英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
基于小波分解和神经网络的暖通空调风机节能预测智能系统
塞尔维特索古德，菲拉特大学, 机械工程系, 23279 埃拉泽, 土耳其
（文章信息：文章简史:2010年5月26号收到投稿，2010年10月25号收到校正版，2010年12月7号录用投稿）
关键词:：暖通空调系统节能；风机电机转速预测；送风控制；温度控制；小波包分解 (WPD)；神经网络 (NN)
摘要
在本研究中，设计并测试了不同区域的通风空调系统。它的风扇电机转速和阻尼间隙率由两个控制器（即PID控制器和智能控制器）实时控制，以最大限度地降低能耗。通过考虑每个区域和蒸发器的环境温度，通过可变流量实现所需温度。在本研究中，我们利用模糊逻辑，将先前理论工作中获得的PID参数应用于本研究。本研究中使用的实验数据是在实验室环境中建立的暖通空调系统收集的。利用小波包分解（WPD）、熵和神经网络（NN）技术对风机电机转速和阻尼间隙率进行了预测。利用WPD对智能模型的输入向量进行了降维处理。经过一定的试错步骤，确定了神经网络模型的适用结构。根据试验结果，所开发的模型性能处于理想水平。验证了该方法的有效性，平均识别成功率为95.62%。该模型是一种有效而稳健的工具，可用来预测阻尼器间隙率和风扇电机转速，从而最大限度地降低暖通空调系统的能耗。
2010 Elsevier B.V.保留所有权利
1. 引言
近年来，随着人们对环境问题的日益关注，与暖通空调系统相关的智能建模研究越来越受到重视。智能方法的发展使得它们可以用于复杂系统建模。智能建模首先用于提高现有模型的鲁棒性，但现在又被用来获得新的模型。人们在生活环境中的舒适度部分取决于建筑物内空气的质量和温度。三个相互关联的系统用于提供所需的空气温度和质量。这些是通风系统、供暖系统和空调系统。暖通空调系统的目的不仅是提供热舒适性，而且要能保持舒适的空气质量。另一方面，由于成本，该系统的节能是一个最重要的问题之一。因此，为了设计一个有效的暖通空调系统，有必要了解最低能耗的各个方面。
许多作者采用变频驱动的方法，在建筑供暖、通风和空调中经常用于改变泵和风机的电机转速[1]。在这些应用中，速度控制被用来调节水或空气的流量，因为速度调节是一种节能的流量控制方法。本研究的目的是建立一个空冷离心式冷水机组的热力学模型，该模型专门分析了在各种运行条件下，冷凝器风扇的速度控制如何影响冷水机组的COP[2,3]。此外，同一作者的另一项研究还研究了如何使用变速冷凝器风扇使空冷式冷水机组更有效地运行[4]。此外，变风扇转速控制越来越多地应用于冷水机组压缩机，以节省部分负荷运行时的功率。在部分负载条件下以较低的速度运行时，电机的效率得到了提高，从而实现了节能[5,6]。
在过去的十年中，许多研究都是在基于智能方法的暖通空调系统和建筑中进行的。这些研究涉及到暖通空调系统建模和建筑物热舒适性，如暖通空调系统参数预测、暖通空调系统过程控制、暖通空调系统输出参数估计、建筑物湿度和温度控制等。智能方法的发展使其可以用于非线性分析和控制。除暖通空调系统的PID控制外，还介绍了各种智能控制方法的研究。开发了许多神经网络模型来预测温度、湿度、传热、最佳时间、压力系数和能耗[7-13]。 Soyguder和Alli研究了暖通空调系统中湿度和温度的估算[7]。Kalogirou等人讨论了利用人工神经网络估算自然通风试验室的压力系数[8]。杨等人。使用自适应人工神经网络对建筑物进行能量预测[10]。杨等人。应用人工神经网络预测建筑供暖系统和暖通空调系统的最佳启动时间[11]。萨伯拉尼等。开发了一个神经网络模型，用于计算各种烘焙产品在不同湿度、烘焙层温度条件下的导热系数[12]。在另一项研究中，Ben Nakhi和Mahmoud研究了一般回归神经网络（GRNN），设计了GRNN，经过训练后，以研究使用该技术优化公共建筑和办公楼中的暖通空调热能存储的可行性[14]。因此，许多关于人工神经网络和智能方法的研究都可以被说到[15-19]。
|
术语 风机通道内的质量流量(kg/h) 进入1区的质量流量 (kg/h) 进入2区的质量流量 (kg/h) Q 对流传热(J) =输入到每个区域的质量流量(kg/h) 定热空气比热容(kJ/kg K) 定压空气比热容(kJ/kg K) T 内部温度(◦C) 瞬间温度(◦C) 恶性循环温度(◦C) 渠道温度(◦C) 无滤层输出 语言标签 规则的射击强度 小波展开函数 膨胀系数 标度函数 分解过滤器 P 熵 预测值 实测值 |
在本研究中，基于上述文献，使用智能控制算法，找到了每个时间步长之间两个不同区域所需的能获得最低能耗的风机转速和得到所需温度的阻尼间隙率。阻尼间隙率也与空气流量成正比。此外，本文还提出了一种基于WPD-NN的暖通空调系统风机电机转速和风量智能控制系统。仿真结果表明，该方法更有效，对系统的控制效果也较好。
本文概述如下：第2节介绍了暖通空调系统的模型；第3节给出了所考虑的实时暖通空调系统的设计；第4节简要介绍了小波变换（WT）、波分复用（WPD）和神经网络（NN）；第5节对小波包和神经网络结构进行了智能建模的建模过程设计，然后，在第6节中，给出了实验和建模结果。在实验中，采用WPD-NN控制了风机电机转速和风门间隙率与空气流量成正比；第7节讨论了本研究的优缺点；最后，第8节给出了结论。
2.暖通空调系统模型
根据热力学定律可以得到系统的数学模型。然而，考虑各种参数，建立冷却区的数学模型是十分困难的。因此，我们提出了一些假设。关于这些假设的更多信息可以在作者的其他作品中看到[7]。每个试验室都有自己的暖通空调系统，包括制冷设备的冷却装置、电加热器（电阻）、风扇、阻尼电机、热电偶和蒸发器，以保持1区和2区空间的温度。
在本研究中，不同于先前的工作[7]，由于送风机速度是为了节能而控制的，因此从冷却装置吸收的质量流量（）确实会发生变化。同时，进入该区域的空气的质量流量随该区域的温度而变化。区域1输入质量流量（）和区域2输入质量流量（）的连续变化通过调节进入区域通道入口的阻尼器的间隙率来实现，具体取决于控制输出信号。受控系统的连续性方程可如下构成：
=
式（1）中的质量流量() 属于安全阀，用于排放来自该区域的过量空气。
图1显示了本研究中建模系统的示意图。从外部到系统的热传递可以表示为:
（2）
有关暖通空调系统模型的更多信息，请参见作者的其他工作[7]。
3.经过仔细考虑的实时暖通空调系统的设计
在本实验研究中，对具有不同性能的两个区域进行了冷却过程，如图2（a和b）所示。每个区域的体积为0.5立方米。1区的所有表面积都用隔离材料（strafor）隔离，而2区的表面积则没有。这样选择的目的是为了清楚地看到参考温度的稳态差异。如图2（a和b）所示，冷却空气从带有送风机的主通道输送至1区和2区。渠道水流断面面积为0.02 平方米。减振器的0度位置（开启角度()）为全开位置，系统具有最大空气质量流量。对于减振器的0度位置（开启角度()），最大空气质量流量为50 kg/h。空气质量流量在减振器的0度位置和减振器的90度位置之间的开启角（）成正比变化。同时，空气质量流量随风扇电机转速成正比变化。此外，风扇电机转速取决于蒸发器温度，如图3的方框图所示。减振器的90度位置是减振器的关闭位置，冷却空气不能通过这些区域。空气质量流量由步进驱动节流阀控制。有关所考虑的实时暖通空调系统设计的更多信息，请参见作者的其他工作[7]。
在实时暖通空调系统测试中，空气压缩机和蒸发器用于冷却系统，所需的空气流量由各区域入口管道上的阻尼器控制。各区域入口均有阻尼电机，由智能控制算法控制，如图3方框图所示。送风机首先从蒸发器中吸收5℃的空气，然后送至各个区域。在本研究中，风扇电机转速也由智能控制算法控制，以尽量减少能耗，如图3的方块图所示。
图1. 暖通空调系统两个区域的示意图
4.准备工作
在本章中，以下小节给出了本研究中使用的智能建模的理论基础。
4.1 小波变化
小波变换在电信和生物学等领域得到了反应用。由于它们适用于分析非平稳信号，因此在许多医学应用中，它们已成为傅立叶方法的有力替代品，在这些医学应用中，此类信号比比皆是[20]。小波的主要优点是具有不同的窗口大小，对于慢频率宽，对于快频率窄，从而在所有频率范围内获得最佳的时频分辨率。此外，由于视窗能够适应各个尺度的瞬态特性，小波缺乏平稳性的要求。
图2.(a 和 b) 实时HVC系统实验序列的原型图.
图3. 经过验证的系统的框图.
小波展开是傅立叶级数展开，但由一个双参数函数族定义。其定义如下： （3）
其中i和j是整数，函数是小波展开函数，两个参数展开系数称为f（x）的离散小波变换（DWT）系数。系数由以下公式给出：
= （4）
小波基函数可以从称为生成小波或母小波的函数中通过转变和扩大； （5）
其中j是平移，i是扩张参数。母小波函数不是唯一的，但它必须满足一小部分条件。其中一个是多分辨率条件，与两尺度差分方程有关；
（6）
其中是尺度函数，必须满足几个条件，使基小波函数具有唯一性、正交性和一定的正则性。母小波与尺度函数的关系如下：
(7)
其中 。此时，如果有效的h（x）可用，可以得到g（x）。注意，h和g可以分别看作半带低通和高通滤波器的滤波器系数。
j级小波分解可以用式（8）计算，如下所示:
（8）
式中，系数给出，系数和在标度j 1处，如果标度j处的系数可用，则可得到系数和；
（9）
（9）
4.2 小波包分解
作为标准小波的一种扩展，小波包代表了多分辨率分析的一种推广，并使用整个子带分解族来生成信号的超完整表示[21]。小波分解利用这样一个事实，即在一个小的时间窗内可以分解高频分量，而只有低频分量需要大的时间窗。这是因为低频分量在较大的时间间隔内完成一个周期，而高频分量在较短的时间间隔内完成一个周期。因此，缓慢变化的成分只能在长时间间隔内识别，而快速变化的成分可以在短时间间隔内识别。小波分解可以看作是在不同频率、不同层次、不同尺度上的连续时间小波分解。m级和时间位置的小波分解函数可以表示为：
（10）
式中，是频率级m的分解滤波器。分解滤波器的效果在第m阶段按系数2的m次方缩放，但在所有比例下形状都相同[22]。小波包分解是离散小波变换（DWT）[23]的一个扩展，结果表明，DWT只是很有可能能对信号分解的方法中的一种。因此，可以将整个时频平面细分为不同的时频部分，而不只是分解低频部分。小波包分析的优点在于，可以将不同层次的分解结合起来，以实现原始数据的最佳时频表示[24]。
图4. 人工神经元模型
4.3 神经网络
神经网络 (NNs) 在生物学上受到启发并模仿人脑。它们由大量被称为神经元的简单处理元件组成。人工神经元模型的示意图如图4所示。设 表示应用于神经元的m输入。 其中 表示输入的权重和b是偏置 t，然后神经元的输出由公式(11)给出。 这些神经元与连接链相连。每个链路都有一个权重与网络中传输的信号相乘。每个神经元都有一个确定输出的激活功能。大多有多种激活功能。通常使用非线性激活函数，如乙状结肠、台阶。NNS是经过长期的经验训练过得的，当把一个未知的输入应用到网络时，它可以从以往的经验中归纳总结，并产生一个新的结果。
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[444463]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
