基于ANN的空气处理单元换热器的动态性能预测

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (3): 240-241.

基于ANN的空气处理单元换热器的动态性能预测

胡钦华¹,李奎山¹,苏廷弼²

1.东莞理工学院，广东东莞 523808
2.香港城市大学建筑系，香港

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-21 发布日期:2008-01-21
通讯作者: 胡钦华

Prediction of dynamic performance for heat exchanger mounted in AHU－based on ANN

HU Qin-hua¹,LI Kui-shan¹,Albert T.P.So²

1．Dongguan University of Technology，Dongguan，Guangdong 523808，China
2．Department of Building and Construction，City University of Hong Kong，Hong Kong，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-21 Published:2008-01-21
Contact: HU Qin-hua

摘要/Abstract

摘要： 应用人工神经网络技术对安装在空气处理单元（Air Handler Unit，AHU）中的换热器建立了动态神经网络模型。该模型的所有预测值基本都在实际测量值的95%~105%之间。实际测量值和神经网络模型预测值之间的平均相对误差（Mean Relative Error，MRE）小于2.5%，充分说明模型逼近实际对象的精确性。实验结果显示，神经网络，尤其是BP神经网络，可以作为一个很容易的建模工具来获得空气处理单元中换热器的神经网络模型，同时也很容易应用在类似的热系统中。

关键词: 换热器, 换热率, 人工神经网络

Abstract: This study uses the neural network technique to obtain the dynamic models of the heat exchanger mounted in the Air Handler Unit（AHU）.Almost all of the predicted values are within 95%~105% of the actual measured values.And the consistence between measured and ANNs predicted results is achieved by a Mean Relative Error（MRE）<2.5%.The results show that neural networks，especially the BP network，can be an easily modeling tool for obtaining the models of heat exchangers and similar thermal system.

Key words: heat exchanger, heat transfer rate, artificial neural network

胡钦华¹,李奎山¹,苏廷弼². 基于ANN的空气处理单元换热器的动态性能预测[J]. 计算机工程与应用, 2008, 44(3): 240-241.

HU Qin-hua¹,LI Kui-shan¹,Albert T.P.So². Prediction of dynamic performance for heat exchanger mounted in AHU－based on ANN[J]. Computer Engineering and Applications, 2008, 44(3): 240-241.

[1]	姚远，张朝阳. 基于HP-LSTM模型的股指价格预测方法[J]. 计算机工程与应用, 2021, 57(24): 296-304.
[2]	薛文龙，于炯，郭志琦，李梓杨. 基于特征融合卷积神经网络的端到端加密流量分类[J]. 计算机工程与应用, 2021, 57(18): 114-121.
[3]	张驰，郭媛，黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021, 57(11): 57-69.
[4]	李杰其，胡良兵. 基于机器学习的设备预测性维护方法综述[J]. 计算机工程与应用, 2020, 56(21): 11-19.
[5]	张文婧，陈治亚，冯芬玲，李万. 基于稀疏理论的DAE在公路事故伤亡预测应用[J]. 计算机工程与应用, 2019, 55(7): 241-247.
[6]	王海燕1，2，袁雪琴1，宋超1，张正勇1，2，刘军1，2，沙敏1，2. 相似度分析结合人工神经网络鉴别苹果香精[J]. 计算机工程与应用, 2018, 54(4): 141-147.
[7]	宋倩，郭宇，王发麟. 基于人工神经网络的线缆敷设质量综合评判[J]. 计算机工程与应用, 2018, 54(14): 256-263.
[8]	颜丹，蒋加伏. 基于栈式去噪自动编码器的边际Fisher分析算法[J]. 计算机工程与应用, 2017, 53(5): 134-139.
[9]	柏丛1，2，彭仲仁1，3. 基于动态模型的公交车行程时间预测[J]. 计算机工程与应用, 2016, 52(3): 103-107.
[10]	张明光，张钰. 基于ANN伪量测建模的配电网状态估计[J]. 计算机工程与应用, 2016, 52(17): 253-256.
[11]	史旭华，何婷婷. 分解协调的多Agent约束优化算法及应用[J]. 计算机工程与应用, 2015, 51(11): 218-222.
[12]	彭丽蓉1，周磊2. 认知行为计算模型结合DM的教学质量提升[J]. 计算机工程与应用, 2014, 50(9): 237-241.
[13]	潘伟洲，陈振洲，李兴民. 基于人工神经网络的百度地图坐标解密方法[J]. 计算机工程与应用, 2014, 50(17): 110-113.
[14]	冯莹莹，于干，周红志. 层次分析法和神经网络相融合的教学质量评价[J]. 计算机工程与应用, 2013, 49(17): 235-238.
[15]	江晓明，朱娜，董亮，李杰. 改进的神经网络EPON动态带宽分配方法[J]. 计算机工程与应用, 2012, 48(36): 112-115.