基站用相變儲能機組性能實驗及預(yù)測模型

摘要：

針對相變儲能機組換熱性能的非線性影響因素，分析了室內(nèi)外不同環(huán)境因素下機組運行工況的性能系數(shù)（COP）及蓄/放能特征，并在焓差實驗室進行機組性能測試。基于實驗數(shù)據(jù)，建立了不同神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測模型，預(yù)測機組COP及蓄/放能量；通過預(yù)測值與實驗值結(jié)果對比，兩者相關(guān)系數(shù)大于0.99，平均相對誤差小于2%，平均均方差低于0.2%。研究結(jié)果表明，神經(jīng)網(wǎng)絡(luò)方法可以準(zhǔn)確地預(yù)測相變機組儲放能過程及對應(yīng)的性能系數(shù)。

關(guān)鍵詞：

神經(jīng)網(wǎng)絡(luò)；相變儲能；儲能量；放能量；性能系數(shù)（COP）

中圖分類號：

TU111

文獻標(biāo)志碼：A

文章編號：1674-4764（2014）05-0066-05

Performance Experiment and Prediction Model of Latent Heat Storage Unit Used in Telecommunications Base Stations

Luo Xinbo1， Zhang Quan1， Sun Xiaoqin1， Chen Xiaoming1， Wang Jiaqiang1，Liao Shuguang2

（1.College of Civil Engineering， Hunan University， Changsha 410082， P. R. China；

2.Changsha Maxxom Hi-tech Corporation，Changsha 410015， P. R. China）

Abstract：

energy saving potential of latent heat storage unit was studied（LHSU） by using neural network. Experiments were conducted in an enthalpy difference laboratory to simulate the performance of LHSU. Different neural network structures were built to predict the influence of nonlinear factors including air flow rate， air temperature. Coefficient of performance （COP）， energy storage and discharge rates on the unit’s operation performance. Results showed that the predictions agreed well with the experimental data with correlation coefficients in the range of 0.99～1.00， mean relative errors below 2% and very low root mean square errors.

Key words：

neural network； phase change energy storage； energy storage； energy discharge； coefficient of performance.

隨著通信業(yè)的迅速發(fā)展，中國對基站數(shù)量需求越來越多，基站耗電量大。據(jù)不完全統(tǒng)計，僅中國移動2009年耗電就達(dá)到111.4億kW·h，基站耗能已占運營商能耗的一半左右^[1]，其中空調(diào)耗能占基站耗能30%～50%^[2]，基站空調(diào)系統(tǒng)節(jié)能迫在眉睫。李雄文^[3]從氣流組織角度提出空調(diào)下送風(fēng)方式及出風(fēng)口朝向通信設(shè)備進風(fēng)口實現(xiàn)節(jié)能；李森^[4]指出在合適的室外氣候條件下，通信基站采用新風(fēng)技術(shù)全年可實現(xiàn)節(jié)能30%～50%。為解決新風(fēng)技術(shù)中能量供需不平衡的問題，孫小琴等^[5]提出相變儲能機組，結(jié)合室外新風(fēng)技術(shù)和相變儲能技術(shù)降低基站制冷能耗，研究發(fā)現(xiàn)，采用此項技術(shù)機組能效比高達(dá)14.04 W/W。

相變儲能機組性能的影響因素眾多，難以通過數(shù)學(xué)模型準(zhǔn)確預(yù)測機組性能。為了方便地分析相變儲能機組的節(jié)能性，本文采用神經(jīng)網(wǎng)絡(luò)預(yù)測機組COP和蓄/放能量，分析影響機組性能的參數(shù)。神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行分布式存儲、處理及自組織、自適應(yīng)、自學(xué)習(xí)的能力，特別適合處理需要同時考慮許多因素和條件的問題^[6]。眾多專家學(xué)者針對不同問題進行神經(jīng)網(wǎng)絡(luò)建模研究。陳文鼎等^[7]利用神經(jīng)網(wǎng)絡(luò)，以不同時刻的室外氣溫、太陽輻射以及某時刻供冷時數(shù)作為輸入準(zhǔn)確預(yù)測出第二天空調(diào)負(fù)荷，并分析誤差原因及提高精度的方法；魏東等^[8]采用前向神經(jīng)網(wǎng)絡(luò)作為優(yōu)化反饋控制器穩(wěn)定控制變風(fēng)量空調(diào)系統(tǒng)，并實時預(yù)測出空調(diào)區(qū)域負(fù)荷；Kusiak等^[9]采用動態(tài)神經(jīng)網(wǎng)絡(luò)對HVAC系統(tǒng)優(yōu)化建模，與傳統(tǒng)控制策略相比可節(jié)能30%；Gerardo等^[10]通過神經(jīng)網(wǎng)絡(luò)控制翅片式換熱器的換熱空氣溫度，與常規(guī)PI/PID控制比較，神經(jīng)網(wǎng)絡(luò)更容易穩(wěn)定系統(tǒng)且具有更好的適應(yīng)性；Qi等^[11]分析無填料噴霧冷卻塔熱質(zhì)傳遞，與實驗結(jié)果相比，神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的絕對平均相對誤差為1.13%，而數(shù)值模型計算的誤差達(dá)到9.42%；Ermis^[12]利用神經(jīng)網(wǎng)絡(luò)分析管翅式蓄熱系統(tǒng)相變傳熱過程，以傳熱面積、雷諾數(shù)、進口傳熱流體溫度、時間為輸入預(yù)測蓄熱量，與實驗數(shù)據(jù)相比，其絕對平均相對誤差為5.59%，小于數(shù)值模型的14.99%。因此，在非線性影響因素眾多的系統(tǒng)采用神經(jīng)網(wǎng)絡(luò)方法研究比傳統(tǒng)方法更精確，耗時花費更少。

目前相變儲能機組還處在研究階段，考慮到機組COP及蓄/放能量影響因素之間的非線性特性，本文利用BP神經(jīng)網(wǎng)絡(luò)對相變儲能機組COP及蓄/放能量進行預(yù)測，以空氣溫濕度、水流量、風(fēng)量、水溫差、功率及時間為輸入量，采用三層網(wǎng)絡(luò)結(jié)構(gòu)，對比隱含層不同神經(jīng)元的預(yù)測輸出，以湖南大學(xué)焓差臺實驗的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進行了對比驗證。

1 基站用相變儲能機組模型

孫小琴等^[5]研發(fā)出一種基站用相變儲能機組，該機組由空氣冷卻器、相變模塊、風(fēng)機、水泵、過濾器、水管以及相應(yīng)的控制裝置組成，其模型如圖1所示。其運行模式有新風(fēng)、儲能以及放能模式。

該實驗室由兩個房間組成，1個是室內(nèi)側(cè)，用于模擬基站內(nèi)的溫濕度條件，另1個為室外側(cè)，用于模擬戶外新風(fēng)條件。相變儲能機組放在室內(nèi)側(cè)，對其性能進行測試，同時在室內(nèi)側(cè)放置1個2 500 W的加熱器作為基站內(nèi)典型的熱源。在室內(nèi)側(cè)和室外側(cè)共設(shè)立3個測點，測點1、2、3分別用熱電偶測得送風(fēng)溫濕度，回風(fēng)溫濕度以及新風(fēng)溫濕度，用能量計測出水流量和水溫，通過測定標(biāo)準(zhǔn)流量噴嘴前后靜壓差測量風(fēng)量，每5 min記錄一組數(shù)據(jù)，儲能模式下記錄60組數(shù)據(jù)，放能模式下為45組數(shù)據(jù)。該機組的COP以及蓄/放能結(jié)果如圖3～5所示。

由圖3可以看出在儲能模式下整臺相變機組的COP穩(wěn)定在12.56，放能模式COP下降的原因在于蓄能量的釋放，對于確定的相變模塊，其蓄能量有限，但在放能的3 h內(nèi)可以穩(wěn)定在9.64。由圖4可以看出在儲能模式下相變儲能機組蓄能率在0.5 h內(nèi)蓄能比較快，0.5～4.5 h內(nèi)基本呈線性降低，之后蓄能急劇下降；從圖5可以看出在放能模式下機組放能率在0.5 h內(nèi)放能過程比較快，之后較緩；這兩圖變化原因在于相變儲能模塊容量有限以及在蓄能、放能傳熱的過程中模塊分別與流體之間的傳熱溫差開始時較大，換熱率高，之后溫差逐漸減小[13-14]。

3 神經(jīng)網(wǎng)絡(luò)模型及預(yù)測分析

在神經(jīng)網(wǎng)絡(luò)預(yù)測應(yīng)用中已有眾多專家學(xué)者實驗表明三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)足以達(dá)到精度，而且發(fā)現(xiàn)隱含層數(shù)越多，誤差反向傳播的過程計算及編程越復(fù)雜，訓(xùn)練時間也急劇增加，訓(xùn)練過程中更容易陷入局部最小誤差，同時，網(wǎng)絡(luò)連接權(quán)系數(shù)矩陣也難以調(diào)整到最小誤差處^[15]。因此選擇三層網(wǎng)絡(luò)結(jié)構(gòu)。隱含層神經(jīng)元數(shù)直接影響B(tài)P神經(jīng)網(wǎng)絡(luò)預(yù)測精度，節(jié)點數(shù)過多，會引起訓(xùn)練時間過長且容易造成神經(jīng)網(wǎng)絡(luò)過擬合，而節(jié)點數(shù)過少，網(wǎng)絡(luò)學(xué)習(xí)不完善，訓(xùn)練次數(shù)會增加，訓(xùn)練精度也會受到影響，但是目前還沒有統(tǒng)一的解析式來確定隱含層節(jié)點數(shù)，因此，本文在kolmogrov定理^[16]基礎(chǔ)上采用不同節(jié)點數(shù)即節(jié)點數(shù)為18、19、20時比較研究。由相變機組模式研究可知，其COP的影響因素主要有新/回風(fēng)溫濕度、水流量、風(fēng)量、水溫差以及功率，而蓄/放能不僅跟上述因素有關(guān)而且跟時間有聯(lián)系，以這些影響參數(shù)作為網(wǎng)絡(luò)的輸入，其神經(jīng)網(wǎng)絡(luò)模型如圖6所示。

Mohanraj^[17]建議隨機選取實驗數(shù)據(jù)的70%作為模型訓(xùn)練，余下的用于結(jié)果對比，由此儲能模式下為40組訓(xùn)練，20組對比，放能模式下30組訓(xùn)練，15組對比。訓(xùn)練采用Levenberg-Marquardt算法，收斂速度快且可以有效防止神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂于局部最小^[17]。預(yù)測模型的準(zhǔn)確度采用均方差（MSE）、平均相對誤差（MRE）指標(biāo)以及線性相關(guān)系數(shù)（R）來評價。輸入層到隱含層以及隱含層到輸出層的傳遞函數(shù)分別為sigmoid函數(shù)和線性函數(shù)。 預(yù)測誤差結(jié)果如表1。

由表1可知每一種結(jié)構(gòu)的預(yù)測精度都能達(dá)到要求，平均相對誤差小于2%，均方差低于0.2%，有的甚至接近于0，線性系數(shù)大于0.99。對于神經(jīng)網(wǎng)絡(luò)預(yù)測，隱含層單元數(shù)根據(jù)kolmogrov定理選取可以達(dá)到精度，但這3種結(jié)構(gòu)存在差異，儲能模式下，預(yù)測COP隱含層單元數(shù)最好是20，預(yù)測蓄能量為19時最佳；放能模式下，預(yù)測COP最佳隱含層單元數(shù)是19，預(yù)測放能量是隱含層單元數(shù)為20時最好。分析其差異原因，主要在于兩種模式訓(xùn)練數(shù)據(jù)不一致以及COP與蓄/放能的影響參數(shù)之間存在差異。對于相變儲能機組來說，利用神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確預(yù)測出其性能，避免數(shù)值模擬中復(fù)雜傳遞函數(shù)推導(dǎo)以及由假設(shè)、近似等推導(dǎo)過程帶來的誤差。

4 結(jié) 論

通過分析室內(nèi)外不同環(huán)境因素下機組運行工況的性能系數(shù)（COP）及蓄/放能特征，建立Levenberg-Marquardt訓(xùn)練算法的BP神經(jīng)網(wǎng)絡(luò)來預(yù)測眾多非線性影響因素的相變儲能機組的性能，該網(wǎng)絡(luò)結(jié)構(gòu)輸入9個參數(shù)，預(yù)測出機組的3個性能參數(shù)即COP、蓄/放能量，并比較隱含層單元不同時的預(yù)測結(jié)果，在kolmogrov定理基礎(chǔ)上確定的隱含層單元數(shù)都能達(dá)到精度要求，通過與焓差臺的實驗數(shù)據(jù)對比，均方差小于0.2%，平均相對誤差小于2%，相關(guān)系數(shù)大于0.99，結(jié)果表明神經(jīng)網(wǎng)絡(luò)可以很好地用于相變機組的性能預(yù)測。參考文獻：

[1]

陳沂. 濕熱地區(qū)通信基站建筑節(jié)能設(shè)計策略與技術(shù)[D]. 廣州：華南理工大學(xué)，2010.

[2]Tu R. Energy performance analysis on telecommunication base station[J]. Energy and Buildings，2011，43： 315-325.

[3]李雄文.機房空調(diào)合理安裝與控制對散熱及節(jié)能的影響分析[J].智能建筑與城市信息，2010（7）：20-22.

Li X W. Heat rejection and energy efficiency analysis by reasonable installation and control of air conditioner in plant room[J]. Chinese Journal of Intelligent Building and Urban Information， 2010， 7： 20-22.

[4]李森.通風(fēng)節(jié)能系統(tǒng)在電信機房中的應(yīng)用[J].電信技術(shù)，2008（8）：48-49.

Li S. Application of ventilation energy saving systems in telecommunication plant room[J]. Chinese Journal of Telecommunication Technology， 2008， 8： 48-49.

[5]Sun X Q， Zhang Q， Mario A， et al. A study on the use of phase change materials （PCMs） in combination with a natural cold source for space cooling in telecommunications base stations （TBSs） in China[J]. Applied Energy，2014，117： 95-103.

[6]邢廣成，強天偉. ANN理論在HVAC領(lǐng)域的應(yīng)用[J]. 科技信息，2012（28）： 100-101.

Xing G C，Qiang T W. Application of artificial neural network in HVAC systems [J]. Chinese Journal of Technology Information， 2012（28）： 100-101.

[7]陳文鼎，趙哲身. 基于BP神經(jīng)網(wǎng)絡(luò)的空調(diào)負(fù)荷預(yù)測[J]. 節(jié)能技術(shù)， 2010，28（1）： 15-17.

Chen W D， Zhao Z S. Air conditioning cool load forecast based on BP neural network[J]. Chinese Journal of Energy Saving Technology， 2010， 28（1）： 15-17.

[8]魏東，支謹(jǐn)，張明廉. 基于人工神經(jīng)網(wǎng)絡(luò)的變風(fēng)量空調(diào)控制系統(tǒng)[J].暖通空調(diào)， 2005， 35（4）：112-116.

Wei D， Zhi J， Zhang M L. VAV air conditioning control system based on artificial neural network [J]. Chinese Journal of HV AC， 2005， 35（4）： 112-116.

[9]Kusiak A， Xu G L. Modeling and optimization of HVAC systems using a dynamic neural network [J]. Energy，2012，42： 241-250.

[10]Díaz G， Sen M， Yang K T， et al. Dynamic prediction and control of heat exchangers using artificial neural networks [J]. International Journal of Heat and Mass Transfer，2001，44：1671-1679.

[11]Qi X N， Liu Z Y， Li D D. Numerical simulation of shower cooling tower based on artificial neural network[J]. Energy Conversion and Management，2008，49：724-732.

[12]Ermis K， Erek A， Dincer L. Heat transfer analysis of phase change process in a finned-tube thermal energy storage system using artificial neural network[J]. International Journal of Heat and Mass Transfer，2007，50：3163-3175.

[13]Mosaffa A H， Infante C A Ferreira， et al. Thermal performance of a multiple PCM thermal storage unit for free cooling[J]. Energy Conversion and Management，2013，67： 1-7.

[14]Teggar M， Mezaache E H. Numerical investigation of a PCM heat exchanger for latent cool storage [J]. Energy Procedia，2013，36： 1310-1319；

[15]朱能，史學(xué)宇，劉俊杰，等.人工神經(jīng)網(wǎng)絡(luò)對空調(diào)負(fù)荷預(yù)測過程的優(yōu)化研究[J].制冷學(xué)報，2002（2）： 35-38.

Zhu N， Shi X Y， Liu J J， et al. Optimation study on air conditioning cool load forecast process by artificial neural network [J]. Chinese Journal of Refrigeration， 2002（2）： 35-38.

[16]吳杰. 冰蓄冷空調(diào)系統(tǒng)負(fù)荷預(yù)測模型和系統(tǒng)優(yōu)化控制研究[D]. 杭州：浙江大學(xué)，2002.

[17]Mohanraj M， Jayaraj S， Muraleedharan C. Applications of artificial neural networks for refrigeration， air-conditioning and heat pump systems—A review [J]. Renewable and Sustainable Energy Reviews，2012，16：1340-1358.