1、背景
介紹隨著生產力的發展和人們生活水平的提高，暖通空調（HVAC）系統，已在我國得到了廣泛應用，HVAC技術也得到了很大發展，我國的暖通空調系統絕大多數處在低效運行狀態，造成運行效率低，能源浪費嚴重[1]，解決好暖通空調系統的能源浪費問題有很重要的現實意義。
制冷機作為暖通空調系統中製取冷量和輸出冷量的部分，其能耗大約佔整個暖通空調系統的50％[2].對制冷機控制方法的好壞直接影響到整個暖通空調系統的運行狀況，因此對制冷機的工作狀態進行優化控制是解決對暖通空調系統能耗問題的重要途徑。
國內外許多學者對制冷機的部分負荷下工作狀態進行了優化控制研究[3][4]，在制冷機的優化控制上做出了巨大的貢獻。但是也存在一些問題，如：很多人的研究對象都是制冷機的數學模型[5]，他們根據一些對制冷機工作時的狀態進行了理想的假設和大量的簡化建立了制冷機的機理模型，而這些假設和簡化在實際中是不成立的。對控制變數的選擇有時也不是很合理，如採用冷凍水供水溫度為壓縮機的工作頻率控制變數[6]，當壓縮機的工作狀態發生改變時，冷凍水供水溫度因其工作特性不能及時的變化。
本文通過暖通空調系統實際運行的數據來辨識吸氣壓力的BP神經網路模型，得到了各種負荷下最佳工況。對於整個暖通空調系統的優化控制具有指導意義。
2、制冷機優化控制方法的研究
在對制冷機進行優化控制時，對壓縮機的工作頻率的確定是一個重要問題。吸氣壓力是制冷機中重要的參數，是衡量制冷機是否正常運行的，本文選用吸氣壓力作為壓縮機工作頻率的控制變數，這樣會比溫度作為控制變數的要準確、快速。但由於影響吸氣壓力的參數具有很強的非線性的特點，不容易建立其機理模型。本文根據制冷機運行時的實際數據，通過BP神經網路辨識吸氣壓力的模型，來消除非線性等因素對結果的影響。
2.1吸氣壓力的BP神經網路模型以吸氣壓力為神經網路的輸出量，選取與吸氣壓力關係緊密的壓縮機入口製冷劑溫度、壓縮機出口製冷劑溫度和負荷作為神經網路的輸入變數。根據本文研究對象的實際情況，採用一個隱層五個隱層結點即3－5－1模式來辨識吸氣壓力的模型。
通過改變輸入變數的值得到不同條件下的樣本數據。輸入1500組實際測量的輸入變數樣本數據和期望的吸氣壓力輸出的值進行計算。BP演算法的誤差err_goal=0.01，學習速率lr=0.01，隱層傳遞函數為tansig，輸出層傳遞函數為purelin，學習函數為learnbp.計算后的權值如下：為了檢驗BP神經網路模型的精確性，用預先準備的50組樣本數據進行預測，橫坐標表示50個例子，並與實際值比較，見圖1.結果表明，預測值和實際值吻合的相當的好，說明建立的BP神經網路模型是精確的，在實際中是可行的。
根據吸氣壓力的BP神經網路模型，通過計算機模擬觀察在一定負荷時的吸氣壓力和壓縮機入口製冷劑溫度、壓縮機出口製冷劑溫度的關係。上圖分別是負荷為100％，80％和40％時的吸氣壓力隨著壓縮機入口製冷劑溫度和壓縮機出口製冷劑溫度變化而變化的情況。可以觀察出，當壓縮機入口製冷劑溫度越高，吸氣壓力的值越大，壓縮機出口製冷劑溫度越低，吸氣壓力的值越小，並且吸氣壓力的最大值在壓縮機入口製冷劑溫度達到最高、壓縮機出口製冷劑溫度達到最低是達到。在各個負荷下，吸氣壓力的最大值是唯一的。
2.2 制冷機的最佳工況的研究制冷機性能參數COP是衡量制冷機效率的參數。把制冷機運行時的壓縮機入口的製冷劑溫度，壓縮機出口的製冷劑溫度和吸氣壓力的值定義為制冷機的工況。在同樣的負荷下，制冷機的工況有無數種，通過計算COP的值可以看出，不同工況下，制冷機的功率是不同的。在一定的負荷下，COP最大時的工況為制冷機存在最佳工況，在達到同樣的製冷量的條件下，最佳工況時制冷機能源消耗最小。
由製冷理論分析可知當冷凝壓力不變時，升高吸氣壓力升高會使製冷劑的單位製冷量增大；壓縮機吸入製冷劑蒸汽的比容減少，而且由於吸氣壓力的提高，壓縮機的壓力比減小，容積效率升高，實際吸氣質量增大，壓縮機的製冷量也增大。因此吸氣壓力越大，對吸氣壓力的BP神經網路模型模擬可以得到，不同負荷時都有一個最大的吸氣壓力，這個吸氣壓力就是該負荷下的最佳工況下的吸氣壓力，其對應的壓縮機入口製冷劑溫度、壓縮機出口製冷劑溫度也是它們的最佳工況下的值。
通過以上分析表明，在不同負荷下，提高制冷機的工作效率的方法是使制冷機在吸氣壓力較大的狀態下工作，在壓縮機入口製冷劑溫度和壓縮機出口製冷劑溫度達到最佳工況的值時，可以用本文建立的吸氣壓力的BP神經網路模型來計算出該負荷下的最佳吸氣壓力的值，把這個值作為設定值來調節壓縮機的工作頻率達到這個值，使制冷機達到各個負荷下的最佳工作狀態。
以下給出了幾組典型負荷下，通過建立的BP神經網路模型計算出最佳工況下吸氣壓力的值以及對應的壓縮機入口制冷機溫度和壓縮機出口製冷劑溫度的值。
在50％的負荷下，採用額定工況，制冷機能耗為1.876Kw，採用本控制方法制冷機能耗為1.035Kw，節能量約為44.8％。
3、結論
（1）本章採用BP神經網路建立了，分析了採用吸氣壓力作為制冷機中的壓縮機的控制變數的優點，建立了制冷機吸氣壓力的數學模型，可根據此模型，計算出不同負荷下最佳工況對應的吸氣壓力的值。
（2）分析和驗證了不同負荷下制冷機性能參數COP和吸氣壓力的關係，並且得出了不同負荷下的最佳工況。
（3）給出了一種制冷機的優化控制方法，該方法在不同負荷下根據神經網路計算出來最佳吸氣壓力的值和最佳工況，在達到最佳工況的條件下，控制壓縮機的工作頻率使吸氣壓力的值達到最佳值，達到制冷機在最佳工作狀態下運行的目的。對整個暖通空調系統的優化控制有指導意義。
參考文獻
[1] 李樹江，秦軍等 暖通空調系統優化控制與能量管理得現狀及發展趨勢 《暖通空調》2007年04期30-34頁
