基于LMBP神经网络的湿球温度计算模型林婵

第３１卷第１期２　０　１　

３年１月水　电　能　源　科　学

Ｗａｔｅｒ　Ｒｅｓｏｕｒｃｅｓ　ａｎｄ　ＰｏｗｅｒＶｏｌ．３１Ｎｏ．１

Ｊａｎ．２　０　１　

３文章编号：１０００－７７０９（２０１３）０１－０１６４－

０３基于ＬＭ－ＢＰ神经网络的湿球温度计算模型

林　婵，王起峰，朱良山

（山东电力工程咨询院有限公司，山东济南２５００１３

）摘要：湿球温度是电力工程中常用的气象设计参数，而目前气象站安装的地面气象自动观测设备中无湿球温度观测工具，且已有的湿球温度计算方法存在不足。为了满足工程设计需要，分析了湿球温度与干球温度、相对湿度、大气压强及平均风速等４个气象参数的非线性关系，建立了基于ＬＭ－ＢＰ神经网络的湿球温度计算模型，并将其应用于潍坊气象站湿球温度计算中。结果表明，该模型计算精度较高，且较为合理地反映了湿球温度与干球温度等影响因子之间复杂的非线性关系。关键词：ＬＭ算法；ＢＰ神经网络；湿球温度；非线性关系中图分类号：Ｐ４９

文献标志码：Ａ

收稿日期：２０１２－０４－２８，修回日期：２０１２－０６－

２０作者简介：林婵（１９８３－），女，助理工程师，研究方向为水文气象，Ｅ－ｍａｉｌ：ｌｉｎｃｈａｎ＠ｓｄｅｐ

ｃｉ．ｃｏｍ 在电力工程中，

湿球温度是冷却塔设计的关键参数之一，对电厂的安全和经济效益均有重要

影响［

１，２］

。由于气象自动观测设备中无湿球温度观测工具，大多数气象站已停止了湿球温度的观测工作。为了满足工程设计要求，如何利用其他气象参数计算湿球温度的开发研究就具有非常重要的意义。目前，常用的湿球温度计算方法是查

算《湿度查算表》［３］

，但在批量湿球温度计算时过程繁琐、效率低下。赵永胜等［４］

通过探讨饱和水

汽压函数得到湿球温度计算公式，即通过迭代试算求解，方法相对较为简便，但每次应用时均需重新迭代计算。鉴此，本文分析了湿球温度与干球温度、相对湿度、大气压强及平均风速等４个气象参数的非线性关系，建立了基于ＬＭ－ＢＰ神经网络的湿球温度计算模型，利用已有的湿球温度等资料训练神经网络，并将其应用于其他气象站，结果表明该模型计算结果较为精确，且简便实用。

１　影响湿球温度的气象因子分析

湿球温度［５］

亦称热力学湿球温度，是标定空

气相对湿度的一种手段，其涵义是某一状态的空气湿球温度表的湿润温包接触发生绝热热湿交换，使其达到饱和状态时的温度。该温度是用温包上裹着湿纱布的温度表，在流速大于２．５ｍ／ｓ且不受直接辐射的空气中所测得的纱布表面温度，以此作为空气接近饱和程度的一种度量。其周围空气的饱和差愈大，湿球温度表上发生的蒸

发愈强，而湿度也就愈低。相对湿度可表示为：Ｕ＝（ｅ／Ｅｄ）×１

００％（１

）其中

ｅ＝Ｅｗ－ＡＰｈ（ｄ－ｗ）

（２

）式中，ｅ为水汽压，ｈＰａ；Ｅｄ、Ｅｗ分别为干球温度、湿球温度所对应的纯水平液面（或冰面）饱和水气压，ｈＰａ

；Ａ为干湿表系数，℃－１；Ｐｈ为气压，ｈＰａ；ｄ、ｗ分别为干球温度、湿球温度，℃。

球状干湿表、柱状干湿表系数Ａ［

６］

分别为：Ａ＝０．０００　

０１（５９．２＋１５．８／Ｖ０．６５

）（３

）Ａ＝０．０００　

０１（６３．７＋８．４／Ｖ０．８２

）（４

）式中，Ｖ为风速。

饱和水气压Ｅ可采用戈夫—格雷奇（Ｇｏｆｆ－Ｇｒａｔｔｃｈ

）饱和水汽压公式（为我国湿度查算表中所采用的公式）计算，纯水平液面饱和水汽压（温度范围－４９．９℃～＋４９．９℃）

为：ｌｏｇＥｗ＝１０．７９５　７４　１－Ｔ１／（

）Ｔ－５．０２８ｌｏｇ（Ｔ／Ｔ１）＋１．５０４　７５×１０－４　１－１０－８．２９６　９　

Ｔ／Ｔ１－（）［］

１＋０．４２８　７３×１０－３　１０４．７６９　５５（

１－Ｔ１／Ｔ）

－［

］１＋０．７８６　１４（５）式中，Ｔ１为２７３．１６Ｋ（水的三相点温度）；Ｔ为

２７３．１５＋ｔ（ｔ为温度，℃），Ｋ。

分析式（１）～（５）可知，湿球温度与干球温度、相对湿度、风速和大气压等之间存在一定的非线性关系。在已知干球温度、相对湿度、风速和大气压及干湿计表类型的情况下，即可按式（１）～（５）求解得到相应的湿球温度。但由于式（５）计算复杂，很难直接求解。而神经网络非常适用于求解

第３１卷第１期林　婵等：基于ＬＭ－ＢＰ神经网络的湿球温度计算模型

这种非线性问题，因此本文采用ＬＭ－ＢＰ神经网络来计算湿球温度。

２　基于ＬＭ－ＢＰ神经网络的湿球温度计算模型

２．１　ＬＭ－ＢＰ神经网络

人工神经网络是一个由大量简单的处理单元广泛连接组成的非线性系统，用来模拟人脑神经系统的结构和功能，具有良好的非线性映射能力［７］。其中，误差反向传播人工神经网络模型（简称ＢＰ神经网络）是最典型、应用最广泛的一种网络模型，该模型通常由输入层、隐含层和输出层组成，层与层之间全互连，每层节点之间不相连。根据Ｋｏｌｍｏｇｏｒｏｖ定理，具有一个隐层（隐层节点足够多）的三层ＢＰ神经网络能在闭集上以任意精度逼近任意非线性连续函数。

传统的ＢＰ神经网络模型实际上是一种简单的最速下降静态寻优算法，在网络训练过程中易发生振荡，且收敛缓慢。而Ｌｅｖｅｎｂｅｒｇ－Ｍａｒｑｕａｒｄｔ算法［８］（简称ＬＭ算法）通过自适应调整算法因子完成梯度下降法与牛顿法的结合，使网络收敛速度和泛化能力大幅度提高，最大限度地解决了ＢＰ神经网络易发生振荡、收敛缓慢的问题［９］。因此，本文选用ＬＭ－ＢＰ神经网络进行湿球温度的计算。ＬＭ－ＢＰ神经网络具体计算流程图见图１

。

图１　ＬＭ－ＢＰ神经网络流程图

Ｆｉｇ．１　Ｆｌｏｗ　ｃｈａｒｔ　ｏｆ　ＬＭ－ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ２．２　基于ＬＭ－ＢＰ神经网络湿球温度计算模型建立ＬＭ－ＢＰ神经网络湿球温度计算模型，将干球温度、相对湿度、风速和气压作为输入向量，以湿球温度为输出向量，中间隐含层为一层，具体节点数目通过试验得到，激励函数采用Ｓｉｇｍｏｉｄ函数，具体结构示意图见图２。

为了验证模型的有效性，本文同时采用ＢＰ模型和ＬＭ－ＢＰ模型进行神经网络训练，具体结果见表１。由表可看出，ＢＰ模型训练过程中易陷入局部极小值，收敛效果较差，而ＬＭ－ＢＰ模型训练结果较好，能较为理想的达到训练目的

。

图２　ＬＭ－ＢＰ神经网络湿球温度计算模型结构示意图

Ｆｉｇ．２　Ｓｃｈｅｍａｔｉｃ　ｄｉａｇｒａｍ　ｏｆ　ｓｔｒｕｃｔｕｒｅ　ｏｆ　ｗｅｔ－ｂｕｌｂ　ｔｅｍｐ－ｅｒａｔｕｒｅ　ｃａｌｃｕｌａｔｉｏｎ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ＬＭ－ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ表１　ＢＰ模型与ＬＭ－ＢＰ模型训练过程对比

３　实例应用

选取某Ａ气象站１９９９～２００３年夏季（６～８月）实测的湿球温度等资料作为训练数据，以距离Ａ气象站３７ｋｍ的Ｂ气象站２０００～２００４年夏季（６～８月）实测的湿球温度等资料作为校核数据。为便于比较，分别采用试算法和ＬＭ－ＢＰ

神经网络计算湿球温度，部分计算结果见表２，图３为ＬＭ－ＢＰ神经网络模型计算值和实测值相关分析表２　Ｂ气象站湿球温度部分计算结果

Ｔａｂ．２　Ｐａｒｔ　ｃａｌｃｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｏｆ　ｗｅｔ－ｂｕｌｂ

ｔｅｍｐｅｒａｔｕｒｅ　ｏｆ　Ｂ　ｍｅｔｅｏｒｏｌｏｇｉｃａｌ　ｓｔａｔｉｏｎ℃　日期（年－月－日）实测值

计算值

试算法ＬＭ－ＢＰ神经网络模型２０００－０６－０１　１８．６　１８．５　１８．６

２０００－０６－０２　２０．１　２０．３　２０．３

２０００－０６－０３　１９．８　１９．６　１９．６

２０００－０６－０４　１９．８　２０．１　２０．０

２０００－０６－０５　１８．８　１９．０　１８．７

２０００－０６－０６　１８．８　１８．７　１８．８

２０００－０６－０７　１８．０　１８．０　１７．９

２０００－０６－０８　１５．８　１６．７　１６．４

２０００－０６－０９　１６．０　１６．３　１６．２

２０００－０６－１０　１７．１　１７．１　１７．０

相关系数０．９３８　０．９５０

图３　ＬＭ－ＢＰ神经网络模型计算值与实测值相关分析图Ｆｉｇ．３　Ｃｏｒｒｅｌａｔｉｏｎ　ｏｆ　ｃａｌｃｕｌａｔｅｄ　ｖａｌｕｅｓ　ｂｙ

ＬＭ－ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ａｎｄ　ｍｅａｓｕｒｅｄ　ｖａｌｕｅｓ

·

５

６

１

·