基于組合算法的中央空調系統最優調控策略

黃仁魁，黃志煒，邱基盛

1.廣東省珠海華發城市運營投資控股有限公司，廣東 珠海 519030； 2.華南理工大學 建筑設計院，廣東 廣州 510640； 3.廣東中粵電力科技有限公司，廣東 廣州 510635

0 引言

全球氣候變暖的環境約束、我國經濟發展步入高質量發展階段的內在要求以及空調技術進展的技術觸發，這些都對大型建筑物中央空調的制冷效率和節能提出了新要求。如何通過控制系統參數實現制冷效果的精準控制和節能方案的最優化，是理論和實踐層面都值得深入探討的問題。隨著數據采集技術的進展，直接根據終端溫度變化從而實現任意精度的調節取得了一定節能實效[1]，實現了顯著的中央空調削峰效果，但也會帶來用戶舒適度的下降。更有效地研究應集中于中央空調系統的工作參數調節，從而有可能實現在源頭上進行節能優化控制。直接以節能為目標，以冷凍水、冷卻水流量以及制冷機運行臺數為約束條件，建立多目標規劃模型并通過數值求解，實現基于冷負荷需求預測和中央空調功能調節[2]。有學者從熱力學建模的角度、基于機器學習的優化控制策略[3]等，建立涉及中央空調主機、循環水泵系統、終端組件等多終端中央空調需求響應模型，取得了成功的探索。另外，將智能控制技術應用于中央空調監控系統中的變風量控制及定風量控制[4]，是基于智能控制技術解決中央空調能耗過大的問題；改進型模糊PID控制算法與蟻群算法相結合，能夠提升參數調節的響應速度，并且有較好的、冷凍水系統的時變性[5]；對樣本測量值與預測值之間的偏差，通過模擬退火算法進行實時調節，實測結果表明節能率可以達到16.24%[6]。

基于改進遺傳算法策略優化中央空調各運行參數的方法曾取得節能率11.71%的效果[7]，相比于直接按照終端目標值的控制策略也更加穩定；也有通過線性回歸的方法對采集的參數數據進行處理，從而得出冷負荷函數關系[8]，并據此建立基于能量需求的節能模型。但在實際問題中，由于某些時候受外部環境、其他電氣設備、人員流動等因素的影響，可能會出現傳感器采集數據有些不穩定情況，或個別的異常數據；有時也會出現待機空轉耗電的情況。已有研究在這些方面分析還不夠深入，也沒能從整體上研究冷卻負載、系統效率、耗電量與冷水泵轉速、冷凝水泵轉速和冷卻塔風扇轉速之間的關系；本文將在分析上述關系的基礎上，分析冷卻負載、系統效率、耗電量與可控變量和不可控變量之間的關系，并計算相應的系統總耗電量和系統效率。本文所研究的系統包括三套冷卻裝置（Chiller，記為CH-1/2/3）、 兩個冷卻塔（Cooling Tower，記為CT-1/2，二者等效）、三個冷凝水泵（Condenser Water Pump，記為CWP-1/2/3）和四個冷水泵（Chilled Water Pump，記為CHWP1/2/3/4）。三套冷卻裝置的額定功率分別為550RT，550RT和235RT（RT為冷卻噸，即表示制冷能力的功率單位，1RT =3.517kw）；該城市常年平均溫度為25至32攝氏度之間，平均濕度為85%左右。這些數據都是根據外部環境條件和經驗由人工設定的控制策略采集得到的。

1 基于NSGA-Ⅱ和BP神經網絡的組合算法

NSGA-II 算法[9]得到的非劣解分布均勻，具有良好的收斂性和魯棒性，被廣泛應用于解決多種問題。

本文通過將時間（Time Stamp）、相對濕度（rh）、干球溫度（drybulb）、濕球溫度（wetbulb）、三種裝置的開關狀態（chwp1stat,chwp2stat, chwp3stat, chwp4stat, cwp1stat,cwp2stat, cwp3stat, ch1stat, ch2stat, ch3stat,ct1stat, ct2stat）、冷水泵轉速（chwp_pc）、冷凝水泵轉速（cwp_pc）與冷卻塔風扇轉速（ct_pc）當作BP神經網絡輸入層變量，將系統耗電量（systotpower）和系統效率（effsys）輸出層變量，構建它們之間的關系。其數學模型為：

其中，x1為對應的時刻，x2～x13為對應時刻的12個裝置的開關狀態，x14～x17分別為對應x1時刻的干球溫度、濕球溫度、冷卻負載和相對濕度，x18～x20為需要求解的冷水泵、冷凝水泵與冷卻塔風扇的最優控制轉速，以上變量為遺傳算法的群體個體。f1(x)為系統耗電量，f2(x)為系統效率，是由神經網絡模型確定的，兩者組成遺傳算法的適應度函數。

2 仿真實驗

2.1 數據預處理

數據來源于熱帶地區某城市的一套中央空調系統，樣本數據量為88840條，總共78天，每一天的數據都有周期性的規律。通過聚類分析可知每天大概可以分為兩類，第一類為高耗電量，其時間段是每天的07:00～19:00；第二類為低耗電量，其時間段是每天的19:00到隔天的07:00。為了避免對后續建模的影響，采用原則對數據樣本進行處理，即將樣本符合下式的樣本剔除，以期保證最后模型的準確性。數據量由原先的88840條縮減為79414條記錄。在數據樣本中，各個變量之間存在不同的量綱，為消除量綱的影響，也為了加快模型訓練速度，對上述新生成的數據進行歸一化處理。歸一化公式為：

對冷卻負載、系統效率、耗電量與可控變量和不可控變量之間進行相關性檢驗，檢驗結果得出各變量均與冷卻負載、系統效率、耗電量之間均有較強的相關性，所以接下來對冷卻負載、系統效率、耗電量與可控變量和不可控變量之間進行典型相關分析。下面以系統耗電量、冷卻負載和系統效率作為目標變量，分析其與可控變量和不可控變量之間的關系模型，檢驗結果如表1所示。

表1 典型相關分析檢驗結果

由表1可知，3對典型變量的典型相關系數平方都能達到80%以上，模型擬合程度較高，其中第一對典型變量的累積概率為0.9356，已超過90%。進一步分析發現：在可控變量中各個設備的轉速、對系統耗電量的典型相關變量的影響系數較大，對冷卻負載和系統效率的影響效果較小；而設備的開啟狀態對系統耗電量的典型相關變量的影響系數較大；在不可控變量中，冷卻裝置進出水溫對系統耗電量的典型相關變量的影響系數較大，對冷卻負載和系統效率的影響系數較小。因此，可控變量與不可控變量總體上對系統的耗電量影響較大，對冷卻負載和系統效率的影響較小。另外，系統耗電量和冷卻負載對可控變量、不可控變量的第一個典型變量的影響系數較大，有正向作用，而系統效率對其變量的第一個典型變量的影響系數較小，有負向作用。上結果反映可控變量與不可控變量對系統耗電量、冷卻負載的影響較大，成正向作用；而對系統效率的影響較小，成負向作用。

2.2 基于BP神經網絡的模型擬合優度檢驗

本文構造的BP神經網絡誤差收斂情況如圖1所示，此次訓練經過832次迭代即達到設定的最小誤差，收斂誤差為0.00099712，收斂效果較好。同時，輸入變量和輸出變量之間的相關系數為R=0.99633，擬合程度較高，相關性較強。

圖1 神經網絡誤差收斂圖

測試結果表明系統耗電量相對誤差處于[-0.5,0.5]之間，系統效率相對誤差處于[-0.1,0.1]之間，因此神經網絡擬合程度較高，能夠描述時間、室外溫度和濕度、冷卻負載、設備狀態、三種裝置和系統耗電量、系統效率之間的關系。

3 基于組合算法的最優控制策略

本文通過上述設計的多目標規劃模型，利用NSGA-II算法尋找了在一定時間內，各個時刻對應的非劣解集。設置在某1min中，種群群體個數為100，連續迭代100次，當連續迭代超過5次不進化的時候停止迭代。其中交配概率為0.8，變異概率為0.2，最優個體系數為0.2，即設置非劣解個數為20個。圖2是通過研究連續20分鐘優化后的系統耗電量與實際系統耗電量之間的比較圖。

圖2 連續20min系統耗電量優化情況

在上述連續的20min中，可以計算得到每個時刻的耗電量的相對減少值，即節能率為，如表2所示。

表2 連續20min系統耗電量與節能率

可以看出，優化后的系統耗電量明顯低于實際的系統耗電量，其平均節能率為27.4%，系統節電1219.40298KW。與只調節三種裝置轉速或者所有裝置的開關狀態相比，同時對所有系統可控變量進行優化，能夠提高優化效果。同時，在神經網絡訓練中，加強數據擬合能力，模型泛化能力，能夠提高其在遺傳算法中的尋優效果。

4 結語

本文在深入分析各變量數據之間特性的基礎上，通過典型相關分析法分析了中央空調系統的系統耗電量、系統效率、冷卻負載與可控變量和不可控變量之間的關系；通過BP神經網絡建立多輸入多輸出模型對系統中多變量之間復雜的非線性關系進行描述。空調系統的最優控制策略是：運用NSGA-Ⅱ遺傳算法尋求上述模型在連續生產過程中控制系統的最優設定值，將使系統運行達到最優工作狀態。根據給定的不可控變量情況下，先尋找以冷水泵、冷凝水泵和冷卻塔的轉速作為優化變量的最優目標值，再尋找以各個設備的狀態變量作為優化調節變量的最優目標值，最后在給定的設備狀態約束條件下，通過計算機模擬設備的最優開關狀態，從而提出所有可控變量的最優控制策略。