阅读说明：本技术 一种预测空气源热泵最佳除霜控制点的模型及其建立方法 (Model for predicting optimal defrosting control point of air source heat pump and establishing method thereof ) 是由 王伟 李昭阳 孙育英 王世权 吴旭 于 2020-05-22 设计创作，主要内容包括：一种预测空气源热泵最佳除霜控制点的模型及其建立方法,属于空气源热泵除霜控制领域。以空气源热泵名义制热量为基准,进行衡量空气源热泵在结霜工况运行时机组制热量损失大小；利用广义人工神经网络GRNN方法,确定结霜工况、机组结霜运行时间与评价指标之间的影响关系,模拟机组在不同结霜工况下采用不同除霜控制点的制热量损失大小；基于模拟结果,将同一结霜工况下最小制热量损失对应的除霜控制点确认为空气源热泵在此结霜工况下的最佳除霜控制点,依此方法建立全工况下空气源热泵最佳除霜控制点数据库；利用多元非线性方程回归方法,构建最佳除霜控制点与结霜工况间的函数关系,建立空气源热泵最佳除霜控制点预测模型。(A model for predicting an optimal defrosting control point of an air source heat pump and an establishing method thereof belong to the field of defrosting control of the air source heat pump. Measuring the heating capacity loss of the unit when the air source heat pump operates under the frosting working condition by taking the nominal heating capacity of the air source heat pump as a reference; determining an influence relation among a frosting working condition, a unit frosting operation time and an evaluation index by utilizing a generalized artificial neural network GRNN method, and simulating the heating loss of the unit under different frosting working conditions by adopting different defrosting control points; based on the simulation result, confirming the defrosting control point corresponding to the minimum heating loss under the same frosting working condition as the optimal defrosting control point of the air source heat pump under the frosting working condition, and establishing an optimal defrosting control point database of the air source heat pump under the full working condition according to the method; and (3) constructing a function relation between the optimal defrosting control point and the frosting working condition by utilizing a multiple nonlinear equation regression method, and establishing an optimal defrosting control point prediction model of the air source heat pump.)

一种预测空气源热泵最佳除霜控制点的模型及其建立方法

技术领域

本发明涉及一种预测空气源热泵最佳除霜控制点的模型及其建立方法，属于空气源热泵除霜控制领域。

技术背景

结霜是影响空气源热泵机组运行效率的关键问题。霜层的存在与生长，增加了空气源热泵机组室外换热器的传热热阻，降低了传热系数，增大了空气流动阻力，造成机组制热量衰减，因此必须对其进行除霜控制。理想的除霜是“按需除霜”，流程包括：①感知霜层存在；②监测霜层生长；③最佳除霜控制点的判定；④除霜。然而，结霜是一个复杂的传热、传质过程，现有的除霜控制方法只能实现感知霜层的存在，或监测霜层的生长，尚缺乏对最佳除霜控制点的系统性研究，对除霜控制点的设定仅依靠经验或实验判定，导致实际运行中机组很难在合适的除霜时机开始除霜，由此导致“误除霜”事故的频繁发生，使空气源热泵机组运行效率进一步恶化。

最佳除霜控制点是指空气源热泵在结除霜运行过程中最合适的除霜时机，使机组在周期性的结除霜循环中制热量损失最小。在周期性的结除霜过程中，如果机组除霜时机偏早，则会导致单位时间内除霜次数增多，造成机组除霜损失增大；另一方面，如果除霜时机偏晚，那么随着结霜运行时间的增加，霜层的大量累积则会造成机组结霜损失增大。因此，能否准确判断空气源热泵最佳除霜控制点，是避免空气源热泵“误除霜”事故发生，提高机组实际运行性能的关键。

发明内容

本发明的目的在于：以空气源热泵结除霜运行过程中机组制热量损失最小为目标，提出一种预测空气源热泵最佳除霜控制点的模型，同时给出其建立方法，通过该模型可有效预测空气源热泵在不同结霜工况下运行的最佳除霜控制点，为空气源热泵高效除霜控制提供理论支持。

为实现上述目的，本发明的技术方案为：一种预测空气源热泵最佳除霜控制点的模型的建立方法，包括以下步骤：

(1)以空气源热泵名义制热量为基准，提出空气源热泵结除霜运行过程性能评价指标，并以该指标衡量空气源热泵在结霜工况运行时机组制热量损失大小；

(2)利用广义人工神经网络(GRNN)方法，确定结霜工况、机组结霜运行时间与步骤(1)所提出的评价指标之间的影响关系，并建立GRNN模型，模拟机组在不同结霜工况下采用不同除霜控制点的制热量损失大小；

(3)基于GRNN模型模拟结果，将同一结霜工况下最小制热量损失对应的除霜控制点确认为空气源热泵在此结霜工况下的最佳除霜控制点，依此方法建立全工况下空气源热泵最佳除霜控制点数据库；

(4)基于最佳除霜控制点数据库，利用多元非线性方程回归方法，构建最佳除霜控制点与结霜工况间的函数关系，从而建立空气源热泵最佳除霜控制点预测模型。

进一步的，本发明所述步骤(1)中，空气源热泵结除霜运行过程性能评价指标为名义制热量损失系数，ε_NL，其物理意义为空气源热泵单次结除霜循环过程中，结霜制热量损失与除霜制热量损失之和与机组总名义制热量的比值。

本发明所述步骤(2)中，GRNN模型通过训练累年供暖季空气源热泵机组运行数据而建立，模拟数据相对误差在±10％以内。

本发明所述步骤(3)中，最佳除霜控制点数据库包含环境温度在-15～6℃(间隔为1℃)，相对湿度在50～100％(间隔为1％)工况下的空气源热泵最佳除霜控制点。

本发明所述步骤(4)中，所建立的最佳除霜控制点预测模型，仅输入结霜工况参数(环境温度与环境湿度)，便可输出该工况下空气源热泵最佳除霜控制点。

本发明的有益效果是：(1)可迅速、有效的判断空气源热泵在不同结霜工况下的最佳除霜控制点；(2)模型具有良好的适用性，不受地域和气象条件限制； (3)为除霜控制方法的改进和开发提供指导，避免“误除霜”事故的发生。

附图说明

图1是本发明提出的空气源热泵名义制热量损失系数示意图，图中Q_L1—名义结霜损失(kJ)；Q_L2—名义除霜损失(kJ)；t_i—结霜运行时间或除霜控制点(s)； t_n—除霜结束时间(s)；q_hc—名义制热量(kW)；q_hc2—实际制热量(kW)；

图2是本发明建立的广义人工神经网络(GRNN)模型结构图，结构图由输入层、模式层、求和层和输出层四个环节组成，环境温度、相对湿度及机组结霜运行时间作为输入参数，名义制热量损失系数作为输出参数；

图3是本发明建立的空气源热泵最佳除霜控制点的预测模型，该模型能够通过环境温度与相对湿度确定空气源热泵最佳除霜控制点，即机组在该工况下结霜运行到达该时间点后进行除霜控制。

具体实施方式

以下结合附图对本发明所提出的一种预测空气源热泵最佳除霜控制点的模型及其建立方法作进一步实例描述，但本发明并不限于以下实施例。

实施例1

针对某一种空气源热泵进行最佳除霜控制点模型的建立。

(1)结合图1，空气源热泵结除霜运行过程名义制热量损失系数ε_NL可按如下方法计算：

名义结霜损失：

名义除霜损失：

名义制热量损失系数：

(2)结合图2，基于GRNN神经网络的原理，训练空气源热泵在不同结霜工况下采用不同除霜控制点的362组运行数据。其中：

①输入层

输入层具有3个神经元，即环境温度T_a、相对湿度RH、及结霜运行时间t_i，每个神经元都是简单的分布单元，能够直接把输入参数传递给模式层。

②模式层

模式层具有362个神经元，即362个训练样本。本模型选用高斯函数作为传递函数的形式，则模式层第n个神经元的输出表达式如下：

‖X-X_n‖是神经元的输入为网络输入向量X与权值向量X_n的欧几里得距离。当神经元的输入为0时，神经元的输出为最大值1。神经元对输入的灵敏度由光滑因子σ来调节。

③求和层

求和层包括两种类型的神经元，第一种类型的神经元对所有模式层的神经元输出进行计算求和，传递函数为：

第二种神经元是对所有模式层的输出进行加权求和，权值为第n个训练样本输出Y_n的第j个元素，传递函数为：

④输出层

输出层具有1个神经元，即名义制热量损失系数ε_NL，各神经元将求和层的输出相除得到预测结果，第j个神经元的输出对应第j个元素的预测结果为：

采用交叉验证方法确定GRNN预测模型最优平滑因子σ为0.10，交叉验证误差EEP为3.45％，通过GRNN模型模拟机组在不同结霜工况下采用不同除霜控制点的名义制热量损失系数ε_NL，数据相对误差在±10％以内；

(3)基于GRNN预测模型，分别模拟环境温度T_a在-15～6℃(间隔为1℃)，相对湿度RH在50～100％(间隔为1％)工况下机组结霜运行时间t_i为20～60min (间隔为1min)时的名义制热量损失系数ε_NL，共计138006组数据，将同一结霜工况下最小名义制热量损失系数对应的除霜控制点确认为空气源热泵在此结霜工况下的最佳除霜控制点t_opt，依此方法建立空气源热泵全工况下最佳除霜控制点t_opt数据库；

(4)结合图3，基于最佳除霜控制点t_opt数据库，利用多元非线性方程回归方法，确定自变量环境温度T_a和相对湿度RH，通过SPSS数据处理软件进行影响因素的相关性分析与显著性检验，并分别对自变量进行一元曲线估计，确定最佳曲线形式，然后通过多元二项式法重组得到多元非线性方程。对该多元非线性方程进行逐步回归分析，消除非显著性解释变量，再通过主成分分析法，消除方程的多重共线性，最终建立空气源热泵最佳除霜控制点预测模型，模型回归方程为：

经现场实测验证，本发明所提出的最佳除霜控制点预测模型能够较为准确的确定空气源热泵在不同结霜工况下的最佳除霜时机，模型预测相对误差在±5.0％以内，为空气源热泵高效除霜控制技术提供理论支持，将有效避免“误除霜”事故发生。