原创《基站用相变储能机组性能实验预测模型》：该文是关于相变论文范文，为你的论文写作提供相关论文资料参考。
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；通过预测值和实验值结果对比,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
文章编号：1674-4764（2014）05-0066-05
Performance Experiment and Prediction Model of Latent Heat Storage Unit Used in Telecommunications Base Stations
Luo Xinbo1, Zhang Quan1, Sun Xiaoqin1, Chen Xiaoming1, Wang Jiaqiang1,Liao Shuguang2
（1.College of Civil Engineering, Hunan University, Changsha 410082, P. R. China；
2.Changsha Maxxom Hi-tech Corporation,Changsha 410015, P. R. China）
Abstract：
energy saving potential of latent heat storage unit was studied（LHSU） by using neural network. Experiments were conducted in an enthalpy difference laboratory to simulate the performance of LHSU. Different neural network structures were built to predict the influence of nonlinear factors including air flow rate, air temperature. Coefficient of performance （COP）, energy storage and discharge rates on the unit’s operation performance. Results showed that the predictions agreed well with the experimental data with correlation coefficients in the range of 0.99～1.00, mean relative errors below 2% and very low root mean square errors.
Key words：
neural network； phase change energy storage； energy storage； energy discharge； coefficient of performance.
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],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14.04 W/W.
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,和传统控制策略相比可节能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,和常规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,和实验结果相比,神经网络预测结果的绝对平均相对误差为1.13%,而数值模型计算的误差达到9.42%；Ermis[12]利用神经网络分析管翅式蓄热系统相变传热过程,以传热面积、雷诺数、进口传热流体温度、时间为输入预测蓄热量,和实验数据相比,其绝对平均相对误差为5.59%,小于数值模型的14.99%.因此,在非线性影响因素众多的系统采用神经网络方法研究比传统方法更精确,耗时花费更少.
相变论文参考资料：
结论：基站用相变储能机组性能实验预测模型为适合不知如何写相变方面的相关专业大学硕士和本科毕业论文以及关于相变硅脂和硅脂哪个好论文开题报告范文和相关职称论文写作参考文献资料下载。
