地鐵通風空調水系統能耗預警模型

陳明華 王倫月 何 磊 王冠群 夏樹高

(1.貴陽市城市軌道交通集團有限公司， 550081， 貴陽；2.青島海信網絡科技股份有限公司， 266100, 青島∥第一作者， 高級工程師)

地鐵通風空調系統，又稱“地鐵環控系統”，是地下車站必須配備建設的，可保證地下車站及隧道內部的空氣品質、溫度及濕度等環境條件達到乘客可接受水平，是地鐵系統中不可分割的一部分[1]。地鐵通風空調系統耗能較高，其空調季能耗占地鐵總能耗的30%～40%。各城市地鐵運營公司都在盡力降低通風空調系統的能耗。目前，主要通過部署節能優化系統，利用工藝節能的手段來降低通風空調系統能耗。本文從能耗異常的運行數據出發，研究對通風空調水系統能耗異常預警診斷的模型，可對設備能耗異常狀態進行及時預警，從而減少由于通風空調水系統異常造成的能耗浪費，為通風空調系統節能提出了新的思路。

1 研究背景

地鐵通風空調系統設備能耗預警技術屬于設備狀態預警技術。設備狀態預警技術是保證設備安全運行、風險評估及可靠性的重要手段，其基本思想是實時監測設備的運行狀態。設備運行狀態可分為正常、異常和故障等3類，但三者界限并不明顯[2]。設備狀態預警技術通過能耗計算來預測設備或系統的健康狀態，可在設備發生故障之前發出預警信息，以便采取相應的措施。該技術使傳統的被動維修轉變為主動預防、事先狀態預測、提前規劃管理，在一定程度上代表了設備故障診斷方法和維修體系的新發展方向。

地鐵通風空調系統包含空調水系統和通風系統，其中空調水系統能耗占整個通風空調系統能耗的60%以上。對水系統能耗問題進行研究，能更有效降低地鐵通風空調系統耗能情況。地鐵通風空調水系統一般由冷水機組、冷卻水泵、冷凍水泵、冷卻塔和管路組成，設備多，管路復雜，往往出現單體設備的運行能耗和能效都在允許范圍內，而整體能耗卻偏高的現象。經分析，這一現象一般是由冷凍水流量偏大、冷卻水流量偏大等等運行不合理情況造成的。可見，只有基于整個冷水系統的能耗診斷，才能建立有效準確的地鐵通風空調水系統能耗預警模型(以下稱為“能耗預警模型”)。

本文以一定的制冷量和環境溫度作為研究工況，在歷史數據中搜索該工況下的最優COP(水系統制冷系數)，按一定的置信度來擬合相應的(制冷量、環境溫度)生產COP曲面，作為冷水機組COP應達值，進而生成COP能耗預警模型。該模型可根據實時COP值和COP應達值之間的差值，來判斷通風空調水系統是否存在能耗異常，進而發出預警。

2 能耗預警模型的建立

COP能耗預警模型的工作流程包括：歷史數據穩態提取、穩態工況下性能系數計算、提取不同工況下可達性能系數、通過神經網絡遺傳算法擬合性能系數的動態可達值曲面。

2.1 采集空調水系統正常的歷史數據

能耗預警模型需要采集空調水系統在正常運行狀態下的數據，包含冷凍水入口溫度、冷凍水出口溫度、冷凍水流量、冷卻水入口溫度、冷卻水出口溫度、冷卻水流量、所有設備功率及環境溫度。以xij表示第i個變量第j個采樣時刻的采樣值，則采集得到的歷史正常數據矩陣X為：

(1)

2.2 從歷史數據中提取穩定工況

當空調水系統處于穩態工況時，受實際生產環境的限制及其他干擾條件的影響，其機組的變量參數并非恒定不變，而是會在某一數值附近波動。該數值的波動可認為是大量相互獨立隨機因素綜合影響的結果。雖然用來描述這些微小隨機因素的隨機變量不一定服從正態分布，但只要每個因素都未起到壓倒一切的主導作用，那么這些微小因素綜合作用的參數數值就可認為近似服從正態分布。

可利用數據標準差來判斷該數據是否為穩態數據。標準差可反映組內個體間的離散程度：樣本標準差小，說明樣本變量的分布比較密集在平均數附近；否則，說明樣本的分布比較離散。利用標準差的這一特點，采用滑動窗口的形式，可判斷變量是否處于穩態過程。滑動窗口如圖1所示。在滑動窗口內，所有采集數據的標準差集合S=(s1,s2,…,si,…,sN)，其中si表示第i個變量的標準差，可表征數據的穩定程度。

注：N為窗口長度。圖1 滑動窗口示意圖Fig.1 Diagram of slider window

設定窗口長度為N(N為窗口內負荷數據的個數，即每個變量有N個采樣點)，窗口內負荷數據標準差si為：

(2)

式中：

xij——窗口內第i個變量第j個時刻數據的數值；

(3)

圖2 χ2分布的密度曲線Fig.2 Density curve of χ2 distributed

非穩態閾值θ可根據χ2分布的密度來確定。參考3δ原則，取穩態工況對應的標準差s<θ的概率為0.995，則：

(4)

確定每個變量的穩態判斷閾值后，通過滑動窗口法對歷史數據進行處理，得到窗口內每個變量的標準差：S=(s1,s2,…,sN)，當每個變量的標準差都小于對應的閾值后，則表示冷水機組進入穩定工況。

2.3 穩態工況下的水系統可達性能數據

假設進入穩態工況的時刻為t1，退出穩態工況的時刻為t2，則在t1至t2時間段內，冷水機組處于穩態工況。

步驟1,提取該時間段內所有的歷史數據，由式(1)則有：

(5)

步驟2,計算該時間段內的總制冷量Q：

(6)

式中：

Qlds,j——冷凍水j時刻的瞬時流量;

tldsin,j——冷凍水j時刻的回水溫度；

tldsout,j——冷凍水j時刻的出水溫度；

T——采樣周期；

c——冷凍水的比熱容。

步驟3,計算該時間段內的總耗電量P：

(7)

其中：

pj——空調水系統所有設備瞬時功率。

步驟4,計算該時間段內的平均性能系數xcop：

xcop=Q/P

(8)

(9)

當統計到K個穩態工況時，所有穩態工況的可達性能數據統計變量數據集合Y為：

Y=(y1,y2,…,yK)

(10)

2.4 篩選不同工況下的可達性能數據

由于操作方式不同，相同穩態工況下空調水系統的性能系數變化較大。為了獲取可達性能數據，需提取所有統計數據中較高的性能系數，即yk下的平均性能系數Xcop，k大于統計周期內的總平均性能系數Xcop，0。同樣，雖然空調水系統的性能系數可能出現較大值，但若該較大值的出現頻次太少，則說明性能系數值存在偶然性，不能很好地反映機組在大部分工況下的性能。即考察所有統計點中同yk相類似的Q和thj鄰域內統計點，若性能系數大于Xcop, k的統計點不超過N0(設定的滑動窗口長度)個點，則保留數據yk，否則不保留yk。通過以上方法對統計的數據進行篩選，既能盡量保留性能系數較大的值，又能避免保留數據量太少導致的求解結果偶然性。

2.5 擬合能耗預警曲線

基于證據理論和神經網絡，通過歷史數據，提取反映設備、系統正常運行的狀態點。但是由于設備運行的歷史數據不一定能覆蓋實際運行狀態下水系統設備的所有運行情況，故在擬合能耗預警曲線的過程中，需要合理地補足缺失的狀態點。本文應用證據理論的方法對缺失狀態點進行補足。

證據理論是一種處理不確定性信息的方法，具備直接表達不確定性的能力，與缺失值的特性相符合，因此可用于缺失值填補等不完整數據的分析過程[3]。

對于需補足的狀態點進行分析，抽取其中已知的確定量，利用屬性間相關性的填補方法和屬性間的關聯建立回歸模型，并基于完整樣本求解模型參數，進而估計缺失值。

應用GA-BP(神經網絡遺傳算法),通過選取反映設備的正常、健康的運行特性作為模型的參考點(證據點)，構建水系統設備在不同工況下能耗水平的可達性能數據的證據庫。在通風空調系統實際運行時，基于當前工況下的運行數據，以及結合證據理論和GA-BP，設置合理的模型擬合置信區間，計算當前運行工況下的能耗合理范圍，進而實現能耗預警曲線的擬合。

基于空調水系統運行數據全局搜索和GA-BP算法的冷水機組能耗合理范圍，計算得到不同工況下對應的COP以及各設備的能耗范圍。與實際運行數據對比，如果COP偏低，則進行預警，并分析能耗異常原因；如果COP偏高，則更新模型。

2.6 模型測試

能耗預警模型在實際應用之前進行了模型測試。測試條件為：假設在總制冷量Q一定時，由冷水機組自動控制冷凍水溫度tldsout定值，冷凍水流量Qlds由冷凍水泵控制，冷凍水回水溫度tldsin,根據Q自動計算；冷卻水回水溫度根據環境溫度手動設置為一個定值，冷卻水流量由冷凍泵控制，冷卻水出水溫度由熱平衡計算；冷卻塔風量由放熱量根據熱平衡計算，進而計算冷卻塔能耗。以下是2種模型模擬的報警情況案例。

1) 在仿真計算中，對Qlds,i設置1個正偏置，則冷凍水回水溫度升高，冷水機組蒸發溫度升高，導致冷水機組能耗升高，同時冷卻泵能耗增加，能耗預警模型根據設置條件，判斷為大流量、小溫差，則報警。

2) 在仿真計算中，對冷卻水回水溫度設置1個正偏置，表示冷卻塔換熱性能下降。此時，冷卻水出水溫度響應升高，冷水機組能耗增加，能耗預警模型判斷冷卻塔換熱效果下降。

根據能耗預警模型的判斷結果，可以對冷凍水泵、冷卻塔等終端設備提前進行檢查，未來也可以與通風空調智能運維專家知識庫相結合，提供更有效和快速的設備維護和維修方法。

3 案例分析

貴陽軌道交通2號線能源管理系統采用了本文中的通風空調系統能耗預警模型。

在考察了通風空調系統不同設備的能耗量后，首次建立預警模型決定選取單位時間能耗量最大的冷水機組作為控制對象。在貴陽軌道交通2號線能源管理系統中預置上述預警算法，通過能源管理系統采集冷水機組運行數據及能耗數據，通過穩態提取、數據篩選及閾值系數計算級曲線擬合，判斷冷水機組能耗應達值與實際之間的差距。

當發生了能耗預警事件時，能源管理系統可自動推送設備能耗預警信息，提醒運營維護人員及時對設備進行檢修和檢查，減少因通風空調設備“帶病”運行而造成的能源浪費。

自2021年4月貴陽軌道交通2號線正式投入運行以來，2021年空調季冷水機組運行數據較少，未來隨著該線路冷水機組、冷凍水泵、冷卻水泵等通風空調水系統設備運行數據的增多，能耗預警模型的準確性將大大增加。

4 結語

地鐵通風空調系統能耗預警模型基于大量運行數據，將數據統計、證據理論和神經網絡遺傳算法相結合，能及時判斷水系統中的設備能耗異常問題，并發出預警，減少由此造成的能量浪費，降低城市軌道交通運營成本。該預警模型具有良好的適用性，經改動可應用在組合式空調機組等其他通風空調系統設備上，從而提高通風系統設備的穩定性，進一步降低地鐵通風空調系統的能耗。