杨东润 赵星凯 刘忠晨 张 迎 孙 梅

（山东建筑大学，山东 济南 250101）

1 概述

空调中制冷机组的运行效果决定了空调工作性能的好坏，而冷凝器在空调制冷系统中将制冷剂由气体转换为液体，对整个空调系统运行起到了至关重要的作用[1]。因此，建立一个准确的冷凝器模型用于数值预测和空调系统的控制是具有现实意义的。一般而言，对冷凝器的建模方法可分为理论建模和数据建模[2]。基于制冷剂热量交换的合理假设，文献[3]用热力学的方法对冷凝器建立了稳态模型。文献[4]则是根据能量守恒和支持向量机建立了冷凝器的数据驱动模型。文献[5]基于工况假设建立了冷凝器的热力学模型并用LM最小二法对模型的参数进行实时辨识。

随着人工智能和大数据的发展，有越来越多的启发式多目标算法应用到数据集的训练过程中。粒子群优化算法（PSO）作为群体智能的优化方法，具有易实现、调参少、运行速度快等特点，在空调系统中的建模与优化中应用广泛。文献[6]采用改进的PSO 算法，对空调压缩机模型参数进行了优化，使所得模型更加准确。文献[7]基于模型工况的假设，将压缩机模型参数辨识问题转换为带约束的最小化问题，并用粒子群算法求出最优解。

然而，PSO 算法往往会因为初始粒子即初始解选取的不当，导致算法运行后陷入局部最优。因此，本文将离线辨识出的参数结果和参数约束条件作为PSO 中粒子位置的上下边界并初始化粒子进行迭代寻优从而在线辨识出蒸发器模型的最优解。……