地源熱泵系統優化控制的綜述

鄭秀玲，劉耶軍

（1.浙江農林大學風景園林與建筑學院，浙江杭州 311300；2.浙江華東測繪與工程安全技術有限公司，浙江杭州 310014）

引言

隨著世界人口的不斷增長，全球工業水平的提高，隨之而來的是能源需求的迅速增長，擴大可再生能源的利用規模、降低可再生能源應用成本至關重要。地熱能是可再生能源的一種，地熱能的利用主要有土壤熱泵、地下水熱泵、能源樁三種利用方式。GSHP是依靠地面和空氣之間的溫差來運行，利用卡諾循環理論，在夏季地下溫度比空氣溫度高，GSHP為建筑提供冷量，帶走熱量。GSHP也可為溫室大棚的地面采暖，溫室大棚可種植茶樹苗等植物。水泵為地源側和空調側循環提供動能。熱泵機組與水泵是GSHP系統耗電能最大的部件，因此需要對此部件的運行進行優化控制。

雖然GSHP系統是一種節能減排技術，但是傳統系統的設計是基于建筑最大負荷需求，在實際系統運行時，建筑并非總是在最大需求的情況，但水泵仍然保持全功率運行，從而造成電能的浪費。傳統系統大都使用ON/OFF控制器、PID控制器，但這兩種控制器存在精度不高、時間延遲導致人體熱舒適度降低，能耗更高。因此國內外許多研究人員對GSHP系統的優化控制進行研究。

1 智能控制在GSHP系統中的應用

GSHP系統是一個多變量、時變的、有時滯的、復雜的、難以建立精確數學模型的系統。智能控制可以控制該類型的系統。智能控制一般包括模糊控制、神經網絡控制、遺傳算法、專家控制等。模糊控制是基于熟練操作員的經驗與專家知識，操作人員不必了解控制過程中精確的數學模型。模糊控制過程：專家或熟練的操作員將經驗寫成模糊規則，然后將傳感器的測試數據模糊化，將模糊數據作為輸入，模糊推理，模糊輸出，最后對執行器輸入精確值進行模糊化后以完成控制。劉建龍[1]利用模糊控制器控制變頻壓縮機，通過對數據的采集與分析發現該控制系統具有明顯的節能效果。

人工神經網絡由構成人類大腦的生物神經網絡得到啟發的系統。人工神經網絡是非線性統計數據建模工具，利用人工神經網絡找到輸入輸出之間復雜的關系模型。神經網絡可以從數據中學習，因此可以訓練神經網絡來辨識系統、數據分類、聚類、預測未來事件。李恒[2]使用BP神經網絡與PID控制器相結合，通過控制GSHP空調側供回水的流量使系統達到最大程度的節能。遺傳算法是通過達爾文自然進化論的理論啟發搜索的算法，遺傳算法反應了自然選擇的過程，其中選擇最適合的個體進行繁殖以產生下一代后代。

智能控制中模糊控制、人工神經網絡控制、遺傳算法、專家控制各有各的優缺點，研究人員根據研究工程項目的需要選擇不同的控制方法進行組合，最終達到最優的控制策略。

2 模型預測控制在GSHP系統中的應用

國外GSHP的研究主要通過研究HVAC建模技術：數學建模、灰箱子建模、數據驅動建模。數學模型通常具有連續性和確定性，而數據驅動通常具有離散性、不確定性和隨機性。數據驅動容易開發，它們不需要理解物理屬性，訓練數據驅動模型需要全部工作條件下一套輸入輸出的數據。機器學習是數據驅動模型的一種，各種先進的機器學習和基于深度學習的模型現在越來越受歡迎地應用于優化控制領域。

使用數學模型為每個子系統家建立精確的動態模型，需要花費大量的精力去詳細的了解系統的物理特性，因此建立數學模型比較困難。施志鋼[3]對土壤換熱器的研究采用建立土壤換熱器的動態數學模型，在數學模型的基礎上通過添加實際的操作可能存在的擾動而辨識模型中的參數，將參數辨識問題與先驗知識轉換為約束條件，使數學模型接近實際系統。

灰箱子模型根據特定的參數估算而選擇不同的算法，最常見的是非線性最小二乘法、簡單搜索法和遺傳算法。灰箱子模型集成了白箱模型和黑箱模型的優點，與黑箱模型箱比更具有良好的泛化能力，與白箱模型相比具有更高的精度。Tianhao Yuan[4]根據DesignBuilder和TRNSYS建立仿真模型，并與實測數據進行驗證提出了一種基于GSHP系統與無孔冷卻相結合溫差控制策略并以天津辦公樓為案例研究，結果表明，GSHP系統的平均冷卻效率提高到16.22%。

數據驅動模型可分為：頻域模型、數據挖掘算法、模糊邏輯模型、隨機模型、統計模型、狀態空間模型、基于案例推理模型。其中人工神經網是最流行的方法，因為與其他方法相比，它對非線性系統的建模具有較高的精度。人工神經網絡使用多層中的多個神經元來模仿人類的大腦。通常使用監督學習方法訓練這些神經元的權重，經過適當的訓練人工神經網絡可以準確的逼近任何非線性過程。網絡結構有徑向基函數，遞歸神經網絡和帶中子的前饋神經網絡，還有一個使用最廣泛的多層感知器(MLP)前饋結構。智能控制中的人工神經網絡的是用來辨識系統的模型，在模型預測控制器中的人工神經網絡是用來預測未來系統的狀態。

3 需求響應控制在GSHP優化控制中的應用

國外許多研究提出了應用需求響應控制建筑供暖的解決方案。需求響應控制應用于峰值負荷管理，用戶可以通過手動或自動的方式轉移電力需求。需求響應控制是提高智慧能源和開發智能建筑的關鍵技術之一。通過需求響應控制與模型預測控制可使能量存儲成本更節省。Abdul Afram[5]利用現場實測數據建立和標定神經網絡模型，將神經網絡模型應用于住宅暖通空調監測控制MPC的設計，MPC生產了區域空氣和緩沖罐的動態溫度設定值曲線，與固定設定值相比，MPC能夠節省6%至73%。Pedersen[6]等人開發了建筑熱量和電力需求的負荷預測模型，可用于規劃混合能量分配系統，GSHP系統作為一種高效，環保的建筑供暖系統，已廣泛應用于各類建筑。

4 結論

（1）智能控制可對非線性的、時滯的、復雜的GSHP系統優化控制，節能效果明顯，智能控制與變頻技術相結合使熱泵機組與水泵的運行更加靈活應對建筑負荷需求。

（2）需求響應控制需要對應預測模型，通過對熱泵機組與水泵長期運行工況的采集建立預測模型可提前對能源的存儲分配，避免用電高峰進而減少電能的成本，大都的案例是將模型預測值作為控制系統的監控層，而將簡單的ON/OFF控制器作為控制系統的本地層。

綜上所述，提出將模型預測控制器作為控制系統的控制層，將智能控制器作為控制系統的本地層，如此揚長避短，系統可達到最大程度的節能。