本发明涉及供热制冷领域，尤其设计一种基于多参数的中水热源泵系统优化设计方法。
背景技术：
随着我国大规模高层建筑的发展，能源消耗日益增加，为了确保能源的可持续发展和对矿物类资源的节省，中水源热泵系统被广泛使用。中水源热泵系统是使用可以循环再生的中水资源的建筑物供热制冷系统，具有高效节能、运行稳定可靠、环境效益显著、稳定可靠的特点。因此研究并提高中水源热泵系统的性能是十分必要的。
目前的现有技术，没有给出一个优化各个影响中水源热泵系统参数的方法。例如，cn209416739u公开了一种中高温热泵性能测试试验台；
cn202253967u公开了一种中水源热泵与集中供热按能源时钟采用峰谷电价互为补充供热,根据供热不同时期、不同时段、供水温需求不同,采取中水源热泵与集中供热按时钟切换供热运行方法。它们都没有从根本上对中水源热泵系统进行优化设计。
技术实现要素：
有鉴于此，本发明提供一种基于多参数的中水热源泵系统优化设计方法，所述方法包括：
s1：设置n个参数，其中，所述参数为影响中水源热泵系统的性能的参数；
s2：根据s1中设置的参数，以及预设的抽样算法，得到抽样数据；
s3：根据s2中所述抽样数据，以及预设的建模算法，建立数学模型；
s4：将需要优化的中水热源泵系统的性能值代入所述数学模型，得到对比参数。
进一步的，所述步骤s1中n＝5；且5个参数为：x1：蒸发器挟点温差；x2：冷凝器挟点温差；x3:中水水温；x4:中水水质；x5:中水水量。
进一步的，所述参数包含若干个参数值；其中，x1＝{2℃、3℃、4℃}，x2＝{6℃、7℃、8℃}，x3＝{17℃、18℃、19℃、20℃}，x4＝{6.6、6.7、6.8、6.9、7.0}，x5＝{0.14l/s、0.15l/s、0.16l/s、0.17l/s}。
进一步的，所述步骤s2中预设的抽样算法为拉丁超立方抽样算法。
进一步的，所述步骤s2具体包括：
s21：从s1中设置的每个参数中抽取一个参数值，组成一个参数数组，其中，所述参数包含若干个参数值；
s22：重复步骤s21若干次，形成包含多个参数数组的原始数据；
s23：在满足预设条件的前提下，从原始数据中随机抽取m个参数数组作为抽样数据。
进一步的，所述步骤s23中预设条件是一个超平面内仅有一个参数数组，且m＝100。
进一步的，所述建模算法为bp人工神经网络算法。
进一步的，所述bp人工神经网络算法经过遗传算法的优化。
进一步的，所述遗传算法的目标函数为所述抽样数据的样本均方差，所述遗传算法的约束条件为罚函数法。
进一步的，所述方法还包括：
s5：将需要优化的中水热源泵系统的参数代入所述数学模型，得到对比性能值
本发明提供的技术方案通过抽样、建模的方法，建立多参数优化问题的数学模型，找到全局优化点，解决了现有技术只考虑单一参数的影响，无法从根本上进行中水源热泵系统优化的问题。
附图说明
图1是本发明提供的一种基于多参数的中水热源泵系统优化设计方法流程示意图；
图2是本发明提供的一种拉丁超立方抽样算法流程示意图；
图3-1是本发明提供的bp神经网络模型优化的绝对误差图；
图3-2是本发明提供的bp神经网络模型的相对误差图；
图3-3神经网络预测结果偏差图；
图4是本发明提供的预测程序(输入cop值求参数)示意图；
图5是本发明提供的预测程序(输入参数求cop值)示意图。
具体实施方式
下面将结合本附图，对本发明的技术方案进行清楚、完整地描述，请参考图1，具体步骤如下。
步骤101：设置n个参数；
这里的参数是指影响中水源热泵系统的性能的参数。在优选方式中，设置x1：蒸发器挟点温差；x2：冷凝器挟点温差；x3:中水水温；x4:中水水质；x5:中水水量这5个参数。但在实际应用中，影响中水源热泵系统的参数还包括室外温度、化霜结霜等，并不仅限于此。
另外，每个参数包括多个参数值。这些参数值组成了一个参数区间，而参数区间需满足以下几点:区间应尽可能地包含多种情况；为了避免样本点之间的距离太大而降低准确度，区间范围不宜过大；结合上述两点以及实际情况合理选择参数区间。
例如，上述的5个参数可以选取如下的参数区间：蒸发器挟点温差x1＝{2℃、3℃、4℃}，冷凝器挟点温差x2＝{6℃、7℃、8℃}，中水水温x3＝{17℃、18℃、19℃、20℃}，中水水质(ph值)x4＝{6.6、6.7、6.8、6.9、7.0}，中水水量x5＝{0.14l/s、0.15l/s、0.16l/s、0.17l/s}。
步骤102：根据步骤101中设置的参数，以及预设的抽样算法，得到抽样数据；
步骤102中所说的预设的抽样算法为拉丁超立方抽样算法。拉丁超立方抽样(latinhypercubesampling，缩写lhs)是一种从多元参数分布中近似随机抽样的方法，属于分层抽样技术。由于拉丁超立方抽样算法的实验次数是可以人为控制的，甚至可以出现实验次数小于因素数的情况，便于设置实验者需求的实验次数。而且，拉丁超立方抽样算法实验设计的均匀性更好，使得所得的模型能代表整个参数变化区域。再者，拉丁超立法抽样算法的实验设计更加灵活可控，能够更好地实现抽取的样本代表所有的实验，并且数量可控，效率更高。所以这里的预设抽样算法优选拉丁超立方抽样算法。请参考图2，该拉丁超立方算法具体步骤为：
步骤201：从步骤101中设置的每个参数中抽取一个参数值，组成一个参数数组；
根据前文所说的例子，从每个参数中抽取一个参数值，组成一个参数数组，例如：{4℃,7℃,17℃,6.6,0.16l/s}。
步骤202：重复步骤201若干次，形成包含多个参数数组的原始数据；
不断重复步骤201，得到了多个参数数组，这些参数数组就形成了原始数据。原始数据的数量取决于参数的数量，以及参数值的个数。例如，有5个参数x1、x2、x3、x4、x5，其中x1含有3个参数值，x2含有3个参数值，x3含有4个参数值，x4含有5个参数值，x5含有4个参数值。每个参数中抽取一个参数值，形成一个参数数组，那么总共可以形成3*3*4*5*4＝720个参数数组，这720个数组形成原始数据，后面的抽样数据也是在这720个参数数组中产生。
步骤203：在满足预设条件的前提下，从原始数据中随机抽取m个参数数组作为抽样数据。
此处优选的m数值为100，即从步骤202的原始数据中抽样选取100个参数数组作为抽样数据。而这100个数组需满足预设条件，在优选的实施方式中，预设条件为一个超平面内只有一个参数数组。这里所说的超平面，是一个多维空间概念，为了更好的理解它，我们先从一般常见的三维空间开始解释。
假设有一个由笛卡尔直角坐标系表示的三维空间，空间中有一点p，该点对应的坐标为(x,y,z)，若点p在某一平面上，则点p对应的坐标(x,y,z)能够满足该平面的方程。超平面是指三维以上空间中的平面。在这里，我们可以把这由5个参数中的参数值组合而成的720个参数数组，看作是720个五维空间里的点，而它们对应的参数数组{x1、x2、x3、x4、x5}，就是它们的点坐标，例如参数数组{4℃,7℃,17℃,6.6,0.16l/s}，就代表坐标值{4,7,17,6.6,0.16}对应的点，若该点在某一超平面上，则表示坐标值{4,7,17,6.6,0.16}满足该超平面的方程，也就是说该超平面含有该参数数组{4℃,7℃,17℃,6.6,0.16l/s}。因此，一个超平面内只有一个参数数组，就是说，在这100个参数数组中，只有一个参数数组在某个超平面内，也可以说，某个超平面只含有这100个参数数组中的一个参数数组。
在满足一个超平面内只有一个参数数组的前提下，选取的100个参数数组形成了抽样数据，之后的数学建模便是在这抽样数据的基础是上完成。
步骤103：根据步骤102中所述抽样数据，以及预设的建模算法，建立数学模型；
步骤103中预设的建模算法优选为bp人工神经网络算法。bp人工神经网络算法是一种按误差逆传播算法训练的多层前馈网络，是应用最广泛的神经网络模型之一。该算法能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
在采用bp人工神经网络算法进行建模的过程中，需要将抽样数据随机的分为训练样本和测试样本，测试样本要达到10％以上。例如，现在抽取了100组抽样数据，那么将九十组数据作为训练样本，十组数据作为测试样本来进行bp神经网络模型的建立，一般情况下，会将抽取的一百组抽样数据采用fluent软件进行模拟计算。
参考图3-1、3-2、3-3，根据实验数据显示，bp神经网络算法建立的数学模型的绝对误差都保持在0.15以内，相对误差基本都保持在3％以内，说明根据bp神经网络算法建立的数学模型真实有效，证明了所设置的参数与系统的cop值的相关性。
这里所说的cop(coefficientofperformance)值，是指中水源热泵系统的性能系数，也叫能效比，表达式为cop＝制冷量(或制热量)/消耗的能量(可以是电、热或燃料)。cop值越大，表明该系统使用时能源转换效率越高，则在单位时间内，耗电量也就相对越少。所以，对中水源热泵系统各参数的优化设计，就是为了提高能源转换效率，也就是提高cop值。
为了得到最好的优化设计，也就是得到最优解，需要对bp神经网络算法进行优化。这里采用的优选实施方式是，用遗传算法进行优化。遗传算法(geneticalgorithm，ga)是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。遗传算法已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。由于遗传算法为现有技术，此处不再对其优化过程予以赘述。
但这里需要说明的是，遗传算法的求解最优值函数，即目标函数(也称为适应度函数)，在优选实施方式中，为以x1-x5为自变量，以cop值为因变量构成的样本均方差函数。另外，将遗传算法应用于约束最优化问题关键是对约束条件的处理，通常采用罚函数法。罚函数法又称乘子法，是指将有约束最优化问题转化为求解无约束最优化问题。
本发明提供的优选实施方式是，采用建立bp人工神经网络模型来进行综合的优化考虑，再通过遗传算法来进行最优结果的因素确定，然后通过大量样本数据，对模型进行训练和测试。这样得到优化模型，更加准确，比现有技术中的一般方法计算效率高。
步骤104：将需要优化的中水热源泵系统的性能值代入所述数学模型，得到对比参数。
根据步骤103建立的数学模型进行编程，将中水热源泵系统的性能值，也就是前文所说的cop值代入，得到对比参数。例如，参考图4，根据数学模型，用matlab编制程序，输入想到达的中水源热泵系统cop值4.8，可以得到对比参数[36196.80.16]。即如果想要让中水源热泵系统cop值达到4.8，则蒸发器挟点温差的理想值为3℃，冷凝器挟点温差的理想值为6℃，中水水温理想值为19℃，中水水质ph值理想值为6.8，中水水量理想值为0.16l/s。然后将实际参数与对比参数进行比对，从而确定给中水源热泵系统中有哪些参数需要优化设计，进而确定优化方案。
步骤105：将需要优化的中水热源泵系统的参数代入所述数学模型，得到对比性能值。
根据步骤103建立的数学模型编制出的程序，除了步骤104所述，可以输入想要达到的cop值，从而得到理想的对比参数，还可以输入中水源热泵系统的参数，得到对比性能值。请参考图5，例如，输入参数[36196.80.17]，代表含义为蒸发器挟点温差为3℃，冷凝器挟点温差为6℃，中水水温为19℃，中水水质ph值为6.8，中水水量为0.17l/s，可以得到对比性能值，也就是cop值4.68。然后与理想的cop值进行对比，如果输出的比对性能值明显小于理想的cop值，则说明该中水源热泵系统的能源转换效率较低，需要进行优化。
由上可知，本发明提供的技术方案通过抽样、建模的方法，找到同时对多个影响中水源热泵系统的cop值的参数的优化方法，从而从根本上对中水源热泵系统进行优化设计。
以上仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于多参数的中水热源泵系统优化设计方法，其特征在于，所述方法包括：
s1：设置n个参数，其中，所述参数为影响中水源热泵系统的性能的参数；
s2：根据s1中设置的参数，以及预设的抽样算法，得到抽样数据；
s3：根据s2中所述抽样数据，以及预设的建模算法，建立数学模型；
s4：将需要优化的中水热源泵系统的性能值代入所述数学模型，得到对比参数。
2.根据权利要求1所述的方法，其特征在于，所述步骤s1中n＝5；且5个参数为：x1：蒸发器挟点温差；x2：冷凝器挟点温差；x3:中水水温；x4:中水水质；x5:中水水量。
3.根据权利要求2所述的方法，其特征在于，所述参数包含若干个参数值；其中，x1＝{2℃、3℃、4℃}，x2＝{6℃、7℃、8℃}，x3＝{17℃、18℃、19℃、20℃}，x4＝{6.6、6.7、6.8、6.9、7.0}，x5＝{0.14l/s、0.15l/s、0.16l/s、0.17l/s}。
4.根据权利要求1所述的方法，其特征在于，所述步骤s2中预设的抽样算法为拉丁超立方抽样算法。
5.根据权利要求4所述的方法，其特征在于，所述步骤s2具体包括：
s21：从s1中设置的每个参数中抽取一个参数值，组成一个参数数组，其中，所述参数包含若干个参数值；
s22：重复步骤s21若干次，形成包含多个参数数组的原始数据；
s23：在满足预设条件的前提下，从原始数据中随机抽取m个参数数组作为抽样数据。
6.根据权利要求5所述的方法，其特征在于，所述步骤s23中预设条件是一个超平面内仅有一个参数数组，且m＝100。
7.根据权利要求1所述的方法，其特征在于，所述建模算法为bp人工神经网络算法。
8.根据权利要求7所述的方法，其特征在于，所述bp人工神经网络算法经过遗传算法的优化。
9.根据权利要求8所述的方法，其特征在于，所述遗传算法的目标函数为所述抽样数据的样本均方差，所述遗传算法的约束条件为罚函数法。
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
s5：将需要优化的中水热源泵系统的参数代入所述数学模型，得到对比性能值。
技术总结