建筑科学
建築科學
건축과학
BUILDING SCIENCE
2014年
6期
66-71,82
,共7页
冷水机组%IPLV%BP神经网络%附加动量项%自适应学习速率
冷水機組%IPLV%BP神經網絡%附加動量項%自適應學習速率
랭수궤조%IPLV%BP신경망락%부가동량항%자괄응학습속솔
water chiller%IPLV%BP neural network%additional momentum%adaptive learning rate
针对部分负荷性能系数IPLV测试方法复杂且在现场测试过程中无法保证能将冷水机组卸载到指定的测试工况的问题,利用附加动量项与自适应学习速率,对传统的BP神经网络算法进行了改进,提出了基于改进BP神经网络的IPLV预测方法,利用供冷负荷率,冷冻水供水温度,冷却水进水温度,冷冻水流量、冷却水流量与COP 6个参数训练IPLV预测模型.本文以某商场离心式冷水机组为案例,利用该方法对冷水机组的IPLV进行了预测,并与实验测试的结果进行了比较.研究结果表明:利用BP神经网络预测的冷水机组IPLV与实验测试的结果平均相对误差为1.7%.
針對部分負荷性能繫數IPLV測試方法複雜且在現場測試過程中無法保證能將冷水機組卸載到指定的測試工況的問題,利用附加動量項與自適應學習速率,對傳統的BP神經網絡算法進行瞭改進,提齣瞭基于改進BP神經網絡的IPLV預測方法,利用供冷負荷率,冷凍水供水溫度,冷卻水進水溫度,冷凍水流量、冷卻水流量與COP 6箇參數訓練IPLV預測模型.本文以某商場離心式冷水機組為案例,利用該方法對冷水機組的IPLV進行瞭預測,併與實驗測試的結果進行瞭比較.研究結果錶明:利用BP神經網絡預測的冷水機組IPLV與實驗測試的結果平均相對誤差為1.7%.
침대부분부하성능계수IPLV측시방법복잡차재현장측시과정중무법보증능장랭수궤조사재도지정적측시공황적문제,이용부가동량항여자괄응학습속솔,대전통적BP신경망락산법진행료개진,제출료기우개진BP신경망락적IPLV예측방법,이용공랭부하솔,냉동수공수온도,냉각수진수온도,냉동수류량、냉각수류량여COP 6개삼수훈련IPLV예측모형.본문이모상장리심식랭수궤조위안례,이용해방법대랭수궤조적IPLV진행료예측,병여실험측시적결과진행료비교.연구결과표명:이용BP신경망락예측적랭수궤조IPLV여실험측시적결과평균상대오차위1.7%.