土壤蓄熱預測管理論文

導語：土壤蓄熱預測管理論文一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：針對淺埋地下工程，分析在考慮土壤蓄熱作用下的室內熱環境變化，在應用CFD軟件的基礎上建立圍護結構及室內空氣的耦合傳熱模型。并將模擬所得結果進一步用來訓練預測空調最佳啟停時間的人工神經網絡模型。此模型可用于預測出各種復雜的非線性條件下最佳啟停時間，以降低能耗，節約能源。

關鍵詞：土壤蓄熱間歇空調最佳啟停時間MATLAB

1引言

大多數地面建筑的空調系統，如商場、寫字樓、餐廳等均屬間歇運行方式。在許多平戰結合的人防工程甚至指揮所同樣也存在間歇運行系統。非工作時間空調系統停機后，由于室內外溫差及圍護結構散熱導致室溫偏離設定值，在下一段運行前需要提前啟動空調系統進行預冷（熱），使房間在使用時處于要求的溫度范圍內。預冷過早會造成能量浪費；預冷過晚又達不到控制所要求的指標。同時空調的制冷機組停機后，其冷卻系統中仍有一部分剩余冷量，可以繼續利用送風機組將這部分冷量送入房間，從而達到節能目的，如圖1所示。從圖1中還可以明顯看出間歇空調系統運行時間相對房間使用時間存在一定的偏移量。因此需要對這一啟停時間進行預測，并保證用最少的能量在使用時間內達到所要求的參數范圍。然而，空調系統的預冷（熱）啟動時間以及提前停機時間是一多輸入單輸出的帶有大滯后環節的非線性對象。其中最佳啟動時間取決于啟動前室內溫度，室外氣象條件，建筑結構的熱物性及內熱源和空調送冷（熱）量等；最佳提前停機時間也受空調設備容量及溫差，內部照明、辦公設備及人員散熱等、停機前室內外溫度等諸因素影響，因此系統的建模工作相當復雜。

同時應該看到間歇空調如果沒有足夠的預熱（冷）時間，空調中的蓄熱負荷是不容忽視的?！?】尤其對各種地下建筑而言，土壤的蓄熱作用對啟動和停機時間的影響尤為重要。不同熱惰性的土壤對室內外溫度波及熱流波存在不同的延遲和衰減作用。本文主要針對典型地區的淺埋平戰結合的人防工程，分別對考慮土壤蓄熱作用下的圍護結構及室內空氣建立熱平衡方程，并通過軟件模擬出室內溫度隨時間的變化情況；并在此基礎上用MATLAB中的人工神經網絡工具箱對啟動和停止時間進行智能控制。

2研究方法

圖1間歇空調運行期間的室內溫度典型變化曲線

目前，有關預測最佳啟動時間的研究已有靜態最優法、簡化數學模型法、一元回歸分析法、模糊控制等，這些方法各有特點，但由于空調系統的復雜性和受傳統算法的限制，預測結果都存在著一定的誤差。同時關于最佳停機時間的確定，由于停機過程尚處在房間使用期間，仍需保證空氣熱舒適性要求，因此在來自內部隨機變化的較大擾動下，預測的提前停機時間誤差有可能會更大，至今也沒有較成功的理論和實例。文獻【2】【3】曾就建筑物內HVAC設備的衰減時間用數學公式表示，但是由于強烈的非線性以及建筑負荷響應的不斷變化導致結果誤差較大。金洪文和韋節廷等在文獻【4】中對空調系統間歇運行的時間延遲問題的討論時，分別對全空氣空調系統和風機盤管空調系統進行分析。但在建立室內空氣熱平衡方程的過程中，由于對圍護結構傳熱存在很大程度上的簡化，即采用空調冷負荷估算指標對傳熱量進行計算，這樣的處理方法不能及時有效地反映實際上的強烈非線形復雜變化，因此精度不能得到有效保證。河北工業大學的張雪萍、劉作軍對智能樓宇定風量空調系統的啟?？刂啤?】提出采用最優化方法中的非線性規劃問題解法，即外點罰函數法。這一方法不但需要系統停止使用前內的工程用電量、平均人員數、室內平均溫度和室外平均溫度四個因素，同時各系數必須通過采集各種歷史數據，并應用統計的方法，經過回歸分析運算得出。因此這一方法也不是很適用。

人工神經網絡（ArtificialNeuralNetwork）具有較強的學習和適應能力，適于那些具有不確定性或高度非線性的對象建模及控制。同時BP算法可以在隱層單元足夠多的時候逼近任意非線性映射關系，而且其學習算法屬于全局逼近方法，具有較好的泛化能力。本文將用ANN模型來預測考慮土壤蓄熱作用下的間歇空調最佳啟停時間，并對這一模型進行優化后用于其他各種不同熱特性地下建筑間歇空調啟?？刂?，達到節能目的。由于神經網絡的學習需要大量正確的實驗數據作為訓練樣本，在本文的研究過程中為了彌補有限實驗條件的不足，在做了少量的采樣實驗基礎上采用計算機模擬的方法來獲得各種不同條件下的學習樣本。因此還需要結合CFD數值模擬軟件對淺埋地下工程的圍護結構傳熱情況及其對室溫變化的影響進行模擬，并得出考慮土壤蓄熱作用下的室溫變化情況。之后將各種條件下得出的模擬數據輸入到人工神經網絡模型中，不斷進行訓練并進一步優化，為最佳啟停時間的預測確定好最優模型。

2.1考慮圍護結構蓄熱的室內溫度模型

首先需要對室內空氣溫度變化進行熱分析，見圖2。由此可以看出室內空氣溫度是受各圍護結構內表面與室內空氣的換熱，空調送冷量，排風帶走的冷量以及室內各種熱量擾動因素影響的。這些熱量和冷量共同作用于室內空氣，在考慮室內空氣的綜合熱容基礎上建立其熱平衡方程；而在這一方程中圍護結構內表面的換熱量計算尤為重要，因此還需要以圍護結構內表面建立熱平衡方程，并考慮圍護結構對內擾的蓄熱作用和對外擾的阻隔作用對室溫變化造成的影響。

CFD數值模擬使用現有的軟件PHOENICS3.4，并做如下假設：

1)各圍護結構內表面之間的輻射不予考慮；

2)室內綜合熱源對室溫的作用只考慮對流換熱，且其間歇過程視工程使用情況進行簡化；

3)圍護結構中均不考慮存在內熱源；

4)各圍護結構之間不存在冷橋作用；

5)假定所研究房間室內空氣溫度為均勻的，在每一時刻保持為一定值；

6)假定同一天的逐時氣象參數在計算過程中連續使用一定天數。

圖2室內空氣熱分析示意圖

考慮單建式淺埋地下工程在較短的一段時期（如某一季節）的室內溫度隨圍護結構特性、空調參數及室外氣象參數的變化情況。由于短時期內室外氣象參數具有一定的變化規律且可以穩定地近似成為余弦變化，考慮土壤對地表溫度波的衰減和延遲后，受地表氣溫影響的地層溫度周期性變化的幅值隨地層深度的增加按自然指數的規律減小。因此地層溫度隨深度和時間變化的關系如下：

（1）

同時考慮簡化室內間歇過程，將人員、照明和其他等室內熱源綜合成一均值表示。根據工作班制，考慮熱源在及這兩個時間段開啟。模型分別針對不同熱工特性的圍護結構以及間歇工作機制進行模擬，考慮土壤蓄熱作用影響下的室內溫度分布情況。對于圍護結構傳熱部分，PHOENICS中是將室內空氣和圍護結構視為整體來求解的，即采用整場求解方法【6】。下圖3顯示了室內空氣溫度在試驗的兩個工作日中隨時間變化的情況，圖4顯示了圍護結構內表面在這兩個試驗工作日中的溫度變化情況以及與實測數據的比較。

圖3室內空氣溫度隨時間變化情況（兩個工作日）

圖4土壤壁面溫度隨時間的變化曲線（兩個工作日）

以上誤差分析是針對土壤壁面的溫度進行的，原因之一是因為室內氣溫變化比較突兀，對誤差分析不利；同時由于圍護結構內表面的溫度直接影響到室內輻射平均溫度，因此有必要對土壤壁面的溫度進行研究。經過誤差分析比較得出，程序模擬結果與實測數據的均方差在允許范圍之內，故可以證明所研究的簡化模型對于大部分情況是適用的。同時將模擬得出的數據用于下文建立的關于最佳啟停時間預測的人工神經網絡模型中，同樣也存在可靠性和合理性。這些模擬數據不僅能為ANN提供大量真實可靠的訓練數據，也可為進一步優化此模型提供先決條件。

2.2空調最佳啟停時間預測的ANN優化模型

考慮影響空調最佳啟停時間的因素歸結為室內空氣溫度，室內空氣溫度變化率以及室外氣象參數和室外氣溫變化率，因此可以分別用，，和表示為神經元網絡的輸入量，輸出量只有一個，即為最佳啟動或停機時間（圖5），則有：

（2）

圖5預測最佳啟停時間的ANN模型

圖中為隱層各神經元的輸出閾值，為相應輸入層各變量到隱層的連接權值，為輸出層神經元的輸出閾值（此處僅有一個單元），為相應隱層各變量到輸出層的連接權值，這里是指輸入變量的個數，是指隱層的變量個數。

利用目標向量以及網絡的實際輸出計算得神經網絡樣本學習的總誤差為（式中為樣本數）：

（3）

隱層與輸出層之間權重以及輸出層的輸出閾值的修正值采用梯度法求得：

（4）

（5）

式中為學習步長。

輸入層與隱層之間權重以及隱層的輸出閾值修正如下：

（6）

（7）

式中；學習步長。

結合上述BP算法，通過MATLAB中的人工神經網絡工具箱（ANNToolbox），構造一個前向神經網絡結構模型，并設置一個循環對中間層上的單元個數進行最優控制，其主要程序如下：

%循環語句

s=4:12;

res=1:9;

fori=1:9

%構造一個前向BP網絡

net=newff(minmax(p),[s(i),1],{''''tansig'''',''''purelin''''},''''trainrp'''',''''learngd'''',''''msereg'''');

%設置訓練參數

net.trainparam.show=500;

net.trainparam.epochs=2500;

net.trainparam.goal=0.01;

%訓練網絡

net=train(net,p,t)

%仿真

y=sim(net,p);

%誤差向量

error=y-t

res(i)=norm(error)

%設置性能參數

net.performparam.ratio=20/(20+1);

%網絡性能評估

perf=msereg(error,net)

end

通過不斷對網絡的性能進行評價得出的perf值對模型結構進行尋優。經過分析對比，確定模型采用三層網絡結構，中間層采用5個神經元最優，此時的誤差的范數norm(error)最小，網絡性能最好，如圖6所示；第一個傳遞函數采用sigmoid型正切函數，第二個傳遞函數采用sigmoid型線性函數，這樣可以將無限的輸入映射到有限的輸出；訓練采用有彈回的BP算法，可以消除梯度模值對網絡訓練帶來的影響，在與其他的訓練函數進行比較的過程中得出trainrp函數最適用。這里的網絡盡管沒有達到0.01的目標，但是其MSEREG已經達到0.011441，因此可以認為已經接近網絡目標。

圖6ANN模型的性能曲線

3模型驗證

采用一個小型的系統模型實驗對上述ANN模型的有效性及正確性進行驗證。實驗在埋深為的南京地區某淺埋地下工程中進行，對其中一的房間采用一臺容量為的空調器，綜合擾動源采用一臺間歇開關的電加熱器。實驗控制室內溫度在℃范圍內，對這一房間采用ANN控制其空調系統最佳啟停時間。實驗結果表明，應用本文的控制方法，控制精度較普通控制方法有很大提高，舒適性使用要求也比較容易滿足；同時系統耗電量與普通情況相比節約以上，其節能效果顯著。尤其對一些熱惰性很大的圍護結構而言，在強蓄熱作用下空調啟停時間的最優控制將會顯得更加重要。

4結論

本文針對考慮圍護結構蓄熱作用下的室內溫度變化對空調啟動和停止時間造成的影響進行耦合傳熱分析以及最佳時間預測的。淺埋地下工程室內空氣與圍護結構之間耦合傳熱模型的建立，是為預測最佳啟停時間的人工神經網絡模型提供各種可能的樣本數據，因此是神經網絡預測的關鍵。本文在簡化假定的基礎上建立兩者之間的耦合傳熱簡化模型，并通過實測分析比較得出模型的適用性?；谝陨夏M得出的各種條件下室溫變化率的樣本數據，不斷訓練建立的人工神經網絡，并最終確定最優的ANN模型。模型對實際情況下空調啟動和停機時間的最優控制通過一個小型的模型實驗得到進一步驗證。實驗同時也分析了本文控制方法在節能效果上較普通控制要顯著。

此外由于淺埋地下工程巖土耦合傳熱模型需要進一步考慮全年氣象參數變化以及復雜室內綜合熱源的隨機性，故耦合傳熱模型的進一步完善將是下一步研究的重點。

參考文獻

1.黃晨，李美玲，鄒志軍等，大空間建筑冬季室內熱環境現場測試及能耗分析，暖通空調，2002.32(2)；

2.Park，Cheol，Anoptimalstart/stopalgorithmforheatingandcoolingsystemsinbuildings.NationalBureauofStandards,U.S.DepartmentofCommerce,May1983；

3.KoreaInstituteofConstructionTechnology,AstudyontheHVACsystemandlightingcontrolconditionsforbuildingautomation，December1987:53；

4.金洪文，韋節廷，張曉燕，空調系統間歇運行的時間延遲，長春工程學院學報（自然科學版），2000.1(1)，pp39-42；

5.張雪萍，劉作軍，李練兵，智能樓宇定風量空調系統的啟?？刂疲颖惫I大學學報，2001.30(6)，pp98-101；

6.王琴，間歇加熱時深埋地下工程內部環境與巖石耦合傳熱的動態模擬【碩士學位論文】，解放軍理工大學，2004，pp7-8；

7.HoYang,Kwang-WooKim，Predictionofthetimeofroomairtemperaturedescendingforheatingsystemsinbuildings，BuildingandEnvironment39(2004)，pp19-29；

8.JunTanimoto，AyaHagishima，StatetransitionprobabilityfortheMarkovModeldealingwithon-offcoolingscheduleindwellings，EnergyandBuildings37(2005)，pp98-101；

9.G.Clark，P.Mehta，Artificialintelligenceandnetworkinginintegratedbuildingmanagementsystems，AutomationinConstruction6(1997)，pp481-498