空調冷站群控方法研究

張會福

(華潤智慧能源有限公司，廣東 深圳 518001)

1 引言

中國建筑行業規模居世界第一，現有城鎮總建筑存量約650億m2[1]，這些建筑在使用過程中排放了約21億t二氧化碳，約占中國碳排放總量的20%，其中空調能耗占到民用建筑能耗的40%左右，本文對空調冷站系統實際運行數據進行分析，并提出一種新的空調冷站全局優化控制方法，并將優化后的空調能耗數據與實測數據進行對比分析，得到全局優化控制方法的節能潛力。

2 運行數據與分析方法

2.1 運行數據

本項目所使用的空調冷站運行數據，來自浙江某辦公樓7月份實際運行數據，項目基本信息見表1。

表1 項目基本信息

部分逐時監測數據見圖1。

圖1 逐時運行數據

2.2 分析方法

本文通過建立冷水機組、冷凍水泵的數學模型，然后采用模擬仿真的方法，驗證了控制方法的有效性。

3 模型建立

設備的數學模型可以分為黑箱模型、灰箱模型和白箱模型[2]。作為本文數據來源的實際空調冷站系統，冷卻水泵和冷卻塔風機都是定頻，無法實現優化自主調節，所以在本文優化方案中，只需要建立冷水機組和冷凍水泵的數學模型進行尋優計算，以下為建模過程。

3.1 冷水機組建模

冷水機組白箱模型需要建立各元件(包括壓縮機、經濟器、膨脹閥、冷凝器以及蒸發器等)的變工況模型，并通過反復迭代進行求解，白箱模型主要為ASHRAE primary systems toolkit基于熱力學第一定律和傳熱方程提出的物理模型[3，4]。比較經典的灰箱模型有，Gordon等提出Gordon-NG 模型[5]。黑箱模型主要有DOE-2、MP、BQ、SI、SMP模型[6]等。

考慮到現場數據采集的難度和完整度，本文冷水機組的建模主要是采用多元線性回歸模型和神經網絡模型。

3.1.1 多元線性回歸模型

多元線性回歸模型屬于黑箱模型[7]，本模型中將以冷凍水進水溫度(Tei)、冷凍水出水溫度(Teo)、冷卻水進水溫度(Tci)、冷卻水出水溫度(Tco)、冷凍水瞬時流量(Qe)為自變量，并以機組COP為因變量進行建模，模型表達式如下：

COP=α1Tei+α2Teo+α3Tci+α4Tco+α5Qe+α0

(1)

式(1)中，α0為常數項，α1，α2，α3，α4，α5為回歸系數。

采用最小二乘法對以上方程進行求解，求解方程如下：

COP=0.693Tei-0.319Teo-0.273Tci+0.164Tco

-0.005Qe+4.134

(2)

此時R2=0.69，預測值與測試值表現見圖2。

圖2 冷水機組多元線性回歸模型預測精度

3.1.2 神經網絡模型

神經網絡模型也屬于黑箱模型，本模型中將以冷凍水出水溫度(Tei)、冷凍水出水溫度(Teo)、冷卻水進水溫度(Tci)、冷卻水出水溫度(Tco)、冷凍水瞬時流量(Qe)為自變量，并以機組COP為因變量，建立反饋型神經網絡。

經計算模型R2=0.74，預測值與測試值表現如圖3。

圖3 冷水機組神經網絡模型預測精度

通過多元線性回歸模型和神經網絡模型精度對比分析可知，神經網絡模型預測精度要比多元線性回歸模型預測精度要高，所以，本文選擇神經網絡模型作為制冷主機的數學模型。

3.2 冷凍水泵建模

水泵耗功率主要與水泵流量和揚程相關，由于數據源沒有水泵進出口端壓力數據，所以水泵數學模型也采用神經網絡模型方法，建立水泵功率與流量的之間的反饋型神經網絡。

經計算模型R2=0.68，預測值與測試值表現見圖4。

圖4 水泵神經網絡模型預測精度

4 聯合尋優

空調系統是一個各參數之間耦合度非常高的系統，傳統的樓宇內空調系統的運行還是在給定控制策略基礎上的固定邏輯運行。隨著信息通信技術、控制技術的發展，使得基于云端計算+邊緣計算的聯合控制成為現實，從而可以將更為高級的控制方法應用到實際工程中，擺脫了現場控制元器件的束縛。20世紀80年代初期產生了一系列智能算法(也稱現代優化算法)，有模擬退火算法、遺傳算法、人工神經網絡、禁忌搜索算法、蟻群算法、差分算法和粒子群算法等。其中遺傳算法有簡單通用、魯棒性強、適用并行處理、應用范圍廣等特點[8～16]，本文采用遺傳算法進行尋優計算。

冷水機組數學模型有5個自變量(冷凍水進水溫度(Tei)、冷凍水出水溫度(Teo)、冷卻水進水溫度(Tci)、冷卻水出水溫度(Tco)、冷凍水瞬時流量(Qe))，其中，冷卻水側溫度和為固定值，同時在制冷量一定的條件下，冷凍水進出水溫度和流量之間是存在定量關系的，只要知道其中兩個未知量，第三個就能確定，同時考慮到冷凍水泵的數學模型只有1個自變量(冷凍水瞬時流量(Qe)，所以將算法尋優的變量定為：冷凍水出水溫度(Teo)和冷凍水瞬時流量(Qe)。由于冷水機組數學模型和冷凍水泵數學模型是基于實測數據建立起來的，所以數學模型的有效應用范圍是實測自變量的最大與最小值范圍內。

經遺傳算法尋優計算得到，優化前后的冷凍水供水溫度、冷凍水供回水溫差、冷凍水流量以及冷水機組與冷凍水泵的總功率對比見圖5～8。

圖5 冷凍水出水溫度對比

圖6 冷凍水供回水溫差對比

圖7 冷凍水流量對比

圖8 總功率對比

以上的結果表明：①優化后的冷凍水出水溫度有所升高，少部分時間段降低；②冷凍水供回水溫差升高；③冷凍水流量變小；④綜合效果是冷水機組與冷凍水泵總功率降低13.4%。

5 結論與討論

本文通過建立冷水機組和冷凍水泵的數學模型，運用遺傳算法對冷水機組和冷凍水泵的運行參數尋優，降低了空調冷站整體運行能耗。研究發現：

(1)在冷站測點數據有限的條件下，采用黑箱模型建立冷水機組的數學模型更有效，本文采用神經網絡模型建立了冷水機組和冷凍水泵的數學模型，模型R2均達到68%以上。

(2)啟發式算法在進行多參數尋優中效果顯著，本文利用遺傳算法對冷水機組和冷凍水泵的運行參數進行綜合尋優，使冷水機組與冷凍水泵總功耗降低13.4%。