Das DOE-2-Modell wird häufig für die Simulation von Kaltwassereinheiten verwendet. Wie man die Parameter des DOE-2-Modells einer bestimmten Kaltwassereinheit anhand begrenzter gemessener Sensordaten zuverlässig identifiziert und Modellfehler kompensiert, ist für energiesparende Betriebszenarien von großer Bedeutung. In der Praxis ist die zuverlässige Identifikation der DOE-2-Modellparameter aufgrund unzureichender Sensoren und minderwertiger Datenqualität schwierig. Daher schlägt dieser Artikel einen genetischen Algorithmus basierend auf einer externen Wissensdatenbank und eine Methode basierend auf künstlichen neuronalen Netzen vor, um die DOE-2-Modellparameter zu identifizieren und Fehler zu kompensieren. Die Ergebnisse zeigen, dass der genetische Algorithmus auf Basis der externen Wissensdatenbank die Identifizierungszeit der DOE-2-Modellparameter effektiv reduzieren und die Prognosegenauigkeit des DOE-2-Modells deutlich verbessern kann. Die Prognosegenauigkeit des nach Fehlerkompensation modifizierten DOE-2-Modells ist deutlich höher als die des nicht kompensierten Modells, wobei MAE, RMSE, MAPE und CV-RMSE bei der Vorhersage der Kaltwasseraustrittstemperatur um 36,49%, 46,00%, 33,16% bzw. 45,73% gesenkt wurden und R2 um 25,75% stieg.

Modellierung von Kaltwassereinheiten;genetischer Algorithmus;Parameteridentifikation;künstliche neuronale Netze;Fehlerkompensation