中央空調系統的優化控制算法研究進展★

朱　嬋

(四川建筑職業技術學院，四川 德陽　618000)

?

·水·暖·電·

中央空調系統的優化控制算法研究進展★

朱嬋

(四川建筑職業技術學院，四川 德陽618000)

介紹了遺傳算法、模擬退火算法和粒子群算法三種常用的中央空調控制策略優化算法，闡述了不同算法的原理和研究進展，并比較了不同算法的適用方向及性能特征，提出了中央空調系統優化算法的進一步研究方向。

中央空調系統，遺傳算法，模擬退火算法，粒子群算法

0　引言

現代社會空調能耗占建筑總能耗的一半以上，降低空調能耗是建筑節能的重要途徑之一。空調設備在制造和設計時為應付各種極端情況，都是按照滿負荷狀態設計。然而在普通環境下，空調在90%時間內都處于部分負荷運轉，其中，50%的時間其負荷僅為設計負荷的一半。因此，按需調整空調的設置能夠大幅度降低能耗。針對這一特性，在20世紀50年代研究者就開始著手研究中央空調系統的優化控制。早期研究者利用手動和氣動裝置調節空調設定，使得空調在滿足用戶需求的同時降低能耗，在20世紀60年代之后，隨著計算機技術的發展，研究者將計算機技術和空調技術結合起來，利用計算機仿真對中央空調系統進行建模和參數識別，再通過優化算法進行全局搜索，最終找出總能耗最低的參數搭配，從而確定中央空調的最優控制方案。本文將介紹幾類常見的優化控制算法，并對控制策略的應用方向和性能差異進行比較。

1　常見的中央空調控制策略優化算法

目前，用于優化中央空調系統控制策略的智能算法，主要包括遺傳算法、模擬退火算法和粒子群算法等，本節就這些算法的原理、研究進展和性能做詳細闡述。

1.1基于遺傳算法的中央空調優化控制策略

遺傳算法是一類模擬生物進化過程的自適應全局優化算法。該算法由選擇算子、交叉算子和變異算子構成，其中選擇算子模擬了“適者生存”的自然法則，根據適應度函數對種群中的個體進行“優勝劣汰”；交叉算子模擬自然界的交配行為，通過融合不同個體的基因創造新的個體；變異算子則按照較低的變異概率創造新個體，在種群陷入早熟時，找出新的進化方向。遺傳算法在非線性、多目標的優化問題中體現出了效率高、全局化、準確率高等多項優點，這些特性也適用于中央空調的優化控制。1996年由Wright, J.A.等人首次提出利用遺傳算法解決空調系統的參數優化問題[1]；1997年香港大學的Huang等人將遺傳算法用于優化空調系統的PID控制器，使得控制器的響應和設置速度加快[2]；2002年朱瑞琪等人結合制冷系統的動態仿真技術和遺傳算法，提出了過熱度模糊控制器的優化設計方法，利用仿真技術可以縮短模糊控制器的設計周期并節省優化所需的費用[3]；2004年Nassif等人在針對中央空調的優化控制策略的研究中，以能耗和人體舒適度為目標函數，利用遺傳算法進行優化獲得了顯著的節能效果，后期Nassif還將神經網絡技術與遺傳算法結合起來對空調系統進行優化，并將推算出的控制策略應用于真實的空調系統中，實驗顯示該優化策略可降低系統11%的能耗[4，5]；近幾年，研究者繼續深入遺傳算法在空調控制策略方面的研究，并提出了多種混合遺傳算法。如楊助喜等人提出的基于蜜蜂進化型遺傳算法的中央空調系統優化控制策略[6]、凌飛等人提出的基于改進型遺傳算法的中央空調能效優化策略，該策略在遺傳算法的基礎上引入了種間競爭，使得算法的收斂性更好、全局搜索的效率更高[7]。

1.2基于模擬退火算法的中央空調優化控制策略

模擬退火算法是一類模擬固體退火過程的優化搜索算法。該算法的核心思想是：當固體溫度處于高點時，其內部分子將在晶體格內自由移動，隨著溫度下降，分子的自由度也將隨之下降，直到各分子都處于一個相對穩定的狀態為止。因此，算法將以溫度參數作為參考，在溫度高時隨機找出一個點作為優化對象，并評估其最終的優化效果；此外，為避免陷入局部優化，算法將以一定的比例接收其他點作為可能解進行評估，可能解的接收比例與溫度的高低正相關。研究證明，模擬退火算法在解決組合優化問題方面具備較高的準確率和效率。

2006年Chang嘗試將退火模擬算法應用于空調冷水機組的控制策略中，并獲得了良好的優化效果[8]；2008年陳文憑等人提出了基于冷水機組性能曲線的中央空調水系統優化控制策略，該策略通過研究冷水機組中各設備不同時期的運行狀態數據，建立與指定參數之間的曲線關系，從而建立系統的能耗模型，再通過退火模擬算法的優化從中找出基于全局的優化控制策略，實驗證明利用該優化策略，在空調處于半負荷狀態時可節能10%[9]。

之后范鵬飛等人將神經網絡、PID控制器和退火模擬算法結合起來，用于優化變風量空調系統的溫度控制策略，模擬退火算法與神經網絡的結合增強了系統的學習能力，加快了優化速度，從而提高了系統的控制性能[10]。

1.3基于粒子群算法的中央空調優化策略

粒子群算法(PSO算法)是一種基于種群智能的優化算法，于1995年由美國心理學家James Kennedy和電氣工程師Russell Eberhart提出。該算法的核心思想源自于模擬生物群體覓食行為的研究，假設一群鳥來到一片只有一塊食物的區域，那么快速找到該食物的最優策略就是搜索離食物最近的鳥的周圍區域。在算法中，將每只鳥的位置看作是一個可能解(即一個粒子)，食物所在位置為全局最優解。依據目標函數計算出當前位置的適應值，每個粒子按一定飛行速度向最優解靠攏，則最終搜索到全局最優。粒子群算法具備概念簡單、控制參數少、易于實現、具有一定并行性等特點，同樣適用于空調系統的優化控制策略研究。2010年馬少華等人提出利用改進的粒子群算法為變風量空調系統設計一種用于溫度和風量控制的PID控制器，與常規的PID控制方法相比較，納入粒子群算法后系統能夠高效的自動完成最優控制，實驗數據證明系統調節時間縮短為常規方法的50%，超調量減少了70%[11]。2012年鄒木春等人利用最小二乘支持向量機構造HVAC系統的仿真預測模型，通過粒子群算法的滾動優化搜索出系統的最優控制策略，并獲得了良好的控制效果[12]。

2　算法比較

三類算法均適宜于解決大規模、非線性系統的優化問題。但算法本身的特點決定了其應用的方向和效果有所差異。從前文的介紹中可以看出，遺傳算法多用于解決中央空調的全局策略控制問題，其全局的空間搜索能力和具有一定并行性的搜索方式，能夠幫助系統快速找出適宜于當前環境的最佳參數設定，從而達到既滿足用戶舒適度要求又降低能耗的目標。實驗數據表明將遺傳算法引入到冷水機組的控制策略中后，系統的總體能耗可降低18.2%[13]；模擬退火算法同樣被用于冷水機組的優化控制策略中，實驗數據顯示，在優化控制下冷水機組在不同負荷率下其節能效果存在差異，高負荷下其節能效果不明顯，當負荷降低特別是在半負荷狀態下，其能耗可降低10%[9]；由于單獨使用模擬退火算法優化中央空調的控制策略其結果并不理想。因此，研究者將兩者結合起來形成混合遺傳模擬退火算法，該算法在遺傳算法的基礎上利用退火操作加入擾動因子，可有效防止種群陷入局部最優從而使算法的性能得到進一步提高，實驗表明利用混合遺傳模擬退火算法可將冷水機組的能耗降低21.61%[13]；粒子群算法是一類新型的優化算法，目前在中央空調的優化控制領域的應用不如前兩類算法廣泛，現階段大多數研究僅將其應用于優化空調的PID控制器。實驗證明利用改進型粒子群算法優化PID控制器，可使得控制靈敏度增高，穩定性增強，且誤差率極低[14]。從中可以看出粒子群算法具備全局搜索能力強、優化效率高等特點，適宜于進一步擴大其應用范圍。研究證明三類算法在性能方面存在差異，遺傳算法的搜索效率高，自適應能力強，但容易陷入早熟，在全局搜索方面的能力偏弱；模擬退火算法存在收斂速度慢，效率低等缺點，但在全局搜索方面可彌補遺傳算法的缺陷；粒子群算法則容易出現種群多樣性低導致算法陷入局部最優解的問題，在改進的粒子算法中，研究者通過增加權重和隨機初始化等策略幫助算法進行全局搜索。同樣，為增強算法的搜索能力，將多種算法結合起來，取長補短形成新的混合算法也是一條解決之道。

3　結語

本文介紹了三類用于中央空調優化控制策略的自適應搜索算法，實驗證明利用優化算法對空調控制策略的改進，能夠大幅度降低空調能耗。但由于不同算法自身的局限性，單獨使用一種算法來實現優化，其效果并不理想。因此結合多種算法的優點，設計混合算法是未來的發展方向。

[1]Wright,J.A.HVAC optimisation studies:Sizing by genetic algorithm[J].Building Services Engineering Research and Technology,1996，17(1):7-14.

[2]W.Huang,H.N.Lam.Using genetic algorithms to optimize controller parameters for HVAC systems[J].Energy and Buildings,1997,26(3):277-282.

[3]朱瑞琪,唐承志,闞怡松,等.運用遺傳算法對制冷蒸發器過熱度控制的優化方法[J].西安交通大學學報,2002,36(1)：4-7.

[4]Nabil Nassif,kajl S,Sabourin R.Evolutionary Algorithms for multi-Objective Optimization in HVAC System Control Strategy[A].Annual Conference of the North American Fuzzy Information Processing Society NAFIPS[C].2004:51-56.

[5]Nabil Nassif.Modeling and optimization of HVAC systems using artificial neural network and genetic algorithm[J].Building Simulation,2014,7(3):237-245.

[6]楊助喜,岳獻芳,王立.基于蜜蜂進化型遺傳算法的中央空調系統能耗優化研究[J].建筑科學,2011,27(6):78-82.

[7]凌飛.基于傳熱模型的中央空調系統綜合能效優化[D].杭州:浙江大學碩士學位論文,2012.

[8]Yung-Chung Chang. An innovative approach for demand side management-optimal chiller loading by simulated annealing[J].Energy,2006,31(12):1883-1896.

[9]陳文憑,楊昌智,余院生.基于冷水機組性能曲線的中央空調水系統優化控制[J].流體機械,2006,31(12):73-78.

[10]范鵬飛，凌有鑄.模擬退火算法改進的BP神經網絡PID控制器在變風量空調系統中的應用研究[J].工業控制計算機,2014,27(2):71-73.

[11]馬少華，毛宗磊，馬強，等.基于改進的粒子群PID控制在變風量系統中的應用[J].沈陽建筑大學學報(自然科學版),2010,26(3):592-598.

[12]鄒木春，龍文.基于PSO算法的HVAC系統LSSVM預測控制[J].中南大學學報(自然科學版),2012,43(7):2642-2647.

[13]馬強.混合遺傳模擬退火算法在中央空調水系統優化中的應用研究[D].杭州:浙江大學碩士學位論文,2012.

[14]唐鑫.中央空調冷凍水系統一種智能控制方式的研究[D].重慶:重慶大學碩士學位論文,2009.

On research progress of optimal control algorithm of central air-conditioning system★

Zhu Chan

(SichuanCollegeofArchitecturalTechnology,Deyang618000,China)

The paper points out the three common controlling strategies of the central air-conditioner, including the genetic algorithm, simulated annealing, and particle swarm optimization, points out the optimal algorithm, illustrates the algorithm principle and research progress, and compares their applied methods and performance features respectively, so as to enhance the further study on the algorithms.

central air-conditioner system, genetic algorithm, simulated annealing, particle swarm optimization

1009-6825(2016)23-0121-02

2016-06-09★：四川省德陽市科技支撐資助項目(項目編號：2015zz040)

朱嬋(1984- )，女，講師

TU831.3

A