和试验相结合的办法，确定本模型的最佳隐层节点数。（5）训练样本和测试样本本文从上述的冷却塔模型中获取样本数据，将数据随机分为两组，其中75%作为训练数据，25%作为测试数据。（6）数据预处理通过下式，分别将输入变量和输出变量标准化在[-11]：'1212122(min(,...))1(max(,...)min(,...))ininnxxxxxxxxxxx式中'ix为处理后的输入量，12,...nxxx为输入层某节点的所有输入值。（7）传递函数隐含层传递函数采用双曲正切函数，在MATLAB里面为tansig函数；输出层采用线性函数，在MATLAB里面为pureline函数。5结果与讨论在所有BP网络的学习算法中，LM(levenberg-marquardt)算法的收敛速度最快，且在许多情况下，LM算法可以获得比其他算法更高的精度,因此本文采用LM算法。为取得最优训练结果，在本次设计中，采用隐层节点数为3～21，训练结果见表1。表1各个隐层节点数下神经网络训练结果表2各个隐层节点数下神经网络测试结果从表1可知，隐层节点数为9时，标准化后的训练样本的均方差最小，为65.0110，且所需训练次数为8次，很少，所需计算时间较短。隐层节点数较少时，如3﹑4，训练次数较多，消耗时间较长，且训练结果精度相对较低。随着隐层节点数的增加，训练结果越来越准确。隐层节点数大于15时，虽然训练结果精度较高，但是对于计算机来说，计算量较大，耗时较长，对电脑硬件要求较高。由此隐层节点数为9的神经网络模型最优。为验证神经网络预测结果和泛化能力，用测试样本对训练好的神经网络进行检验，以原始计算数据值和神经网络预测值的均方根误差为标准，检验结果见表2。由表2可知，随着隐层节点数的增多，冷却塔出水温度的计算值和预测值的误差越来小，其中当隐层节点数为9时，均方根误差最小，此时用测试数据通过神经网络预测冷却塔出水温度结果如图3所示。00.10.20.30.40.50.60.70.80100200300400500600相对误差（%）图3隐层节点数为9时，测试数据计算值与预测值均方根误差由图3可知，在隐层节点数为9时，用神经网络预测冷却塔出水温度，相对误差在0.8%之内。因此可以得出结论，在已知空气干球温度﹑相对湿度﹑冷却水流量和冷却塔进水温度的情况下，可以用三层BP网络来预测冷却塔出水温度，并且在隐层节点数为9时，计算所需时间较短，泛化能力较强，预测结果最为准确，是最适合本设计的神经网络模型。6结论本文主要目的是通过神经网络预测冷却塔出水温度，结果表明神经网络可作为一种有效的预测方法。通过建立三层BP网络模型，在不同隐层节点数下进行训练和测试，结果表明隐层节点数为9时，可以获得最优结果，由此可知隐层节点数为9的神经网络模型是本设计的最优模型。因此可以得出结论，通过建立合理的神经网络模型，人们可以预测任何气候条件下的冷却塔出水温度。参考文献[1]连之伟，热之交换原理与设备[M],中国建筑工业出版社，第二版，2006年4月[2]周开利，康耀红，神经网络模型及其MATLAB仿真程序设计[M]，清华大学出版社，2005年7月[3]朱大奇，史慧，人工神经网络原理及其应用[M]，科学出版社，2006年3月[4]徐丽娜，神经网络控制[M]，电子工业出版社，2003年2月[5]葛哲学，孙志强，神经网络理论与MATLABR2007实现[M]，电子工业出版社，2007年9月