中央空调制冷机的优化控制参考（1）

1、背景
　　介绍随着生产力的发展和人们生活水平的提高，中央空调（HVAC）系统，已在我国得到了广泛应用，HVAC技术也得到了很大发展，我国的中央空调系统绝大多数处在低效运行状态，造成运行效率低，能源浪费严重[1]，解决好中央空调系统的能源浪费问题有很重要的现实意义。
　　制冷机作为中央空调系统中制取冷量和输出冷量的部分，其能耗大约占整个中央空调系统的50％[2].对制冷机控制方法的好坏直接影响到整个中央空调系统的运行状况，因此对制冷机的工作状态进行优化控制是解决对中央空调系统能耗问题的重要途径。
国内外许多学者对制冷机的部分负荷下工作状态进行了优化控制研究[3][4]，在制冷机的优化控制上做出了巨大的贡献。但是也存在一些问题，如：很多人的研究对象都是制冷机的数学模型[5]，他们根据一些对制冷机工作时的状态进行了理想的假设和大量的简化建立了制冷机的机理模型，而这些假设和简化在实际中是不成立的。对控制变量的选择有时也不是很合理，如采用冷冻水供水温度为压缩机的工作频率控制变量[6]，当压缩机的工作状态发生改变时，冷冻水供水温度因其工作特性不能及时的变化。
本文通过中央空调系统实际运行的数据来辨识吸气压力的BP神经网络模型，得到了各种负荷下最佳工况。对于整个中央空调系统的优化控制具有指导意义。

2、制冷机优化控制方法的研究
　　在对制冷机进行优化控制时，对压缩机的工作频率的确定是一个重要问题。吸气压力是制冷机中重要的参数，是衡量制冷机是否正常运行的，本文选用吸气压力作为压缩机工作频率的控制变量，这样会比温度作为控制变量的要准确、快速。但由于影响吸气压力的参数具有很强的非线性的特点，不容易建立其机理模型。本文根据制冷机运行时的实际数据，通过BP神经网络辨识吸气压力的模型，来消除非线性等因素对结果的影响。
　　吸气压力的BP神经网络模型以吸气压力为神经网络的输出量，选取与吸气压力关系紧密的压缩机入口制冷剂温度、压缩机出口制冷剂温度和负荷作为神经网络的输入变量。根据本文研究对象的实际情况，采用一个隐层五个隐层结点即3－5－1模式来辨识吸气压力的模型。
　　（1）、通过改变输入变量的值得到不同条件下的样本数据。输入1500组实际测量的输入变量样本数据和期望的吸气压力输出的值进行计算。BP算法的误差err_goal=0.01，学习速率lr=0.01，隐层传递函数为tansig，输出层传递函数为purelin，学习函数为learnbp.计算后的权值如下：为了检验BP神经网络模型的精确性，用预先准备的50组样本数据进行预测，横坐标表示50个例子，并与实际值比较，见图1.结果表明，预测值和实际值吻合的相当的好，说明建立的BP神经网络模型是精确的，在实际中是可行的。 中央百科
　　根据吸气压力的BP神经网络模型，通过计算机仿真观察在一定负荷时的吸气压力和压缩机入口制冷剂温度、压缩机出口制冷剂温度的关系。上图分别是负荷为100％，80％和40％时的吸气压力随着压缩机入口制冷剂温度和压缩机出口制冷剂温度变化而变化的情况。可以观察出，当压缩机入口制冷剂温度越高，吸气压力的值越大，压缩机出口制冷剂温度越低，吸气压力的值越小，并且吸气压力的最大值在压缩机入口制冷剂温度达到最高、压缩机出口制冷剂温度达到最低是达到。在各个负荷下，吸气压力的最大值是唯一的。