基于部件神经网络模型的复杂制冷空调系统混合仿真方法

Refrigeration and air-conditioning equipment is the major consumer of power. To improve the energy efficiency, the design of refrigeration and air-conditioning systems is getting more complex than before, which brings forward higher demands on the system simulation techniques. Facing up the complex refrigeration and air-conditioning systems, the system simulation method should be able to comprehensively address the needs of accuracy, speed, robustness and generality. In the project we proposes a hybrid system simulation methodology: at component level, we are going to develop accurate, fast, and robust neural network models, while at system level we will retain the generic thermodynamic modeling framework. To develop the component neural networks, physics-based models are used in dimensionless form to determine the dimensionless input/output parameters of a minimized generic neural network; the activation functions of neurons are customized to better fit the component characteristics; cross-validation are used to guarantee the generality of neural networks, particularly when the sample dataset is small. To develop the system thermodynamic model, graph theory is applied to describe the system architecture in a generic way. A new nonlinear equations solver using the clustering method to group different types of equations and accelerate the solving process is developed as well. Taking the duct-free multi-split air-conditioning system as the example, the accuracy, speed, and robustness of the proposed hybrid simulation methodology are validated numerically and experimentally. In the end, this project will provide a solid basis of the new hybrid modeling methodology for developing a generic and efficient simulation platform of refrigeration and air-conditioning systems.

制冷空调系统是能耗大户。为提高能源利用效率，制冷空调系统设计日趋复杂、对系统仿真技术的需求也不断增强。面对复杂制冷空调系统，系统仿真方法亟待突破以满足计算精度、速度、稳定性与通用性的综合要求。本课题提出并研究一种系统混合仿真方法：在部件层面发展神经网络建模方法，建立准确、快速、稳定的部件模型库；在系统层面保持热力学系统"框架"模型，保证系统模型的通用性。在部件神经网络研究上，通过对机理模型的无量纲化确定部件神经网络的无量纲输入输出参数，保证网络的最小化与通用性；通过自定义神经元激励函数改善网络性能；通过交叉验证保证训练样本集较小情况下神经网络的泛化性能。在系统热力学模型研究上，通过图论方法完成系统的通用数学描述；通过非线性方程组聚类算法实现快速稳健的系统仿真。以多联机系统为例验证混合仿真方法的精度、速度与稳定性。本课题的研究为自主研发高效通用的制冷空调系统仿真平台提供了新思路与理论基础。

在国家自然科学基金的大力资助下，课题组研究人员针对复杂制冷空调系统，研究可靠高效的系统仿真方法。提出并研究了一种系统混合仿真方法：在部件层面发展神经网络建模方法，建立准确、快速、稳定的部件模型库；在系统层面保持热力学系统“框架”模型，保证系统模型的通用性，建立通用的系统仿真算法。研究获得了以下主要成果：(1)在部件神经网络模型研究上，成功实现了基于机理模型的神经网络输入输出参数的无量纲化。结果表明由此获得的无量纲神经网络模型比一般的神经网络模型更为紧凑、也更为通用。其中，毛细管与节流短管的通用神经网络模型对于不同的制冷剂、入口状态参数（包括过冷、两相、超临界入口条件）和几何尺寸，都获得了令人满意的仿真精度。(2)首次提出了神经网络最小训练样本集的实现方法。先采用响应面方法获得神经网络训练所需的样本集，再通过交叉验证方法证实了该样本集就是神经网络的最小训练样本集。其中，毛细管通用神经网络的训练样本从数百组下降到20多组，翅片管冷凝器神经网络的训练样本从上千组下降为不到40组，但神经网络的精度得到了很好的保证、泛化性能及训练效率都有显著提高。(3)在系统热力学模型研究上，通过图论方法完成系统的通用数学描述，发展了基于双层部件模型的联立求解方法，实现了系统仿真模型快速稳定的求解，并对GREATLAB制冷空调通用仿真平台的开发提供了核心技术支撑。(4)对包括多联机系统、热泵热水器在内的多种不同类型的复杂制冷空调系统进行了仿真研究，验证了混合仿真方法的精度、速度与稳定性，实现了从理论到应用的过渡。.本项目基于部件神经网络模型的复杂制冷空调系统混合仿真方法取得了很好的研究成果，目前已在专业内顶级国际期刊上发表/录用高质量SCI检索论文6篇，论文分别发表于International Journal of Refrigeration (4篇)、ASME Journal of Heat Transfer (1篇) 和Applied Thermal Engineering (1篇)；在第24届国际制冷大会宣读论文1篇；发表国内期刊及会议论文3篇。申请国家发明专利2项，完成计算机软件著作权登记1项。