西昌西站通風空調系統智能溫控策略研究

許 琳

（河南工業職業技術學院建筑工程學院 南陽 473000）

0 引言

空調系統的控制包括室內環境溫度和管路中水流量的變化情況[1]。近年來，機器學習的許多研究應用在空調系統的控制調節中[2]。交通建筑是大量客流聚集的公共場所，其室內環境舒適程度對乘客候車過程中的身心健康和出行狀態具有直接影響[3,4]。由于交通建筑的半封閉特性，使得其內外部熱濕交換頻繁，室內舒適度呈動態隨機變化，其溫控系統是一類特定的復雜控制問題，本文由此研究西昌西站房通風空調系統的智能溫控方法。

1 模型設置

1.1 工程背景

西昌西高鐵站位于四川省西昌市涼山彝族自治州，該區域的氣候屬于亞熱帶季風氣候區，干濕分明，冬半年日照充足，少雨干暖；夏半年云雨較多，氣候涼爽。但涼山州地形及大氣環流的多樣性，使得涼山州干雨明顯、立體氣候特征發生變異，導致涼山州氣候特征呈現出復雜性、多樣性。11月～次年4月大致為干季，5月～10月為濕季。干濕季特征顯著不同，干季氣候特點是降水稀少，溫差不大，陽光充足，氣候暖和；濕季氣候特點是溫涼濕潤、多陰雨[5,6]。

本文中的過渡季節通過仿真實驗確定，結合四季的劃分，春秋兩季為一年中進行冷熱交替過渡的季節，室外溫度較為適宜，因此本研究也分別在春季（3月、4月、5月）和秋季（9月、10月、11月）中各選取一個月作為本研究中的過渡季節，以半個月為間隔進行劃分，列舉多種過渡季節的組合方式，并根據對應過渡季節的設置進行仿真，即過渡季節不開啟空調，冬季、夏季會開啟空調制熱、制冷模式，最后選取不同的過渡季節設置溫度不舒適次數最少的情況作為過渡季節的日期選擇。

1.2 模型建立

根據設計圖紙，兩個制冷主機覆蓋的范圍是候車廳和進站廳。本研究的空間劃分并非單純按照房間個數，而是將每個空氣處理機組劃分為1 個區域，將候車廳公共衛生間的風機盤管進行合并。因此，候車廳被分成了4 個空間，進站廳被分成了3個空間。

由于進站廳空間較大，共設置3 臺組合式空調機組，因此在Energy Plus 中將進站廳分為3 個熱區，在模型中記為jinzhan1、jinzhan2 和jinzhan3；同樣的，由于高架候車廳共設置4 臺組合式空調機組，因此將高架候車廳分為4 個熱區，在模型中記為houche1、houche2、houche3 和houche4。2 層進站廳平面圖如圖1所示，3 層高架候車廳平面圖如圖2所示。

圖1 進站廳平面圖Fig.1 Plan of entrance hall

圖2 候車廳平面圖Fig.2 Plan of waiting hall

室內熱源會影響總體能耗，熱源主要分為人員、燈光、設備，所以需要分別對此進行參數設置。高鐵站作為人員流動頻繁的場所之一，人員流動性大給人員逐時統計帶來較大的困難，但因人員的流動與高鐵的發車時間成正相關，在Energy Plus 中，人員流量參數可以精確到每分鐘，但在實際調研中要獲取每分鐘室內人員流量難度較大。因此，本文實地調研統計了一天中高架候車廳內人員的逐時平均客流量，如圖3所示。

圖3 人員逐時數量Fig.3 Hourly number of personnel

圖3顯示了西昌西站一天中的人員流動變化系數，其中最大的客流量密度為2000 人/小時。為了使每天的人員流動符合總體規律又有人員數量上的變動，本研究在實驗過程中加入了0.1 的擾動，即以調查日客流量為基礎，使數據在不超出最大客流量為2000 人和最小客流量為0 的前提下，在10%的范圍內波動，隨機增大或減小，以此生成一年中其他天數的客流量數據。

室內燈光設置是基于火車站內實際開啟的燈光臺數，每臺燈光功率大小，經過加權平均，計算得到燈光功率，其中高架候車廳為每平方米15W，進站廳為每平方米10W。高架候車廳、進站廳采用2 臺螺桿式風冷熱泵機組為其提供冷熱水，熱泵機組單體制冷量926kW，制熱量889kW。空調水系統設計為閉式機械循環，冷水供/回水溫度為7/12℃，熱水供/回水溫度為45/40℃。

基于上述人員、燈光、設備的相關數據，為了方便數值模擬，將高架候車廳建筑平面圖進行一定簡化，將西昌西站地理信息導入Energy Plus 中，構建的Design builder 三維模型如圖4所示。候車廳空調室內空氣設計參數為：冬季室內設計溫度18℃，夏季室內設計溫度26～28℃，室內相對濕度為40～70%，最小新風量為10m3/(h·p)。

圖4 三維模型圖Fig.4 3D model drawing

1.3 通風空調系統組成

本工程空調系統原理圖如圖5所示，高架候車廳采用一次回風全空氣系統，設置4 臺組合式空調機組；進站廳設置3 臺吊頂式空調機組，新風由出入口滲透、機械通風和電動排煙窗風口三種開啟方式組成；售票廳、候車廳公共衛生間共設置22 臺風機盤管，在模型中簡化為8 臺，新風由出入口及公共區滲透得到。

圖5 空調系統原理圖Fig.5 Schematic diagram of air conditioning system

本文利用已開設的電動排煙窗作為自然通風進、排風口，當前車站候車廳頂部共設置4 處電動排煙窗，此處可用于自然通風。每處電動排煙窗開啟凈面積為75m2，故開窗總面積為75*4=300m2，通風驅動力由風壓和熱壓組成，選取Energy Plus中的自然通風模型。

針對過渡季與非過渡季交接時段，可通過機械通風方式進行室內環境調節，在節能的同時，獲得合適的室內溫度。通過采用Energy Plus 軟件仿真模擬，分別確定了4.2-4.15 和9.1-9.14 兩個交接時段采用機械通風方式，形成了半開空調方法下的調控策略，如表1所示。

表1 半開空調溫控策略Table 1 Temperature control strategy of semi open air condition

2 基于機器學習的智能溫控策略設計

2.1 智能溫控策略設計

本文利用Energy Plus 軟件搭建西昌西站空調系統仿真模型，獲得系統全年運行數據，共599879組，選取其中96%作為機器學習的輸入數據，剩下4%作為測試數據。借助Matlab 軟件建立機器學習模型，得到多時刻溫度濕度短時預測模型，用于實時輸入溫控策略后獲得反饋，以輸出不同溫控策略實施后的室內溫度及能耗數據。考慮到多時刻溫度濕度預測模型會輸入當前時刻以及對前七天室內外參數進行實驗，屬于時序預測問題，而門控循環單元網絡模型（Gated Recurrent Units，GRU）更擅長用于處理時序問題，故本文選用GRU 算法對下一時刻的溫濕度進行預測。Cho 等[7]在2014年提出門控循環單元，能夠解決循環神經網絡因長期依賴帶來的梯度消失和梯度爆炸等問題。門控循環單元通過引入重置門和更新門的概念來改變隱藏狀態的計算方式，計算速度更加快捷，能夠保存長期序列中的信息，且不會隨時間而清除或因為與預測不相關而移除[8]。

本文搭建的機器學習模型，通過提取當前時刻及上一時刻的室外干球溫度、室外露點溫度、室外濕球溫度、室外空氣濕度比、室外空氣相對濕度、太陽散射輻射率、太陽直射輻射率、室內干球溫度、室內濕球溫度及客流量作為輸入端，下一時刻七個分區的室內溫度、室內濕度、水流量和能耗作為輸出端，從而確定機器學習的溫控參數預測模型。

為了達到節能效果，本文優先考慮使用不開啟空調的控制模式，然后對該控制模式下的室內溫度和濕度進行預測，當在該控制模式下達不到滿意的室內溫度時，再考慮使用開啟空調模式的控制模式，同時對該模式下的水流量和能耗進行預測。智能溫控流程如圖6所示。

圖6 智能溫控流程圖Fig.6 Flow chart of intelligent temperature control

開啟空調模式通過對開啟空調工況下，室內外環境參數、空調控制參數與產生的水流量和能耗之間的影響機理以及復雜關系進行學習，實現監測室內外環境參數時給出合理的空調控制參數。

需要特別指出的是，在鐵路客運站空調設計中，候車廳室內相對濕度控制要求為40～70%，是一個較廣泛的控制范圍，相對濕度加入后會影響機器學習的精度，導致預測結果會有部分偏差。因此本文控制參數中暫未考慮室內相對濕度，其可作為后續研究內容。

2.2 三種溫控策略

為了對本文所提出的智能溫控策略的實施效果進行評價，本文選取了另外兩種溫控策略進行對比分析。這兩種溫控方法分別稱之為“全開空調”策略和“半開空調”策略。由于智能溫控策略可根據內外部環境狀態參數的改變而實時改變，本文構建了環境狀態短時預測模型，用于實時輸入溫控參數后獲得反饋信息，以輸出不同溫控策略實施后的室內溫度及能耗數據，從而對三種溫控方法的效果進行對比分析。

（1）智能溫控策略

智能溫控策略即本文所提出的基于機器學習的溫控設計方法，通過相應的機器學習模型能夠根據室內外環境參數及客流量的變化，實時確定采用開窗通風、機械通風、開窗與機械通風組合或開啟空調等溫度控制策略。

（2）全開空調策略

全開空調策略主要通過在全年工作時段（5:00-23:00）內開啟空調，非工作時段關閉空調的控制方式來控制室內溫度。

（3）半開空調策略

半開空調策略主要考慮在過渡季節關閉空調，采用自然通風以及機械通風的方式，在非過渡季節采用開啟空調的方式來控制室內溫度。

表2列出了在不同的環境工況下，三種溫控策略的設備開啟情況。

表2 三種溫控策略對比表Table 2 Comparison table of three temperature control strategies

3 通風空調系統智能溫控策略效果評價

3.1 全年室內溫度變化情況

通過一年的數據模擬，得到三種溫控策略的實施效果。圖7至圖9為三種溫控方法下全年室內溫度的變化情況。全開空調和智能控制策略下可以保證全年室內溫度都處于較為舒適的范圍內，變化更為均勻，半開空調策略下有溫度明顯過高的情況（高于30℃），部分時間不能對室內環境進行較好的調節。

圖7 智能溫控策略下，全年室內溫度變化Fig.7 Annual indoor temperature change under intelligent temperature control strategy

圖8 半開空調策略下，全年室內溫度變化Fig.8 Annual indoor temperature change under semi open air conditioning strategy

圖9 全開空調策略下，全年室內溫度變化Fig.9 Annual indoor temperature change under fully open air conditioning strategy

對比不同控制策略下室內溫度的變化情況，存在智能控制策略在冬季比全開空調策略溫度高，在夏季比全開空調策略溫度低的情況：

（1）冬季某些時間在智能溫控策略下沒有開啟空調，處于全不開模式，室內溫度就會逐漸上升，達到較為舒適的狀態，而全開模式下空調會持續對室內環境進行調節，在此過程中可能導致室內外環境交互更多，溫度降低，這導致了冬季在智能溫控策略下的平均室內溫度高于全開空調策略。

（2）夏季則相反，比如某些情況下室內溫度高于27℃而室外溫度低于27℃，通過機械通風換氣可以使得溫度得以大幅度降低，并在接下來的時間段內保持在較舒適溫度范圍，但在全開模式下此時的溫度只能降低到略低于27℃的狀態，并且在一段時間內的調節都符合此狀態，導致夏季智能溫控策略下的平均室內溫度低于全開空調策略。

3.2 全年水流量變化情況

觀察三種溫控方法下全年水流量的變化情況如圖10至圖12所示，全開空調策略下全年水流量分布較為均衡，半開空調策略下的水流量在過渡季節存在明顯的空白，對應著不開啟空調的情況，而智能溫控策略對應的水流量分布情況則是介于全開空調策略和半開空調策略兩種方法之間，存在某些時刻為零的情況。

圖10 智能溫控策略下，全年水流量變化Fig.10 Annual water flow change under intelligent temperature control strategy

圖11 半開空調策略下，全年水流量變化Fig.11 Annual water flow change under semi open air conditioning strategy

圖12 全開空調策略下，全年水流量變化Fig.12 Annual water flow change under fully open air conditioning strategy

3.3 全年能耗變化情況

三種控制方法全年能耗的對比如圖13至圖15所示。全開空調策略下能耗的分布較為均衡，工作時間段內都會開啟空調并產生能耗。半開空調策略下對應的過渡季節3.1-4.1 與9.15-10.15 不開啟空調，對應時期的能耗為零。除半開情況進行機械通風外，其他時間內控制參數、室外環境參數和全開空調策略一致，兩種控制方法下產生的能耗也一致。智能溫控方法會根據不同的室內外環境狀況，選擇最優的控制參數來進行室內環境狀態的調節，包括開啟空調、機械通風、開窗、開窗和機械通風組合等，由此產生的全年總能耗是三種控制方法中最低的。

圖13 智能溫控策略下，全年系統能耗變化Fig.13 Annual system energy consumption change under intelligent temperature control strategy

圖14 半開空調策略下，全年系統能耗變化Fig.14 Annual system energy consumption change under semi open air conditioning strategy

圖15 全開空調策略下，全年系統能耗變化Fig.15 Annual system energy consumption change under fully open air conditioning strategy

三種溫控策略各環節能耗情況如圖16所示，根據實際環境情況的變化一年中會有相應的需要制冷、制熱的時期，會產生不同的制冷、制熱能耗，同時隨著空調冷熱源機組、水泵、末端設備（組空、風機盤管、吊柜機）也會產生一定的能耗。此外在智能溫控策略、半開空調策略下可選擇的室內環境調控方式還包括機械通風，以室內外空氣交換的方式來改善室內環境狀態，機械通風設備在運行過程中也會產生相應的能耗。

圖16 三種溫控方法總能耗構成對比圖Fig.16 Comparison chart of total energy consumption of three temperature control methods

觀察全年能耗分布數據可知，在設備機組實際運行中，制冷主機能耗和制熱主機能耗在總能耗中占比最大，是空調系統能耗的主要組成部分，其次是末端能耗、水泵能耗。開啟機械通風模式在全年的能耗參數中占據較小的比例，總能耗較低，只有在智能溫控策略和半開空調策略下才會產生能耗。

3.4 溫控方法效果綜合對比

在預測溫度允許0.1℃的誤差條件下（即當開啟空調時下一時刻預測溫度在17.9℃-18℃或27℃-27.1℃之間時，默認達到適宜溫度），縱觀全年模擬仿真情況，三種溫控方法的實施效果對比如表3所示。其中平均室內溫度為所有區域各小時的平均室內溫度。

表3 三種溫控策略效果對比表Table 3 Comparison table of three temperature control strategies effect

由表中數據可知智能溫控策略下全年能耗最低，為840108.16kWh，節能率達到33.49%，其次是半開的溫控策略，全開溫控策略的全年總能耗最高。就室內溫度而言，智能溫控策略在有客流量的時段內均在18℃～27℃的范圍，室內溫度低于18℃和室內溫度高于27℃的次數均最少。半開空調策略的節能率為17.81%，在有客流量的時段內不在18℃～27℃的范圍次數最多。

4 結論

高鐵站作為智慧交通中重要的一環，如何促進這一環節與城市總體發展建設全面融合，發揮其對城市各個要素的連接、傳導、交換以及節能降耗，是實現智慧城市建設的重要組成部分。本文基于Energy Plus 平臺構建了西昌西站熱工環境仿真模型，并結合施工設計圖紙及實際調研數據，對所建仿真模型的參數進行了標定，開展了基于機器學習的交通建筑智能溫控方法的研發與設計，在實現對高鐵站通風空調系統智能控制的同時，又降低了高鐵站空調系統能耗。通過研究，本文得到以下結論：

（1）全開空調和智能控制策略下都可以保證全年室內溫度處于較為舒適的范圍內，變化更為均勻。

（2）全開空調策略下全年水流量分布較為均衡，半開空調策略下的水流量在過渡季節存在明顯的空白，而智能控制策略對應的水流量分布情況則是介于兩者之間。

（3）智能控制策略全年能耗最低，為840108.16kWh，節能率達33.49%，其次是半開空調控制策略，全開空調控制策略的全年總能耗最高。

（4）交通建筑智能溫控方法能夠根據室內外環境參數及候車廳客流量的變化，實時確定采用何種溫度控制策略，可以有效降低通風空調系統能耗，后續也會針對不同策略（智能溫控策略、全開空調策略、半開空調策略）下全年相對濕度的變化情況進行深化研究。