复合式地源热泵的系统描述及其控制方法

【摘 要】 复合式地源热泵系统具有节约用地、降低初投资、提高系统性能和运行可靠性的优点，应该加强对地源热泵复合式系统研究和开发，以促进其应用与发展。

【关键词】 地源热泵；系统；数值模型；神经网络

引言

本文选取一位于某地区的办公建筑作为模拟对象，利用 DEST 计算得全年逐时负荷，建立机组和冷却塔模型，采用 FLUENT 软件建立土壤换热器模型，将整个复合式地源热泵系统在 FLUENT 环境下进行计算，一方面获取神经网络模型所需要的训练和测试样本，一方面检验神经网络模型预测精度。同时，为了尽量减少计算量，缩减计算时间，提高预测精度，本文采用相关系数法确定最优的神经网络模型输入参数，尝试建立多种模型确定最优神经网络结构。

1 复合式地源热泵系统描述及其数值模型建立

1.1 系统描述及主要模型建立

本文选取一栋位于某市的办公建筑作为模拟对象，利用 DEST 计算其全年逐时负荷。本建筑最大冷负荷，全年累积冷负荷都明显大于热负荷，因此采用带有冷却塔的复合式地源热泵系统，土壤换热器根据冬季热负荷进行设计，并与冷却塔并联，冷却塔满足夏季冷负荷。机组采用 Gordan 冷冻机组功耗模型，冷却塔模型采用 Merkel 焓差法。

1.2 土壤换热器数值模型建立

本文在FLUENT软件下进行土壤换热器数值模型的建立。在Gambit里面建立土壤换热器的几何模型，土壤换热器为单U形埋管，直管长度为60m，管内径为26mm，管外径为32mm，回填材料直径为200mm，深62m，土壤直径为6m。画好网格后，在FLUENT里面设置土壤、回填材料、管子和水的热物性参数，并定义各个面的边界条件。为减小计算量，本文沿对称面将其剖开，对称面设置为symmetry边界。

1.3 系统运行模式

数值模拟计算中，采用时间控制法，计算时间长度为4个周，每周周一至周五8：00至21：00运行。每天运行模式为 8：00-11：00，14：00-17：00，冷却塔运行，土壤换热器不运 行；11：00-14：00，18：00-21：00，土壤换热器运行，冷却塔不运行。这些均通过在 FLUENT 里面运用 UDF（用户自定义函数）来实现。取其中土壤换热器运行时数据，作为后面神经网络的样本，共得到 1680 组数据。

2 土壤换热器神经网络模型

2.1 人工神经网络

本文利用三层 BP网络预测土壤换热器出口水温，并通过均方根误差RMS 来评价预测结果，计算方法见公式（1）。

式中：RMS为均方根；n为数据组的个数， ypre，m指第m个数据的预测值；tmea，m指第m个数据的监测值。

2.2 土壤换热器的人工神经网络模型建立

（1）输出层

本文以土壤换热器的出口温度为输出变量，即输出神经元数目为 1。

（2）输入层

由第一节可知在土壤换热器的物理模型中除去出口温度还设有 17 个监测点，为确定影响出口温度较大的变量，计算这 17 个变量与 tout的相关系数。

（3）隐含层

三层 BP 网络可以实现一般的非线性映射，因此隐含层数为 1。目前还没有一种比较完善的理论来确定隐含层的最佳神经元数，本文建立了隐含层神经元数目分别为 5～25 的模型，以确定最优模型。

（4）样本

由第一节内容可知，本研究模拟计算 4 个周，获得 1680 组数据，取前三周数据，即前 1260 组数据作为训练样本，训练神经网络，第四周即其余420 组数据作为测试样本，测试训练好的神经网络的准确性和泛化能力。

（5）学习算法

本文采用 Levenberg-Marquardt（LM），ScaledConjugate Gradient（SCG），Broyden，Fleccher，

Goldfarb and Shanno（BFGS）三种算法以确定最优的神经网络模型。

3 结果与讨论

为确定土壤换热器 ANN 模型的最优结构，本节建立了多个三层人工神经网络模型，结果如图1，图 2，图 3所示。从图 2和图 3，各个神经网络模型均能够取得较高的精度，样本的均方根误差不大于 0.08。由此可知人工神经网络可以用于土壤换热器出口温度的预测。从图 4，图 5 和图 6 可知，在三种学习算法中，为达到所设定的误差目标，LM 算法所需要的训练次数明显少于 SCG 和 BFGS 两种算法，可以节省计算时间，并且训练样本和测试样本的均方根误差大部分都小于其他两种算法下的误差。因此可得 LM 算法是应用于本文中模型的最优算法。

由图 4 可知，在 LM 算法下，具有不同隐含层神经元数目的模型的训练样本的均方根误差基本相同，约为 0.033。从图 5 可知，LM 算法下，不同模型的测试样本均方根误差有一定差异，其中神经元数目为 11，15，19 的模型较其他模型更小。对比图 6 可知，隐含层神经元数目为 11 的样本所需要的计算次数比较少，同时由于神经元数目较少，计算时间最短。由此可知神经元数目为 11 的模型最为理想。即采用 LM 算法，隐含层神经元数目为 11 的模型为最优模型。在最优模型下，训练样本和测试样本的绝对误差如图 7 和图 8。从图 7 可知，训练样本的最大误差不超过 0.2℃，且大多数接近 0℃，由此可知人工神经网络可以用来预测土壤换热器的出口水温，并具有非常高的精度。由图 8 可知，测试样本的最大误差不超过 0.2℃，且大多数接近 0℃，可知训练好的神经网络模型有较好的泛化能力。

4 结论

本文提出在复合式地源热泵并联系统中直接比较冷却塔与土壤换热器出口温度的控制方法。为实现这一策略，运用人工神经网络来实现土壤换热器出口水温的预测，通过建立不同的神经网络模型得出以下结论：

（1）人工神经网络可以用来准确预测土壤换热器的出口水温；

（2）以地下 5 米处进出口管外壁的温度，进出口回填材料外壁温度和土壤换热器的进口温度为输入，以 LM 为学习算法，隐含层神经元数目为11 的神经网络模型为本研究的最优模型。在此结构下，测试样本和训练样本的绝对误差均不超过0.2℃，预测结果精度非常高，且模型具有较强的泛化能力。

参考文献

[1] J Lund，B Sanner.Geothermal （ground-source）heatpumps a world overview [N]. GHC BULLETIN，2004

[2] 杨爱，刘圣春.我国地源热泵的研究现状及展望[J].制冷与空调，2009，9（1）：1-6

[3] 郝先栋，罗寿平，王从永.并、串联连接混合式地源热泵比较[J].制冷与空调，2009，23（2）：42-45

[4] 谢郦，徐菱虹，张银安.混合式地源热泵系统不同控制策略的分析与比较[J].暖通空调，2009，39（3）：110-114