根据相变制冷存储单元传热性能的非线性影响因素，分析了制冷存储单元的性能系数（COP）和运行条件的存储/放电特性。不同的环境因素下，然后存放在焓差实验室中。元性能测试。据实验数据，建立了不同的神经网络结构预测模型，以预测冷库机组的COP和储能/排放能量，并将预测值与实验结果进行比较。关性大于0.99，平均相对误差小于2％，均方误差小。0.2％。究结果表明，神经网络方法能够准确预测具有相变和相应性能系数的冷库机组的储能和排放能量过程。着通信行业的快速发展，中国对基站的需求越来越大，这些基站消耗大量的能源。不完全统计，2009年仅中国移动的能耗达到111.4亿千瓦时，基站能耗约占运营商能耗的一半[1]，随着空调能耗占基站能耗的30％至50％[2]，基站空调系统的节能迫在眉睫。
雄文[3]从气流组织的角度提出了通信设备进风的供气方式和出风口。森[4]指出，在适当的室外气候条件下，通信基站全年可以通过使用新鲜空气通风技术来实现节能。30％至50％。了解决新鲜空气技术中能源供需不平衡的问题，孙小琴等[5]提出了一种相变制冷储能单元，结合了新技术。外新鲜空气和相变储能技术，旨在减少基站的冷却能耗。量效率比达到14.04 W / W。变储能制冷机组的性能是多种多样的，很难同时准确预测制冷机组的性能。用数学模型。了方便地分析相变制冷剂存储单元的节能效果，本文档使用神经网络预测了制冷单元的COP和存储/排放能量，并进行了分析。响冷库设备性能的参数。经网络具有大规模并行存储，处理和自我组织，自我适应和自我学习的能力，并且特别适合处理需要同时考虑许多问题的问题。素和条件[6]。多专家和研究人员正在就不同问题进行神经网络建模的研究。Chen Wending等人[7]使用神经网络准确地预测了第二天第二天的冷却负荷，该温度与室外温度，太阳辐射和不同时间的冷却时间有关，并分析了造成误差的原因。高准确性； Wei Dong等[8]使用直接神经网络作为最佳反馈控制器来稳定地控制可变风量空调系统并实时预测空调面积负荷，Kusiak等[9]与传统的控制策略相比，使用动态神经网络来优化HVAC系统的建模。能30％； Gerardo等人[10]通过神经网络控制翅片式换热器的换气温度，与传统的PI / PID控制相比，神经网络更易于稳定和适应。Qi等[11]对非填充式喷雾冷却塔传质的分析与实验结果比较，神经网络预测结果的绝对平均相对误差为1.13％，而数值模型计算的误差达到9.42％。Ermis [12]使用神经网络分析管在翅片式蓄热系统的相变传热过程中，蓄热面积，雷诺数，温度和持续时间入口传热流体作为预测储热的输入，与实验数据相比，绝对平均相对误差为5.59％。字模型占14.99％。果，与传统方法相比，在具有许多非线性影响因素的系统中使用神经网络方法更为准确，所需时间更少。前，相变式制冷机组仍处于研究阶段：考虑到制冷机组的COP与影响储能/排放能的因素之间的非线性特性，本文使用BP神经网络相变COP的存储和存储/放电能量。用空气温度和湿度，水流量，空气量，水温差，功率和时间作为输入进行预测，并使用网络结构来预测在三层中，利用湖南大学差异平台的经验数据，比较了隐藏层中不同神经元的预期输出。神经网络预测的结果进行了比较和验证。晓琴等[5]开发了一种基站制冷剂存储单元，该单元由空气冷却器，相变模块，风扇，泵组成。过滤器，水管和相应的控制装置。示。的运行模式包括新鲜空气，能量存储和能量释放模式。
验室由两个房间组成，一个房间用于室内，模拟基站的温度和湿度条件，另一个房间用于模拟纯空气条件的室外区域。用于相变能量存储的冷库放置在内部以测试其性能，并将2500W加热器放置在内部作为热源典型的基站。量点1、2和3分别通过热电偶，回风温度和湿度，回风温度和湿度以及回风的温度和湿度进行测量。量计测量新鲜空气，水流量和水温。过标准流量喷嘴前后的静压差测量气流，每5分钟记录一次数据集，其中60组以能量存储模式记录，45组记录在放电模式下。库的COP和存储/排放结果如图3-5所示。图3中可以看出，相变冷库的COP在12.56的存储模式下是稳定的。
放电模式下COP降低的原因是能量存储的释放。于确定的相变模块，能量存储受到限制。量释放可以在3小时内稳定在9.64。图4可知，在蓄能模式下，相变蓄冷部的蓄能率在0.5小时内变快，在2小时之间线性降低。
0.5小时和4.5小时，则储能急剧下降；在放电模式下，冷藏单元的放电速率在0.5小时内更快，然后更慢，这可以通过以下事实来解释：储能模块的容量随温度的变化而变化。
受到限制，并且模块正在存储能量和热量。流体的传热温度差开始变得很重要，传热速率很高，然后温度差逐渐减小[13-14]。神经网络预测的应用中，许多专家和研究人员表明，BP的三层神经网络的结构足以实现准确性。越隐藏，错误传播和训练时间的过程和编程就越复杂。
训练过程中更容易陷入最小的局部误差，并且很难将网络连接的加权系数矩阵调整为最小误差[15]。此，选择三级网络结构。藏层中神经元的数量直接影响BP神经网络的预测精度：如果节点数量太大，则训练时间会太长，并且神经网络会过载。点数太少，网络学习不完善，编队数增加。
练的准确性也将受到影响，但是没有统一的解析公式来确定被掩盖层节点的数量。此，基于Kolmogrov定理[16]，冷凝器价格比较了不同数量的节点，即18、19、20。据冷库相变单元模型，影响COP的主要因素是回风温度和湿度，水流量和流量，温度差水和电力。
些影响参数被用作网络的输入，并且在图5中示出了神经网络模型。6. Mohanraj [17]建议随机选择70％的实验数据作为学习模型，其余部分用于比较结果，即40套能量存储模式学习，20套比较，放电模式下有30套训练集和15套比较套。练使用Levenberg-Marquardt算法，该算法具有很快的收敛速度，可以有效地防止神经网络的形成收敛到局部最小值[17]。测模型的准确性由均方误差（MSE），平均相对误差（MRE）和线性相关系数（R）评估。
入层到隐藏层的传递函数和隐藏层到输出层的传递函数分别是S形函数和线性函数。测误差结果如表1所示。1表明，每种结构的预测精度均可以满足要求，平均相对误差小于2％，均方误差小于1。0.2％，有些甚至接近0，线性系数大于0.99。
于神经网络预测，可以根据Kolmogrov定理选择隐藏层单位的数量，但是这三种结构是不同的。能量存储模式下，预测的COP隐藏层单位数优选为20，预测的存储能量为19。转储模式下，最优的隐藏层单位数可以预测COP为19，当隐层单元数为20时，预期的放电能量最佳。原因主要是由于两种模式的学习数据不一致。COP参数和存储/放电能量之间的差异。于具有相变储能的冷库机组，神经网络可以准确地预测其性能，从而避免了数值模拟中传递函数的复杂推导以及因温度变化引起的误差。设，近似等通过分析不同室内外环境因素下存储单元工作条件下的性能系数（COP）和存储/放电特性，建立了Levenberg-Marquardt神经网络训练算法预测具有许多非线性影响因素的相变冷库机组。络结构的性能由9个参数组成，预测冷库单元的三个性能参数，即COP，存储/放电能量，并比较不同隐藏层单元的预测结果，根据Kolmogrorov定理确定隐藏层。
焓差表中的实验数据相比，均方误差小于0.2％，平均相对误差小于2％，冷凝器价格相关系数大于0.99。果表明，神经网络可以很好地用于相变冷库机组。果预测。
本文转载自
冷凝器价格 http://www.china-iceage.com