非充分发展流动条件下的多分支通风系统风量平衡方法

技术领域

本申请涉及通风空调工程领域，具体地，涉及一种非充分发展流动条件下的多分支通风系统风量平衡方法。

背景技术

在通风空调系统中，风机是最大的能源消耗用户，然而，受空气调节及风机选型(风量及风压匹配)影响，实际风机效率可低至30％～40％。因此，如果可以实现准确的空气平衡，则可以显著提高通风系统的能源利用效率，这是因为一方面从用户需求出发避免了通风不足或过量通风，另一方面是可以使得风机处于最小能耗运行状态。

在理想的空气平衡过程存在两个困难，一个是在非充分发展流条件下如何准确计算管道阻力，另一个是在风阀的工作流量特性被影响的条件下如何计算阀门调节角度。准确的管道阻力计算是实现空气平衡的前提，在传统的阻力计算中，由于未考虑局部构件之间的相邻影响，使得对于耦合构件而言，阻力计算误差高达53.64％。以此为基准去考虑整个分支的阻力计算误差以及带来的风量误差更是非常的巨大。此外，还需要注意的是，当某一分支的风量不平衡时，对于其他分支来说也处于水力失调状态。

一方面，设计手册中的管道系统中局部构件的阻力系数的测定是基于单个构件前后直管距离足够长且气流是充分发展的状态。然而许多研究已经指出手册中提供设计参数不适用于实际系统，这是因为局部构件耦合会引起局部构件流场之间的相邻影响。因此使得根据设计参数计算阻力变得困难，进而不能根据用户期望的流量。另一方面，由于风阀自身设计制造差异以及应用于管道系统的实际特点，风阀的工作流量特性并非恒定不变的。这使得根据阀门的计算阻力查询手册得到阀门角度变得困难。

发明内容

为了克服现有技术中的至少一个不足，本申请提供一种非充分发展流动条件下的多分支通风系统风量平衡方法。

第一方面，提供一种非充分发展流动条件下的多分支通风系统风量平衡方法，包括：

基于通风系统中每个分支中每个局部构件的阻力、每个直管的阻力和阀门阻力，构建每个分支的理想压力平衡模型；理想压力平衡模型中的未知参数包括阻力占比参数和截断参数；

根据每个分支的理想压力平衡模型，构建目标函数；

采用非支配排序遗传算法求解目标函数，得到每个分支中每个局部构件的阻力占比参数的最优值和截断参数的最优值；

基于每个局部构件的阻力占比参数的最优值和截断参数的最优值，确定每个分支的阀门阻力值；

将每个分支的阀门阻力值和预设的分支空气流量输入到机器学习模型中，得到每个分支的阀门调节角度。

在一个实施例中，每个分支的理想压力平衡模型，采用以下公式表示：

其中，P

局部构件i的阻力ΔP′

ΔP′

λ

ω

其中，λ

在一个实施例中，目标函数，采用以下公式：

minF＝[f

其中，F为目标函数值，f

在一个实施例中，基于每个局部构件的阻力占比参数的最优值和截断参数的最优值，确定每个分支的阀门阻力值，包括：

当每个分支的阀门均完全打开时，将每个局部构件的阻力占比参数的最优值和截断参数的最优值，代入理想压力平衡模型中，得到每个分支的风机压力计算值；

求所有分支的风机压力计算值的最小值，得到最终的风机压力值；

除了最小的风机压力计算值对应的分支外的每个分支，利用风机压力值减去分支中所有局部构件的阻力、所有直管的阻力，得到每个分支的阀门阻力值；最小的风机压力计算值对应的分支的阀门阻力值为0。

第二方面，提供一种非充分发展流动条件下的多分支通风系统风量平衡装置，包括：

模型构建模块，用于基于通风系统中每个分支中每个局部构件的阻力、每个直管的阻力和阀门阻力，构建每个分支的理想压力平衡模型；理想压力平衡模型中的未知参数包括阻力占比参数和截断参数；

目标函数构建模块，用于根据每个分支的理想压力平衡模型，构建目标函数；

求解模块，用于采用非支配排序遗传算法求解目标函数，得到每个分支中每个局部构件的阻力占比参数的最优值和截断参数的最优值∶

阀门阻力确定模块，用于基于每个局部构件的阻力占比参数的最优值和截断参数的最优值，确定每个分支的阀门阻力值；

阀门调节角度确定模块，用于将每个分支的阀门阻力值和预设的分支空气流量输入到机器学习模型中，得到每个分支的阀门调节角度。

在一个实施例中，每个分支的理想压力平衡模型，采用以下公式表示：

其中，P

局部构件i的阻力ΔP′

ΔP′

λ

ω

其中，λ

在一个实施例中，目标函数，采用以下公式：

minF＝[f

其中，F为目标函数值，f

在一个实施例中，阀门阻力确定模块，还用于：

当每个分支的阀门均完全打开时，将每个局部构件的阻力占比参数的最优值和截断参数的最优值，代入理想压力平衡模型中，得到每个分支的风机压力计算值；

求所有分支的风机压力计算值的最小值，得到最终的风机压力值；

除了最小的风机压力计算值对应的分支外的每个分支，利用风机压力值减去分支中所有局部构件的阻力、所有直管的阻力，得到每个分支的阀门阻力值；最小的风机压力计算值对应的分支的阀门阻力值为0。

第三方面，提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，以实现上述的非充分发展流动条件下的多分支通风系统风量平衡方法。

第四方面，提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时，以实现上述的非充分发展流动条件下的多分支通风系统风量平衡方法。

相对于现有技术而言，本申请具有以下有益效果：本申请从管道系统的实际特点出发，通过分析局部构件的相邻影响对自身阻力的影响程度，从而确定压力平衡模型中修正参数的取值范围；以不同分支的压力平衡为目标，将局部构件受相邻影响的程度作为约束条件；本申请在实现对环路阻力的准确计算后，采用机器学习的方法确定分支中阀门调节角度，可以实现准确的空气调节。

附图说明

本申请可以通过参考下文中结合附图所给出的描述而得到更好的理解，附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分。在附图中：

图1示出了根据本申请实施例的非充分发展流动条件下的多分支通风系统风量平衡方法的流程框图；

图2示出了XGBoost模型训练过程示意图；

图3示出了根据本申请实施例的非充分发展流动条件下的多分支通风系统风量平衡装置的结构框图；

图4示出了压力平衡模型平均误差的比较图；

图5示出了测试误差对比图。

具体实施方式

在下文中将结合附图对本申请的示例性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施例的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中可以做出很多特定于实施例的决定，以便实现开发人员的具体目标，并且这些决定可能会随着实施例的不同而有所改变。

在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本申请，在附图中仅仅示出了与根据本申请的方案密切相关的装置结构，而省略了与本申请关系不大的其他细节。

应理解的是，本申请并不会由于如下参照附图的描述而只限于所描述的实施形式。在本文中，在可行的情况下，实施例可以相互组合、不同实施例之间的特征替换或借用、在一个实施例中省略一个或多个特征。

本申请提供一种非充分发展流动条件下的多分支通风系统风量平衡方法，图1示出了根据本申请实施例的非充分发展流动条件下的多分支通风系统风量平衡方法的流程框图，参见图1，方法包括：

步骤S11，基于通风系统中每个分支中每个局部构件的阻力、每个直管的阻力和阀门阻力，构建每个分支的理想压力平衡模型；理想压力平衡模型中的未知参数包括阻力占比参数和截断参数。

该步骤中，通风系统包括多个分支，多个分支均连接同一个风机。每个分支中包括多个局部构件、多个直管和一个阀门。

通风系统具有管道系统，包含多条通风空调管道且管道与管道之间通过局部构件连接起来的管路系统，也称为管网。局部构件指通风空调管道不同相邻直管段之间用于连接的构件，通常包括三通配件、变径配件和弯头配件。非完全湍流，也称非充分发展流，是流速不能形成固定且“规范”的速度剖面的流动。比如，在弯头，阀门，扩径管，缩径管，分岔管，各种变径管中或者后面，凡是可以造成流场中速度方向、大小变化的，都是非充分发展流。

步骤S12，根据每个分支的理想压力平衡模型，构建目标函数。

步骤S13，采用非支配排序遗传算法求解目标函数，得到每个分支中每个局部构件的阻力占比参数的最优值和截断参数的最优值。

步骤S14，基于每个局部构件的阻力占比参数的最优值和截断参数的最优值，确定每个分支的阀门阻力值。

步骤S15，将每个分支的阀门阻力值和预设的分支空气流量输入到机器学习模型中，得到每个分支的阀门调节角度。机器学习模型可以为XGBoost，为训练后的机器学习模型，模型训练采用的训练数据为测量得到的阀门阻力p和测量得到的分支空气流量q，图2示出了XGBoost模型训练过程示意图。

本申请从管道系统的实际特点出发，通过分析局部构件的相邻影响对自身阻力的影响程度，从而确定压力平衡模型中修正参数的取值范围；以不同分支的压力平衡为目标，将局部构件受相邻影响的程度作为约束条件；本申请在实现对环路阻力的准确计算后，采用机器学习的方法确定分支中阀门调节角度，可以实现准确的空气调节。

在一个实施例中，假设在通风系统中包括T个分支，每个分支包括M个直管和N个局部构件，则每个分支的理想压力平衡模型，采用以下公式表示：

其中，P

局部构件i的阻力ΔP′

ΔP′

λ

ω

其中，λ

在一个实施例中，目标函数，采用以下公式表示：

minF＝[f

其中，F为目标函数值，f

在一个实施例中，步骤S14中，基于每个局部构件的阻力占比参数的最优值和截断参数的最优值，确定每个分支的阀门阻力值，包括：

当每个分支的阀门均完全打开时，此时阀门阻力为0，将每个局部构件的阻力占比参数的最优值和截断参数的最优值，代入理想压力平衡模型中，得到每个分支的风机压力计算值；

求所有分支的风机压力计算值的最小值，得到最终的风机压力值；

除了最小的风机压力计算值对应的分支外的每个分支，利用风机压力值减去分支中所有局部构件的阻力、所有直管的阻力，得到每个分支的阀门阻力值。这里，局部构件的阻力根据公式：

基于与非充分发展流动条件下的多分支通风系统风量平衡方法相同的发明构思，本实施例还提供与之对应的非充分发展流动条件下的多分支通风系统风量平衡装置，图3示出了根据本申请实施例的非充分发展流动条件下的多分支通风系统风量平衡装置的结构框图，包括：

模型构建模块31，用于基于通风系统中每个分支中每个局部构件的阻力、每个直管的阻力和阀门阻力，构建每个分支的理想压力平衡模型；理想压力平衡模型中的未知参数包括阻力占比参数和截断参数；

目标函数构建模块32，用于根据每个分支的理想压力平衡模型，构建目标函数；

求解模块33，用于采用非支配排序遗传算法求解目标函数，得到每个分支中每个局部构件的阻力占比参数的最优值和截断参数的最优值；

阀门阻力确定模块34，用于基于每个局部构件的阻力占比参数的最优值和截断参数的最优值，确定每个分支的阀门阻力值；

阀门调节角度确定模块35，用于将每个分支的阀门阻力值和预设的分支空气流量输入到机器学习模型中，得到每个分支的阀门调节角度。

本实施例的非充分发展流动条件下的多分支通风系统风量平衡装置与上文的非充分发展流动条件下的多分支通风系统风量平衡方法具有相同的发明构思，因此该装置的具体实施方式可见前文中的非充分发展流动条件下的多分支通风系统风量平衡方法的实施例部分，且其技术效果与上述方法的技术效果相对应，这里不再赘述。

为了进一步验证本申请方法的有效性，依据本申请的方法流程进行实验分析，实验采用的通风系统具有4个分支，包含3种尺寸的直管，4种局部构件，1个变频式离心风机以及4个自动调节阀。对含4分支的通风管道系统中局部构件识别的阻力占比参数λ和截断参数ω，如表1所示，图4示出了压力平衡模型平均误差的比较图。

表1

将实验测量的阀门阻力p和空气流量q作为输入特征x＝(p，q)，将阀门调节角度θ作为标签，采用XGBoost进行训练。将实验数据按7:3的比例随机划分成训练集与测试集。在对每个阀门使用XGBoost算法进行学习后，在测试集上的表现总结在下表中，图5示出了测试误差对比图。

在识别考虑相邻影响的压力平衡模型的参数与完成风阀的阻力特性对风阀角度的机器学习后，经过验证本实例提出的空气平衡方法可以使的流量平均相对误差4.11％，最大相对误差不超过10％。其中期望流量与实验测试流量的比较如表2所示：

表2

本申请实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，以实现上述的非充分发展流动条件下的多分支通风系统风量平衡方法。

本申请实施例提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时，以实现上述的非充分发展流动条件下的多分支通风系统风量平衡方法。

以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。