复合地源热泵系统控制强化传热措施

复合地源热泵系统控制强化传热措施0前言地源热泵系统具有效能高，污染低的特点，因此在世界范围内得到了广泛的应用在 冬冷夏热且夏季冷负荷远大于冬季热负荷的地区，常采用带辅助散热设备的复合式地源热泵 系统，在保证全年热平衡的同时减少钻井所需的初投资和占地面积。在复合式地源热泵系统中，常采用冷却塔与土壤换热器并联的形式（图1）,通过有选 择性地运行土壤换热器或冷却塔来保持地下土壤的全年热平衡。Stephen P.Kavanaugh3提 出一套复合式地源热泵的设计方法，并计算了冷却塔全年的运行时间，以保证土壤热平衡。 但在满足全年土壤热平衡的前提下，在某一时刻运行土壤换热器还是冷却塔的选择存在着极 大的自由度。Cenk Yavuzturk4对复合式地源热泵系统的控制策略进行了详细的研究，但主 要研究对象是土壤换热器与冷却塔串联的系统，对并联系统没有太多探讨。图1复合式地源热泵系统结构图图2建筑逐时负荷图Fig.1 Schematic diagram of the HGCHP systemFig.2 Annual hourly building load本研究以热泵机组的瞬时效能系数为优化目标，通过比较与土壤换热器相连的板式换热 器机组侧和冷却塔的出口水温，来决定某一时刻是运行土壤换热器还是冷却塔，以获得最低 的机组进水温度，从而降低机组功耗。土壤换热器的出口水温在系统刚启动的一段时间内上 升较快，因此为避免频繁切换，本研究比较土壤换热器启动运行半个小时后的板式换热器机 组侧出口水温与冷却塔的出口水温。但这两个出口水温中通常只有一个可以被实时测量，这 就必须依赖一个可靠的数学模型，以便对另一个出口水温进行预测。冷却塔出口水温的预测 已经可以实现，但与土壤换热器相连的板式换热器机组侧循环水的出口温度很难用传统的 数学方法的模型进行精确的预测。Michopoulosw利用解析模型对地埋管出口温度进行了预 测，但最大误差高达6C。人工神经网络具有强大的信息处理能力、自组织和自适应性，在 模式识别和人工智能领域有着广泛的应用。本研究利用人工神经网络实现与土壤换热器相 连的板式换热器机组侧出口水温的预测。本研究以武汉某办公建筑为对象，设计一套复合式地源热泵系统，利用FLUENT软件建 立三维动态数值模型，利用所得数据建立人工神经网络模型，预测与土壤换热器相连的板式 换热器的机组侧出口水温，从而实现新的控制方法。1系统描述办公楼的全年逐时负荷见图2。可见，该建筑的冷负荷远大于热负荷，因此采用复合式 地源热泵系统。土壤换热器根据冬季热负荷进行设计，设有281孔井，井深为60m,管的内 径为26mm，外径为32mm，管井直径为200mm。系统长时间运行会使土壤换热器换热性能下 降，因此系统采用间歇运行方式8即土壤换热器和冷却塔交替运行。冷却塔的选型要满足 办公楼夏季最大冷负荷的要求。2控制策略分析在复合式地源热泵系统中，常用的控制方法如下。（1）设定特定值，当热泵机组的进口或出口温度超过某一个值时，冷却塔启动。（2）温差控制法，当热泵机组的进口或出口温度与室外干球或湿球温度差值高于某一个值 时，冷却塔启动。（3）时间控制法，设置特定的冷却塔或土壤换热器的工作时间。上述控制方法均基于冷却塔与土壤换热器串联的系统，关于并联系统并没有太多的研 究。本文提出另外一种控制方法，即直接比较板式换热器机组侧出口水温与冷却塔出口水温, 以获得最低的机组进口水温，从而降低机组功耗。3人工神经网络人工神经网络（Ar tificial Neural Net works, ANN）是由神经元相互连接，通过模拟 人的大脑神经处理信息的方式，进行信息处理的复杂网络系统。它具有强大的学习功能，可 以比较轻松地实现非线性映射过程，在模式识别、人工智能、控制工程和信号处理方面得到 大量的应用。输入层隐含层输出层图3三层BP网络结构图Fig3 Schematic diagram of typical BP networksBP（Back Propagation）网络是目前应用最为广泛和成功的神经网络，典型的BP神经网 络由输入层、输出层和隐含层组成（图3）。本研究利用BP神经网络来预测板式换热器出口 水温，并通过均方根误差来评价预测结果（式1）。RMS(1)式中：RMS 均方根；n -数据的个数；y为第m个数据的预测值；t 为第m个数据pre, mmea, m的计算值。4复合式地源热泵系统的数值模型通过计算流体力学软件FLUENT模拟本研究建立的复合式地源热泵系统，产生的数据用来 训练和检测神经网络模型。热泵机组模型：采用Gordan的机组模型，结合样本数据拟合出功耗与冷却水进水的关 系式(式2)。W = Q (1 + 0.667) TcCin -1.001(1 + 0.651)Q(2)e L TuL edch,outd式中：T 表示冷凝器侧冷却水进口水温，K； T为蒸发器侧冷冻水出口温度，K； Q为cl ,inch,oute机组额定负荷负荷，kW； L为负荷率。d冷却塔模型：采用Merkel焓差法，使冷却塔本身冷却能力N (冷却数)和所需要的冷却任务N (冷却塔特性数)相等,见式3，4。N 0a AZ(3)xWcAt141、/八N：( +)(4)6K i” 一 i i” 一 i i” 一 i11 mm 22式中：0为以含湿量差表示的传质系数，kg /(m2 s)；cc为填料的比表面积，m2 /m3 ；xA为塔的横截面积，m 2 ； Z为塔内填料高度，m ； W为进水冷却塔的冷却水流量kg / s ； c 为水的比热容，J/(kg C)； AZ为冷却水在塔内的温降；i”，i，i分别为与冷却塔进水 12 m温度t、冷却塔出水温度t 、平均水温t二(t +1 )/2对应的饱和空气焓，kJ /kg ； w1w 2mw1 w 2i，i 分别为冷却塔空气出口处、冷却塔空气进口处空气的焓值；i二(i + i )/2。12m12板式换热器模型：采用8 -NTU法计算其效能系数a】，见式5。1 - expNTU (1-Cr)1 - Cr expNTU (1 Cr)NTUKA厂(Gc)， C min(Gc) . r (Gc) min式中：(Gc) ，(Gc)分别为板式换热器两侧流量与比热乘积较小、较大者。minmax土壤换热器模型：利用GAMBIT建立几何模型，划分好网格后代入FLUENT设置边界条件， 初始化后便可进行迭代计算ii，时间步长为300s。上述模型的详细建立过程见文献12。另外，在土壤换热器地下5m处沿U型管中心连线 的对称面上设置6个温度监测点，包括U型管进出管侧管外壁温度、U型管进出管侧回填材料 外壁温度、U型管进出管侧距离中心0.2m处土壤温度，为建立人工神经网络模型提供帮助.- |_|0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23时间h图4系统运行模式Fig.4 Schedule of HGSHPS-1-冷却塔开，土壤换热器关；1-冷却塔关，土壤换热器开；0-停机阶段系统共运行12周，其中前8周的运行模式如图4所示。在每个时间段，当负荷不超过1台 机组的供冷能力时，运行1台机组，否则同时启动2台机组，并在原来土壤换热器或冷却塔的 基础上再启动1台冷却塔。在后4周运行阶段，冷却塔和土壤换热器随机切换，运行时间不规 则。图5为某一天土壤换热器连续运行4h过程中板式换热器机组侧出口水温随时间步长的 变化关系曲线。由图5可以看出，在土壤换热器刚开始运行的半小时内，板式换热器机组侧 出口水温上升较快，由295K上升至298K。为避免冷却塔与土壤换热器的频繁切换，可预测 土壤换热器启动半个小时后的板式换热器机组侧出口水温，并与当前时刻冷却塔的出口水温 进行比较，作为是否实现两者切换的依据。图5板式换热器机组侧出口水温随时间步长的变化关系曲线Fig.5 Change of cooling water temperature at outlet of PHE with increase of time st eps5 土壤换热器的神经网络模型本研究中神经网络的输出量为土壤换热器运行半个小时候后板式换热器机组侧出口水 温。板式换热器的出口水温与机组出口水温、土壤换热器的出口水温有关，将启动前机组出 口水温、土壤换热器出口水温和地下6个监测点的温度作为输入变量，同时考虑系统的负荷 特征，将启动当前时刻机组的进出口水温差也作为输入变量之一。为获得足够的训练和测试 数据，将土壤换热器运行前5个时间步长的数据也作为样本，即用启动前6, 5, 4, 3, 2, 1个时间步长的数据分别预测板式换热器运行1, 2, 3, 4, 5, 6个时间步长的机组侧出口 水温，此时引入变量e，记录开始运行的时间步长数。实际本研究仅需预测e为6时的板式 换热器机组侧的出口水温。采用经验算法确定隐含层神经元数目为23个。通过文献7可知， Levenberg-Marquardt算法具有比较快的收敛速度，因此将其作为本研究中的学习算法。人工神经网络模型结构确定后，将输入输出变量进行归一化处理便可开始计算。6结果与讨论为探讨神经网络模型是否适用于不同运行模式的复合式地源热泵系统，本研究根据样本 来源特点将系统分为4类，建立4个模型，结果见表1。由表1可知，训练和测试样本无论 取自固定的还是非稳定的运行模式下的复合式地源热泵系统，样本的均方根误差都非常小, 最大为0.32，最小为0.08。由此说明利用人工神经网络能够准确预测运行半个小时后板式 换热器机组侧出口水温，其中当系统采用基于神经网络的预测控制时，系统更多地处于M4 模式。M4的训练和测试结果见图6, 7。表1各种模式下训练与测试结果Table1 Training and testing results with samples from different modes标号训练样本特点测试样本特点训练结果RMS测试结果RMSMl取自1-6周，固定运行模式下取自7-8周，固定运行模式下0.10.28M2取自1-8周，固定运行模式下取自9-10周，非稳定模式下0.080.32M3取自1-8, 9-10周，固定、非稳定模式下取自11-12周，非稳定模式下0.10.17M4取自9-11周，非稳定模式下取自12周，非稳定模式下0.20.178 4 0 4 O-ac差误对绝-O.8 6 4 2 0 2 4 o o o o o OC差误矿绝一-0.8 0100200300数据个数-0.6-0.80306090120数据个数图6训练样本绝对误差图7测试样本绝对误差Fig6 Absolute error of training samples in M4Fig7 Absolute error of testing samples in M4由图6, 7可知，训练样本绝对误差不超过0.8r，测试样本绝对误差不超过0.5C，且大多数点位于0C附近，可见采用神经网络模型可准确预测板式换热器的出口水温，且训练好的网络模型具有 较好的泛化能力。4 2 0 2 o o OC差误对绝一0.4 1110204060数据个数图8 M4训练结果Fig.8 Absolute error of training samples used to predict water temperature exiting PHE at exact half anhour later after GHE run.o O C差误对绝一0.41015数据个数20图9 M4测试结果Fig9 Absolute error of testing samples used to predict water temperature exiting PHE at exact half an hourlater after GHE run.取样本中土壤换热器运行了半个小时的数据组，即错误！未找到引用源。为6的数据组进行训练 和测试，结果见图8和图9。从图8, 9中可见，训练样本和测试样本绝对误差均不超过0.4C，由此 可知利用神经网络预测土壤换热器运行半个小时后板式换热器机组侧的出口水温具有较高的准确性。对于如何对换热器的传热进行强化，不少教科书和文献都作了分析，但在具体情况下采取何种措 施，分析很少。本文结合关键热阻的概念进行了具体分析。1. 强化传热途径分析：由传热速率方程式Q = KA 口可以看出换热器传热过程的强化可通过增大传热平均温度差At， m 增大传热面积A和增大总传热系数K三个途径来实现。1.1增大传热平均温度差Atm传热平均温度差的大小主要取决于两流体的温度条件。物料的温度由生产工艺决定，一般是不能 随意变动，而加热介质和冷却介质的温度因所选介质的不同而不同。显然这种方法受生产工艺、设备 条件、环境条件及经济性等方面的限制，实际操作时有一定的局限性。1.2增大传热面积A增大传热面积A可使传热量Q增大，这对新设计的换热器而言，通常增大传热面积就意味着增加 金属材料的用量，使设备投资费用提高，因此，我们在进行换热器的设计时应从设备结构入手，尽可 能增加单位容积所具有的传热面积，有些措施见下面分析。但是在既定的换热器上想增大传热面积是 不现实的。1.3增大总传热系数K增大总传热系数K （即降低总热阻1/K）是换热器强化传热的最主要的途径，无论是在换热器的 设计时还是在换热器的运行中都必须设法提高K值。这也是当今世界上强化传热研究的重要工作。那 么如何提高总传热系数K呢？下面就这一问题笔者将作详细的分析。2. 增大总传热系数K的措施分析由总传热系数K的估算公式：-1 =丄+ R +?+ R +丄K a a 九 A0 ai0可见，传热过程是一较复杂的过程，传热的总热阻是串联各项热阻之和。由于各项热阻在总热阻 中所占的比例不同对传热速率的影响就不同,应先分析哪一项热阻是过程的控制性热阻一一关键热阻。 再设法去减小它，从而可达到有效地降低总热阻，增大传热系数K,强化传热过程的效果。下面对各 种情况下的关键热阻进行分析。a i a o2.1给热热阻（于，十）的影响给热热阻（丄，丄）经常是传热过程的主要矛盾，是重点研究的内容。当换热器管壁热阻，垢层 a ai 0热阻可以忽略时，则有：丄=丄+丄。由于给热热阻有两项： 丄和丄，谁是关键热阻应作具体 K a aa .%ioi0分析。2.1.1间壁两侧流体的给热系数相差较大时在一些管壳式换热器中，若a a ，io1则就成为关键热阻，增大a 就成为提高K值强化传热的有效途径。提高管外a 0 0流体给热系数a 的常见措施有:（1）壳程装设纵向挡板和折流挡板。这也是普通的列管式换热器常用的方法。当务 10时，将管子的外壁做成翅片形式（如图4所示）。外翅片管已广泛应用于制冷、动力、 ao能源中的冷凝器，是空冷器的核心和关键元件。ar 25时，采用螺纹管（如图5所示）效果较好。如在南京炼油厂，常减压蒸馏后的渣油和原 ao油进行一次换热时，原油走管程，渣油走壳程。因渣油的粘度较大，若采用一般的光管，换热器管外 壁的层流底层较厚，其传热系数K值较低，且因为渣油腐蚀性大，易结垢，使得换热器的使用寿命短。 更换螺纹管换热器后，由于渣油在管外的螺旋运动，其层流底层明显减薄，传热系数提高了一倍以上。 此外由于螺纹管能产生“手风琴”膨胀和收缩，这样做也起到了从A0和K值两方面双重强化作用。2.1.2当间壁两侧流体的给热系数相差不大时两种强制对流的气体或液体在管壁两侧进行换热时，ai和ao值相差不大,此时,ai和a0对K值影响都很明显，丄和丄都是关键热阻，在这种情况下应设法同时提高ai和ao，才能有效地提高K值。 a i a 0措施（1）采用内外翅片管（如图6所示）。华南理工大学化学工程研究所传热与节能研究室研制的高效气一气管壳式换热器就是采用这种双 面整体型低翅片管管束来强化管程和壳程两侧的气体对流传热，它在管程和壳程采用气体流阻小的纵 向冲刷形流道结构可使流体在换热器中的阻力损失较大程度地转化为换热器总传热系数的提高。普通 使用的弓形隔板管壳式换热器气一气总传热系数K值只能达到27W/（m2.K），若采用这种高效气一气换 热器，则总传热系数可以大幅度提高，在同样的气体总压降、传热负荷和传热温差条件下，其总传热图5外螺纹管系数可达48W/（m2 K）。这种换热器用于硫酸工厂中的二氧化硫气体换热效果特好，据报道按每日每生图3管内插入弹簧圈产1吨硫酸计算，普通弓形隔板管壳式换热器需要9.3m2传热面积，而采用这种新型的换热器仅需要 5.18m2的传热面积。措施（2）采用板翅式换热器（如图7所示）。(a)图7板翅式换热器图6内外翅片在板翅式换热器中,由于各种形状的翅片在不同程度上都对促进湍流和破坏层流边界层起着显著 作用。油类在板翅式换热器中作强制对流时其给热系数a值最大可达1750W/(m2K)，而在一普通的换 热器管内油的a值最大为900W/(m2 K)左右。用于空气强制对流时，a值可以达到350W/(m2 K),而普通 的换热器管内空气的a值最大为100W/(m2K)。此外由于隔板及翅片都是传热面，且其结构紧凑，因此 它的单位体积传热面积一般都能达到250m2/m3，最高可达4000m2/m3以上4。因此，这种换热器也实现 了从传热系数K值、单位体积传热面积A值两方面的双重强化效果。由于板翅式换热器是一种轻巧、 紧凑、高效换热器，最早用于航空工业，现在已经广泛用于石油化工、天然气液化、气体分离等部门。2.2污垢热阻(Rat，Rao)的影响AlA0污垢热阻(Rai,R_ )是个可变，换热器刚使用时，污垢热阻很小，不可能成为关键热阻， AlA0但是随着使用时间的增加，垢层增厚。由于垢层多数是由无机盐如cco3等构成，其导热系数很小，即 a 3使很薄的垢层，其热阻也可能很大，这就有可能成为关键热阻。对此，我们在设计和使用换热器时应 尽量防止或减缓垢层的形成。2.2.1抑制污垢措施在换热器的设计中，只要压力降不超过工艺允许的数值应尽可能的提高流体的流速，增大流体流 动的湍动程度，可减小污垢粒子在间壁上的附着概率。选择换热器的材料时，要尽可能采用抗蚀材料， 以避免腐蚀污垢的产生。也可以采用表面处理技术，改变表面条件或物理化学特性，以减轻设备污垢 的积聚。例如，用硝酸钝化不锈钢，或用防腐蚀剂保护低碳钢。换热器的阴极防腐法也是抑制化学反 应污垢的技术之一。在换热器的运行过程中，对进入换热器的两种流体进行预处理。在燃气中，挥发性无机物(如硫 酸钠)和飞灰粒子浓度对积灰有着重要影响。此外，像钒这样的痕量元素还可对污垢过程起催化作用， 硫的存在则可引起低温腐蚀。总之，烟气流中的很多含有物都会导致污垢的产生，因此燃气进入换热 器前要进行必要的净化处理。对管壳式换热器的冷却水系统和蒸汽发生器的水侧，水质特性对污垢沉积是个关键因素。控制水 垢的方法通常有：1用离子交换树脂剔除水中的钙、镁离子，使之软化。2将硬盐转换成或易 于溶解的形式。由于水垢的化学组分，在冷却水中的溶解度通常随pH值的减小而增加。在系统中加 酸维持pH值在6.5一7.5左右，可减少水垢，当然还应该注意管壁的防腐问题。3在水中加入聚 磷酸盐一六偏磷酸钠，三聚磷酸钠等阻垢剂，它们可夺取水中的钙镁离子，形成稳定的络合物，减少 形成CCO3的机会。而有的则形成离子型的聚合物粘附在垢粒上，阻止其进一步增长。4对循环使a 3用的冷却水，仔细控制排放量和补给水量，尽可能减少发生过饱和的机会。在使用冷却水前水中还要 加入生物杀灭剂(氯、溴、氯化酚、硫酸铜等)，可以防止水中的生物污垢。2.2.2除垢方法尽管采用了良好的设计，有效的运行和维护，但在运行一段时间后，换热器的间壁两侧还有可能 被污染。一旦污染发生就会使换热器的传热效率降低。因此换热器被污染到一定程度就需要进行清洗， 以除去表面上的污垢，恢复换热器的性能。换热器可以在线进行清洗也可离线进行清洗，清洗的方法分机械清洗和化学清洗。机械清洗是各种工业中常用的清除换热设备污垢的方法。用这种方法可以除去化学清洗方法不能 除去的炭化污垢和硬质垢且钢材损耗微小。但采用机械清洗时，常常必须将设备解体，因而清洗时间 可能较长，费用也较高。当然，设备解体也有有利的一面，即在清洗时，可以修补或替换损坏了的换 热面。化学清洗方法的应用也越来越广泛，尤其是在线化学清洗技术已经成功地应用于烃加工的换热器 等，这种清洗方法不必拆开设备，清洗均匀，能清洗到机械清洗洗不到的地方，微小的间隙均能洗到， 而且不会留下沉积的颗粒，形成新垢的核心。可以避免金属表面的损伤，现场完成，劳动强度小。缺 点是：若药剂选定和使用条件有误会产生腐蚀现象。对于管程和壳程全被污垢堵塞的则无法清洗，也 难以除去炭污垢。在换热设备中，金属壁一般薄（壁厚较小），且金属材料的导热系数久较大，其热阻一般不会成为 关键热阻。有的情况下，其热阻甚致可以忽略不计。7结论本文针对复合式地源热泵提出一种新的运行策略，即在并联系统中直接比较板式换热器机组侧的 出口水温与冷却塔的出口水温。为实现该控制方法并避免装置的频繁切换，本文建立了神经网络模型， 预测土壤换热器运行半小时后板式换热器机组侧的出口水温。结果表明，不管训练样本和测试样本取 自何种模式，神经网络模型都可以准确预测板式换热器在土壤换热器运行半个小时后的出口温度，最 大误差均不超过0.4C。下一步研究将集中在基于神经网络预测的新的控制方法下的复合式地源热泵系统运行的全年能耗 特征以及神经网络模型的验证等方面。