基于支持向量機的中央空調節能控制技術研究

任松保喻文娟

1深圳市華之任有限公司

2深圳市環境工程科學技術中心有限公司

0 引言

對中央空調系統進行節能控制意義重大。由于中央空調系統具有多變量、強耦合、非線性、時變性、時滯性、干擾因素多等強烈動態特點，使得對其進行準確和實時的負荷預測和節能控制一直較為困難[1]。傳統的控制方式有一定的節能效果，但不能進行準確和實時的負荷預測和控制。目前出現了基于支持向量機（SVM）的負荷預測方式，該預測方式準確度較高，但其使用的訓練樣本準確度不能保證，從而也無法準確地進行預測。

本文提出了一種基于SVM的中央空調節能控制方法。SVM使用傳統的中央空調節能控制系統采集的訓練樣本數據進行負荷預測，控制系統根據預測結果進行控制調整，SVM根據調整結果增加新的訓練樣本、或對訓練樣本進行修正，進而對回歸函數進行修正。重復該迭代過程，可不斷提高預測和控制的準確度和實時性，進而在保證基本需求（如舒適度）的同時達到最佳的節能效果。

1 傳統中央空調節能控制方式存在的問題

傳統的中央空調節能控制方式主要以水泵和風機的變頻技術為核心[6]，常見方式簡述如下。

1）安裝室內外溫濕度傳感器。在冷凍水管、冷卻水管的供回水管上安裝溫度傳感器。對冷凍泵、冷卻泵電機安裝變頻器。

2）室內冷負荷變化時，冷凍水管中的冷凍的供回水溫隨之發生變化：冷負荷升高時，冷凍水回水溫和供回水溫差升高，反之則降低。

3）控制系統根據冷凍水供回水溫差的變化調節冷凍水泵的頻率，從而保證冷凍水的供回水溫度在設定的范圍內，即保證冷凍水合適的送冷能力：冷凍水供回溫差升高時，調高冷凍水泵的頻率，增大冷凍水的流量，反之則調低冷凍水泵頻率，減小冷凍水流量。

4）控制系統冷凍水供回溫差和流量的變化調節冷水機組供應的冷量：冷凍水溫差升高，流量變大時，調高冷水機組供應的冷量；反之則降低冷水機組供應的冷量。

5）控制系統根據冷水機組的冷量變化和室外溫度的變化調節冷卻水泵的頻率，從而保證冷卻水的供回水溫差在設定的范圍內，即保證一定的冷卻能力：冷量變低或（和）室外溫度或（和）室外濕度較低時，冷卻水供回水溫差降低，則調低冷卻水泵的頻率，降低冷凍水的流量。反之則升高冷卻水泵的頻率，升高冷凍水的流量。

與水泵和風機電機定頻運行、通過冷凍水供回旁通閥進行冷凍水送冷量調節的控制方式相比，該種節能控制方式可根據實際冷負荷的變化調節水泵、風機和制冷機的功率，從而有效的降低了能耗。同時，變頻技術的使用改善了系統啟動時對配電系統的沖擊，也緩解了負荷調節過程中室溫忽高忽低的問題，從而改善了舒適度。

由于以上優點且實現相對簡單等原因，該控制方式等到了非常廣泛的應用，已經成為主流。但是，該控制方式依然存在著諸多問題。

1）中央空調系統運行有著多變量、強非線性、強耦合性等特點，無法通過準確的計算得出應供應的冷量，控制系統的具體控制邏輯嚴重依賴于設計人員的經驗。因此，控制系統的準確度很難得到保證，也無法判斷出系統是否已達到最優的節能效果。

2）中央空調有著大時滯性的特點，系統需要很長時間才能達到設定的冷量輸出，而控制系統主要是基于當前時點的影響參數并根據經驗進行調節。在達到設定的冷量輸出時，系統的影響參數很可能發生了較大的變化，從而實際需冷量也發生了變化，并不一定等于此時系統的供冷量。也就是說，控制系統不具備準確的負荷預測，供冷量與實際需冷量的實時匹配能力。

2 基于支持向量機（SVM）的中央空調負荷預測及存在的問題

隨著大數據處理技術的發展，開始嘗試將SVM用于進行中央空調的負荷預測。SVM是在統計學習理論上發展而來的一種預測模型，可根據已知的一些數據樣本（稱為訓練樣本，每個樣本包括若干輸入特征和一個輸出結果，各輸入特征形成輸入向量），得出決策函數（或回歸函數）。預測時，將獲得的輸入向量代入決策函數（或回歸函數），即可求出預測結果[6]。SVM可用于分類和回歸預測中，具有自學習的特點。

中央空調的負荷預測屬于回歸問題。SVM的回歸函數基于對大量數據的統計分析得出，會根據大量樣本數據的變化進行動態調整。使用SVM進行建模會進行復雜的矩陣計算，因而計算時間較長，占用的存儲空間較大。

使用SVM對中央空調進行負荷預測的方法簡述如下[6]（實際過程是非常復雜的）。

1）確定對中央空調負荷（供冷量）有一定影響的n個影響參數作為輸入向量的特征元素，這些影響因素包括運行時點、室外參數（如室外溫濕度、風速、太陽輻射強度等）、室內參數（如室內溫濕度、人流量、發熱設備功率等）、中央空調系統自身狀態（如冷凍水和冷卻水的流量和供回溫度、制冷機的輸出功率、水泵頻率、水流量等）。其中數據可按0.5 h的間隔進行采集，在一個供冷周期開始時，時點k=0。

2）取影響參數向量Xs(k)={xs,1(k),xs,2(k),…,xs,n(k)}為樣本的輸入向量，其中xs,1(k),xs,2(k),…,xs,n(k)依次對應于上述k時點的n個影響因素，取ys(k+1)為向量X(k)對應的樣本結果值（即時點k+1的供冷量）。其中，下標s則代表樣本數據。

3）將以上述形式表示的時點k采集的數據{Xs(k),ys(k+1)}做為訓練樣本，并采集足夠多的訓練樣本組成訓練樣本組。

4）針對以上訓練樣本組，使用SVM回歸機（SVR）建模，求出回歸函數y(k+1)=f(X(k))。

5）在中央空調運行過程中，將時點k采集的輸入向量Xr(k)代入上述回歸函數中，即可預測出時點k+1時的供冷量yp(k+1)=f(Xr(k))。其中，下標r代表求得回歸函數后的實際運行數據，下標p代表根據回歸函數求得的預測值。

根據已有的研究成果，SVM可根據現有的訓練樣本求出回歸函數，根據該回歸函數對測試樣本數據進行預測和對照，結果表明：預測值和對照值非常接近，因此SVM回歸函數可相當準確的進行預測[6]。

可看出：使用SVM對中央空調系統進行負荷預測時，不用考慮系統的強烈動態特點即可得出回歸模型，且可根據當前時點的影響參數比較準確的預測出下一個時點的供冷量。

但是，現有的SVM預測模型只能使用已知的運行數據作為訓練樣本建立，而目前的控制方式并未解決中央空調系統的時滯性問題。即對于時點k而言，用于預測的供冷量ys(k+1)只是實際中央空調系統在下一個時點k+1時的采集的實際供冷量，而非時點k+1時的實際需冷量。而某些SVM預測模型使用模擬軟件等計算出需冷量做為ys(k+1)，考慮到了供冷量和需冷量的偏差，但由于模擬軟件的局限性，也是不準確的[6]。因此，由于做為預測用的訓練樣本不準確，現有的SVM預測方法無法做到準確預測，因而并不實用。

3 基于SVM的中央空調節能控制方法

通過以上分析，本文提出了一種基于SVM的中央空調節能控制方法。具體流程描述如下（流程圖見圖1）：

1）建立樣本數據{Xs(k),ys(k+1),yrs(k+1)},其中{Xs(k),ys(k+1)}為訓練樣本；各時點的樣本數據形成樣本數據組和訓練樣本組。下標rs代表在樣本數據組中存儲的實際運行值。SVM回歸模型可使用ε-SVR模型，核函數選用泛化能力和學習能力較強的高斯徑向基（RBF）核函數[6]。選擇適當的精度ε>0、懲罰參數C>0、高斯徑向基核函數寬度系數σ、室內干球溫度控制精度ΔtN、樣本替換最大允許距離偏差Δ|X|>0、結果值（即供冷量）最大允許偏差Δ|y|>0。注意：為突出本文重點，此處暫只考慮對室內溫度tN進行控制。

2）運行控制系統，按常規（即SVM不介入時）的控制速度進行控制，根據一定的時間間隔采集各時點相應的輸入向量和結果值，運行一段時間（如一個供冷周期）后獲得足夠多的各時點的數據{Xr(k),yr(k+1)}，并使得{Xs(k)=Xr(k),ys(k+1)=yr(k+1),yrs(k+1)=yr(k+1)}，從而形成初始樣本數據組和初始訓練樣本組。

3）SVM開始介入，根據訓練樣本組求出回歸函數y(k+1)=f(X(k))。

4）在時點k時，采集實際的運行影響參數向量Xr(k)，根據上述回歸函數預測yp(k+1)=f(Xr(k))。

5）找出 Xs(q)=arg m inΔX=arg min(||Xr(k)-Xs(q)||2)≤Δ|X|（即滿足ΔX≤Δ|X|的最小的Xs(q)），判斷是否存在這樣的Xrs(q)。

6）若存在這樣的Xrs(q)，時間段k～k+1的控制速度可參考{Xrs(q),ys(q+1),yrs(q+1),}進行調整：計算結果值偏差Δy=yp(k+1)-yrs(q+1)，若 Δy>Δ|y|，說明按照原有控制調節速度在時點k+1時的供冷量將過小，需要加速調節。若Δy<-Δ|y|，則需要減速調節。其他情況說明原調節速度合適。若不存在這樣的Xrs(q)，則說明出現了新的影響情況，時間段k～k+1可仍保持原控制調節速度。

7）在時點 k+1 時，判斷 |tN(k+1)-tN|≤ΔtN和 |yp(k+1)-yr(k+1)|≤Δ|y|是否同時成立。

8）上兩式同時成立，說明預測和控制調節均準確，將{Xr(k),yr(k+1)}做為新的訓練樣本加入訓練樣本組，即將{Xs(k)=Xr(k),ys(k+1)=yr(k+1),yrs(k+1)=yr(k+1)}加入樣本數據組，轉入步驟（13）。

9）上兩式若不同時成立，說明預測和（或）控制調節不正確。估算冷量偏差Δy(k+1)，并使yc(k+1)=yr(k+1)+Δy(k+1)，其中下標c代表修正值。

10）若存在步驟（5）中的Xs(q)，找出ys(k+1)=arg max|Δy|=arg max(|yr(k+1)-ys(q+1)|)（即使得 Δ|y|最大的ys(q+1)）。

11）若 |Δy|=|yr(k+1)-ys(q+1)|≥Δ|y|，說明該樣本最不準確，需要修正，使用{Xs(k)=Xr(k),ys(k+1)|=yc(k+1)|,yrs(k+1)=yr(k+1)}替換{Xs(q),ys(q+1),yrs(q+1)}；否則將{Xs(k)=Xr(k),ys(k+1)=yc(k+1),yrs(k+1)=yr(k+1)}加入樣本數據組。轉入步驟（13）。

12）若不存在這樣的Xs(q)，說明出現了新的影響情況，將{Xs(k)=Xr(k),ys(k+1)=yc(k+1),yrs(k+1)=yr(k+1)}加入樣本數據組。

13）若到達供冷周期最后一個時點，則進入下一個時點，并轉向下一步，否則轉向步驟（3）。

14）若本時點開始了新的供冷周期，則k=0，轉向步驟（3），否則本流程結束。

上述流程需要注意下述幾點：

1）ε-SVR模型的計算方法非常復雜，但比較成熟，具體可見文獻[6]等，本文不再具體介紹。

2）若影響向量X(k)和X(q)接近（即影響中央空調負荷的因素接近），則結果值（供冷量）y(k+1)和y(q+1)也應該接近。影響向量的接近程度可用兩者的距離表示，可取向量(X(k)-X(q))的 2-范數 ΔX=||X(k)-X(q)||2=(Σ(xl(k)-xl(q))2)1/2(l=0,1,2,…,n)，或根據不同影響參數對結果的不同重要性進行加權，即 ΔX=(Σ(αl(xl(k)-xl(q))))2)1/2(l=0,1,2,…,n),αl為權值。ΔX越小意味著兩者越接近，則兩者的結果值也應越接近，即偏差 Δy=y(k+1)-y(q+1)也越小。

3）冷量偏差Δy(k+1)的估算方法是能否盡快迭代到需要精確度的關鍵，也是預測的供冷量是否接近實際需冷量的關鍵。作為一種可考慮的簡單方法，可取Δy(k+1)=(tN(k+1)-tN)×V×cv，其中 V 為房間體積，cv為空氣的體積比熱。

圖1 基于SVM的中央空調節能控制流程示意圖

由圖可看出：以上基于SVM的中央空調控制方法不需要人為選擇訓練樣本，而是使用控制系統在運行過程中不斷采集并進行適當修正的運行數據作為訓練樣本，從而不斷的提高預測和控制精度。該方法有效的避免了目前采用的SVM預測方法不準確的缺陷。也有效的避免了因中央空調系統各種強烈動態特性帶來的無法準確建模，進而無法精確和實時進行冷量（溫度）控制的問題。也因此可使得系統的供冷量盡量接近實際需冷量，從而在保證舒適度的情況下最大程度的節約了能源。

為了解決SVM計算對計算速度和存儲空間要求比較高的問題，可將SVM的建模，訓練和樣本和回歸函數修正等工作通過物聯網在云計算端進行。同時，為了降低對物聯網數據通道的使用，也可在進行一段時間后（如每天的夜間），將運行采集的數據集中傳輸到云端，并在云端進行調整計算新的回歸模型后將相關控制參數回傳到控制系統使用，而非每個時點都進行調整。

4 結語

本文提出的基于SVM的中央空調節能控制方法，綜合考慮了傳統中央空調控制的簡單成熟和有節能效果的優點，以及SVM負荷預測的不用考慮中央空調各種強烈動態特性即可進行負荷預測，且只要訓練數據準確則預測結果就相當準確的優點，從而克服了傳統的中央空調控制無法達到最大程度節能和現有SVM預測的方法中訓練樣本不準確的問題，滿足了預測和控制的精確度和實時性要求，因而值得進一步研究。下一步需要對SVM對控制系調節速度的調整（加快、減慢、不變），預測的供冷量與實際需冷量偏差對樣本結果值的修正，空調設備的最小能耗預測和控制等方法進行重點研究。

[1] 張杰.中央空調水系統節能控制研究[D].合肥:中國科學技術大學,2011

[2] 溫志英,黃冠明,畢南楠.變頻技術在中央空調節能控制中的應用[J].自動化技術與應用,2005,26(2):80-83

[3] 鄧乃揚,田英杰.支持向量機:理論、算法與拓展[M].北京:科學出版社,2009

[4] 唐莉,唐中華,靳俊杰.最小二乘法支持向量機(LS-SVM)在短期空調負荷預測中的應用[J].建筑節能,2013,41(2):56-58

[5] 李瓊,孟慶林,吉野博.基于支持向量機的建筑物空調負荷預測模型[J].暖通空調,2008,38(1):14-17

[6] 王東,史曉霞,尹交英.不同核函數的支持向量機用于空調負荷預測的對比研究[J].電工技術學報,2015,30(S1):531-535