张会福

(华润智慧能源有限公司，广东 深圳 518001)

1 引言

中国建筑行业规模居世界第一，现有城镇总建筑存量约650亿m2[1]，这些建筑在使用过程中排放了约21亿t二氧化碳，约占中国碳排放总量的20%，其中空调能耗占到民用建筑能耗的40%左右，本文对空调冷站系统实际运行数据进行分析，并提出一种新的空调冷站全局优化控制方法，并将优化后的空调能耗数据与实测数据进行对比分析，得到全局优化控制方法的节能潜力。

2 运行数据与分析方法

2.1 运行数据

本项目所使用的空调冷站运行数据，来自浙江某办公楼7月份实际运行数据，项目基本信息见表1。

表1 项目基本信息

部分逐时监测数据见图1。

图1 逐时运行数据

2.2 分析方法

本文通过建立冷水机组、冷冻水泵的数学模型，然后采用模拟仿真的方法，验证了控制方法的有效性。

3 模型建立

设备的数学模型可以分为黑箱模型、灰箱模型和白箱模型[2]。作为本文数据来源的实际空调冷站系统，冷却水泵和冷却塔风机都是定频，无法实现优化自主调节，所以在本文优化方案中，只需要建立冷水机组和冷冻水泵的数学模型进行寻优计算，以下为建模过程。

3.1 冷水机组建模

冷水机组白箱模型需要建立各元件(包括压缩机、经济器、膨胀阀、冷凝器以及蒸发器等)的变工况模型，并通过反复迭代进行求解，白箱模型主要为ASHRAE primary systems toolkit基于热力学第一定律和传热方程提出的物理模型[3，4]。比较经典的灰箱模型有，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。

考虑到现场数据采集的难度和完整度，本文冷水机组的建模主要是采用多元线性回归模型和神经网络模型。

3.1.1 多元线性回归模型

多元线性回归模型属于黑箱模型[7]，本模型中将以冷冻水进水温度(Tei)、冷冻水出水温度(Teo)、冷却水进水温度(Tci)、冷却水出水温度(Tco)、冷冻水瞬时流量(Qe)为自变量，并以机组COP为因变量进行建模，模型表达式如下：

COP=α1Tei+α2Teo+α3Tci+α4Tco+α5Qe+α0

(1)

式(1)中，α0为常数项，α1，α2，α3，α4，α5为回归系数。

采用最小二乘法对以上方程进行求解，求解方程如下：

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

-0.005Qe+4.134

(2)

此时R2=0.69，预测值与测试值表现见图2。

图2 冷水机组多元线性回归模型预测精度

3.1.2 神经网络模型

神经网络模型也属于黑箱模型，本模型中将以冷冻水出水温度(Tei)、冷冻水出水温度(Teo)、冷却水进水温度(Tci)、冷却水出水温度(Tco)、冷冻水瞬时流量(Qe)为自变量，并以机组COP为因变量，建立反馈型神经网络。

经计算模型R2=0.74，预测值与测试值表现如图3。

图3 冷水机组神经网络模型预测精度

通过多元线性回归模型和神经网络模型精度对比分析可知，神经网络模型预测精度要比多元线性回归模型预测精度要高，所以，本文选择神经网络模型作为制冷主机的数学模型。

3.2 冷冻水泵建模

水泵耗功率主要与水泵流量和扬程相关，由于数据源没有水泵进出口端压力数据，所以水泵数学模型也采用神经网络模型方法，建立水泵功率与流量的之间的反馈型神经网络。

经计算模型R2=0.68，预测值与测试值表现见图4。

图4 水泵神经网络模型预测精度

4 联合寻优

空调系统是一个各参数之间耦合度非常高的系统，传统的楼宇内空调系统的运行还是在给定控制策略基础上的固定逻辑运行。随着信息通信技术、控制技术的发展，使得基于云端计算+边缘计算的联合控制成为现实，从而可以将更为高级的控制方法应用到实际工程中，摆脱了现场控制元器件的束缚。20世纪80年代初期产生了一系列智能算法(也称现代优化算法)，有模拟退火算法、遗传算法、人工神经网络、禁忌搜索算法、蚁群算法、差分算法和粒子群算法等。其中遗传算法有简单通用、鲁棒性强、适用并行处理、应用范围广等特点[8～16]，本文采用遗传算法进行寻优计算。

冷水机组数学模型有5个自变量(冷冻水进水温度(Tei)、冷冻水出水温度(Teo)、冷却水进水温度(Tci)、冷却水出水温度(Tco)、冷冻水瞬时流量(Qe))，其中，冷却水侧温度和为固定值，同时在制冷量一定的条件下，冷冻水进出水温度和流量之间是存在定量关系的，只要知道其中两个未知量，第三个就能确定，同时考虑到冷冻水泵的数学模型只有1个自变量(冷冻水瞬时流量(Qe)，所以将算法寻优的变量定为：冷冻水出水温度(Teo)和冷冻水瞬时流量(Qe)。由于冷水机组数学模型和冷冻水泵数学模型是基于实测数据建立起来的，所以数学模型的有效应用范围是实测自变量的最大与最小值范围内。

经遗传算法寻优计算得到，优化前后的冷冻水供水温度、冷冻水供回水温差、冷冻水流量以及冷水机组与冷冻水泵的总功率对比见图5～8。

图5 冷冻水出水温度对比

图6 冷冻水供回水温差对比

图7 冷冻水流量对比

图8 总功率对比

以上的结果表明：①优化后的冷冻水出水温度有所升高，少部分时间段降低；②冷冻水供回水温差升高；③冷冻水流量变小；④综合效果是冷水机组与冷冻水泵总功率降低13.4%。

5 结论与讨论

本文通过建立冷水机组和冷冻水泵的数学模型，运用遗传算法对冷水机组和冷冻水泵的运行参数寻优，降低了空调冷站整体运行能耗。研究发现：

(1)在冷站测点数据有限的条件下，采用黑箱模型建立冷水机组的数学模型更有效，本文采用神经网络模型建立了冷水机组和冷冻水泵的数学模型，模型R2均达到68%以上。

(2)启发式算法在进行多参数寻优中效果显著，本文利用遗传算法对冷水机组和冷冻水泵的运行参数进行综合寻优，使冷水机组与冷冻水泵总功耗降低13.4%。