PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對露點間接蒸發(fā)冷卻空調(diào)機組性能預(yù)測研究

陳 夢 黃 翔 屈悅瀅

（西安工程大學(xué)城市規(guī)劃與市政工程學(xué)院 西安 710048）

0 引言

蒸發(fā)冷卻空調(diào)技術(shù)以水作為制冷劑，最大限度地利用了我國干燥地區(qū)豐富的干空氣能源，能有效減少溫室氣體排放、節(jié)約能源[1]。作為我國暖通空調(diào)行業(yè)綠色、環(huán)保、節(jié)能的關(guān)鍵技術(shù)之一，目前蒸發(fā)冷卻空調(diào)技術(shù)已日益成熟并實現(xiàn)了產(chǎn)業(yè)化，已用于工業(yè)建筑、公共建筑、住宅建筑、軌道交通、農(nóng)業(yè)建筑的空調(diào)系統(tǒng)中，可以大大減少峰值的電力消耗和電力需求[2]。

露點間接蒸發(fā)冷卻技術(shù)利用一次空氣干球溫度和露點溫度的差值為驅(qū)動勢，能有效提高蒸發(fā)冷卻空調(diào)設(shè)備的溫降。由于其顯著的優(yōu)勢，成為目前國際上許多專家和學(xué)者研究的熱點。關(guān)于露點間接蒸發(fā)冷卻性能預(yù)測方面還鮮有研究，如何尋找一種簡單、快速、高效的性能預(yù)測模型已成為研究重點之一。采用神經(jīng)網(wǎng)絡(luò)方法的優(yōu)勢在于可以充分模擬預(yù)測、規(guī)避產(chǎn)品缺陷；降低機組的研發(fā)成本、縮短機組研發(fā)的周期、增強機組的核心競爭力[3]。

1 露點間接蒸發(fā)冷卻空調(diào)機組BP 神經(jīng)網(wǎng)絡(luò)分析樣本測試數(shù)據(jù)采集

1.1 中等濕度地區(qū)某露點間接蒸發(fā)冷卻空調(diào)機組實測數(shù)據(jù)采集

本項目用的露點間接蒸發(fā)冷卻空調(diào)機組位于陜西省榆林市錦界鎮(zhèn)，機組實物圖如圖1所示，機組測點布置圖如圖3所示，測點分別布置在機組的進風(fēng)口、排風(fēng)口、送風(fēng)口處。其中1 臺機組應(yīng)用于中控室，面積約50m2/間；2 臺應(yīng)用于電子間，面積約60m2/間，機組風(fēng)量均為20000m3/h。室內(nèi)還裝有三臺機械制冷柜機，作為輔助冷源使用。

圖1 露點間接蒸發(fā)冷卻機組實物圖Fig.1 Physical map of dew point indirect evaporative cooling air conditioning unit

圖2 露點間接蒸發(fā)冷卻空調(diào)系統(tǒng)平面圖Fig.2 Dew point indirect evaporative cooling air conditioning unit system plan

圖3 露點間接蒸發(fā)冷卻機組測點布置示意圖Fig.3 Dew point indirect evaporative cooling unit measurement point arrangement diagram

1.2 高濕度地區(qū)某露點間接蒸發(fā)冷卻空調(diào)機組實測數(shù)據(jù)采集

本項目用的是在福州地區(qū)某公司實驗室安裝的露點機組[4]，機組實物圖如圖4所示，機組測點布置圖同樣如圖3所示，測點分別布置在機組的進風(fēng)口、排風(fēng)口、送風(fēng)口處。該機組額定風(fēng)量15000m3/h，對上述機組進行測試，機組的風(fēng)口截面積不變，實測的機組進風(fēng)迎面平均風(fēng)速為5.5m/s，二/一次風(fēng)量比為0.6，一次風(fēng)量為6375m3/h，二次風(fēng)量為3825m3/h。部分測試數(shù)據(jù)如表2所示。

圖4 機組實物圖Fig.4 Physical map of the unit

表2 15000m3/h 風(fēng)量機組測試數(shù)據(jù)（部分?jǐn)?shù)據(jù)）Table 2 Test data of 15000m3/h air volume unit(partial data)

1.3 干燥地區(qū)某露點間接蒸發(fā)冷卻空調(diào)機組實測數(shù)據(jù)采集

本工程為機場擴建工程子項目，主要范圍為敦煌機場航空配餐中心。總建筑面積2880m2，共2層，層高4.2m，機組實物圖如圖5所示，共有6臺機組[5,6]，機組測點布置圖同樣如圖3所示，測點分別布置在機組的進風(fēng)口、排風(fēng)口、送風(fēng)口處。該機組額定風(fēng)量分別為20000m3/h、10000m3/h，對上述機組進行測試，機組的風(fēng)口截面積不變，實測的機組進風(fēng)迎面平均風(fēng)速分別為6.1m/s、4.7m/s，二/一次風(fēng)量比分別為0.56、0.62，一次風(fēng)量分別為11804m3/h、4320m3/h，二次風(fēng)量分別為6610m3/h、2680m3/h。部分測試數(shù)據(jù)如表3所示。

圖5 機組實物圖Fig.5 Physical map of the unit

表3 10000m3/h 和20000m3/h 風(fēng)量機組測試數(shù)據(jù)（部分?jǐn)?shù)據(jù)）Table 3 Test data of 10000m3/h and 20000m3/h air volume unit(partial data)

續(xù)表3 10000m3/h 和20000m3/h 風(fēng)量機組測試數(shù)據(jù)（部分?jǐn)?shù)據(jù)）

2 露點間接蒸發(fā)冷卻空調(diào)機組BP 神經(jīng)網(wǎng)絡(luò)性能預(yù)測模型研究

2.1 BP 神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)

2.1.1 BP 神經(jīng)網(wǎng)絡(luò)算法介紹

BP 算法包括樣本正向、誤差反向傳播兩部分。如圖6所示，算法結(jié)構(gòu)分為三部分[7]。當(dāng)網(wǎng)絡(luò)的結(jié)構(gòu)被確定后，根據(jù)輸入、輸出數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練，找到兩者之間的關(guān)系，修正隱含層的閾值。

圖6 BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖Fig.6 BP Neural network topology structure diagram

2.1.2 BP 神經(jīng)網(wǎng)絡(luò)研究方法

（1）訓(xùn)練樣本的選取

訓(xùn)練樣本：本文所研究的機組功能段核心為露點間接段。由于影響機組冷卻效率的因素對機組性能產(chǎn)生的影響是非線性的，同時需要較多的測試數(shù)據(jù)進行訓(xùn)練，才能更好地尋找兩者之間的規(guī)律。因此，采用機組實測數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，利用Matlab 軟件建立預(yù)測露點蒸發(fā)冷卻空調(diào)機組性能的神經(jīng)網(wǎng)絡(luò)模型，從而利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)實現(xiàn)對露點蒸發(fā)冷卻空調(diào)機組的蒸發(fā)效率進行預(yù)測。

（2）輸入/輸出樣本設(shè)計

影響露點間接蒸發(fā)冷卻效率的影響因素很多，本課題主要研究在機組其他條件不變的情況下，主要考慮機組進風(fēng)口干球溫度、相對濕度、總風(fēng)量、迎面風(fēng)速、一次風(fēng)量、二次風(fēng)量、二/一次風(fēng)量比對機組性能（蒸發(fā)效率）的影響。為了更有效地進行網(wǎng)絡(luò)訓(xùn)練，對訓(xùn)練數(shù)據(jù)歸一化[8]，對網(wǎng)絡(luò)輸出數(shù)據(jù)進行反歸一化。

（3）神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計

輸入層包括機組進風(fēng)口的空氣狀態(tài)參數(shù)（干球溫度、相對濕度）、總風(fēng)量、迎面風(fēng)速、一次風(fēng)量、二次風(fēng)量、二/一次風(fēng)量比7 個重要的參數(shù)，由于考慮到多輸出參數(shù)導(dǎo)致的神經(jīng)網(wǎng)絡(luò)參數(shù)權(quán)重以及參數(shù)之間共用最優(yōu)解的問題，因此輸出層有蒸發(fā)效率1 個參數(shù)。網(wǎng)絡(luò)采用一個隱含層，隱含層的神經(jīng)元個數(shù)按Mr.Kawashima 提出的方法選擇，即神經(jīng)元個數(shù)為7×2+2=16，即隱含層神經(jīng)元個數(shù)初始值取16 個，通過程序運行過程中采用試湊法得出最佳的隱含層神經(jīng)元個數(shù)為14。

（4）網(wǎng)絡(luò)傳遞及訓(xùn)練函數(shù)

隱含層神經(jīng)元采用對數(shù)S 型正切函數(shù)Tansig，輸出層神經(jīng)元采用purelin 函數(shù)。為避免BP 神經(jīng)網(wǎng)絡(luò)算法的預(yù)測結(jié)果陷入局部最優(yōu)的問題，學(xué)習(xí)和訓(xùn)練函數(shù)采用LM 算法的trainlm 函數(shù)。同時還需要設(shè)置訓(xùn)練次數(shù)1000 次，訓(xùn)練誤差10-9，學(xué)習(xí)率0.1。

2.2 中等濕度地區(qū)某露點間接蒸發(fā)冷卻空調(diào)機組BP 神經(jīng)網(wǎng)絡(luò)性能預(yù)測結(jié)果分析

本小節(jié)對中等濕度地區(qū)（陜西榆林）露點間接蒸發(fā)冷卻空調(diào)機組性能預(yù)測，測試時間為2019年8月1—6日、每天9:00—18:00 的實際機組運行的測試數(shù)據(jù)，每小時記錄一次，每天10 組，共有60組測試數(shù)據(jù)。以2019年8月1—5日每天9:00—18:00 的測試數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，設(shè)置2019年8月6日9:00—18:00 的數(shù)據(jù)為預(yù)測數(shù)據(jù)。

由圖7 和圖8，BP 網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測值與實測值的變化趨勢整體上基本一致。但存在個別數(shù)據(jù)誤差較大的問題，其中，在測試樣本號為7 的相對誤差較大，接近10%。通過對預(yù)測結(jié)果進行檢驗與驗證，得到該預(yù)測模型蒸發(fā)效率的RMSE為3.1367，決定系數(shù)r2為0.9659。

圖7 BP 神經(jīng)網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測結(jié)果Fig.7 BP Neural Network's Forecast Results of Unit Evaporation Efficiency

圖8 BP 神經(jīng)網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測相對誤差Fig.8 BP neural network predicts relative error of unit evaporation efficiency

2.3 高濕度地區(qū)某露點間接蒸發(fā)冷卻空調(diào)機組BP神經(jīng)網(wǎng)絡(luò)性能預(yù)測結(jié)果分析

本小節(jié)對高濕度地區(qū)（福建福州）機組的性能預(yù)測方法同上，并且機組結(jié)構(gòu)相同，機組測試時間為2017年6月23日、27—30日，通過對數(shù)據(jù)的整理，選擇每天9:00—18:00 的機組運行的測試數(shù)據(jù)，每30 分鐘記錄一次，每天20 組，共有100 組測試數(shù)據(jù)。以2017年6月23日、27—29日每天9:00—18:00 的測試數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，設(shè)置2017年6月30日9:00—18:00 的數(shù)據(jù)為預(yù)測數(shù)據(jù)。

由圖9 和圖10，BP 網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測值與實測值的變化趨勢整體上基本一致。但存在個別數(shù)據(jù)誤差較大的問題，其中，在測試樣本號為3、10、16 的相對誤差較大，最大的相對誤差接近10%。通過對預(yù)測結(jié)果進行檢驗與驗證，得到該預(yù)測模型蒸發(fā)效率的RMSE 為4.6170，決定系數(shù)r2為0.9581。因此可認(rèn)為，BP 網(wǎng)絡(luò)能夠預(yù)測出蒸發(fā)效率及其變化趨勢。

圖9 BP 神經(jīng)網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測結(jié)果Fig.9 BP Neural Network's Forecast Results of Unit Evaporation Efficiency

圖10 BP 神經(jīng)網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測相對誤差Fig.10 BP neural network predicts relative error of unit evaporation efficiency

2.4 干燥地區(qū)某露點間接蒸發(fā)冷卻空調(diào)機組BP神經(jīng)網(wǎng)絡(luò)性能預(yù)測結(jié)果分析

本小節(jié)對干燥地區(qū)（敦煌機場）機組性能預(yù)測方法同上，并且機組結(jié)構(gòu)相同，機組測試時間為2018年8月19-23日，通過對數(shù)據(jù)的整理，選擇每天9:00—18:00 的機組運行的測試數(shù)據(jù)，每30分鐘記錄一次，每天20 組，共有100 組測試數(shù)據(jù)。以2018年8月19—22日每天9:00—18:00 的測試數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，設(shè)置2018年8月23日9:00—18:00 的數(shù)據(jù)為預(yù)測數(shù)據(jù)。

由圖11 和圖12，BP 網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測值與實測值的變化趨勢整體上也基本一致。但同時存在個別數(shù)據(jù)誤差較大的問題，其中，在測試樣本號為4 的相對誤差較大，接近14%。通過對預(yù)測結(jié)果進行檢驗與驗證，得到該預(yù)測模型蒸發(fā)效率的RMSE 為3.4934，決定系數(shù)r2為0.9673。因此可認(rèn)為，BP 網(wǎng)絡(luò)能夠準(zhǔn)確的預(yù)測出蒸發(fā)效率及其變化趨勢。

圖11 BP 神經(jīng)網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測結(jié)果Fig.11 BP Neural Network's Forecast Results of Unit Evaporation Efficiency

圖12 BP 神經(jīng)網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測相對誤差Fig.12 BP neural network predicts relative error of unit evaporation efficiency

2.5 不同氣象條件下露點間接蒸發(fā)冷卻空調(diào)機組BP 神經(jīng)網(wǎng)絡(luò)性能預(yù)測結(jié)果分析

本文2.2-2.4 節(jié)分別是對不同地區(qū)露點間接蒸發(fā)冷卻空調(diào)機組的性能預(yù)測，本節(jié)神經(jīng)網(wǎng)絡(luò)輸入輸出樣本為三個地區(qū)的260 組數(shù)據(jù)，設(shè)置陜西地區(qū)2019年8月1—2日9:00—18:00 的數(shù)據(jù)為預(yù)測值，其他數(shù)據(jù)均為模型的訓(xùn)練值。

由圖13 和圖14，BP 網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測值與實測值的變化趨勢整體上是基本一致的。同樣存在個別數(shù)據(jù)誤差較大的問題，其中，在測試樣本號為11、12 的相對誤差較大，接近13%。通過對預(yù)測結(jié)果進行檢驗與驗證，得到該預(yù)測模型蒸發(fā)效率的RMSE 為6.4157，決定系數(shù)r2為0.9381。因此可認(rèn)為，BP 網(wǎng)絡(luò)能夠準(zhǔn)確的預(yù)測出機組蒸發(fā)效率及其變化趨勢。

圖13 BP 神經(jīng)網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測結(jié)果Fig.13 BP Neural Network's Forecast Results of Unit Evaporation Efficiency

圖14 BP 神經(jīng)網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測相對誤差Fig.14 BP neural network predicts relative error of unit evaporation efficiency

由表4 可得，對于BP 神經(jīng)網(wǎng)絡(luò)在不同氣象條件下露點間接蒸發(fā)冷卻空調(diào)機組的預(yù)測，決定系數(shù)r2均在0.9 以上，表明所搭建的模型具有一定的穩(wěn)定性。均方根誤差RMSE 平均為4.4157。

表4 BP 神經(jīng)網(wǎng)絡(luò)對不同氣象條件露點間接蒸發(fā)冷卻空調(diào)機組蒸發(fā)效率的預(yù)測結(jié)果對比Table 4 Comparison of prediction results of BP neural network on the evaporation efficiency of indirect evaporative cooling air conditioning units with dew point in different meteorological conditions

2.6 輸入變量對輸出變量影響程度分析

2.6.1 灰色關(guān)聯(lián)分析方法理論基礎(chǔ)

灰色關(guān)聯(lián)分析是一種多因素統(tǒng)計方法，衡量各個因素間的關(guān)聯(lián)度，適用于動態(tài)過程分析[9]，可以彌補數(shù)理統(tǒng)計方法的不足，具有很強的適用性。該方法通過對數(shù)據(jù)進行量化，計算量小，非常方便，因此灰色關(guān)聯(lián)分析的結(jié)果不會與定性結(jié)果矛盾。本文采用該方法來實現(xiàn)多個因素對結(jié)果影響程度的分析。

2.6.2 輸入變量對輸出變量影響程度結(jié)果分析

采用Matlab 來實現(xiàn)輸入變量與輸出變量之間的關(guān)聯(lián)度分析。得到的關(guān)聯(lián)度如表5 和圖15所示，通過比較7 個輸入變量與輸出變量關(guān)聯(lián)度的大小可以看出：二/一次風(fēng)量比>迎面風(fēng)速>進風(fēng)溫度>總風(fēng)量>相對濕度>二次風(fēng)量>一次風(fēng)量。

圖15 關(guān)聯(lián)度結(jié)果圖Fig.15 Relevance result graph

表5 關(guān)聯(lián)度的計算結(jié)果Table 5 Calculation result of relevance

因此得出結(jié)論：輸出變量蒸發(fā)效率受到輸入變量二/一次風(fēng)量比的影響最大。二次風(fēng)量的影響雖然是最小的，但是關(guān)聯(lián)度為0.5657>0.5，因此也是重要的參數(shù)。

3 露點間接蒸發(fā)冷卻空調(diào)機組PSO 優(yōu)化BP神經(jīng)網(wǎng)絡(luò)性能預(yù)測模型研究

3.1 PSO-BP 模型的構(gòu)建

由于第2 節(jié)所建立的BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果具有較好的穩(wěn)定性，在不同氣象條件下（陜西、福建、甘肅）的預(yù)測效果差別不大，因此本節(jié)將建立的PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型僅應(yīng)用在陜西榆林，即本節(jié)采用的數(shù)據(jù)為第1.2 節(jié)露點間接蒸發(fā)冷卻空調(diào)機組的實測數(shù)據(jù)。訓(xùn)練數(shù)據(jù)和預(yù)測數(shù)據(jù)的設(shè)置同2.2 節(jié)。

PSO 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)模型是對網(wǎng)絡(luò)的閾值、權(quán)值進行不斷更新的一個過程，通過構(gòu)建合適的網(wǎng)絡(luò)結(jié)構(gòu)來對機組的蒸發(fā)效率進行預(yù)測。網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計同2.1 節(jié)。優(yōu)化算法的流程圖如圖16所示。

圖16 PSO 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)模型的流程圖Fig.16 Flow chart of PSO optimized BP neural network model

（1）確定粒子的維度

式中：m為輸入層神經(jīng)元數(shù)；n為隱含層神經(jīng)元數(shù)；l為輸出層神經(jīng)元數(shù)。

根據(jù)公式（1），由2.1 節(jié)可知BP 神經(jīng)網(wǎng)絡(luò)模型的輸入層神經(jīng)元數(shù)為7、隱含層神經(jīng)元數(shù)為14、輸出層神經(jīng)元數(shù)為1，因此可得D=127。

（2）確定粒子種群規(guī)模N

N與該算法的計算量和全局尋優(yōu)能力有很大關(guān)系，N越大，參與搜索的粒子數(shù)越多，所以算法全局尋優(yōu)能力越強。N過大也會導(dǎo)致其計算時間呈現(xiàn)指數(shù)式增長。N過少會使全局信息減少從而易陷入局部最優(yōu)。N的增長不與搜索能力成正比[10]。一般來說，經(jīng)驗參數(shù)值多在[20，80]。綜上，N取50。

（3）確定學(xué)習(xí)因子C1和C2

一般情況下C1和C2為非負(fù)常數(shù)。PSO 算法的兩個學(xué)習(xí)因子代表的是單個粒子的認(rèn)知能力與整個群體的信息交換能力，C1和C2可以確定粒子在整體信息擴展和自我認(rèn)知學(xué)習(xí)之間的關(guān)系，決定粒子的搜索軌跡。C1和C2越大越容易讓算法快速達到最優(yōu)解范圍，若C1和C2過大，解會在最優(yōu)解中徘徊，不能獲取最優(yōu)；過小則會導(dǎo)致算法緩慢，得不到最優(yōu)解。一般經(jīng)驗取值在[0，4]。

因此本節(jié)在建立PSO 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法時，設(shè)定C1=C2=2。

（4）確定慣性權(quán)重ω

ω表示粒子在每次迭代前的慣性，不斷尋找最優(yōu)解。ω越大粒子移動速度越大，搜索速度變快，在全局的尋優(yōu)能力越強，有時候會使算法無法收斂，因此就需要進行合理的取值。ω越小粒子的移動速度越慢，可能會導(dǎo)致算法的局部收斂。可以分為固定和時變兩類，前者的值是固定的，而后者可以針對實際情況自動進行及時的調(diào)整，在一定程度上能夠提高算法準(zhǔn)確性。由于其弊端是在高維度粒子群里，運行速度減慢。因此本節(jié)選用固定權(quán)重。一般經(jīng)驗取值ω范圍為[0.8，1.2]，所以取ω=1。

（5）確定粒子的搜索范圍和速度范圍

粒子的搜索能力與速度范圍、搜索范圍相關(guān)。搜索范圍越大，算法的精度越高，但是運行速度會越低。搜索范圍越小，運行速度加快，陷入局部最小解。由于BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值的范圍為[0，1]，所以設(shè)置PSO 的搜索范圍和速度范圍也為[0，1]。

（6）PSO-BP 模型輸入?yún)?shù)的確定

根據(jù)對影響蒸發(fā)效率的影響因素考慮，本節(jié)依然選取機組進風(fēng)口干球溫度、相對濕度、總風(fēng)量、迎面風(fēng)速、一次風(fēng)量、二次風(fēng)量、二/一次風(fēng)量比這7 個參數(shù)作為PSO-BP 神經(jīng)網(wǎng)絡(luò)的輸入變量，神經(jīng)網(wǎng)絡(luò)的輸出變量為機組的蒸發(fā)效率。

3.2 PSO-BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果分析

3.2.1 PSO-BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果

利用采集并處理過的測試數(shù)據(jù)對優(yōu)化后的網(wǎng)絡(luò)進行訓(xùn)練和測試分析，以此來驗證優(yōu)化后網(wǎng)絡(luò)的預(yù)測效果。圖17、圖18 分別為兩者的預(yù)測結(jié)果、相對誤差，可以看出，PSO-BP 神經(jīng)網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測值與測試變化趨勢基本一致，且兩者的數(shù)據(jù)較為接近，不存在個別數(shù)據(jù)誤差較大的問題，最大相對誤差2.48%。

圖18 PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測相對誤差Fig.18 PSO-BP Neural network predicts relative error

通過對該PSO-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進行檢驗與驗證，得到該預(yù)測模型蒸發(fā)效率的RMSE 為1.102，決定系數(shù)r2為0.9745。因此可認(rèn)為，本節(jié)所建立的PSO-BP 神經(jīng)網(wǎng)絡(luò)模型精度相對較高，該PSO-BP 神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確預(yù)測蒸發(fā)效率及其變化趨勢。

3.2.2 BP、PSO-BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果對比分析

圖19 為BP 神經(jīng)網(wǎng)絡(luò)和優(yōu)化后的PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測露點間接蒸發(fā)冷卻空調(diào)機組蒸發(fā)效率的結(jié)果對比圖，可以看出，優(yōu)化后的模型預(yù)測曲線與實測值更接近，沒有出現(xiàn)太大的誤差波動點，預(yù)測精度明顯要比BP 神經(jīng)網(wǎng)絡(luò)好。

圖19 BP、PSO-BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果對比圖Fig.19 Comparison chart of prediction results of BP and PSO-BP neural network

從圖20 和表6 可以明顯看出，優(yōu)化后模型的相對誤差整體較優(yōu)化前的BP 神經(jīng)網(wǎng)絡(luò)小，因此可以用于預(yù)測露點間接蒸發(fā)冷卻空調(diào)機組的蒸發(fā)效率。且在同一時刻，優(yōu)化前的BP 神經(jīng)網(wǎng)絡(luò)相對誤差為9.6%，優(yōu)化后僅為2.21%，準(zhǔn)確度有效提高了7.39%。

圖20 BP、PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測相對誤差對比Fig.20 Comparison of relative error of BP and PSO-BP neural network prediction

表6 BP、PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果對比Table 6 Comparison of prediction results of BP and PSO-BP neural network

4 結(jié)論

（1）數(shù)據(jù)的采集：從三個不同地區(qū)整理的測試數(shù)據(jù)來看，機組送風(fēng)參數(shù)均滿足室內(nèi)送風(fēng)要求，說明應(yīng)用露點間接蒸發(fā)冷卻空調(diào)機組能保證室內(nèi)空氣調(diào)節(jié)要求。采集到了可供分析應(yīng)用的基礎(chǔ)數(shù)據(jù)，為神經(jīng)網(wǎng)絡(luò)預(yù)測和對比奠定基礎(chǔ)。

（2）參數(shù)的選?。涸跈C組其他條件不變的情況下，僅考慮機組進風(fēng)參數(shù)干球溫度、進風(fēng)相對濕度、總風(fēng)量、迎面風(fēng)速、一次風(fēng)量、二次風(fēng)量、二/一次風(fēng)量比7 個重要參數(shù)對機組蒸發(fā)效率的影響。采用灰色關(guān)聯(lián)分析方法，得出蒸發(fā)效率受到二/一次風(fēng)量比的影響最大，受到二次風(fēng)量的影響最小，但關(guān)聯(lián)度為0.5657>0.5，因此也是重要的參數(shù)。

（3）模型的研究：雖然BP 神經(jīng)網(wǎng)絡(luò)對機組蒸發(fā)效率的預(yù)測結(jié)果在可接受的范圍內(nèi)，預(yù)測結(jié)果與實測數(shù)據(jù)雖然規(guī)律相近，但是有個別點存在誤差過大的問題，因此必須對該模型進行改進。

（4）模型的優(yōu)化：實驗表明PSO 算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型在預(yù)測準(zhǔn)確度和精度上都優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型。在同一時刻，BP 神經(jīng)網(wǎng)絡(luò)預(yù)測的相對誤差為9.6%時，PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測的相對誤差為2.21%，精度提高了7.39%。