基于關聯(lián)規(guī)則的多冷水機組系統(tǒng)負荷優(yōu)化分配

王香蘭 晉欣橋 呂 遠 賈志洋

(上海交通大學機械與動力工程學院 制冷與低溫工程研究所 上海 200240)

空調(diào)系統(tǒng)在設計選型階段為滿足建筑室內(nèi)熱舒適性要求，同時避免出現(xiàn)末端冷量不足的情況，一般會按照建筑最大負荷設計，采用容量較大的冷水機組來提高空調(diào)系統(tǒng)在不同負荷條件下的靈活性，因此空調(diào)系統(tǒng)制冷能力通常有很大富裕，導致冷水機組長期在部分負荷下運行，存在能效低、能耗高的問題[1]。因此，對冷水機組的運行控制進行優(yōu)化是空調(diào)系統(tǒng)節(jié)能的重要途徑之一。

大多數(shù)空調(diào)系統(tǒng)均采用多臺冷水機組設計，運行時一般通過控制各臺機組的冷凍水供水溫度及冷凍水流量實現(xiàn)負荷的分配。在機組型號一致的多冷水機組系統(tǒng)中，較多采用相同冷凍水供水溫度控制，每臺機組提供相同的冷量；在機組型號不一致的系統(tǒng)中，每臺機組通常按其額定制冷量占所有運行機組額定制冷量總和的比例提供冷量[2]。Liu Zhaohui等[3-4]研究表明冷水機組性能系數(shù)(coefficient of performance, COP)與其部分負荷率(partial load rate, PLR)有關，不同機組有不同的COP-PLR關系。因此，要提高多臺冷水機組系統(tǒng)的總能效，應根據(jù)各機組的COP-PLR關系狀況優(yōu)化負荷分配。

閆軍威等[5]以冷水機組總能耗最小為目標，通過建立各臺冷水機組運行能效模型，基于遺傳算法提出了多臺冷水機組負荷優(yōu)化分配策略。Chang Y.C.[6-7]以冷水機組性能系數(shù)為目標函數(shù)對機組負荷分配問題建立數(shù)學模型，分別采用拉格朗日算法和Hopfield神經(jīng)網(wǎng)絡進行負荷優(yōu)化分配。A.Beghi等[8-10]分別提出運用收斂速度更快、魯棒性更好的多階段遺傳算法，改進的人工魚群算法和交替方向乘子法來優(yōu)化負荷分配問題，發(fā)現(xiàn)這些算法能夠更快和更穩(wěn)定地找到與其他算法相同或更優(yōu)的最優(yōu)解，并且能夠取得良好的節(jié)能效果。

上述研究主要通過對機組建模，然后基于模型預測和優(yōu)化算法來獲取使機組總能耗最低或運行能效最高時系統(tǒng)的負荷分配。該類方法通常需要構建準確的預測模型來解決冷水機組負荷分配中多參數(shù)、多約束的優(yōu)化問題。在實際建模過程中，由于冷水機組的非線性特性及內(nèi)部結構參數(shù)難于獲取的特點，模型的通用性和精度相互矛盾，實際應用較為困難。

近年來，隨著樓宇自控技術及數(shù)據(jù)存儲技術的發(fā)展，獲取大量冷水機組系統(tǒng)的實際運行數(shù)據(jù)更為容易。Yu Zhun等[11]等指出室外氣候數(shù)據(jù)、建筑物運行數(shù)據(jù)、建筑物物理參數(shù)之間可能存在直接或間接聯(lián)系，可使用關聯(lián)規(guī)則挖掘發(fā)現(xiàn)數(shù)據(jù)之間關聯(lián)性，檢測設備中的故障，以此制定出建筑節(jié)能運行策略。張煒杰等[12-13]運用數(shù)據(jù)挖掘方法對上海市商業(yè)建筑中冷水機組運行數(shù)據(jù)進行分析，指出當前冷水機組運行具有很大的優(yōu)化節(jié)能潛力。Yao Ye等[14]基于現(xiàn)場實測數(shù)據(jù)，對冷水機組各變量與冷水機組性能之間的關系進行了驗證，并生成了冷水機組性能圖，基于冷水機組性能圖生成了冷水機組的優(yōu)化控制策略。周璇等[15]通過Apriori頻繁項集算法分析了各種運行工況下的單臺冷水機組最佳運行能效與各運行參數(shù)之間的關聯(lián)規(guī)則，以指導冷水機組的節(jié)能優(yōu)化運行。

本文提出以機組運行數(shù)據(jù)之間挖掘出的關聯(lián)規(guī)則替代建立機組模型，用于對多冷水機組系統(tǒng)進行負荷優(yōu)化分配。該方法可以在數(shù)據(jù)量充足的背景下挖掘出冷水機組運行參數(shù)與機組運行能耗之間的關聯(lián)性，表達形式更加直觀簡潔，并且基于歷史運行數(shù)據(jù)形成的關聯(lián)規(guī)則可以真實反映系統(tǒng)的運行特點，能夠應用于實際工程項目中。

1 研究對象

本文選取某工廠自動化生產(chǎn)車間的多冷水機組系統(tǒng)作為研究對象，系統(tǒng)結構如圖1所示。

圖1 多冷水機組系統(tǒng)

多冷水機組系統(tǒng)由4臺(CH1～CH4)并聯(lián)離心式冷水機組組成，其中，CH1和CH2為相同型號，CH3和CH4為相同型號；每臺機組都獨立配套型號相同的變頻離心式冷凍水泵(CHP1～CHP4)、變頻離心式冷卻水泵(CDP1～CDP4)、濕式冷卻塔設備(CT1～CT4)。系統(tǒng)設備基本信息如表1所示。

表1 冷水機組系統(tǒng)設備基本信息

本研究系統(tǒng)中，分別在室外環(huán)境、各臺冷水機組、冷凍水泵、冷卻水泵和冷卻塔處布置了溫度傳感器、流量傳感器、電功率表等多種數(shù)據(jù)監(jiān)測設備，共采集了從2019年8月1日至2019年9月20日的72 344條數(shù)據(jù)，采集時間間隔為1 min，包括室外干濕球溫度、各臺設備啟停信息、各臺機組冷凍水供回水溫度、冷卻水進出水溫度、機組運行功率、水泵運行頻率與功率、冷卻塔風機運行頻率與功率等運行參數(shù)。

2 運行數(shù)據(jù)處理

因受到動態(tài)運行、噪聲干擾、傳感器異常、通信中斷等多種因素的影響，實際冷水機組系統(tǒng)的運行數(shù)據(jù)可能存在非穩(wěn)態(tài)、數(shù)據(jù)缺失和數(shù)據(jù)異常等問題。因此使用這些數(shù)據(jù)以前，需要根據(jù)不同類型的數(shù)據(jù)問題，采用不同的數(shù)據(jù)處理方法進行數(shù)據(jù)篩選和清洗。針對缺失數(shù)據(jù)，由于在本文獲取的數(shù)據(jù)中缺失記錄僅約占總數(shù)據(jù)的3%，因此對含有缺失數(shù)據(jù)的記錄采用直接刪除的方法；由于本文主要研究機組穩(wěn)定運行時的性能特征，因此使用移動窗口算法篩選出各臺設備的穩(wěn)態(tài)數(shù)據(jù)；針對異常數(shù)據(jù)的識別與清洗問題，采用孤立森林算法將數(shù)據(jù)劃分成不同維度進行分析處理。

2.1 基于移動窗口算法的穩(wěn)態(tài)數(shù)據(jù)篩選

由于運行工況、設備啟停等動態(tài)影響，采集的數(shù)據(jù)中通常會包含部分非穩(wěn)態(tài)數(shù)據(jù)。使用基于數(shù)理統(tǒng)計原理的移動窗口算法[16]，可以依據(jù)時間序列快速精準地篩選出穩(wěn)態(tài)運行數(shù)據(jù)。

圖2所示為2019年8月6日00∶00至8月8日00∶00期間冷水機組CH1的制冷量隨時間的變化，并將以此為例介紹移動窗口算法原理。由圖2可知，在機組啟動后，制冷量變化幅度較大，經(jīng)過一段時間后制冷量才相對穩(wěn)定。移動窗口算法的目的就是在選定某一篩選參數(shù)的前提下，沿著時間序列移動，基于窗口內(nèi)數(shù)據(jù)標準差與給定標準差閾值之間的關系，判定移動窗口一側(cè)新加入的數(shù)據(jù)是否為穩(wěn)態(tài)數(shù)據(jù)，通過窗口的不斷移動，將所有穩(wěn)態(tài)數(shù)據(jù)篩選出來。

圖2 移動窗口算法原理

對于本文所研究的多冷水機組系統(tǒng)而言，與同一臺機組串聯(lián)的冷凍水泵、冷卻水泵和冷卻塔等設備均同步啟停，因此選取各機組制冷量作為各機組某條數(shù)據(jù)記錄的穩(wěn)態(tài)篩選參數(shù)。首先根據(jù)各臺機組單獨的運行數(shù)據(jù)篩選出某一時刻下該機組處于穩(wěn)定運行的數(shù)據(jù)記錄，然后根據(jù)數(shù)據(jù)記錄中的時間特性將各臺機組的穩(wěn)態(tài)數(shù)據(jù)記錄進行整合，即同一時刻可能出現(xiàn)某些機組穩(wěn)態(tài)運行，某些機組停機的情況。最終通過移動窗口算法，從原始72 344條總數(shù)據(jù)中整合篩選出了60 136條穩(wěn)態(tài)數(shù)據(jù)記錄。圖3所示為CH1進行穩(wěn)態(tài)數(shù)據(jù)篩選且處于運行狀態(tài)下的數(shù)據(jù)結果。

圖3 CH1穩(wěn)態(tài)篩選后數(shù)據(jù)

2.2 基于孤立森林算法的異常數(shù)據(jù)識別

孤立森林(Isolation Forest)算法使用孤立樹的二叉搜索樹結構，分別對某棵樹上的n條d維樣本數(shù)據(jù)進行孤立，即從根節(jié)點開始，在每個節(jié)點處隨機選取d個維度中的某個維度dj以及該維度范圍內(nèi)的一個分隔值pj，將當前節(jié)點處的樣本數(shù)據(jù)按照該維度下的分隔值pj進行二叉切分。由于異常值的數(shù)量較少且與大部分樣本較為疏離，因此異常值會被更早的孤立出來，即異常值會距離根節(jié)點更近，而正常值則會距離根節(jié)點更遠?；诋惓?shù)據(jù)能夠較早停止切分的特征，利用訓練好的Ψ棵孤立樹，將數(shù)據(jù)集X中每個數(shù)據(jù)點xi遍歷每一棵孤立樹，根據(jù)各棵樹上建立的數(shù)據(jù)二叉切分關系，對該數(shù)據(jù)點在每棵孤立樹上從根節(jié)點到最終所在的葉節(jié)點處的路徑長度取平均值，并通過歸一化路徑長度來定義樣本xi歸一化后的異常分數(shù)s(xi,n)，異常分數(shù)的計算如式(1)～式(3)所示，最后通過設置異常分數(shù)的閾值來判別異常數(shù)據(jù)。

(1)

(2)

H(n-1)≈ln(n-1)+γ

(3)

式中：s(xi,n)為歸一化后的樣本點xi的異常得分；c(n)為樣本個數(shù)為n的孤立樹的平均搜索路徑長度；hj(xi)為樣本xi在第j棵孤立樹上的路徑長度；E(hj(xi))為樣本xi在各棵孤立樹上的路徑長度平均值；H(n-1)為諧波數(shù)；γ為歐拉常數(shù)，取值為0.577 215 664 9。

由于每一條數(shù)據(jù)記錄中同時包含著冷水機組、冷卻水泵、冷凍水泵、冷卻塔、外界環(huán)境等多種參數(shù)，因此需要根據(jù)具體研究目標對數(shù)據(jù)維度進行選擇，提高數(shù)據(jù)處理速度。以冷水機組為例，由于與冷水機組相關的運行參數(shù)較多，因此可以按照機組的運行特征和數(shù)據(jù)特點，將冷水機組相關數(shù)據(jù)分為三組進行分別檢測，分別為：1)冷凍側(cè)：蒸發(fā)溫度、冷凍水供水溫度，冷凍水回水溫度；2)冷卻側(cè)：冷凝溫度、冷卻水進水溫度、冷卻水出水溫度；3)制冷量、機組能耗。最后在將各組中識別出的異常數(shù)據(jù)記錄取并集，獲取某臺冷水機組的所有異常數(shù)據(jù)記錄。圖4所示為在異常分數(shù)閾值設置為0.7時，CH4的冷卻側(cè)異常數(shù)據(jù)識別結果，從圖中數(shù)據(jù)分布情況可知，孤立森林算法能夠較為精準地識別出多維數(shù)據(jù)中的異常值。

圖4 CH4冷卻側(cè)數(shù)據(jù)異常值檢測結果

3 基于關聯(lián)規(guī)則的優(yōu)化參數(shù)挖掘

為了降低機組運行的總能耗，實現(xiàn)多臺冷水機組的負荷優(yōu)化分配，本節(jié)基于預處理后的實際運行數(shù)據(jù)，采用關聯(lián)規(guī)則挖掘算法建立“外界工況—機組能耗—優(yōu)化參數(shù)”的關聯(lián)規(guī)則，分析在不同外界工況的實際數(shù)據(jù)下，各臺冷水機組能耗較低時所對應的優(yōu)化參數(shù)。

3.1 關聯(lián)規(guī)則挖掘

3.1.1 關聯(lián)規(guī)則

關聯(lián)規(guī)則挖掘(association rules mining, ARM)是一種無監(jiān)督的機器學習方法，可以從大量數(shù)據(jù)中發(fā)現(xiàn)事物、特征或者數(shù)據(jù)之間頻繁出現(xiàn)的相互依賴和關聯(lián)的關系，得出形如“由于某些事件的發(fā)生而引起另外一些事件的發(fā)生”之類的規(guī)則。

關聯(lián)規(guī)則的形式通常為：X→Y，(Sup，Conf)。其中X和Y為事務集D中兩個獨立不相同的非空子集，均包含若干個項集，X稱為前提，Y稱為結論。Sup和Conf分別為某一條關聯(lián)規(guī)則的支持度和置信度，分別體現(xiàn)關聯(lián)規(guī)則的重要性和可靠性，按照式(4)～式(5)計算獲得。

Sup=support(X→Y)=P(X∪Y)

(4)

(5)

式中：Sup為支持度，表示X和Y同時發(fā)生的概率；Conf為置信度，表示在X發(fā)生的條件下，X和Y同時發(fā)生的概率，本質(zhì)上是條件概率P(Y|X)。

支持度大于或等于最小支持度minS的項集稱為頻繁項集，反之稱為不頻繁項集；當利用最小支持度閾值從數(shù)據(jù)庫中找出所有頻繁項集后，再根據(jù)設定的最小置信度閾值minC可以從這些頻繁項集中生成規(guī)則。

3.1.2 Apriori頻繁項集挖掘算法

Apriori算法是最為典型的頻繁項集挖掘方法，是利用已產(chǎn)生的k-項集來探索(k+1)-項集的逐層迭代方法。首先，根據(jù)最小支持度產(chǎn)生頻繁1-項集L1，然后對L1中任意兩個項集依次進行組合，將生成的候選項集在事務集中進行一次掃描，根據(jù)最小支持度產(chǎn)生頻繁2-項集L2。重復該過程，直至某個r值使頻繁r-項集Lr為空。在此基礎上可以直接從已產(chǎn)生的頻繁項集中搜索滿足置信度閾值的強關聯(lián)規(guī)則。圖5所示為Apriori算法獲取頻繁項集的流程。

圖5 Apriori算法獲取頻繁項集的流程圖

3.2 挖掘目標與流程

本文采用Apriori算法分別挖掘每臺機組對應的“外界工況→機組運行能耗”和“機組運行能耗→優(yōu)化參數(shù)”的頻繁項集，再根據(jù)設定的置信度獲取“外界工況→可靠的最低運行能耗→可靠的優(yōu)化控制參數(shù)”的關聯(lián)規(guī)則，形成以數(shù)據(jù)指導控制的優(yōu)化設定。

3.2.1 數(shù)據(jù)離散化

由Apriori算法原理可知，該算法在尋找頻繁項集時，只能處理離散型變量之間的關系，而冷水機組系統(tǒng)中的測量參數(shù)通常是連續(xù)變化的，因此需要對各參數(shù)進行分區(qū)段離散化，以此找出各個離散數(shù)據(jù)區(qū)段之間的對應關系[15]。

考慮到機組運行數(shù)據(jù)具有測量不確定性、測量誤差等因素，同時根據(jù)各運行數(shù)據(jù)在一定時間間隔內(nèi)的變化范圍情況以及數(shù)據(jù)分布特點，按照表2中的區(qū)間劃分情況，將連續(xù)屬性的值域等區(qū)間長度劃分為多個互不重疊的區(qū)間。

3.2.2 關聯(lián)規(guī)則挖掘流程

以不受系統(tǒng)直接或間接控制影響的室外干球溫度、室外濕球溫度、CH1/CH2機組或CH3/CH4機組承擔的冷負荷這三個參數(shù)作為外界工況，根據(jù)表2中的劃分方法，對所有運行數(shù)據(jù)進行離散化。由于數(shù)據(jù)量較大，因此需要設定較小的支持度閾值來挖掘出較多的頻繁項集，經(jīng)過多次試驗，最終選用0.1%作為支持度閾值。

表2 相關參數(shù)離散化

圖6以CH1/CH2的部分數(shù)據(jù)為例，展示了各臺機組從原始數(shù)據(jù)集到獲取某一工況下優(yōu)化參數(shù)的關聯(lián)規(guī)則挖掘流程，主要分為三個步驟：

1)Step1：數(shù)據(jù)集→“外界工況→各臺機組能耗”的頻繁項集。

選取離散化數(shù)據(jù)集中各臺機組運行時對應的外界工況和機組運行能耗數(shù)據(jù)，使用Apriori算法，以三個外界工況參數(shù)作為前提參數(shù)，以各臺機組機組運行能耗作為結論參數(shù)，挖掘出各臺機組中滿足0.1%支持度閾值要求的“外界工況→各臺機組能耗”的頻繁項集。

2)Step2：頻繁項集→置信度大于閾值的能耗最低的關聯(lián)規(guī)則。

針對某臺機組而言，在某個確定的外界工況下可能對應著多種機組運行能耗數(shù)據(jù)。圖6的Step2展示了CH1/CH2頻繁項集中某一種外界工況組合情況下對應的15個能耗區(qū)間范圍以及相應的置信度。由各能耗區(qū)間下的置信度可知，如果僅以某一工況對應的歷史數(shù)據(jù)中出現(xiàn)的最低能耗運行點作為該工況的優(yōu)化運行點，那么在實際系統(tǒng)中即使按照該點對應的優(yōu)化參數(shù)進行控制，也不一定能保證大部分情況下可以獲取該點的運行能耗，即需要考慮到該優(yōu)化運行點出現(xiàn)的概率，以保證優(yōu)化結果的可靠性。

圖6 關聯(lián)規(guī)則挖掘流程

因此本文提出了基于關聯(lián)規(guī)則尋找每臺機組可靠的較低能耗的方法。首先從“外界工況→機組運行能耗”的所有頻繁項集中選取外界工況條件相同的各條頻繁項集，其次將該工況下機組能耗區(qū)間范圍按照從低到高的順序進行排列，選取置信度大于置信度閾值并且能耗值最低的區(qū)間范圍作為該工況下的關聯(lián)規(guī)則。

最終從CH1/2和CH3/4的頻繁項集中分別挖掘出了64條“外界工況→可靠的最低運行能耗”的關聯(lián)規(guī)則，用來體現(xiàn)在某種外界工況下，機組運行能耗較低的可靠情況，如表3所示。

3)Step3：能耗最低的關聯(lián)規(guī)則→置信度最大的控制參數(shù)項集。

針對各臺機組挖掘出的“外界工況→可靠的較低機組運行能耗”的所有規(guī)則，再次使用Apriori頻繁項集挖掘算法，以每條規(guī)則中的參數(shù)為前提參數(shù)，以4個控制變量(冷凍水供水溫度、冷卻水進水溫度、冷凍泵供電頻率、冷卻泵供電頻率)為結論參數(shù)，挖掘“可靠的最低運行能耗→可靠的優(yōu)化控制參數(shù)”的頻繁項集，在相同外界工況和運行能耗下選取置信度最高的控制參數(shù)組合作為優(yōu)化參數(shù)。最終各臺機組分別生成了64條“外界工況→可靠的最低運行能耗→可靠的優(yōu)化控制參數(shù)”的關聯(lián)規(guī)則，每條規(guī)則下對應的控制參數(shù)范圍如表3所示，在后續(xù)的仿真中以區(qū)間中值作為優(yōu)化控制點來指導各臺機組的優(yōu)化運行。

表3 CH1/2的部分關聯(lián)規(guī)則

4 基于關聯(lián)規(guī)則的負荷優(yōu)化分配方法

通過3.2.2小節(jié)中兩級關聯(lián)規(guī)則挖掘可以獲取各臺機組在某一個外界工況下較低的能耗運行數(shù)值以及對應的優(yōu)化控制參數(shù)。當某一時刻總冷負荷需求開啟一臺機組即可承擔時，可以直接使用上述關聯(lián)規(guī)則表進行優(yōu)化控制，但針對一臺機組無法滿足總負荷需求的情況，通常需要運行多臺冷水機組，并合理分配各臺機組承擔的負荷量以降低機組總的運行能耗。

4.1 優(yōu)化負荷分配的目標函數(shù)與約束條件

以本研究系統(tǒng)中的4臺冷水機組運行總能耗最低為目標函數(shù)，使用各臺機組能耗與室外干濕球溫度和承擔負荷之間的關聯(lián)規(guī)則替代冷水機組模型對目標函數(shù)進行最佳負荷分配情況的尋優(yōu)，目標函數(shù)與相應的約束條件如式(6)～式(10)所示。

(6)

(7)

Pch,i=Rule(Ta,Twb,Loadi)

(8)

Loadi,min≤Loadi≤Loadi,max

(9)

λi∈{0,1}

(10)

式中：Pch,i為第i臺機組能耗，kW；Pch,total為所有機組的總能耗，kW；Loadi為第i臺機組承擔的冷負荷，kW；Loadtotal為總的冷負荷需求，kW；Ta為室外干球溫度，℃；Twb為室外濕球溫度，℃；Loadi,min、Loadi,max分別為第i臺機組承擔的冷負荷的上、下限，kW；λi為第i臺機組的啟停情況，開啟為1，關閉為0。

4.2 基于粒子群算法的負荷優(yōu)化分配

粒子群優(yōu)化算法(partical swarm optimization，PSO)是一種進化計算技術，源于對鳥群捕食行為的研究。粒子群中的每一個粒子均代表一個問題的可能解，基本思想是通過群體中個體之間的協(xié)作和信息共享來尋找最優(yōu)解。

本文將粒子群算法與關聯(lián)規(guī)則相結合，相比于基于機組模型的參數(shù)尋優(yōu)，該方法能夠快速有效獲取優(yōu)化參數(shù)，其中粒子群算法中的相關參數(shù)如表4所示，整體的算法流程如圖7所示。

表4 冷水機組優(yōu)化負荷分配控制的PSO算法參數(shù)配置

圖7 粒子群與關聯(lián)規(guī)則結合的負荷優(yōu)化分配流程圖

該算法輸入條件為外界工況：室外干球溫度、室外濕球溫度和總冷負荷，輸出為當前工況下使機組總能耗達到最低的機組啟停情況以及負荷優(yōu)化分配結果。首先，排列出所有的機組啟停組合情況，再根據(jù)各臺機組承擔負荷的上下限判定每個啟停組合是否滿足總負荷需求，從而獲取合理的機組啟停組合；其次，基于關聯(lián)規(guī)則的預測，采用粒子群優(yōu)化算法計算每一種可能的啟停組合下的最佳負荷分配及對應的機組總能耗；最后，通過對比各啟停組合下機組總能耗，獲取能耗最小的啟停組合及負荷分配情況，利用表3的關聯(lián)規(guī)則即可獲得各臺機組對應的優(yōu)化控制參數(shù)。

5 仿真結果與分析

以2019年8月26日(夏季)07∶00—21∶00的運行情況為例，通過對比實際運行結果與本文提出的優(yōu)化方法運行結果下的機組運行總能耗，分析說明本文提出的負荷分配優(yōu)化算法的有效性。逐時室外干濕球溫度與冷負荷需求的實測數(shù)據(jù)分布如圖8所示。

圖8 2019年8月26日外界工況實測數(shù)據(jù)分布

基于實測外界工況數(shù)據(jù)，將本文負荷分配的優(yōu)化結果在系統(tǒng)仿真平臺上[17]進行驗證，以1 h為一次優(yōu)化周期，分別對比了優(yōu)化前后機組逐時總COP和啟停組合及負荷分配的變化情況，結果如圖9和圖10所示。

由圖9可知，優(yōu)化后各時刻系統(tǒng)總COP均有所提高，說明在滿足冷負荷需求的前提下，本文的負荷優(yōu)化分配策略能夠充分發(fā)揮節(jié)能潛力。由圖10可知，優(yōu)化后各時刻機組的啟停組合及負荷分配相比之前發(fā)生了顯著變化。如圖10所示，在15∶00—18∶00時間段，優(yōu)化前系統(tǒng)運行4臺機組，而優(yōu)化后只需運行3臺機組，減少了機組運行數(shù)目并提高了運行機組的負荷率，由圖9可知，該時間段機組總COP有顯著提升。

圖9 機組逐時總COP優(yōu)化前后對比

在其他時間段內(nèi)，雖然機組的運行數(shù)量未發(fā)生變化，但機組的負荷分配卻有所不同。以測試日07∶00為例，由圖10可知，優(yōu)化前后均開啟了CH1、CH2和CH3，其中CH2承擔的負荷在優(yōu)化前后基本未發(fā)生變化，而CH1的負荷率則從82%降至45%，CH3的負荷率從53%升至100%。測試日07∶00時三臺運行機組優(yōu)化前后功率對比如表5所示。由表5可知，在該時段CH1由于負荷率降低，功率從優(yōu)化前的1 179 kW降至優(yōu)化后的766 kW，CH2功率在優(yōu)化前后變化較小，而CH3由于負荷率增加，功率從優(yōu)化前的1 128 kW升至優(yōu)化后的1 144 kW，僅上升了16 kW。在該時段機組的總功率從優(yōu)化前的3 510 kW降至3 093 kW，系統(tǒng)總COP從優(yōu)化前的6.0升至優(yōu)化后的6.8。

圖10 優(yōu)化前后機組運行組合以及各臺機組負荷分配對比

表6所示為該測試日07∶00—21∶00時間段內(nèi)優(yōu)化前后的機組總運行能耗對比情況。由表6可知，優(yōu)化后多臺冷水機組系統(tǒng)總運行能耗降低約12.5%，表明負荷優(yōu)化分配方法對于多冷水機組具有較好的節(jié)能效果。

表6 優(yōu)化前后機組全天運行總能耗對比

6 結論

本文以某工廠自動化生產(chǎn)車間多冷水機組系統(tǒng)為研究對象，在該系統(tǒng)已積累了大量運行數(shù)據(jù)的背景下，首先建立了一套完整的數(shù)據(jù)處理方法，有效篩選出非穩(wěn)態(tài)數(shù)據(jù)和異常數(shù)據(jù)；其次運用預處理后的數(shù)據(jù)提出了一種基于關聯(lián)規(guī)則和粒子群結合的負荷優(yōu)化分配方法；最后以某一測試日為例，在仿真平臺上使用該方法對多冷水機組系統(tǒng)進行負荷優(yōu)化分配，并與原始的負荷分配情況以及能耗數(shù)據(jù)進行對比。得到如下結論：

1)通過分級挖掘方法分別獲取“外界工況→可靠的最低運行能耗”和“可靠的最低運行能耗→可靠的優(yōu)化控制參數(shù)”的規(guī)則，可以過濾高運行能耗對應的無用規(guī)則，有效提高關聯(lián)規(guī)則的挖掘速度；并且由于關聯(lián)規(guī)則是基于實測運行數(shù)據(jù)的挖掘方法，因此本文的優(yōu)化方法更具可靠性。

2)與原控制方式對比，基于關聯(lián)規(guī)則和粒子群算法的負荷優(yōu)化分配方法能夠在相同外界工況下，通過優(yōu)化冷水機組的啟停和負荷分配減少系統(tǒng)的運行總能耗。

3)測試日優(yōu)化后冷水機組系統(tǒng)運行總能耗降低約12.5%，說明本文提出的負荷優(yōu)化分配方法具有較好的節(jié)能效果。