[发明专利]基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法

权利要求书

1.基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法，其特征在于：

首先，建立小型定频冷水机组空调系统的模型，再借助模型进行模拟仿真并收集建筑的设计参数与所在地区的典型年气象数据，计算得到不同运行工况下、基于热舒适的冷冻水回水最高允许温度；检验和修正冷冻水回水最高允许温度从而确定回水温度最佳设定点，建立不同的运行工况数据集，基于数据集建立和验证定频冷水机组回水温度最佳设定点GRNN预测模型；利用回水温度最佳设定点预测模型，实时预测当前工况的回水温度最佳设定点，对小型定频冷水机组回水温度进行适时调整，再利用位式控制器根据回水温度与最佳设定水温的差值控制定频冷水机组的启停。

2.根据权利要求1所述的基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法，其特征在于：

(1)建立仿真模型；先根据建筑设计参数在模拟软件Modelica中建立房间模型、定频冷水机组模型、风机盘管模型、控制模型子模型，通过子模型之间的联合运行来模拟空调系统的动态运行过程；

(2)计算冷水机组冷冻回水最高允许温度；通过模拟仿真方法，将空调末端设备设定在固定风量、额定流量下工作，通过调节冷冻水温度保证空调房间室内舒适度，利用建筑所在地区的典型年气象数据，计算得到不同运行工况下，基于热舒适的冷冻水回水最高允许温度；

(3)确定回水温度最佳设定点和建立数据集；首先将回水温度最高允许值设定为冷水机组回水温度，通过仿真模拟，检验该工况下的回水温度是否满足室内舒适需求，若满足则该工况下的回水温度最高允许值为回水温度最佳设定点；若室内温度不满足，则需要对设定值进行修正；根据上述方法确定不同工况下小型定频冷水机组回水温度最佳设定点；根据上述确定的回水温度最佳设定点，以及运行工况数据，建立数据集；

(4)建立和验证最佳回水温度设定点GRNN预测模型；首先确定预测模型的输入输出参数，选择室外温度、室外相对湿度、室外太阳辐照度及室内设定温度为输入参数，回水温度最佳设定点为输出参数；然后，将输入输出参数的数据集分成两部分，一部分用于建立最佳设定点预测模型，另一部分用来验证预测模型；最后，引入GRNN技术，建立和验证回水温度最佳设定点GRNN预测模型；

(5)基于回水温度最佳设定点GRNN预测模型，提出小型定频冷水机组变回水温度优化方法；利用回水温度最佳设定点预测模型，实时预测当前工况的回水温度最佳设定点，对回水温度进行适时调整，再利用位式控制器，根据回水温度最佳设定点和反馈温度的差值控制小型定频冷水机组的启停。

3.根据权利要求1所述的基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法，其特征在于：

(2)确定小型定频冷水机组回水最高允许温度；该方法将风机盘管的风机设定为固定档位，水流量设定为额定值，根据房间室内温度与设定温度的偏差，通过PID调节风机盘管供水温度，以控制室内温度稳定；PID调节输出的风机盘管供水温度为满足室内热舒适的最高供水温度，对应的风机盘管回水温度即为满足室内热舒适的最高回水温度。

4.根据权利要求1所述的基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法，其特征在于：

(4)根据上述确定的回水温度最佳设定点，选择室外温度、室外相对湿度、室外太阳辐照度及室内设定温度为输入参数，回水温度最佳设定点为输出参数；回水温度最佳设定点GRNN由输入层、模式层、求和层和输出层组成；对应的网络输入为X＝[x₁，x₂，x₃，x₄]^T，输出为训练样本数量为N；

①输入层

输入层的神经元数量为4，各神经元是简单的分布单元直接将输入变量传递给模式层；

②模式层

模式层的神经元数量N，各神经元对应不同的训练样本；当模式层神经元的传递函数选择为高斯函数时，模式层第n个神经元的输出为：

其中，||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

各神经元将求和层的输出相除，得到公式的预测结果，第j个神经元的输出对应第j个元素的预测结果，即：

一旦确定了训练样本，也就确定了GRNN的网络结构及各神经元之间的连接权值，光滑因子σ是GRNN唯一需要的估计值，该参数对GRNN的性能有重要作用；

GRNN预测模型最优平滑因子σ，采用交叉验证方法确定，具体步骤为:

①设定σ值，从0.01开始，每次以增量0.01在[0.01,0.9]范围内递增；

②在训练样本中取出一个用于检验，其余的则用于构建广义回归神经网络模型对该样本进行预测；

③对每个样本均重复步骤②，得到所有样本的预测值；

④将训练样本的预测值的期望偏差百分数作为网络性能的评价标准，其计算公式为：

其中，y_i分别为负荷的预测值和观测值，y_max为负荷的最大观测值；最小期望偏差百分数对应σ值即为最优的平滑因子。