制冷陳列柜性能仿真SVM方法的研究及應用.pdf

1、隨著制冷系統(tǒng)系統(tǒng)復雜程度的提高,如何建立高精度、高效率的制冷系統(tǒng)模型已成為該領(lǐng)域研究熱點。在研究并改進基于統(tǒng)計學習理論的新一代機器學習技術(shù)的支持向量機算法(Support Vector Machine,SVM)的基礎(chǔ)上,本文針對制冷陳列柜系統(tǒng)的建立模型、實驗研究及其性能預測優(yōu)化等方面展開了一系列的研究工作,主要體現(xiàn)在以下幾個方面:
　　 針對已有預測優(yōu)化模型的通用性不足,模型建立需要較強的技巧,特征向量的選擇需要較深的專業(yè)背景知

2、識的問題,以及在處理小樣本問題上的不足,提出了泛化性能強、處理小樣本能力突出的機器學習方法SVM。
　　 利用支持向量機理論,建立了蒸發(fā)器結(jié)霜的支持向量機性能預測模型。建立的蒸發(fā)器結(jié)霜的支持向量機性能預測模型與實驗結(jié)果符合較好,總熱流量、單位面積的霜層質(zhì)量和霜層厚度的平均絕對百分數(shù)誤差分別僅有1.82％、2.65％和5.15％。通過敏感性分析得出結(jié)論:改變工況參數(shù)對霜層增長(單位面積的霜層質(zhì)量和霜層厚度)的影響要比對熱流量產(chǎn)生的

3、影響要大。在建立的支持向量機模型的魯棒性分析中,在模型的輸入樣本和輸出樣本分別或者同時加入高斯噪聲,模型顯示較強的抗干擾能力,并且在對模型的輸出樣本增加噪聲時,模型表現(xiàn)出的影響較大。
　　 搭建了制冷陳列柜性能測試實驗臺,并分別對水冷工況和風冷工況下制冷陳列柜進行了實驗測試,利用熱力學原理和實驗結(jié)果分析了影響制冷陳列柜性能的主要參數(shù)。針對水冷制冷陳列柜系統(tǒng)的制冷劑循環(huán),分別從理論分析并實驗驗證了在冷凝壓力一定的情況下,飽和蒸汽溫

4、度Tes、制冷陳列柜進、出口溫度Tin、Tout,和制冷劑流量qm共同表征制冷陳列柜的制冷耗電量REC。針對水冷制冷陳列柜系統(tǒng)的空氣循環(huán)(風幕系統(tǒng)),分別從理論分析并實驗驗證了在冷凝壓力一定的情況下,飽和蒸汽溫度Tes、室內(nèi)環(huán)境溫度Ta、相對濕度ha、送風溫度Ts、回風溫度Tr、蜂窩網(wǎng)直徑D和蜂窩網(wǎng)角度θ共同表征制冷陳列柜的制冷耗電量REC。針對風冷制冷陳列柜系統(tǒng),分別從理論分析并實驗驗證了對于變冷凝工況或壓縮機轉(zhuǎn)速的情況下,飽和蒸汽溫

5、度Tes、冷凝器進風溫度Tcm、壓縮機轉(zhuǎn)速N、制冷陳列柜進、出口溫度tin、Tout和負載包平均溫度TM共同表征制冷陳列柜的制冷耗電量REC。
　　 針對原始的SVM在復雜制冷系統(tǒng)建模中難以取得較高的精度,以及在實際應用中一些關(guān)鍵參數(shù)(懲罰系數(shù)、不敏感損失系數(shù)、核參數(shù)等)難以確定的情形,對算法進行了改進。在總結(jié)應用蒸發(fā)器結(jié)霜模型的基礎(chǔ)上,建立了改進的變冷凝工況的制冷陳列柜系統(tǒng)的支持向量機回歸能耗預測模型,并就支持向量機模型與BP

6、NN模型在預測能力上進行了對比分析。針對制冷陳列柜系統(tǒng)本身及運行條件的復雜性,以及輸出樣本和輸入樣本中存在較大的干擾,對支持向量機模型的輸入樣本進行預處理,并對其主要參數(shù)進行修J下和改進,建立了自適應支持向量機(ASVM)的變冷凝工況制冷陳列柜系統(tǒng)能耗預測模型。與BPNN模型相比較,建立的制冷陳列柜ASVM模型與實驗結(jié)果的符合更好,TEC/TDA的預測精度小于5％?？垢蓴_性實驗表明建立的制冷陳列柜EWMA-ASVM模型比原本的SVM模型

7、抗干擾能力更強。通過建立的預測模型控制變冷凝工況制冷陳列柜的運行參數(shù),經(jīng)實驗驗證,可以使制冷陳列柜的單位展示面積每日耗電量減少20.7％。
　　 針對制冷陳列柜系統(tǒng)優(yōu)化過程中的目標函數(shù)復雜,優(yōu)化參數(shù)間具有明顯的非線性,傳統(tǒng)設(shè)計和實驗方法耗時、耗力較大的難題,引入了改進的雙流體模型(MTF)以及ASVM算法,建立了陳列柜的性能預測方法,利用實驗數(shù)據(jù)對優(yōu)化結(jié)果進行了驗證和評估。結(jié)果表明:在優(yōu)化工況下,陳列柜融霜后的凝結(jié)水質(zhì)量和電能消