工程項目管理系統(tǒng) | OA系統(tǒng) | ERP系統(tǒng) | 工程項目管理軟件 | 裝飾管理系統(tǒng) | 簽約案例 | 購買價格 | 在線試用 | 手機APP | 產品資料
X 關閉

供熱系統(tǒng)熱負荷的優(yōu)化研究

申請免費試用、咨詢電話:400-8352-114

0 引言

  取暖是寒冷地區(qū)生活的必要條件。供熱行業(yè)作為對國民經濟發(fā)展有著全局性,先導性影響的基礎產業(yè),與人們的生活息息相關。由于當前能源和環(huán)保問題越來越多地收到關注,能源節(jié)約,環(huán)境保護,經濟可持續(xù)發(fā)展己成為我國的基本國策。目前,對城市供熱的要求,已不僅僅在于規(guī)模不斷擴大,而起對供熱系統(tǒng)的合理性,經濟性,特別是供熱系統(tǒng)的能源有效理由及供熱可靠性提出了更高的要求。神經網絡以它獨特的自學習、自組織、自適應及很強的非線性函數(shù)逼近能力,成為處理非線性系統(tǒng)的有力工具。本文應用神經網絡理論并將所建模型應用于供熱負荷優(yōu)化中,以期獲得較好的優(yōu)化效果。

  1 供暖系統(tǒng)設計的熱負荷簡介

  人們?yōu)榱松a和生活,要求室內保證一定的溫度。一個建筑物或房屋可有各種獲得熱量和散失熱量的途徑。當建筑物或房間的失熱量大于得熱量時,為了保證室內在要求溫度下的熱平衡,需要由供暖通風系統(tǒng)補進熱量,保證室內要求的溫度。供暖系統(tǒng)的熱負荷是指在某一室外溫度tw下,為了達到要求的室內溫度tn,供暖系統(tǒng)在單位時間內向建筑物供給的熱量。它隨著建筑物得失熱量的變化而變化。

  2 神經網絡模型的構造

  供熱負荷優(yōu)化神經網絡的建立關鍵在于輸入、輸出變量的選取、隱含層數(shù)的確定、隱含層單元數(shù)、的確定、連接方式的選擇、初始參數(shù)的選擇等。BP神經網絡是采用誤差反向傳播(ErrorBackPropagation,BP)算法的一種多層前饋神經網絡,BP神經網絡是人工神經網路中最為重要的網絡之一,也是目前應用最廣泛、發(fā)展最成熟的一種神經網絡模型。

  2.1輸入輸出變量的選取

  輸入變量的選擇是取得良好控制效果的首要環(huán)節(jié)。輸入變量可以是成組的原始數(shù)據,也可以是經過預處理的參數(shù)或表示某種信號的采樣樣本。本文選時間,室外溫度,室外最高、最低溫度,二次網供水溫度,二次網供回水溫度、控制日的節(jié)假日類型八個影響因素作為輸入變量。集中供熱系統(tǒng)的控制運行方案有多種,對于不同的控制運行方案,可以選擇不同的輸出變量,本論文選擇二次網循環(huán)水流量進行控制。

  2.2隱含層數(shù)和隱含節(jié)點數(shù)的確定

  實踐證明,采用一層中間層即三層網絡已經足夠解決供暖系統(tǒng)優(yōu)化控制這類控制問題了,采用二層以上的隱含層幾乎沒有任何益處。而且采用越多的隱含層,訓練的時間也將會急劇增加,這是因為:

 ?。?)隱含層越多,誤差反向傳播的過程計算就會越復雜,訓練時間也就急劇增加。

 ?。?)隱含層增加后,局部最小誤差也會增加。所以本文選擇一層隱含層。

  至于隱含層節(jié)點數(shù)的確定也是研究者們經常提及的一個課題,現(xiàn)在普遍認為尚無明確的規(guī)則用以確定隱含層中的最佳節(jié)點數(shù)。Kawashima于1994年推薦隱含層采用2n+1個神經元(n是輸入層的維數(shù)),本論文輸入層維數(shù)是7:所以選擇隱含層節(jié)點數(shù)是:15個。所以本文的網絡結構是7-15-1結構。

  3 供熱負荷優(yōu)化模型實例

  本論文選擇鞍山市科技大學的教學區(qū)供熱系統(tǒng)為實例。

表1 2007年1月20日 部分訓練樣本數(shù)據

 

時刻 室外溫度 供水溫度 回水溫度 控制日最高溫度 控制日最低溫度 控制日期類型 二次網供水流量 0 -15 41 37 -5 -17 0.4 142.3 1 -15 42 38 -5 -17 0.4 141.0 2 -16 42 38 -5 -17 0.4 139.0 3 -17 41 37 -5 -17 0.4 138.5 4 -18 41 37 -5 -17 0.4 138.8 5 -17 42 38 -5 -17 0.4 139.0 6 -16 40 36 -5 -17 0.4 143.0 7 -16 41 37 -5 -17 0.4 148.5 8 -15 43 39 -5 -17 0.4 147.0 9 -14 43 39 -5 -17 0.4 146.0 10 -11 42 38 -5 -17 0.4 144.0 11 -10 41 37 -5 -17 0.4   145.5 12 -8 40 36 -5 -17 0.4 144.5

 

  4 結論

  由圖2和3可以看出,BP神經網絡實現(xiàn)了對供暖系統(tǒng)熱負荷的優(yōu)化,最大相對誤差在2%以內。本系統(tǒng)對辦公建筑的供暖優(yōu)化達到了很好的效果,用一個統(tǒng)一的模型來優(yōu)化全天的熱負荷,其精度有了一定的提高,尤其是在早上工作時間前和下班后,對于供暖節(jié)能達到了很好的效果。

發(fā)布:2007-07-28 13:39    編輯:泛普軟件 · xiaona    [打印此頁]    [關閉]
相關文章:

泛普材料管理軟件其他應用

項目管理工具 禪道項目管理軟件 夢龍項目管理軟件 微軟項目管理軟件 裝飾管理系統(tǒng) 裝修預算軟件 項目計劃軟件 項目進度管理軟件 軟件項目管理工具 材料管理軟件 工程項目管理軟件系統(tǒng) 項目管理系統(tǒng) 施工管理軟件 建筑工程項目管理軟件 工程管理軟件