空气源热泵冷热水机组是近几年才发展起来的新型冷热源设备，其应用越来越广泛。但冬季室外换热器结霜是影响其应用和发展的主要问题，因此有必要采用计算机模拟的方法建立空气源热泵冷热水机组的比较完善的数学模型，以便对机组在不同运行工况下的特性进行模拟分析。要建立空气源热泵冷热水机组的数学模型，必须首先建立机组中各个部件的模型，然后利用质量守恒、动量守恒、能量守恒定律将单一的部件模型有机地结合起来，构成整个机组的模型。作为空气源热泵冷热水机组的压缩机，其种类很多，主要有全封闭涡旋式、全封闭活塞式、全封闭螺杆式、半封闭活塞式、半封闭螺杆式等，制冷量范围也相差很大。目前常用的压缩机建模方法有效率法、图形法、多变压缩指数法、多控制容积法和神经网络法等。

　　由于压缩机的结构很复杂且影响其工作性能的因素很多，使得传统的建模方法存在一定的局限性，或者是只能适用于某一特定型号的压缩机，或者是采用一些经验公式，使得建模精度受到一定限制。本文拟采用神经网络模拟空气源热泵冷热水机组中螺杆式压缩机的性能，采用误差反向传播算法 HI算法）训练该网络，对网络的连接权值进行学习和调整，以适应给定的精度要求。

　　哈尔滨建筑大学学报第卷图三层前馈网络模型神经网络及算法神经网络简介神经网络是由大量的、同时也是很简单的处理单元神经元‘广泛地相互连接而形成的复杂的网络系统，它具有通过学习获取知识并解决问题的能力。神经元是神经网络中*基本的处理单元，它有三个基本要素一组连接权，连接强度由各连接上的权值表示，权值为正表示激励，为负表示抑制。

　　一个求和单元，用于求取各输入信息的加权和。

　　一个非线性激励函数，起非线性映射作用，并限制神经元输出幅度在一定范围之内一般限制之间‘。

　　通常神经网络模型由网络的拓扑结构、神经元特性激励函数‘和学习或训练规则这三个因素所决定。

　　神经网络的拓扑结构主要有两种：前馈型网络和反馈型网络。前馈型网络中各神经元只接受前一层的输入，并输出给下一层，没有反馈，即第层的输入只与第层的输出相连。而反馈型网络中各神经元之间没有严格的层次结构，任意两个神经元可以相互连接。

　　激励函数通常有三种型式：阈值函数、分段线性函数和型函数，其中型函数为式中：为阈值。

　　神经网络的学习算法或训练规则主要有三种：有监督学习、无监督学习和再励学习。

　　算法属于有监督学习，它要求在训练过程中必须给出输入和正确的输出。网络根据当前的计算输出值与所要求的目标输出值的误差来调整连接网络的权值，以使网络作出正确反应。

　　算法的基本原理目前常用的多层前馈型网络为三层结构：首层为输入层，中间层为隐含层，*外层为输出层，如图所示。这种三层神经网络可以实现任何的函数映射对于该模型输入层神经元，其输出与输入相同，即。隐含层和输出层神经元的操作特性为其中：为训练网络的模式对个数；为从神经元到神经元，的连接权值；为神经元，的当前输入；为其输出。

　　一般来说网络的输出与理想输出不可能完全一致。对于每个模式对，网络输出误差为。

　　系统的平均误差为。 0神经网络的学习过程就是要求网络寻找单一的一组连接权值和阈值，以使。

　　*小。按照梯度搜索法，误差减小的方向为负梯度方向，故按下式进行权值调整式中：为网络学习速率；为局部梯度。

　　如果神经元的输出函数取则对于输出层对隐含层也就是说，隐含层神经元的值必须由上一层值来计算。计算时先从输出层开始，然后将误差反向传播到隐含层。

　　计算了每个模式对的后，权值的变化对阈值的训练也可以采用上述方法，将阈值设想为神经元的一个权值，但该神经元的输入值总是压缩机模型的建立与性能模拟对于冬季运行的空气源热泵冷热水机组，其压缩机的特性为制热量，、消耗功率、制冷剂质量流量。

　　随蒸发温度、冷凝温度、过冷度和过热度的变化。由于厂家样本中给出的压缩机特性均为给定过热度和过冷度时的数据，故本模拟中输入层神经元数和1，隐含层神经元数和。

　　为标准方差和样本输出值中*大值的绝对值之比的百分数偏差系数：为标准方差和样本输出值平均值的绝对值之比的百分数采用以上三种方法对于在不同精度和不同学习速率下压缩机的特性进行了误差分析‘见表，。由于采用对样本所有模式对同时进行训练的批处理方式，使得在精度相同时，不同学习速率下的误差基本相同，但收敛速度相差很大。

　　表误差分析特性迭代次数第期姚杨等：空气源热泵冷热水机组中压缩机性能的模拟由表可以看出，采用神经网络对压缩机的特性进行模拟分析可以达到比较高的精度要求，而且不必考虑压缩机复杂的构造，如果有足够的、可靠的训练样本，可以对压缩机全年的工作性能进行模拟。

　　由表还可以看出，不同的学习速率对模拟结果的精度影响很小，但对网络的收敛速度影响很大。以为例，当取时，迭代次数为次；当取时，迭代次数为次，节省机时约；而当取时，迭代次数为次，与相比节省机时近一半。由此可见，采用神经网络模拟压缩机特性时，在迭代收敛的情况下，尽可能采用比较大的学习速率。

　　另外模拟精度对收敛速度的影响也很大，与相比，计算时间相差近倍，因此在实际模拟时，应根据需要合理确定模拟精度。

　　结论本文采用神经网络对冬季运行的空气源热泵冷热水机组中压缩机的特性进行了模拟。采用这种方法可以不必考虑压缩机复杂的构造，避免采用一些经验公式，提高了模型的模拟精度。如果有足够的、可靠的训练样本，可以对压缩机全年的工作性能进行模拟。

　　将该压缩机模型与室内外换热器模型、电子膨胀阀模型等有机地结合在一起，就形成了空气源热泵冷热水机组的模型。采用该模型可以对空气源热泵冷热水机组的运行工况进行模拟与分析。