空調水系統運行參數關聯準則研究

王玉杰 鄧亞宏 伍學智 徐 侃 徐新華

（1.華中科技大學建筑環境與能源應用工程系 武漢 430074；2.中建三局第二建設工程有限責任公司 武漢 430000）

0 引言

2030年碳達峰和2060年碳中和是我國重大發展戰略。全球建筑能源消耗占總能源消耗的三分之一以上，并且是二氧化碳排放量的重要組成部分[1]。2018年，中國民用建筑建造能耗為5.2 億噸標準煤當量，與民用建筑建造相關的碳排放總量約為18 億噸CO2[2]。在建筑能源消耗中，用于空調系統的運行通常占比30%～40%，空調系統的運行節能是建筑節能工作的一個重點[3,4]。在中央空調系統設計時，由于設計工況和余量的考慮，設計人員往往會選擇型號偏大的制冷主機、水泵和冷卻塔等，導致空調系統長期處于最大負荷的65%以下運行[5,6]，系統中的水泵風機等仍然以工頻或者固定頻率運行，造成大量的能源浪費[7]。

數據挖掘是一種新興的人工智能技術，它提供了處理海量且復雜數據的新方法[8]。數據挖掘是一個多學科的學科，集成了統計、機器學習、人工智能和高性能計算等技術。數據挖掘技術在建筑領域的預測[9,10]、故障檢測[10,11]和控制優化[11,12]有很多研究與應用。徐欣與田喆[7]利用多元線性回歸的方法預測日平均負荷。實際案例表明，采用該方法的預測精度可控制在15%以內。Fan 與Xiao 等[13]研究了深度學習的方法在預測建筑物未來24 小時內冷負荷的應用，結果表明，使用無監督深度學習提取的特征變量作為負荷預測的輸入時，可以明顯提高預測的準確度。閆軍威等[14]根據空調實際運行數據，利用最小二乘方法對各模型的參數進行辨識，以冷源系統運行設備總能耗最小為目標，探討基于遺傳算法的中央空調冷源系統最佳運行參數值，并將優化的運行參數用于控制進行實驗驗證。數據挖掘可分為監督分析和無監督分析[15]。監督分析需要在很多先驗知識的基礎上進行研究分析。例如，在開發冷水機組能耗預測模型時，預先選擇了模型輸入，比如冷凍水的進水溫度和回水溫度以及冷卻水的進水溫度和回水溫度，領域的專業知識告訴我們，這些變量是影響冷水機組能耗的重要變量[16]。無監督分析可以在沒有先驗知識或者先驗知識有限的情況下發現新穎的知識。無監督分析專注于探索數據的內在結構、關聯和模式，因此具有發現潛在有用但先前未知的知識的能力。更重要的是，實施無監督分析的成功較少取決于領域的專業知識且不受高質量標記培訓數據的可用性的影響。

采用數據挖掘技術從大量的空調系統日常運行數據中挖掘能夠指導空調系統高效運行的參數，能夠為空調系統帶來可觀的節能效果。對中央空調水系統進行參數優化控制研究，提出在不同的邊界條件下，適合中央空調水系統高效穩定運行的狀態參數，對于空調系統高效運行、降低運行能耗和延長使用壽命等有著重要的意義。本文提出采用關聯規則挖掘的方法，以實際空調水系統為對象，進行數據挖掘，獲得空調系統的運行參數與相關邊界條件的關聯準則，并在模擬平臺上進行應用分析，節能效果明顯。

1 關聯規則數據挖掘介紹

關聯規則挖掘是數據挖掘中常用的一種方法，是發現數據中頻繁模式的一種重要手段[17]。它在諸如購物籃、計算機網絡、推薦系統和醫療保健等眾多應用中都取得了巨大的成功。關聯規則的基本概念如下：

交易數據庫（D）由n個不同的項目和m個交易組成。是一組n個項目，是一組有限的交易。事務t是集合I中的一組項目（t?I）。基于支持和置信度度量，提取關聯規則X→Y。規則X→Y的支持度（用α表示）是同時包含X和Y的交易百分比，其中X和Y分別是規則的左側和右側項集。支持度計算為|X∪Y|/m，其中m是數據庫中的事務數，而|X∪Y|是規則的頻率。置信度是包含X的事務也包含Y事務的比例，用β表示。置信度的計算方式為|X∪Y|/|X|，其中|X∪Y|和|X|分別是規則和項目集X的支持計數。如果某項集的支持高于最小支持閾值，則該項集很頻繁。當規則的置信度高于由βmin決定的最低置信度閾值時，規則就很強。

Apriori 算法是常用的一種關聯準則的數據挖掘方法[13]。該算法使用頻繁項集性質。大致思想就是逐層搜索，首先，它會掃描數據庫里面的所有數據，計算出每一種類型的數據個數，保留那些滿足最小支持度的數據類別。其次，找到第一個頻繁項集，然后從剩余項集里找出第二個頻繁項集。以此類推，不斷尋找，直到找不出來新的頻繁項集為止。提升度是一個表示規則挖掘是由有效的參數，定義為：

lift(X→Y)=P(Y/X)/P(X)

該定義表示在含有X的條件下，同時含有Y的概率，與Y同時發生的概率之比。滿足最小支持度和最小置信度的規則叫做強關聯準則，但是強關聯準則也是有有效和無效之分的。如果提升度lift(X→Y)＞1，那么規則就是有效的規則；如果提升度lift(X→Y)＜1，那么規則就是無效的規則；特別的，當lift=1 的時候，代表X和Y是相互獨立的。

2 空調水系統及模擬分析

2.1 空調系統介紹

本文以中央空調水系統為研究對象，如圖1所示。該系統為某地下空間提供冷量。該系統通過冷卻塔制取冷卻水，冷凍水由制冷機制取，末端為空氣處理機組，有兩臺冷凍水泵和兩臺冷卻水泵。制冷機最小運行負載為15%。系統中的水泵與風機全部采用變頻控制。制冷機額定制冷量為534.3kW，蒸發器額定流量為92m3/h，冷凝器額定流量為110m3/h，額定功率為104.9kW。冷凍水泵額定流量為171m3/h，功率為22kW，揚程為32.7mH2O。冷卻水泵額定流量為163.5m3/h，功率為18.5kW，揚程為29.3m。冷卻塔額定冷卻水流量150m3/h，風機功率5.5kW，冷卻水進出水的設計溫度37/32℃。水系統設置A、B 支路為大空調機組提供冷凍水，C、D 為小空調機組提供冷凍水。

圖1 空調水系統示意圖Fig.1 Schematica of air conditioning water system

2.2 系統模擬及標定

本文在TRNSYS 軟件中對建筑的負荷與空調系統進行了建模，通過制冷機實際運行參數對制冷機模型進行驗證，采用實際測量數據對冷卻塔、空氣處理機組（AHU）和水泵等進行模型驗證。本文采用的冷機模型[18]考慮了機組內部參數，能夠較為準確地模擬機組的運行。冷卻塔模型采用傳熱單元法（NTU）根據進口參數計算出口空氣及冷卻水出水狀態。該方法先假定出口空氣濕球溫度，利用熱交換器換熱原理采用迭達的方法進行出口狀態的計算，在此過程中，假定劉易斯數為1，同時忽略冷卻塔側壁的傳熱。本文所用的AHU 模型是TRNSYS 中自帶的組件Type32。圖2 是制冷機的模型預測與實際測量功率對比，誤差在±5%之間。圖3 是冷卻塔預測模型與實際測量出水溫度對比，誤差范圍在+2%～-5%之間。

圖2 模型與實際測量的制冷機功率對比Fig.2 Comparison of the model predicted chiller power and the measurement

圖3 冷卻塔模型預測與實際測量的冷水出水溫度對比Fig.3 Comparison of the cooling water outlet temperatures of the cooling tower model prediction and the measurement

2.3 挖掘數據樣本

將空調水系統模型與建筑物負荷模型耦合在一起，空調水系統模型主要包括制冷機、冷水泵、冷卻塔集管網等。在模型中，制冷機輸出的冷凍水通過冷凍水泵輸送至AHU 中經過換熱后返回到制冷機。從AHU 中出來的低溫空氣送至室內空間，用PID 控制器控制冷凍水泵的頻率來控制冷凍水流量，進而控制室內空間的回風溫度，使得回風溫度維持在28℃左右，送風量恒定。在模擬平臺運行過程中，分別給定不同的制冷機冷凍水出水溫度設定值，從7℃至18℃，以1℃為間隔。在空調系統的冷卻水側，制冷機輸出的冷卻水經過冷卻塔散熱返回到制冷機中，分別給定不同的冷卻水泵運行頻率，從24Hz 至50Hz，每2Hz 為間隔。通過上述的運行策略，可以得到大量的空調水系統運行數據，主要關注數據為制冷機冷凍水出水溫度、冷凍水流量和回水溫度，冷卻水流量、冷卻水供回水溫度，各個設備的能耗與系統能效等。圖4 是TRNSYS 中的建筑與空調系統的耦合模擬平臺模型。圖中上半部分是建筑物的負荷模型，下半部分是空調水系統模型，左側是冷卻側，右側是冷凍側，中間是制冷機。

圖4 TRNSYS 中的建筑物與空調系統模型Fig.4 Models of the building and the air conditioning system in the TRNSYS platform

3 系統運行參數關聯規則挖掘

本文選取了與空調水系統運行有關的水系統運行參數，包括冷凍水供水溫度、冷凍水溫差、冷卻水回水溫度、冷卻水溫差，以及室外空氣溫度、濕度與系統需求冷量為影響因素。將模擬得到的數據采用Apriori 算法進行，獲得在不同的室外空氣溫濕度和系統冷量需求的邊界條件下，能夠讓空調水系統高效運行的參數，即（冷凍水供水溫度、冷凍水溫差、冷卻水回水溫度、冷卻水溫差）→（水系統COP）樣式的關聯準則，表1 是部分工況下的關聯準則。

表1 關聯準則表Table 1 Associated rules

4 關聯規則應用及結果分析

本節對挖掘得到的關聯準則的有效性和在中央空調水系統運用的節能性進行分析。首先按照實際的運行模式進行模擬，得到整個制冷季按照既有模式運行的數據。既有模式即為冷凍水泵、冷卻水泵和冷卻塔風機等工頻運行，主機供水溫度恒定，不隨冷量需求變化而調整。關聯準則運行模式則是通過讀取建筑物冷量需求、空氣溫度與濕度數據，模型平臺中的關聯準則應用策略模塊（見圖5 左下角）經過判斷可以尋找該邊界條件下的最優參數值（即目標值），即冷凍水供水溫度設定值、冷卻水供回水溫差設定值、冷卻水回水溫度設定值、冷凍水供回水溫差。通過PID 控制器控制冷卻水泵、冷凍水泵的運行頻率進而控制冷卻水供回水溫差、冷凍水供回水溫差，通過PID 控制器控制冷卻塔風機轉速控制冷卻水回水溫度，使得系統按照關聯準則表中的最優參數來運行。將模型中按照關聯準則運行得到的各項數據與實際測量（即既有模式的運行數據）的數據進行對比，分析關聯準則的有效性和節能潛力。圖5 為關聯準則的優化應用流程圖。

圖5 參數優化運用流程圖Fig.5 Implementation flowchart of parameter optimization

本研究對空調制冷季進行了優化運行模擬分析，選擇中等負荷日的數據進行展示分析。圖6 與圖7 分別是某中等負荷日的室外空氣溫度和相對濕度與空調系統的需求冷量。圖8 是采用關聯準則前后（即既有模式與優化模式）的冷凍水供水溫度。優化后冷凍水供水溫度大部分運行時間內高于既有模式運行的供水溫度，與關聯準則的目標值一致。圖9 是優化前后冷凍水供回水溫差對比圖，從圖中可以看出優化后冷凍水溫差大于優化前的溫差，與關聯準則的目標值基本一致。圖10 是冷卻水回水溫度對比圖，從圖中可以看出優化模式的回水溫度比既有模式的回水溫度低。圖11 是優化前后水系統COP 對比圖，圖中的“目標COP”曲線是在該負荷日運行工況下關聯準則中對應的COP數值。從圖中進一步可以看出，在一部分的運行時間內，優化后比優化前的水系統COP 提升了1.5左右（水系統的能耗包括冷水機組、冷凍泵、冷卻泵、冷卻塔風機的電耗，不包括末端的能耗），并且在全天運行過程中，優化模式的空調水系統COP比關聯規則對應的COP 曲線略低，但很接近，說明了關聯準則的有效性。在該負荷日下，系統既有運行模式的水系統能耗為1869.6kWh，采用關聯準則的優化運行模式的水系統能耗為1705.7kWh，節能率為8.8%，采用關聯準則進行空調系統的優化運行有明顯的節能效果。

圖6 室外空氣溫度和相對濕度Fig.6 Outdoor air temperature and relative humidity

圖7 建筑逐時冷量需求Fig.7 Hourly cooling demand of the building

圖8 既有模式與優化模式的冷凍水供水溫度Fig.8 Chilled water supply temperature profiles of the existed operation mode and the optimal operation mode

圖9 既有模式與優化模式的冷凍水溫差Fig.9 Chilled water temperature difference profiles of the existed operation mode and the optimal mode

圖10 既有模式與優化模式的冷卻水回水溫度Fig.10 Cooling water temperature profiles of the existed operation mode and the optimal mode

圖11 既有模式與優化模式的水系統COPFig.11 Water system COP profiles of the existed operation mode and the optimal mode

5 結論

本文利用關聯準則數據挖掘方法，通過對某空調系統制冷季的運行數據的挖掘，獲得了在不同工況條件（系統冷量需求和室外空氣溫濕度）下的空調水系統高效運行的參數，即根據不同的系統冷量需求、室外空氣溫度和空氣濕度，得到保證系統高效運行的冷凍水供水溫度設定值、冷凍水溫差、冷卻水溫差和冷卻水回水溫度等。進一步對關聯準則進行了應用分析。在中等負荷日下，優化后冷凍水供水溫度大部分運行時間內高于既有模式運行的供水溫度，優化后冷凍水溫差大于優化前的溫差，優化模式的冷卻水回水溫度比既有模式的回水溫度低，與關聯準則的目標值基本一致。優化后的水系統COP 在大部分運行時間內比既有模式高1.5左右。在該負荷日下，既有運行模式的能耗為1869.6kWh，采用關聯準則的優化模式的能耗為1705.7kWh，節能率為8.8%。