[发明专利]燃气机热泵的容量自动调节与控制方法

摘要

本发明涉及一种燃气机热泵的容量自动调节与控制方法，属于燃气机热泵的容量调节技术。该调节与控制方法包括：宏观以燃气机转速为调控对象，以燃气机进气阀门为执行机构，以建筑物负荷预测值为主要前馈参数，以建筑物室内温度为控制反馈参数的多种控制策略相结合的混合控制系统进行调控；微观以电子膨胀阀开度为调控对象，以其步进电机为执行机构，以燃气机转速为前馈参数，以系统过热度为反馈参数，提出与变发动机转速容量控制类似的混合控制系统进行调控。本发明的有益效果是：实现热泵机组全年全天候自动运行的容量连续调节和全自动运行控制，维持室内温度稳定，使热泵机组的一次能源利用率在整个运行期间保持在较高水平。

主权项

1.一种燃气机热泵的容量调节与控制的方法，所述的燃气机热泵系统，包括燃气发动机(1)，它的燃气进气阀门(2)，它的缸套换热器(3)，它的排烟换热器(4)；燃气机的传动轴(5)通过电磁离合器(6)拖动压缩机(7)工作，压缩机进出口分别与蒸发器(8)和冷凝器(9)连接，在蒸发器与冷凝器之间设置电子膨胀阀(10)，由压缩机、蒸发器、冷凝器及电子膨胀阀组成制冷系统；该燃气机热泵的调控系统包括：温度、压力和转速的传感器的数据采集系统，控制器(11)及电子膨胀阀的步进电机(13)和燃气进气阀门步进电机(12)执行机构，采用上述的调控系统对燃气机热泵的容量调节与控制方法，其特征在于包括以下过程：1)宏观以燃气机转速为调控对象，以燃气机的进气阀门步进电机为执行机构，以建筑物负荷的预测值为主要参数的控制前馈信息，以建筑物室内温度为控制反馈信息，实现调控燃气机热泵容量过程包括：(1)在改进最近邻聚类学习算法的基础上，提出加权动态RBF预测网络模型，并以建筑物所在地全年逐时气温、太阳辐射、建筑物历史负荷参数作为神经网络模型的训练样本，预测下一时刻建筑物所需冷热负荷，该负荷作为系统的前馈输入参数；其算法和模型如下：①RBF神经网络：RBF径向基神经网络是一种前向神经网络，包括一个隐层，其数学模型为：$y=\underset{i=1}{\overset{N}{\Sigma }}{w}_{i}g\left(\right||x-c_i{\left|\right|}_{R^n}/{\sigma }_i)$ 其中x∈Rn为神经网络输入；wi为RBF输出层权重；g为径向基函数；ci为径向基函数的中心；σi为径向基函数感受野，σi越大，感受野越大；‖‖Rn为x与ci之间的距离；②改进的最近邻聚类算法：a.选择一个适当的半径r，定义一个矢量Au用于存放属于各类的输出矢量之和，定义一个计数器Bu用于统计属于各类的样本个数；b.从第一个数据对(x1，y1)开始，在x1上建立一个聚类中心，令$\left\{\begin{array}{c}{c}_1=x_1\\ A_1=y_1\\ B_1=1\end{array}\right.$ 该隐单元到输出层的权矢量为 x1＝A1/B1 c.假设考虑第k个样本数据对(xk，yk)时，k＝2，3…，N存在M个聚类中心，其中心点分别为c1，c2，...，cM，然后分别求出到M个聚类中心的距离|xk-cj|，i＝1，2，3，...，M，设|xk-cj|为这些距离中的最小距离，即cj为xk的最近邻聚类，则：如果|xk-cj|＞r，则将xk作为一个新聚类中心，并令$\left\{\begin{array}{c}{c}_{M+1}=x_k\\ M=M+1\\ A_M=y_k\\ B_M=1\end{array}\right.$ 且保持Ai，Bi的值不变，i＝1，2，3，...，M-1；如果|xk-cj|≤r，作如下计算：$\left\{\begin{array}{c}{A}_j=A_j+y_k\\ B_j=B_j+1\end{array}\right.$ 当i≠j时，i＝1，2，3，...，M，且保持Ai，Bi的值不变，隐单元到输出层的权矢量为： wi＝Ai/Bi，i＝1，2，3，...，M③加权RBF神经网络：根据上述规则建立的加权RBF网络，其输出应为：$f\left(x\right)=\frac{\underset{i=1}{\overset{M}{\Sigma }}{w}_i·\exp (-\frac{|x-c_i{|}^2}{{\sigma }^2})}{\underset{i=1}{\overset{M}{\Sigma }}\exp (-\frac{|x-c_i{|}^2}{{\sigma }^2})}$ 其中，σ为基函数感受野宽度，可以取σ＝r，这比同时确定隐单元的个数和一个合适的范数要方便的多，同时由于每一个输入输出数据对都能产生一个新的聚类，因此这样动态自适应RBF网络实际上进行参数和结构两个过程的自适应调整；④负荷预测网络模型：依据建筑物所处地的温度、太阳辐射、湿度、风速、地表温度以及建筑物的结构特性、地理位置建立负荷预测网络模型；(2)中心控制环节采用模糊控制系统和PID双模并联控制方式，并在模糊PID基础上，引入Smith预估补偿器；其算法和模型如下：①模糊控制器：它具有三个特征：a.模糊化：把精确输入量转化为模糊输入量；b.模糊推理：根据控制规则和输入的模糊量，得出模糊控制量；c.去模糊化：把模糊输出量转化为精确输出量；②PID控制系统：在PID控制器作用下，分别对建筑物室内温度的误差信号e(t)进行比例、积分和微分运算，其结果的加权和构成系统的控制信号u(t)，输送给执行机构燃气进气阀门步进电机加以控制，PID控制器的数学描述为：$u\left(t\right)=K_p[e\left(t\right)+\frac{1}{T_i}{\int }_0^{t}e\left(\tau \right)\mathrm{d\tau }+T_d\frac{\mathrm{de}\left(t\right)}{\mathrm{dt}}]$ ③模糊-PID控制器：采用双模控制器，当建筑物室内温度的偏差较大时，超过某一阈值则采用模糊控制器，当建筑物室内温度的偏差较小时，小于该阈值则切换至PID控制器，从而使得这种双模控制器具有模糊控制器响应快和PID控制器稳态精度高的双重特点；④Smith预估器：将模糊控制器引入Smith预估控制系统中，构成Smith模糊控制系统；(3)比较反馈信息与设定信息：当建筑物室内温度高于设定室内温度时，控制器通过控制算法计算发出指令，使步进电机正向转动特定步数，加大燃气机进气阀门开度，增加燃气进气量，提高燃气机转速，加速压缩机转动，使每循环制冷剂流量增加，热泵总制冷量增加，使室内温度逐渐降低，向设定温度靠近；当建筑物室内温度低于设定室内温度时，控制器通过控制算法计算发出指令，使步进电机反向转动特定步数，减小燃气机进气阀门开度，减少燃气进气量，减慢燃气机转速，减速压缩机转动，使每循环制冷剂流量减少，热泵总制冷量减少，使室内温度逐渐降低，向设定温度靠近；2)微观以电子膨胀阀的开度为调控对象，以电子膨胀阀的步进电机为执行机构，以燃气机转速为前馈信息，以系统过热度为反馈信息，提出与变发动机转速容量控制类似的多种控制策略相结合的混合控制系统包括：(1)前馈部分利用发动机转速作为主要输入参数；(2)反馈部分采用模糊控制系统和PID双模并联控制方式，并在模糊PID基础上，引入Smith预估补偿器；反馈环节将实际过热度与设定过热度构成偏差，采用双模控制器，当过热度偏差较大时，超过某一阈值则采用模糊控制器，当过热度偏差较小时，小于该阈值则切换至PID控制器，输出控制量到电子膨胀阀步进电机，使系统实际过热度不断逼近设定过热度，即当系统实际过热度偏高时，使之不断降低，逼近设定过热度；反之使之不断升高，逼近设定过热度。