中央空調(diào)系統(tǒng)的優(yōu)化控制算法研究進(jìn)展★

朱　嬋

(四川建筑職業(yè)技術(shù)學(xué)院，四川 德陽(yáng)　618000)

?

·水·暖·電·

中央空調(diào)系統(tǒng)的優(yōu)化控制算法研究進(jìn)展★

朱嬋

(四川建筑職業(yè)技術(shù)學(xué)院，四川 德陽(yáng)618000)

介紹了遺傳算法、模擬退火算法和粒子群算法三種常用的中央空調(diào)控制策略優(yōu)化算法，闡述了不同算法的原理和研究進(jìn)展，并比較了不同算法的適用方向及性能特征，提出了中央空調(diào)系統(tǒng)優(yōu)化算法的進(jìn)一步研究方向。

中央空調(diào)系統(tǒng)，遺傳算法，模擬退火算法，粒子群算法

0　引言

現(xiàn)代社會(huì)空調(diào)能耗占建筑總能耗的一半以上，降低空調(diào)能耗是建筑節(jié)能的重要途徑之一。空調(diào)設(shè)備在制造和設(shè)計(jì)時(shí)為應(yīng)付各種極端情況，都是按照滿負(fù)荷狀態(tài)設(shè)計(jì)。然而在普通環(huán)境下，空調(diào)在90%時(shí)間內(nèi)都處于部分負(fù)荷運(yùn)轉(zhuǎn)，其中，50%的時(shí)間其負(fù)荷僅為設(shè)計(jì)負(fù)荷的一半。因此，按需調(diào)整空調(diào)的設(shè)置能夠大幅度降低能耗。針對(duì)這一特性，在20世紀(jì)50年代研究者就開(kāi)始著手研究中央空調(diào)系統(tǒng)的優(yōu)化控制。早期研究者利用手動(dòng)和氣動(dòng)裝置調(diào)節(jié)空調(diào)設(shè)定，使得空調(diào)在滿足用戶需求的同時(shí)降低能耗，在20世紀(jì)60年代之后，隨著計(jì)算機(jī)技術(shù)的發(fā)展，研究者將計(jì)算機(jī)技術(shù)和空調(diào)技術(shù)結(jié)合起來(lái)，利用計(jì)算機(jī)仿真對(duì)中央空調(diào)系統(tǒng)進(jìn)行建模和參數(shù)識(shí)別，再通過(guò)優(yōu)化算法進(jìn)行全局搜索，最終找出總能耗最低的參數(shù)搭配，從而確定中央空調(diào)的最優(yōu)控制方案。本文將介紹幾類(lèi)常見(jiàn)的優(yōu)化控制算法，并對(duì)控制策略的應(yīng)用方向和性能差異進(jìn)行比較。

1　常見(jiàn)的中央空調(diào)控制策略優(yōu)化算法

目前，用于優(yōu)化中央空調(diào)系統(tǒng)控制策略的智能算法，主要包括遺傳算法、模擬退火算法和粒子群算法等，本節(jié)就這些算法的原理、研究進(jìn)展和性能做詳細(xì)闡述。

1.1基于遺傳算法的中央空調(diào)優(yōu)化控制策略

遺傳算法是一類(lèi)模擬生物進(jìn)化過(guò)程的自適應(yīng)全局優(yōu)化算法。該算法由選擇算子、交叉算子和變異算子構(gòu)成，其中選擇算子模擬了“適者生存”的自然法則，根據(jù)適應(yīng)度函數(shù)對(duì)種群中的個(gè)體進(jìn)行“優(yōu)勝劣汰”；交叉算子模擬自然界的交配行為，通過(guò)融合不同個(gè)體的基因創(chuàng)造新的個(gè)體；變異算子則按照較低的變異概率創(chuàng)造新個(gè)體，在種群陷入早熟時(shí)，找出新的進(jìn)化方向。遺傳算法在非線性、多目標(biāo)的優(yōu)化問(wèn)題中體現(xiàn)出了效率高、全局化、準(zhǔn)確率高等多項(xiàng)優(yōu)點(diǎn)，這些特性也適用于中央空調(diào)的優(yōu)化控制。1996年由Wright, J.A.等人首次提出利用遺傳算法解決空調(diào)系統(tǒng)的參數(shù)優(yōu)化問(wèn)題[1]；1997年香港大學(xué)的Huang等人將遺傳算法用于優(yōu)化空調(diào)系統(tǒng)的PID控制器，使得控制器的響應(yīng)和設(shè)置速度加快[2]；2002年朱瑞琪等人結(jié)合制冷系統(tǒng)的動(dòng)態(tài)仿真技術(shù)和遺傳算法，提出了過(guò)熱度模糊控制器的優(yōu)化設(shè)計(jì)方法，利用仿真技術(shù)可以縮短模糊控制器的設(shè)計(jì)周期并節(jié)省優(yōu)化所需的費(fèi)用[3]；2004年Nassif等人在針對(duì)中央空調(diào)的優(yōu)化控制策略的研究中，以能耗和人體舒適度為目標(biāo)函數(shù)，利用遺傳算法進(jìn)行優(yōu)化獲得了顯著的節(jié)能效果，后期Nassif還將神經(jīng)網(wǎng)絡(luò)技術(shù)與遺傳算法結(jié)合起來(lái)對(duì)空調(diào)系統(tǒng)進(jìn)行優(yōu)化，并將推算出的控制策略應(yīng)用于真實(shí)的空調(diào)系統(tǒng)中，實(shí)驗(yàn)顯示該優(yōu)化策略可降低系統(tǒng)11%的能耗[4，5]；近幾年，研究者繼續(xù)深入遺傳算法在空調(diào)控制策略方面的研究，并提出了多種混合遺傳算法。如楊助喜等人提出的基于蜜蜂進(jìn)化型遺傳算法的中央空調(diào)系統(tǒng)優(yōu)化控制策略[6]、凌飛等人提出的基于改進(jìn)型遺傳算法的中央空調(diào)能效優(yōu)化策略，該策略在遺傳算法的基礎(chǔ)上引入了種間競(jìng)爭(zhēng)，使得算法的收斂性更好、全局搜索的效率更高[7]。

1.2基于模擬退火算法的中央空調(diào)優(yōu)化控制策略

模擬退火算法是一類(lèi)模擬固體退火過(guò)程的優(yōu)化搜索算法。該算法的核心思想是：當(dāng)固體溫度處于高點(diǎn)時(shí)，其內(nèi)部分子將在晶體格內(nèi)自由移動(dòng)，隨著溫度下降，分子的自由度也將隨之下降，直到各分子都處于一個(gè)相對(duì)穩(wěn)定的狀態(tài)為止。因此，算法將以溫度參數(shù)作為參考，在溫度高時(shí)隨機(jī)找出一個(gè)點(diǎn)作為優(yōu)化對(duì)象，并評(píng)估其最終的優(yōu)化效果；此外，為避免陷入局部?jī)?yōu)化，算法將以一定的比例接收其他點(diǎn)作為可能解進(jìn)行評(píng)估，可能解的接收比例與溫度的高低正相關(guān)。研究證明，模擬退火算法在解決組合優(yōu)化問(wèn)題方面具備較高的準(zhǔn)確率和效率。

2006年Chang嘗試將退火模擬算法應(yīng)用于空調(diào)冷水機(jī)組的控制策略中，并獲得了良好的優(yōu)化效果[8]；2008年陳文憑等人提出了基于冷水機(jī)組性能曲線的中央空調(diào)水系統(tǒng)優(yōu)化控制策略，該策略通過(guò)研究冷水機(jī)組中各設(shè)備不同時(shí)期的運(yùn)行狀態(tài)數(shù)據(jù)，建立與指定參數(shù)之間的曲線關(guān)系，從而建立系統(tǒng)的能耗模型，再通過(guò)退火模擬算法的優(yōu)化從中找出基于全局的優(yōu)化控制策略，實(shí)驗(yàn)證明利用該優(yōu)化策略，在空調(diào)處于半負(fù)荷狀態(tài)時(shí)可節(jié)能10%[9]。

之后范鵬飛等人將神經(jīng)網(wǎng)絡(luò)、PID控制器和退火模擬算法結(jié)合起來(lái)，用于優(yōu)化變風(fēng)量空調(diào)系統(tǒng)的溫度控制策略，模擬退火算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合增強(qiáng)了系統(tǒng)的學(xué)習(xí)能力，加快了優(yōu)化速度，從而提高了系統(tǒng)的控制性能[10]。

1.3基于粒子群算法的中央空調(diào)優(yōu)化策略

粒子群算法(PSO算法)是一種基于種群智能的優(yōu)化算法，于1995年由美國(guó)心理學(xué)家James Kennedy和電氣工程師Russell Eberhart提出。該算法的核心思想源自于模擬生物群體覓食行為的研究，假設(shè)一群鳥(niǎo)來(lái)到一片只有一塊食物的區(qū)域，那么快速找到該食物的最優(yōu)策略就是搜索離食物最近的鳥(niǎo)的周?chē)鷧^(qū)域。在算法中，將每只鳥(niǎo)的位置看作是一個(gè)可能解(即一個(gè)粒子)，食物所在位置為全局最優(yōu)解。依據(jù)目標(biāo)函數(shù)計(jì)算出當(dāng)前位置的適應(yīng)值，每個(gè)粒子按一定飛行速度向最優(yōu)解靠攏，則最終搜索到全局最優(yōu)。粒子群算法具備概念簡(jiǎn)單、控制參數(shù)少、易于實(shí)現(xiàn)、具有一定并行性等特點(diǎn)，同樣適用于空調(diào)系統(tǒng)的優(yōu)化控制策略研究。2010年馬少華等人提出利用改進(jìn)的粒子群算法為變風(fēng)量空調(diào)系統(tǒng)設(shè)計(jì)一種用于溫度和風(fēng)量控制的PID控制器，與常規(guī)的PID控制方法相比較，納入粒子群算法后系統(tǒng)能夠高效的自動(dòng)完成最優(yōu)控制，實(shí)驗(yàn)數(shù)據(jù)證明系統(tǒng)調(diào)節(jié)時(shí)間縮短為常規(guī)方法的50%，超調(diào)量減少了70%[11]。2012年鄒木春等人利用最小二乘支持向量機(jī)構(gòu)造HVAC系統(tǒng)的仿真預(yù)測(cè)模型，通過(guò)粒子群算法的滾動(dòng)優(yōu)化搜索出系統(tǒng)的最優(yōu)控制策略，并獲得了良好的控制效果[12]。

2　算法比較

三類(lèi)算法均適宜于解決大規(guī)模、非線性系統(tǒng)的優(yōu)化問(wèn)題。但算法本身的特點(diǎn)決定了其應(yīng)用的方向和效果有所差異。從前文的介紹中可以看出，遺傳算法多用于解決中央空調(diào)的全局策略控制問(wèn)題，其全局的空間搜索能力和具有一定并行性的搜索方式，能夠幫助系統(tǒng)快速找出適宜于當(dāng)前環(huán)境的最佳參數(shù)設(shè)定，從而達(dá)到既滿足用戶舒適度要求又降低能耗的目標(biāo)。實(shí)驗(yàn)數(shù)據(jù)表明將遺傳算法引入到冷水機(jī)組的控制策略中后，系統(tǒng)的總體能耗可降低18.2%[13]；模擬退火算法同樣被用于冷水機(jī)組的優(yōu)化控制策略中，實(shí)驗(yàn)數(shù)據(jù)顯示，在優(yōu)化控制下冷水機(jī)組在不同負(fù)荷率下其節(jié)能效果存在差異，高負(fù)荷下其節(jié)能效果不明顯，當(dāng)負(fù)荷降低特別是在半負(fù)荷狀態(tài)下，其能耗可降低10%[9]；由于單獨(dú)使用模擬退火算法優(yōu)化中央空調(diào)的控制策略其結(jié)果并不理想。因此，研究者將兩者結(jié)合起來(lái)形成混合遺傳模擬退火算法，該算法在遺傳算法的基礎(chǔ)上利用退火操作加入擾動(dòng)因子，可有效防止種群陷入局部最優(yōu)從而使算法的性能得到進(jìn)一步提高，實(shí)驗(yàn)表明利用混合遺傳模擬退火算法可將冷水機(jī)組的能耗降低21.61%[13]；粒子群算法是一類(lèi)新型的優(yōu)化算法，目前在中央空調(diào)的優(yōu)化控制領(lǐng)域的應(yīng)用不如前兩類(lèi)算法廣泛，現(xiàn)階段大多數(shù)研究?jī)H將其應(yīng)用于優(yōu)化空調(diào)的PID控制器。實(shí)驗(yàn)證明利用改進(jìn)型粒子群算法優(yōu)化PID控制器，可使得控制靈敏度增高，穩(wěn)定性增強(qiáng)，且誤差率極低[14]。從中可以看出粒子群算法具備全局搜索能力強(qiáng)、優(yōu)化效率高等特點(diǎn)，適宜于進(jìn)一步擴(kuò)大其應(yīng)用范圍。研究證明三類(lèi)算法在性能方面存在差異，遺傳算法的搜索效率高，自適應(yīng)能力強(qiáng)，但容易陷入早熟，在全局搜索方面的能力偏弱；模擬退火算法存在收斂速度慢，效率低等缺點(diǎn)，但在全局搜索方面可彌補(bǔ)遺傳算法的缺陷；粒子群算法則容易出現(xiàn)種群多樣性低導(dǎo)致算法陷入局部最優(yōu)解的問(wèn)題，在改進(jìn)的粒子算法中，研究者通過(guò)增加權(quán)重和隨機(jī)初始化等策略幫助算法進(jìn)行全局搜索。同樣，為增強(qiáng)算法的搜索能力，將多種算法結(jié)合起來(lái)，取長(zhǎng)補(bǔ)短形成新的混合算法也是一條解決之道。

3　結(jié)語(yǔ)

本文介紹了三類(lèi)用于中央空調(diào)優(yōu)化控制策略的自適應(yīng)搜索算法，實(shí)驗(yàn)證明利用優(yōu)化算法對(duì)空調(diào)控制策略的改進(jìn)，能夠大幅度降低空調(diào)能耗。但由于不同算法自身的局限性，單獨(dú)使用一種算法來(lái)實(shí)現(xiàn)優(yōu)化，其效果并不理想。因此結(jié)合多種算法的優(yōu)點(diǎn)，設(shè)計(jì)混合算法是未來(lái)的發(fā)展方向。

[1]Wright,J.A.HVAC optimisation studies:Sizing by genetic algorithm[J].Building Services Engineering Research and Technology,1996，17(1):7-14.

[2]W.Huang,H.N.Lam.Using genetic algorithms to optimize controller parameters for HVAC systems[J].Energy and Buildings,1997,26(3):277-282.

[3]朱瑞琪,唐承志,闞怡松,等.運(yùn)用遺傳算法對(duì)制冷蒸發(fā)器過(guò)熱度控制的優(yōu)化方法[J].西安交通大學(xué)學(xué)報(bào),2002,36(1)：4-7.

[4]Nabil Nassif,kajl S,Sabourin R.Evolutionary Algorithms for multi-Objective Optimization in HVAC System Control Strategy[A].Annual Conference of the North American Fuzzy Information Processing Society NAFIPS[C].2004:51-56.

[5]Nabil Nassif.Modeling and optimization of HVAC systems using artificial neural network and genetic algorithm[J].Building Simulation,2014,7(3):237-245.

[6]楊助喜,岳獻(xiàn)芳,王立.基于蜜蜂進(jìn)化型遺傳算法的中央空調(diào)系統(tǒng)能耗優(yōu)化研究[J].建筑科學(xué),2011,27(6):78-82.

[7]凌飛.基于傳熱模型的中央空調(diào)系統(tǒng)綜合能效優(yōu)化[D].杭州:浙江大學(xué)碩士學(xué)位論文,2012.

[8]Yung-Chung Chang. An innovative approach for demand side management-optimal chiller loading by simulated annealing[J].Energy,2006,31(12):1883-1896.

[9]陳文憑,楊昌智,余院生.基于冷水機(jī)組性能曲線的中央空調(diào)水系統(tǒng)優(yōu)化控制[J].流體機(jī)械,2006,31(12):73-78.

[10]范鵬飛，凌有鑄.模擬退火算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)PID控制器在變風(fēng)量空調(diào)系統(tǒng)中的應(yīng)用研究[J].工業(yè)控制計(jì)算機(jī),2014,27(2):71-73.

[11]馬少華，毛宗磊，馬強(qiáng)，等.基于改進(jìn)的粒子群PID控制在變風(fēng)量系統(tǒng)中的應(yīng)用[J].沈陽(yáng)建筑大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,26(3):592-598.

[12]鄒木春，龍文.基于PSO算法的HVAC系統(tǒng)LSSVM預(yù)測(cè)控制[J].中南大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,43(7):2642-2647.

[13]馬強(qiáng).混合遺傳模擬退火算法在中央空調(diào)水系統(tǒng)優(yōu)化中的應(yīng)用研究[D].杭州:浙江大學(xué)碩士學(xué)位論文,2012.

[14]唐鑫.中央空調(diào)冷凍水系統(tǒng)一種智能控制方式的研究[D].重慶:重慶大學(xué)碩士學(xué)位論文,2009.

On research progress of optimal control algorithm of central air-conditioning system★

Zhu Chan

(SichuanCollegeofArchitecturalTechnology,Deyang618000,China)

The paper points out the three common controlling strategies of the central air-conditioner, including the genetic algorithm, simulated annealing, and particle swarm optimization, points out the optimal algorithm, illustrates the algorithm principle and research progress, and compares their applied methods and performance features respectively, so as to enhance the further study on the algorithms.

central air-conditioner system, genetic algorithm, simulated annealing, particle swarm optimization

1009-6825(2016)23-0121-02

2016-06-09★：四川省德陽(yáng)市科技支撐資助項(xiàng)目(項(xiàng)目編號(hào)：2015zz040)

朱嬋(1984- )，女，講師

TU831.3

A