用于HVAC系统的建模方法外文翻译资料

英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

用于HVAC系统的建模方法

摘 要：这项工作介绍了文献中用于模拟供热、通风和空气系统的模型。模型开发对于研究HVAC系统能量守恒是必要的。还需要模型来模拟不同的监控和本地回路控制策略以提高能源消耗效率。HVAC系统具有复杂的结构,包括热量和传质设备，如冷水机组，锅炉，加热/冷却盘管和供气管道。HVAC系统还包括多个用于调节区域温度，供气温度，供气风扇速度，管道静压力，以及设定点的冷冻水温度的传感器和控制器。为了准确预测暖通空调的能耗系统，需要从测量的数据或基于潜在物理现象模拟建模单个组件。这促使三大类模型被称为数据驱动模型，物理模型和灰箱模型。在本文中，回顾了近期文献中报道的主要数据驱动，物理基础和灰盒模型技术。

关键词：空气管道, HVAC模型审查,数据驱动模型,物理基础模型, 灰盒模型,性能比较指标

1 介绍

采暖、通风和空气调节（HVAC）建模系统是研究和调节能源需求和室内环境质量。一般有三种类型的建模方法被用于HVAC系统。第一方法被称为数据驱动（黑盒或反转），系统性能数据是在正常使用情况下或根据特定的测试在输入和输出之间的关系中使用数学技术输出变量 [例如统计回归和人工神经网络（ANN）] [1]。第二方法被称为基于物理的（白盒或正向），在这些系统模型是使用的管理法则推导出来的物理学和基础过程的详细知识。第三方法称为灰箱，即基本结构的模型是通过使用物理基础的方法和模型参数通过使用参数估计来确定即近似算法对系统数据进行测量。为了建立基于物理的模型并确定它们的参数，系统及其过程的详细知识是必要的。另一方面，数据驱动模型及其参数可以在很少或根本不了解该系统及其系统的情况下知道流程。灰盒模型受益于两者的特性基于物理学和数据驱动模型，因为他们使用基于物理学建立模型结构和使用系统性能的方法用数据来估计模型参数。基于物理模型具有非常好的普通化能力，但准确度差; 而数据驱动模型对训练数据的准确性有很高的要求，即受到训练领域之外的普通化的困扰。灰箱模型相比数据驱动模型受益于其他两种类型的优点，并提供了良好的一般能力和基于物理的模型相比有更好的精确度

在本文中，提供了数据驱动，物理基础和灰盒模型的综述。综合建模资源可用。除会议记录和期刊外，美国供热，制冷和空调工程师协会（ASHRAE）还出版了多本暖通空调系统基础知识手册[1]，设备详情[2]及其应用[3]。ASHRAE还为系统主要部件（例如锅炉，热泵和冷水机组）[4]和次要部件（如管道，水管，阀门，风门，泵，风扇，空气处理单元）生成了能源计算工具包处理单元（AHU）] [5]，它们都包括全面的动态，稳态和准稳态模型。建立能源模拟程序（即TRNSYS [6]，EnergyPlus [7]和HVACSIM [8]）的技术文档也提供了常见HVAC系统组件的模型。美国能源部对建筑能源模拟软件工具进行了全面的列表，其中包括诸如BLAST，BSim，ESP-r和DOE-2等流行工具。还开发了用于Matlabreg;Simulinkreg;的几个工具箱来模拟建筑和HVAC系统，例如国际建筑物理工具箱（IBPT）[9]，SIMBAD工具箱[10]，传统和可再生能源优化工具箱（CARNOT）[11] ，HAM工具[12,13]和ASTECCA工具包[14,15]。

文献中已经报道了一些关于建模方法的调查研究。例子包括HVAC系统模糊逻辑（FL）建模调查[16]，用于HVAC组件模拟的软件[17,18]以及Matlabreg;Simulinkreg;用于HVAC系统研究[19]。尽管HVAC系统的建模取得了重大进展，但据作者所知，文献报道最近没有对覆盖数据驱动，基于物理学和灰盒模型方法的HVAC系统模型进行全面调查。

2 HVAC建模技术

HVAC建模技术分为数据驱动，物理模型和灰箱模型。模型也可以分为线性或非线性，静态或动态，显式或隐式，离散或连续，确定性或概率性以及演绎，归纳或浮动模型。根据这种分类，大部分基于物理学的技术都属于演绎模型，而数据驱动技术属于归纳模型。灰盒模型是混合模型，可以根据归纳和演绎模型进行分类。基于物理学和数据驱动的技术都可以产生线性/非线性，静态/动态以及显式或隐式模型。基于物理的技术通常会产生连续的和确定性的模型，数据驱动的技术通常会产生离散和确定性或随机模型。在开发基于物理学的HVAC系统模型时，动态模型通常用于缓慢移动的温度和湿度过程（例如区域温度动态，区域湿度动力学和储罐水温动态），并且静态模型用于快速（例如，混合箱中的混合空气温度和二氧化碳（CO₂）浓度以及通过风门和阀门的空气和水的流量]和能耗（风扇或泵的能耗）。 静态和动态模型也可以针对同一个子系统开发，例如，冷却/加热线圈的动态模型可以通过对水流和空气流的能量平衡来开发，从而产生一对微分方程，改变本质上，加热/冷却盘管静态模型可以通过将盘管视为恒定效率热交换器来开发。 通常，基于物理的动态模型是通过热网方法开发的。 在这种方法中，HVAC部件中的传热通常通过电网进行模拟,其中电阻器和电容器分别表示热阻和电容，而电流和电压分别表示热传递和温度。数据驱动模型分为基于频率域死区时间模型，数据挖掘算法，FL，随机模型，统计模型，状态空间模型，基于案例的推理模型，几何模型，随机模型和瞬时模型的方法。灰箱方法基于特定参数估计算法的选择而不同; 其中最常见的是非线性最小二乘法，单纯形搜索和遗传算法（GA）。表1给出了符号列表，表2给出了基于自动调谐标准，参数和干扰稳健性以及线性或非线性单输入单输出（SISO）或多输入建模能力的模型比较多输出（MIMO）系统。在下面的章节中，将会更详细地讨论每类方法。

2.1 数据驱动模型

用于HVAC系统的数据驱动建模的主要技术如图1所示。这些技术不限于HVAC系统的建模，也可以应用于输入和输出测量数据可用的其他系统的建模。以下小节详细讨论数据驱动或黑匣子模型。

2.1.1 带死区时间的频域模型

由于系统的热惯性很大，HVAC系统中的许多过程（例如，区域温度和湿度的动态变化）缓慢地随时间延迟移动。这样的过程可以用死区时间的一阶和二阶模型（过阻尼）模拟[20-23]，例如，

符号在表1中定义。一阶和二阶模型是为SISO系统开发的，可以扩展到MIMO系统。在文献中开发的模型的例子包括在参考文献中AHU的一阶过程模型[20]。冷却盘管动力学和管道传递函数[24]。参考文献中的温度传感器[21]，流量计参考文献。参考文献[22]和AHU的温度控制动力学[23]。为了识别死区时间的模型参数，我们应用了过程识别技术，例如，参考文献中关于非线圈空气温度，管道静压，室温和室内压力的模型[20]。

具有死区时间的一阶和二阶频域模型具有简单的结构和很少从测量数据中确定的参数。由于有关一阶和二阶系统的丰富文献，控制器设计也很简单。另一方面，数据收集过程具有侵入性，需要中断系统的正常运行。这种模型适用于线性和时不变（LTI）系统，因此复杂和时变系统动力学不能用这种模型来表示。

2.1.1 数据挖掘算法

各种数据挖掘和机器学习算法（如ANN和支持向量机（SVM））已应用于HVAC系统建模。这类方法通常用于建模复杂的非线性系统动力学。

表一 符号列表

网络通过监督式学习（通常是反向传播）算法进行训练。基于SVM的方法通过映射函数将非线性可分数据投影到更高维的特征空间，在此映射函数中可以线性分离。参考文献中对建筑能源系统的ANN应用进行了全面的调查[25]。由于训练期间获得的非最佳权重，单个ANN或多层感知器（MLP）可能产生错误的结果。为了避免这种情况，使用了MLP集合，其中使用了多个MLP，并根据大多数投票作出决定。暖通空调能耗模型在参考文献 [26] 中。使用了5种数据挖掘算法[即穷举式通用卡方自动交互检测器（CHAID），SVM和MLP发现MLP集合胜过其他算法。HVAC建模中ANN的例子包括估算参考文献中地源热泵（GSHP）的温度[27]使用环境温度，进水温度，运行时间，水流量和换热器热容量。用于预测AHU和室内空气质量（IAQ）传感器能耗的ANN模型在参考文献[28]。IAQ以室内空气温度，湿度和CO₂浓度为代表。与没有聚类的模型相比，ANN输入变量的聚类产生了具有改进的预测准确度的模型。基于动态神经网络的非线性自回归外生（NNARX）暖通空调系统模型在文献[29]。人工神经网络被用来模拟参考文献中的冷却盘管[30]用于故障检测。在这个应用中，真实线圈和人工神经网络的输出之间的差异被用来检测冷却线圈中的故障。当没有错误时，差异很小，当发生错误时，差异变大。

表二 建筑暖通空调领域不同建模技术的比较

<t

剩余内容已隐藏，支付完成后下载完整资料</t

资料编号：[464592]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 暖通:最近的进展是在监控和优化空气处理系统的性能外文翻译资料
• 使用主动负荷管理对短期负荷预测的需求侧改进——一个超市用例外文翻译资料
• 热表面两相喷雾冲击冷却中喷雾特性对热通量的影响外文翻译资料
• 火花塞式喷雾冷却机壳的集成热控制与系统评估外文翻译资料
• 温度梯度在多孔建筑材料水分迁移中的影响外文翻译资料
• 燃气发动机驱动的压缩-吸收式联合制冷系统的冷却性能和节能性外文翻译资料
• 燃气发动机热电联产系统的能效及经济可行性的分析外文翻译资料
• 种植屋面传热传质数学模型综述外文翻译资料
• 预测睡眠者热生理反应的四节点温度调节模型外文翻译资料
• 倾角对管壳式蓄热装置性影响的实验研究外文翻译资料