暖通空調制冷系統建模及控制策略研究

摘 要：本文研究了暖通空調制冷系統建模和控制策略，降低制冷系統運行成本。首先，選擇暖通空調制冷系統建模參數，采集室內、外環境狀態數據并進行歸一化處理。其次，構建基于BP神經網絡與遺傳算法的神經網絡預測模型，通過反復訓練獲得空調第二天所需冷負荷值，基于預測結果設計，以系統運行費用最少為目標函數的優化模型，獲得暖通空調制冷系統的最優控制策略。試驗表明，該方法能夠根據預測結果提出適合的控制策略，降低實際運行費用。

關鍵詞：空調制冷系統；控制策略；運行成本；建模參數；歸一化處理；神經網絡

中圖分類號：TP 273" " " " " " 文獻標志碼：A

暖通空調制冷系統經常被應用于大型商場、飯店、賓館以及醫院等符合變化較大的場所。該系統可降低裝機容量，減少制冷主機與電力的增容費用，還能通過控制低谷與高峰期的用電量來降低實行峰谷電價城市的運行費用[1]。暖通空調制冷系統的設備比傳統空調多，系統結構較復雜，如果運行過程中沒有制定好控制策略與控制方法，就無法達到預期目標[2]。為此本文研究暖通空調制冷系統建模和控制策略，以降低系統運行成本。

1 暖通空調制冷系統建模和控制策略研究

1.1 暖通空調制冷系統預測模型

構建BP神經網絡與遺傳算法相結合的暖通空調制冷系統預測模型，構建模型前需要選擇建模參數，將參數進行歸一化處理。

1.1.1 暖通空調制冷系統建模參數選擇

暖通空調制冷系統構建模型需要選擇、設定參數。由于暖通空調制冷系統的預測模型需要對空調送風溫度、送風量以及空調房間內的相對濕度與溫度進行預測，因此將制冷系統控制參數、室內狀態參數以及室外氣象參數等作為暖通空調制冷系統構建模型的輸入參數。

將太陽輻射強度、室外相對濕度以及干球溫度作為室外氣象參數，將人員負荷率、室內溫度與相對濕度作為空調房間狀態參數，將冷水閥門與風機變頻器的控制電壓、除濕器開啟狀態以及風閥控制電壓作為空調控制參數，將前一時段的送風相對濕度、送風量與送風溫度作為暖通空調制冷系統預測模型的輸出。

1.1.2 神經網絡預測模型結構

基于神經網絡的暖通空調制冷系統預測模型的結構有3層，即輸入層、輸出層以及隱含層。通過公式（1）確定預測模型最佳隱層節點數目。

（1）

式中；m、n、l分別代表隱含層、輸入層以及輸出層的節點數量；a代表＞1且＜10的任意常數。

此處輸入層節點數n為13，輸出層節點數為4，由此可知m的取值范圍為6≤m≤14。通過試湊法獲得暖通空調制冷系統的神經網絡預測模型，如圖1所示。

1.1.3 數據采集

采集人員采集負荷率、太陽輻射強度、室內/外溫度/濕度等室內/外環境狀態數據，與此同時還需要獲取送風機控制電壓、風閥控制電壓、除濕機開啟狀態以及冷水閥門控制電壓等暖通空調制冷系統的狀態數據。

采集人員在8：00～17：00，每3分鐘對室內外環境狀態數據進行一次數據采集，共采集18天。由于夏季天氣炎熱，空調使用率較高，因此集中在夏季進行采集，每組采樣溫度區間從32℃降至26℃停止。

1.1.4 數據歸一化處理

由于暖通空調制冷系統數據集特征間的度量尺度不同，因此需要進行歸一化處理，即將采集的暖通空調制冷系統數據轉化為[0，1]的數值，具體轉變方法如公式（2）所示。

（2）

式中：代表暖通空調制冷系統數據轉化后的采樣值；xi代表輸入的原始暖通空調制冷系統數據；xmin代表采樣區間內的最小值；xmax代表采樣區間內的最大值，在本文預測模型中將xmin設置為0。

由于隱含層內激發函數的取值范圍為（0，1），無法獲得函數的最小值與最大值，導致預測模型不能獲得暖通空調制冷系統的輸出極值，易出現局部麻痹情況，影響預測網絡的收斂速度，因此將數據歸一化公式轉變為公式（3）。

（3）

通過公式（3）可壓縮暖通空調制冷系統預測模型輸入參數的歸一化值，避免訓練過程中出現局部麻痹的現象。

經過訓練后獲得暖通空調制冷系統的神經網絡預測模型的輸出值op，取值區間為（0，1），需要將輸出值轉化為實際值，如公式（4）所示。

ypo=op（ymax-ymin）+ymin " （4）

式中：ypo代表輸出值歸一化后的實際值；ymin、ymax分別代表預測模型所輸出的最小值與最大值。

1.1.5 基于BP神經網絡與遺傳算法的神經網絡預測模型

本文在暖通空調制冷系統預測模型構建過程中引入遺傳算法，通過遺傳算法對BP神經網絡進行訓練，通過遺傳算法的全局搜索優勢消除BP神經網絡算法陷入局部解的弊端。通過選擇、交叉以及變異等遺傳操作模擬生物進化過程，獲得最優閾值與權值。將獲得的閾值與權值輸入BP神經網絡預測模型中進行運算，充分發揮BP神經網絡與遺傳算法的優點，提高神經網絡的收斂速度和預測模型輸出結果的準確性。神經網絡預測模型流程圖如圖2所示。

在基于遺傳算法與BP神經網絡的訓練過程中，將初始種群數設置為30，交叉概率大約為0.08，任意生成初始父代群體，適應度函數的具體計算過程如公式（5）所示。

（5）

式中：dk代表第k個模型輸出值與期望輸出值間的差值。

經預測計算獲得第二天所需冷負荷值，基于預測結果設計優化運行策略。

1.2 暖通空調制冷系統優化模型

1.2.1 優化目標

在確保暖通空調制冷系統安全運行并滿足冷負荷需求的情況下，對各制冷機組與蓄冰槽的逐日供冷量進行優化，降低系統的運行成本。構建以單日系統運行費M最小值為優化目標的目標函數，如公式（6）所示。

（6）

式中：qrk代表k時暖通空調制冷系統輸出的冷量；P（qrk）代表暖通空調制冷系統k時的所消耗的電量；ek代表空調系統工作k時共花費的電價；b代表蓄冰槽提供1kW·h冷量所花費的電價；EIR代表系統單位制冷量負荷率與耗電量間的函數；qik代表k時內蓄冰槽輸出的冷量。

該目標函數的約束條件如公式（7）～公式（10）所示。

qrk+qik=qk （7）

kW （8）

kW （9）

（10）

式中：Qxb代表蓄冰槽輸出的總冷量；qk一般為已知量，代表任意時刻的負荷；Qz代表白天空調總冷負荷。

1.2.2 優化控制策略

為使暖風空調制冷系統移峰填谷能力最大化，徹底解決空調系統蓄冰量過多或過少的問題，采用以下控制策略優化暖風空調制冷系統。1）在一個制冰周期內，蓄冰設備需要進行蓄冰和融冰，確保制冰主機能夠在用電低谷期將制冰工作全部完成，以便在用電高峰期滿足全部供冷需求。2）暖風空調制冷系統供冷時優先開啟基載主機，再開啟雙工況主機，最后開啟三工況主機，確保每個主機都能高效工作，避免頻繁啟停。

2 試驗結果

試驗通過MATLAB對某機場的暖風空調制冷系統進行建模，其中L1～L4代表雙工況主機，L5、L6分別代表三工況主機，L7～L9代表基載主機。結合神經網絡預測模型對系統符合進行預測，最終基于預測結果求解最優控制數學模型，獲得不同負荷率情況下暖風空調制冷系統的優化控制策略。

將空調系統分為4個用電階段，用電低谷時段是23：00—次日07：00和12：00—18：00，用電量較多的時間段是08：00—11：00與19：00—22：00，被稱為用電高峰期。結果表明，23：00～次日06：00，雙工況主機與三工況主機均處于滿負荷制冰狀態，只開啟基載主機就能滿足該時段的供冷需求。負荷率為100%時，在白天用電低谷時段，將雙工況與三工況主機作為主要供冷設備，在夜晚用電高峰時段，將蓄冷設備作為主要供冷設備，在白天用電低谷時段將電能進行存儲；負荷率為75%時，在上午與夜晚的用電高峰時期采用冰蓄冷設備進行滿負荷供冷，在下午用電低谷時期，通過雙工況主機與三工況主機進行供冷，并將機組供冷不足部分進行補充；負荷率為50%時，在白天與夜晚的用電高峰時期也使用冰蓄冷設備進行滿負荷供冷，在下午用電低谷時期，通過雙工況主機與基載主機進行供冷，補充供冷不足部分；負荷率為25%時，由于此時負荷率過小，均通過冰蓄冷設備進行滿負荷供冷，只在部分用電低谷時期采用冰蓄冷設備與基載主機聯合供冷的方式。不同負荷率情況下，暖風空調制冷系統的運行策略見表1。

試驗計算全年采用優化策略與未采用優化策略的單位冷量平均電費、實際運行電費，具體見表2。

根據表2可知，采取優化策略后，暖風空調制冷系統的單位冷量平均電費降低了6.19%，實際運行電費節省約35.6萬元。本文方法能夠實現暖通空調制冷系統運行費用最少的目標，可降低系統的運行成本。

3 結論

大型暖風空調制冷系統的控制過程非常復雜，控制參數與運行數據較復雜，傳統的控制方法不能達到理想效果。本文結合BP神經網絡與遺傳算法，提出暖風空調制冷系統的預測模型，對暖風空調制冷系統的用電量、負荷量等進行預測，最終以預測結果為基礎構建目標函數，提出相關控制策略，降低了暖風空調制冷系統的總用電量和運行成本。

參考文獻

[1]張磊，韓云龍，紀杰，等.紡紗空調系統制冷控制策略優化研究[J].棉紡織技術，2022，50（10）：7-10.

[2]徐科，徐晶，李娟，等.基于暖通負荷集群響應能力的電力系統頻率控制策略[J].電力系統及其自動化學報，2022，34（3）：37-44.