家用冰箱线性压缩机内在调控性能的实验研究和数值分析Word文档格式.docx
《家用冰箱线性压缩机内在调控性能的实验研究和数值分析Word文档格式.docx》由会员分享，可在线阅读，更多相关《家用冰箱线性压缩机内在调控性能的实验研究和数值分析Word文档格式.docx（14页珍藏版）》请在冰豆网上搜索。
情况（ii）提供了最稳定的HTF入口温度，而情况（iv）呈现的是最不稳定的结果。
此外，在情况（ii）中观察的能源效率最高（99%），火用效率（87.9%）和COP是（2.05）。
此外，在案例（i）中达到实验设定值大约50m,另一方面案例（iii）和案例（iv）在不稳定最初一段时间变成时间大约为25min的案例（ii）。
所以，变频压缩机应采用案例（ii）控制来稳定乙二醇水溶液的温度和提高系统的效率和COP。
关键词压缩机变速潜热储能节能火用
往复式压缩机启动和关闭瞬间的数学模型
摘要影响能源消耗，噪音水平和压缩机的可靠性的集中现象与压缩机启动与关闭是的瞬态效应有关。
本文提出了模拟方法和试验验证的方法分析压缩机的瞬态效应。
由于时间尺度与压缩机的热行为的相关性远远高于物理机械，本文为方便起见规定了热平衡条件。
结果阀位移，活塞运动，压缩腔的压力和电阻扭矩用来说明此方法的应用，帮助理解影响启动和关闭时的压缩机的性能的物理方面。
据观察，吸入和排出阀的动态有很大的影响。
此外，该模型估计压缩机启动时的所需的最低电压作为均衡压力和辅助线圈驱动时间的函数。
关键词往复式压缩机瞬态效应压缩机模型轴承自动阀
减少制冷剂充注：
紧凑型换热器优化设计的新型设计
摘要对减少制冷剂充注的关注，我们引入了一个新的标准，所谓的生态成本（EC），并建立了相关的HEXs的优化设计。
EC不仅考虑在HEX中熵的产生，而且考虑特殊环境成本值c和c'
影响的制冷剂充量。
EC的最小化是在给定的热流率或是给定的温差下进行的。
结果表明，最佳的设计值取决于器件的寿命和在EC中列出的c/c'
漏损率。
我们建立了EC和TEWI之间的连接，并且表明最佳的EC会引起最佳的TEWI。
我们在处理此文的第二部分时在给定的所有卷下冷热换热器的优化配置或是假定可逆循环时的制冷剂的总质量约束。
关键词制冷剂充量换热器设计优化环境熵
CO2与自然制冷剂混合工作级联周期的性能
摘要在本文中，用二氧化碳加上碳氢化合物和二甲醚作为低温工作液的叠式制冷循环的性能进行了分析。
调查混合液的属性用来模拟叠式循环中以氨作为高温线路工作液的性能。
这项工作的目的是研究使用二氧化碳混合物应用在温度低于三相点温度下的可能性。
这项分析基于csd的软件发展得出结论。
状态方程应用的二元相互作用参数源自文献中的实验数据。
结果表明，添加制冷剂R744到HCs，二甲醇降低循环的性能，即使可接受的值总是达到性能指标COP。
R744和自然制冷剂混合的主要吸引力和它们的GWP,ODP和可燃性属性比纯流体的低有关。
关键词二氧化碳烃级联系统低温建模制冷系统
太阳能辅助空调系统的研究提供使用人工神经网络系统的储罐
摘要这项研究提出了太阳能辅助空调系统的性能提供了安装在太阳能研究中心（CIESOL）的两个储罐。
系统主要包括太阳能集热器，一个热水驱动吸收式制冷机，冷却塔，两个热储罐，辅助加热器还有两个冷储罐。
热储罐电路作进一步调查。
在第一步中，我们已经对集成热水箱对太阳能系统的必要性进行了研究。
随后，独特的人工神经网络（ANN）模型与最低输出变量提出的主要目的是预测性能系数和吸收式制冷机的冷却能力。
发现配置5-9-2（5个输入，9个隐藏，2个输出神经元）是最佳的拓扑结构。
结果表明，适当的人工神经网络预测与平均方根误差（RMSE）小于0.70%和几乎空的偏差，这是令人非常满意的。
关键词储热吸收系统神经网络
1引言
太阳能空调是一个具有巨大增长潜力的新兴市场。
夏季用电高峰与太阳辐射的高可用性是相关联的，太阳能辐射为利用太阳能热驱动制冷剂提供了一个极好的机会。
对于低功率的冷却系统，商业技术在优先的基础上是可用的。
然而，太多的注意力放在其他的应用研究上包括光伏操作制冷循环和太阳能机械制冷（Balaras等，2006）。
现在一直致力于提高吸收式太阳能制冷系统的主要组成部分，例如，太阳能集热器，吸收式制冷剂和热水储罐。
太阳能辅助空调存储的主要目的是克服太阳能电池收益与冷负荷之间的不匹配。
最常见的应用是在热驱动制冷设备中的热水缓冲罐的集成。
多余的太阳能热可以存储在虚热装置，如果太阳能热不够可以利用储存的能量，它作为缓冲的水罐有恒定的热输入。
KreiderandKreith（1981）已经报道在使用两个热储单元作为一个热储装置，设置两个不同的温度范围情况下该系统能够更有效的运行。
（LiandSumathy,2000,2001;
Henning,2004）.
人工神经网络近年来已经被越来越广泛的应用于预测或是提高暖通空调制冷非线性系统的性能（S‚encanetal.,2006;
Wongetal.,2010）。
学习能力是人工神经网络的主要特点之一。
人工神经网络系统能够建立多个参数同时进行的非线性模型，而且现在广泛应用于预测控制，如太阳能辐射（Lo´
pezetal.,2001,2005;
Boschetal.,2008），能源使用的预测，能源优化（Chowetal.,2002），数据趋势和最佳启动和停止（Wang,2001;
Chang,2007）。
有几项吸收式制冷机系统性能预测的研究（Lazzarinetal.,1993;
Martı´
nezandPinazo,2002;
Syedetal.,2005;
AsdrubaliandGrignaffini,2005;
Helmetal.,2009），然而很少的基于吸收式制冷机的总的太阳能制冷系统和提供热水储存箱的工作进行。
因此这项研究的主要目的是分析热水箱一体化的重要意义，并确定人工神经网络模型能够估计性能系数和控制系统的冷却能力。
太阳能辅助空调系统的最终目标是操作的稳定性和高性能系数，并最大限度地利用太阳能热。
为达到这个目标，我们需要知道在建设的同时哪种条件下系统更有效。
直到现在发现在采集者领域仅靠确定温度信息，储罐和关于系统任何最佳操作点下的建筑物的载荷都利用次控制系统。
这是应用人工神经网络模型与不应用该系统的根本不同。
另一方面，我们打算估计冷却能力来操作冷储水罐。
使用这种储罐我们能够储存过剩的冷水机组的制冷量，当制冷量不能够承担整个建筑的需要时就使用储存冷量（太阳能收益和建筑之间的负载不匹配或交替）。
该系统可以允许吸收式制冷机组在没有需要的情况下工作，提高太阳能的使用，由于低冷量的要求防止冷水机
命名法
水的比热容[4.18Kjkg-1K-1]
进入吸收器和冷凝器的温度[℃]
入射辐射强度[Wm-2]
离开吸收器和冷凝器的温度[℃]
环境温度[℃]
第一储罐的平均温度[℃]
离开平板集热器的温度[℃]
第二储罐的平均温度[℃]
集热器质量流率[m3h-1]
第二储罐上部的温度[℃]
发生器的质量流率[m3h-1]COP性能系数
进入发生器的温度[℃]
冷却能力[Kw]
出发生器的温度[℃]
蒸发器符合[Kw]
蒸发器质量流率[m3h-1]
传到发生器的热量[Kw]
进入蒸发器的温度[℃]
出蒸发器的温度[℃]
吸收器和冷凝器的质量流率[m3h-1]
组突然开启/关闭（开/关循环），允许实现早期冷水机组的启动，所以我们需要的冷却能力的预测值选择最佳的控制系统。
使用这种方法我们最大限度的利用太阳能，避免CO2排放到大气中。
在这项工作中，我们确定了一种方法，它可以很容易的适应其他系统，主要目的是提高太阳能辅助系统的设计承担测量次数和操作要点以及太阳能热的最大化。
我们的研究也降低了监督的成本，因为我们通过人工神经网络系统输入参数的选择避免多余的测量。
在目前工作的第一阶段，在没有热水储罐的条件下我们观察系统的行为。
为了达到这个系统的目标，系统没有热水集成储罐。
其次，对适用于上述系统的太阳能驱动的热水储罐进行深入的调查。
最后，我们确定主体范围的人工神经网络系统来预测性能系数，冷水机组的制冷能力仅靠热水储罐提供。
2太阳能辅助系统的说明
在这项研究中，我们使用在太阳能辅助空调系统的注册数据安装在阿尔梅里亚大学的Ciesol建筑上。
该系统采用了一个160m2的太阳能集热器阵列，热水驱动单效溴化锂-水吸收式冷热机组的额定容量70千瓦（Yazaki公司），冷却水，两个容量各为5000升的热水储箱，一个辅助加热器和两个冷储罐。
上述系统和它的各种操作模型的分析最近已经被Rosiek和Batlles发表（2009）。
图1介绍平板太阳能集热器阵列安装在屋顶上的Ciesol建筑的观点和主要系统组件。
在这项研究中，我们分析了只有热水箱供应满足Ciesol建筑制冷需要的系统的行为。
图2呈现了太阳能制冷模型操作系统的一般计划。
在本文，我们使用全球辐射，吸收式制冷系统的温度和质量流率和1min采样周期的储罐测量的主要目的是分析系统的行为。
并预测性能系数和吸收式制冷机组的制冷能力（
）。
性能系数是从如下公式获得的：
其中
是蒸发器负荷（
），
是传到发电机的热量，
是蒸发器的质量流量，
是水的比热容，
是进入蒸发器的温度，
是出蒸发器的温度，
是发电机的质量流量，
是进入发生器的温度，
是出发生器的温度。
3集成热水箱
再下面的小节中，我们要强调集成热水箱对于太阳能辅助空调系统必不可少的重要性。
为实现这一目标，研究没有集成热水器的太阳能辅助空调系统。
其次，对适于上述系统地太阳能驱动热水箱进行深入的调查。
3.1没有存储系统的太阳能制冷模型
在本段中我们将研究仅有太阳能驱动的太阳能辅助空调系统的主要目的是强调储热一体化的重要性。
办公室的空调从上午9点到下午9点运行，从星期一到星期五。
这个模型的基本思想是从太阳能集热器提供吸收式制冷机水。
制冷机规定的最低和最高的进入发生器的温度分别是70℃和95℃，超出此值将停止工作。
一旦选择冷却操作离开平板式集热器的温度高于吸收式制冷机的最低启动温度（70℃），冷水机组的功能将自动任然工作只要有冷冻水的需要。
在吸收式制冷机组只有太阳能阀V1,发V2和V3保持关闭驱动时的周期，泵P1循环吸收式制冷机和太阳能集热器之间的热水，避免储罐（如图2）。
旁路阀V4开或是关控制流过发生器的热质流量来响应冷冻水的温度。
当冷冻水的温度满足时，阀V4关闭，冷却水泵P2在4min后停止，泵P3循环通过风机盘管的冷却水。
由于增加建筑物的负荷只要增加冷却水的系统就维持这种状态。
与此同时，阀V1根据进入和离开平板式集热器的温度的不同改变开放水平。
泵P1循环吸收式制冷机和太阳能集热器之间的热水，并且由于缺乏储热没有多余的热量存储。
为了验证热储存一体化的必要性，自从吸收式制冷机仅由太阳能驱动对离开平板机热气温度进行了分析。
考虑最小发电机的入口温度，我们集中我们只研究离开集热器的温度高于70℃。
在制冷周期2007和2008的1min的采样周期内记录实验数据。
图3呈现了离开平板集热器的随入射辐射和质量流率的变化规律。
从图3可以看出对于入射辐射小于400[Wm-2]和质量流率大于9[m3h-1]，我们不能达到离开平板集热器的温度高于70℃（吸收式制冷机的最低启动温度），因此开始制冷过程需要辅助热源。
为满足这一条件，我们可以使用一些辅助加热器为例，但这个项目的主要目的最大限度的利用太阳能热，避免CO2排放到大气，因此热水储罐一体化是必不可少的。
为了再一次强调热水箱一体化的巨大重要性，我们试图表明太阳能辅助空调系统起作用的时间仅是没有储热或是辅助加热器总运行时间的28%（从早上9点到晚上9点）（参见图4）。
3.2太阳能储热系统的冷却方式
为了瞬间提供热量的主要目的，当从太阳能集热器提供的热量不够时，使用两个储罐。
在太阳能集热器领域和吸收式制冷机中使用热水储罐已经报告产量更高的系统效率并延长了每天的制冷时间。
由于太阳辐射强度的变化它能够阻止吸收式制冷机的循环（LiandSumathy,2000;
Syedetal.,2005）。
在本段中，我们想要指出储罐一体化的重要性，因此我们将重点放在涉及储热的系统运行模型上。
根据控制策略能源可以收取，储存和释放每天或没星期。
在上午和下午，当太阳高能热水器不能满足制冷需要时，该系统从储罐提供水。
控制系统比较吸收式制冷机第二个储罐的最低启动温度（70℃），如果这个温度呗冷水机组提前开机。
在此操作模型中当阀V2和V3开启时，阀V1保持关闭，并且泵P1循环吸收式制冷机和储罐之间的热水，避免太阳能集热器（参见图2）。
以这种方式，热能从储罐中移走。
只要第二个储罐的温度降到低于最小发生器的入口温度放热过程将持续进行。
在建筑物负荷低的期间（低蒸发器温度）控制系统需要低的发生器的入口温度。
在此时只有所需的太阳能热的量能够提供正在使用的冷负荷，其余的热量储存在两个热水储罐里。
在此操作模型中泵P1循环从太阳能集热器来的温水到第一储罐的水，同时，第二个储罐释放能量供应吸收式制冷机组（参见图2）。
另一种方式是当不需要冷却水的时候储罐吸收能量（周末和午休的2-4下午），从集热器来的热水是储热的载体，由于吸收式制冷机是关闭的。
在这模式中泵P1循环集热器和储罐之间的热水。
图5给出了当环境温度达到35℃时第二个储罐上部的温度，离开机热气的温度，发生器的入口温度，环境温度和蒸发器出口温度对时间的曲线在实验当天（03/09/07）。
我们可以看到直到上午9：
22蒸发器出口温度稳定，在30℃左右。
太阳能辅助空调系统在9：
22启动的主要目的是满足Ciesol建筑的冷需求。
控制系统第二储罐和集热器出口温度与吸收式制冷机组的最低启动温度进行比较。
在那一刻太阳能热水的温度任然过低，温水形式储罐用来驱动制冷机。
从上午9：
22到10时，发生器的入口温度呈现出与第二储罐相同的趋势，表明吸收机由储罐提供。
在此期间冷却水的温度逐渐下降，达到稳定温度8℃。
同时由于阀V1开放水平的实验修改集热器出口温度突然上升。
即使集热器的温度达到75℃，足以驱动制冷机的温度，控制系统视储罐为热源因为冷却水的高温度。
过了10点，我们可以观察到由于低负荷的原因在剩下的时间里蒸发器的出口温度任然是常量。
从上午10点到下午2点仅使用大部分的太阳热满足冷负荷，剩余的热量存储在两个储罐里。
在2点到4点之间（午休）不需要冷水，太阳能热水用来负荷热水储罐，从图5可以看出第二个储罐的温度从75℃上升到85℃。
过了4点制冷机再次开启。
再一次控制系统将第二个储罐的温度和集热器的出口温度与吸收式制冷机的最低启动温度进行比较。
考虑建筑物的负荷低，控制系统需要低的发生器入口温度，由第二个储罐提供吸收式制冷机组能量。
同时第一个储罐储存来自太阳能集热器的热水。
系统工作到下午16：
15。
图6展示的是性能系数——通过方程
（1）获得，与发生器入口温度，蒸发器出口温度的关系和试验日期（16/08/07）。
在操作的这天建筑物的负荷是100%和发生器入口温度的稳定值是70℃。
尽管建筑物的负荷高（高蒸发器温度），控制系统需要高发生器入口温度，我们设置最佳的发生器的入口温度是70℃的主要目标是最大的利用储存系统。
太阳能辅助空调系统在下午12：
33开启，一直工作到下午5点，在此期间COP在冷却过程开始和最后分别是0.31和0.84。
我们遵守在所有实验性能系数几乎是不变的。
这主要是由于这一事实，吸收式制冷机由第二储罐提供水当太阳能集热器的温水吸取第一储罐的热量时。
此操作模型性能系数稳定，阻止吸收式制冷机的运行，我们可以观察下午12：
58-1：
40和2：
18-2：
32。
在这些时刻，吸收式制冷机由太阳能集热器提供能量，并且由于太阳辐射强度的变化发生器入口温度不同。
4人工神经网络模型
4.1人工神经网络模型的介绍
人工神经网络（ANN）是大规模的互联，并行处理，交互处理元素的动态系统，在某些方面类似于人类的大脑。
基本的处理单元是神经元类似于人大脑的神经细胞。
神经元行成层从而形成网络。
输入代表变量影响网络输出正供给下一层的每一个这神经元取决于加权和。
最后输出可作为输入加权和和一个额外的因素偏差的函数。
学习能力是ANN的一个显著特征。
调整输入权在指定的错误内产生预测的输出。
神经网络系统的特征是网络拓补、神经元激活传递和学习方法（Wang，2001）。
神经网络选择的是带有隐藏层的反馈感知器（MLP）。
正切传递函数作为隐藏层的激活函数，线性传递函数作为输出层的函数。
LM算法的应用是实现快速优化的方法（Chowetal.,2002）。
4.2人工神经网络模型的发展及结果
为确定储罐提供的太阳能辅助空调系统模型ANN，使用在1min内采集的
一组1250数据点。
表1给出输出和输入参数用于训练ANN吸收系统模型。
输入数据被从2007.6.6到2007.9.25的数据采集系统监测，通过方程估计输出参数（方程1）。
为了进行网络培训，1060数据模式被使用，其余的190组数据模式用来作为测试数据集。
培训和测试数据在0和1之间规范化，使用方程2：
其中Xmax和Xmin是每一个记录变量x的最大和最小值。
为了确定人工网络的模型，人工神经网络工具箱在Matlab环境下使用。
当大量的变量被列入模型，选择最优输入对模型自身的发展是关键的一步，因为计算成本大大的减少，因为不是所有的变量是可用的（Boschetal.,2008）。
在这项研究中，我们试图预测储罐供给的吸收式制冷机的性能的主要目的是降低初始的输入参数。
为验证上述输入参数的影响，我们认为根均方差误差（RMSE）作为平均测量值的百分比。
在表2中可以看到RMSE对性能系数错误的统计结果，在为太阳能辅助空调系统模型选择输入变量时的冷却能力。
这项工作的主要目的是确定能够估计两个输出变量的最小输入变量数量的独特的ANN模型。
通过表2的数据分析，我们选择更有利的ANN模型输入变量的配置。
要展开网络培训，1060数据模式被使用，输入变量的数目是不同的。
输入变量的选择是从13变量开始的配置，考虑到变量数量的重要性我们正逐步减少它们。
最后，我们选择进入和离开蒸发器的温度，第二储罐的平均温度作为更有利的网络输入配置。
在输入和输出的模型变量固定后，下一步确定网络构架（Boschetal.,2008）。
几个带有不同数目的隐藏神经元Nh被训练的MLP网络。
为了评估神经网络的准确性，我们对根均方差误差RMSE和平均偏差误差MBE进行了分析表示为均值的百分比。
图7和8说明RMSE和MBE分别评估隐藏的神经元。
可以看到隐藏的神经元数字高于9，根均方差误差几乎不变，最大和最小偏差分别为0.023和-0.034。
最后，构架5-9-2（5个输入，9个隐藏和两个输出神经元）是最佳的拓扑结构。
图9给出了在这项工作中选定的两层反向传播网络的配置。
输入层包括Teg、Tlg、Tee、Tle和T2。
隐藏层有九个节点，输出层包括COP和
。
一旦培训过程完成，我们将ANN模型的预测值与真实值进行比较。
我们使用190模式作为测试数据。
在线性拟合斜坡-a，截距-b，决定系数-R，RMSE和MBE方面，在预测值与实测值回归分析的基础上对模型的准确性进行评估。
图10和11分别给出了COP和
实际值与预测值的比较，对于吸收式系统。
COP和
实际值的计算在第二段中有解释。
上述提到的数字表明大多数的实验点位于完美的调整线1：
1上，说明最小的分散。
在任何条件下由网络引起的RMSE错误小于0.70%，偏差实际上是空值。
据悉，R值相等，达到约0.99，当截距非常小的时候，所有的斜坡值为1。
我们可以观察到，训练值很好的匹配实验值。
5结论
本研究的主要目的是强调在太阳能辅助空调系统中热水储罐一体化的重要性。
储罐系统非常有用，它不仅在冷量的交替当太阳能热水温度过低以至不能满足吸收机的需求，而且尤其在早上启动的时刻和入射辐射小于400[Wm-2]的任一时刻。
已经观察到太阳能辅助空调系统起作用的时间仅是没有储热或是辅助加热器总运行时间的28%（从早上9点到晚上9点）。
在这项工作中，储罐提供的太阳能辅助空调系统的真实数据用来推到出人工神经网络模型来预测性能系数和冷水机组的冷却能力。
本研究的主要的目的是确定最小输入变量的独特的人工神经网络模型。
最后共有5个变量作为网络的更有利的配置，进入发生器的温度，离开发生器的温度，进入和离开蒸发器的温度，第二储罐的温度。
结果表明从ANN模型准确的预测产生的根均方差误差小于0.07%，几乎空的偏差，这可以视为令人满意的结果。
通过这一预测得到的结果对控制和监测策略是非常有用的。
人工神经网络输入的选择降低了监督成本，因为我们能够避免大量多余测量点。
在这想工作中，我们确定了一种方法，可以很容易的适应其他系统，带有提高太
升级会员 