基站用相变储能机组性能实验及预测模型

《基站用相变储能机组性能实验及预测模型》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基站用相变储能机组性能实验及预测模型摘要：针对相变储能机组换热性能的非线性影响因素，分析了室内外不同环境因素下机组运行工况的性能系数（COP）及蓄/放能特征，并在焓差实验室进行机组性能测试。基于实验数据，建立了不同神经网络结构预测模型，预测机组COP及蓄/放能量；通过预测值与实验值结果对比，两者相关系数大于0.99，平均相对误差小于2%，平均均方差低于0.2%。研究结果表明，神经网络方法可以准确地预测相变机组储放能过程及对应的性能系数。关键词：神经网络；相变储能；储能量；放能量；性能系数（COP）中图分类号：TU111文献标志码：A

2、文章编号：1674-4764（2014）05-0066-05PerformanceExperimentandPredictionModelofLatentHeatStorageUnitUsedinTelecommunicationsBaseStationsLuoXinbo1，ZhangQuan1，SunXiaoqin1，Chen11Xiaoming1，WangJiaqiang1，LiaoShuguang2（1.CollegeofCivilEngineering，HunanUniversity，Changsha410082，P.R.C

3、hina；2.ChangshaMaxxomHi-techCorporation，Changsha410015，P.R.China）Abstract：energysavingpotentialoflatentheatstorageunitwasstudied（LHSU）byusingneuralnetwork.ExperimentswereconductedinanenthalpydifferencelaboratorytosimulatetheperformanceofLHSU.Differentneuralnetworkstruc

4、tureswerebuilttopredicttheinfluenceofnonlinearfactorsincludingairflowrate，airtemperature.Coefficientofperformance（COP），energystorageanddischargeratesontheunit’soperationperformance.Resultsshowedthatthepredictionsagreedwellwiththeexperimentaldatawithcorrelationcoefficie

5、ntsintherangeof0.99～1.00，meanrelativeerrorsbelow2%andverylowrootmeansquareerrors.Keywords：neuralnetwork；phasechangeenergystorage；energystorage；energydischarge；coefficientof11performance.随着通信业的迅速发展，中国对基站数量需求越来越多，基站耗电量大。据不完全统计，仅中国移动2009年耗电就达到111.4亿kW・h，基站耗能已占运营商能耗的一半左右[1

6、]，其中空调耗能占基站耗能30%～50%[2]，基站空调系统节能迫在眉睫。李雄文[3]从气流组织角度提出空调下送风方式及出风口朝向通信设备进风口实现节能；李森[4]指出在合适的室外气候条件下，通信基站采用新风技术全年可实现节能30%～50%。为解决新风技术中能量供需不平衡的问题，孙小琴等[5]提出相变储能机组，结合室外新风技术和相变储能技术降低基站制冷能耗，研究发现，采用此项技术机组能效比高达14.04W/W。11相变储能机组性能的影响因素众多，难以通过数学模型准确预测机组性能。为了方便地分析相变储能机组的节能性，本文采用神经网络预

7、测机组COP和蓄/放能量，分析影响机组性能的参数。神经网络具有大规模并行分布式存储、处理及自组织、自适应、自学习的能力，特别适合处理需要同时考虑许多因素和条件的问题[6]。众多专家学者针对不同问题进行神经网络建模研究。陈文鼎等[7]利用神经网络，以不同时刻的室外气温、太阳辐射以及某时刻供冷时数作为输入准确预测出第二天空调负荷，并分析误差原因及提高精度的方法；魏东等[8]采用前向神经网络作为优化反馈控制器稳定控制变风量空调系统，并实时预测出空调区域负荷；Kusiak等[9]采用动态神经网络对HVAC系统优化建模，与传统控制策略相比可节

8、能30%；Gerardo等[10]通过神经网络控制翅片式换热器的换热空气温度，与常规PI/PID控制比较，神经网络更容易稳定系统且具有更好的适应性；Qi等[11]分析无填料喷雾冷却塔热质传递，与实验结果相比，神经网络预测结果的绝对平均