4.2　基于浙江绍兴某办公楼实测数据的模型验证

4.2.1　工程简介

浙江绍兴某办公楼建筑面积7320m2，空调冷负荷618kW，空调热负荷403kW，生活热水加热负荷40.8kW。采用1台全热回收地源热泵机组（制冷量315kW，制冷能效比EER=5.78；制热量343.7kW，制热能效比COP=4.48），1台常规地源热泵机组（制冷量307kW，制冷能效比EER=5.45；制热量326kW，制热能效比COP=4.32），共两台机组组成系统的冷热源。夏季利用2台地源热泵机组为系统供冷，其中全热回收机组利用土壤散热，普通机组利用冷却塔散热。冬季采暖，冷却塔关闭，完全土壤源交换热量，2台机组可1台或2台开启以保证满足系统供热需求，另外利用全热回收机组解决生活热水问题。此外系统还配置3台地源、冷却塔侧水泵，3台空调侧水泵，2台热水循环泵，1个承压保温水箱共同组成整个系统。本项目设计钻孔140口，钻孔直径150mm，钻孔间距4m，有效深度50m。采用单U、双U和三U型地下换热器，单U管径DE32，汇集管径DE32，其系统图见图4-6。

4.2.2　监测数据及分析

监测数据取自浙江绍兴某办公楼地源热泵空调系统监测平台，从2013年7月1日到2013年7月26日共27天，正常上班时间每隔15min记录1次，一共729组数据。测试期间大部分时间两台机组同时运行，但1号机组每天运行的时间一般小于2号机组。利用的数据包括:1号冷水机组蒸发器侧进出口水温及冷凝器侧进出口水温，见图4-7；2号地源热泵机组蒸发器侧及冷凝器侧进出口水温，见图4-8；地源热泵空调系统用户侧进出口水温，见图4-9；1号蒸发器侧水流量、2号蒸发器侧水流量及地源热泵空调系统用户侧水流量，见图4-10；1号冷水机组功率、2号地源热泵及地源热泵空调系统总功率，见图4-11。

4.2.3　建立ANN及ANFIS模型

针对2号地源热泵机组建立ANN及ANFIS模型见图4-12。模型的输入层为2号地源热泵机组蒸发器侧及冷凝器侧进出口水温4个参数，模型的输出层为该机组的机组COP。

针对地源热泵系统建立ANN及ANFIS模型见图4-13。模型的输入层为1号冷水机组冷凝器侧进出口水温、2号地源热泵机组冷凝器侧进出口水温、空调系统用户侧进出口水温6个参数，模型的输出层为该地源热泵空调系统的系统COP。因为在某些运行时段1号冷水机组处于停机状态，所以令那些时段1号冷水机组冷凝器侧进出口水温全为0，即该时段1号冷水机组对系统COP没有影响。

取7月1～16日共17天共424组数据作为训练样本，取7月1～26日共27天729组数据作为测试样本。

不管是对于2号机组模型还是对于地源热泵空调系统模型，ANN模型隐含层传递函数均选用S型的正切函数，输出层传递函数选用线性函数，隐含层神经元个数取5，选用的训练算法为Levenberg-Marquardt方法。本文BP网络模型中设定训练次数为1000次，训练精度为1E-06，其他参数均采用默认值。对输入数据作了标准化处理，使其在［0，1］范围内。输出不作处理。

ANFIS模型隶属度函数取3个，均选用高斯型。训练次数为600次，期望误差为0，初始步长、步长递减率等其他参数采用默认值。

4.2.4　测试结果分析

对于2号地源热泵机组COP，ANN模型的测试结果和相对误差分别见图4-14和图4-15，ANFIS模型的测试结果和相对误差分别见图4-16和图4-17。

对于系统COP测试结果，ANN模型的测试结果和相对误差分别见图4-18和图4-19，ANFIS模型的测试结果和相对误差分别见图4-20和图4-21。

表4-2为ANN模型和ANFIS模型计算机组COP的计算精度，表4-3为ANN模型和ANFIS模型计算系统COP的计算精度。

由图4-16、图4-18、图4-20、图4-22可知，基于模型的计算值与真实值吻合度很高。不管是对于已参加训练的数据（7月1～16日之间的数据），还是对未参加过训练的数据（7月17～26日的数据），ANN模型及ANFIS模型均能以较高的精度通过较少的参数集计算出2号地源热泵机组COP及地源热泵空调系统COP，说明ANN及ANFIS模型具有很好的泛华能力。不同测试点的计算精度不尽相同的原因是神经网络本身的局限性，它虽然有很好的泛化能力，但泛化能力却不是无限的，所以对于那些与训练样本更为接近或类似的点，神经网络的计算精度可能会更高。

对于2号地源热泵机组:由图4-17可知，ANN模型测试的相对误差全部在10%以内，94.2%的测试数据的相对误差在5%以内；由图4-18可知，ANFIS模型的测试相对误差也全部在10%以内，且92.3%的测试数据的相对误差在5%以内。对于地源热泵系统COP，由图4-20可知，ANN模型测试的相对误差全部在10%以内，且89.6%的测试数据的相对误差在5%以内；由图4-22可知，ANFIS模型的测试相对误差也全部在10%以内，且94.9%的测试数据的相对误差在5%以内。其相对误差均在可接受的范围内。

由此可见由地源热泵机组蒸发器进出口温水，冷凝器进出口水温4个参数作为输入的ANN及ANFIS计算模型，经过训练后能够很准确地计算出地源热泵机组COP，其计算的相对误差均在可接受的范围内。当系统有两台热泵机组并联时，由两台热泵机组冷热源侧的进出口水温和地源热泵系统用户侧的进出口水温6个参数作为输入的ANN及ANFIS模型，经过训练后能够很准确地计算出地源热泵机组COP。

由表格4-2可知，ANN模型和ANFIS模型计算机组COP和系统COP方面均有比较高的精度，其绝对误差和相对误差均在可接受的范围内。不管是计算机组COP还是系统COP，ANFIS模型的均方根均稍小于ANN模型，而其绝对分数方差比ANN模型更接近于1，由此可见ANFIS模型在基于较小参数集计算机组COP和系统COP方面精度更高，模型更准确。但是由第3章表3-1及表3-2可知，基于模拟数据进行训练和验证的ANN及ANFIS模型，不管是计算机组COP还是系统COP，模型的计算值的相对误差均在5%之内；而本章基于实测数据进行训练和验证的ANN及ANFIS模型，其计算值的相对误差均较大。分析原因为基于Trnsys平台建立的冷却塔—地源热泵混合式系统选用的热泵机组、水泵等模型均是简化的理想模型，所以ANN及ANFIS模型的输入与输出的关系更为简单易于提炼。但是实际工程中由于很多未知的因素，实际运行数据更为复杂，基于实际运行数据的ANN及ANFIS模型输入与输出关系也更为复杂，所以ANN及ANFIS模型的计算精度会有所降低，但是由表4-1和表4-2可知，测试的相对误差全部在10%之内，且相对误差在5%之内的至少有89%的数据，计算精度已经比较高，完全在可接受的范围内。