閆軍威， 盧澤東， 周 璇

(華南理工大學機械與汽車工程學院， 廣州 510640)

中央空調(diào)系統(tǒng)是建筑內(nèi)部的耗能大戶，其能耗占比超過50%[1]。整個中央空調(diào)系統(tǒng)能耗來源主要由3部分組成：主機能耗、輸送能耗、末端能耗，其中末端能耗約占空調(diào)能耗的15%[2]。而中央空調(diào)冷源機房設備包含冷水主機、冷凍泵和冷卻泵，因此，冷源機房設備能耗占到中央空調(diào)系統(tǒng)總能耗一半以上。在實際工程中，高效運行的冷源機房一直是空調(diào)節(jié)能研究領域關注的重點，同時冷源機房運行參數(shù)優(yōu)化也是研究人員和工程技術人員關注的熱點問題。

隨著對中央空調(diào)節(jié)能優(yōu)化的深入研究，優(yōu)化系統(tǒng)參數(shù)已經(jīng)成為提高空調(diào)系統(tǒng)性能和空調(diào)節(jié)能量的有效手段。文獻[3]針對現(xiàn)有的熱舒適性控制方法存在的不足，采用復合形法求得滿足熱舒適條件下的空調(diào)能耗值最小時的最優(yōu)組合參數(shù)，適用于夏熱冬冷地區(qū)辦公建筑空調(diào)系統(tǒng)的實時節(jié)能舒適控制。文獻[4]通過建立空調(diào)系統(tǒng)能耗模型，運用蟻群算法對總能耗最小進行尋優(yōu)，經(jīng)過運行測試后的結果表明，優(yōu)化后的節(jié)能率平均達到22.3%。文獻[5]為實現(xiàn)風量水量最優(yōu)組合優(yōu)化，設定風機和冷凍泵的總能耗最小為目標函數(shù)，利用遺傳算法對模型求解，與常規(guī)運行策略相比，得到的優(yōu)化設定值的節(jié)能率達到13.38%。文獻[6]為了提高汽車暖通空調(diào)系統(tǒng)(heating,ventilating and air conditioning,HVAC)系統(tǒng)的性能，通過遺傳算法選擇四通百葉窗式冷凝器進行多目標優(yōu)化，以冷凝器的傳熱速率最大和冷凝器壓降最小為雙目標來優(yōu)化冷凝器性能，結果表明，與初始冷凝器狀態(tài)相比，最佳冷凝器的傳熱速率提高4%，壓降降低8%。Nasruddin等[7]以表征熱舒適度的指標——不滿意百分比的預測數(shù)(predicted percentage of dissatisfied，PPD)和最小年度能耗為優(yōu)化目標函數(shù)，利用人工神經(jīng)網(wǎng)絡并結合多目標遺傳算法結合來優(yōu)化HVAC系統(tǒng)，最后得到的優(yōu)化效果明顯，為研究復雜的中央空調(diào)優(yōu)化問題提供了參考；文獻[8]運用兩種多目標優(yōu)化算法對中央空調(diào)系統(tǒng)進行優(yōu)化，將能效比和制冷量設置為雙目標，并與單目標優(yōu)化進行比較，得到不同的多目標優(yōu)化方法在運算上各具優(yōu)勢的結論，其中，MO-DNS-PSO算法的運行效率更高，DNS-PSO算法的收斂性更好。

現(xiàn)有的參數(shù)優(yōu)化研究中，通常是將能耗或能效視為唯一目標函數(shù)來進行優(yōu)化研究，但這種優(yōu)化方式具有一定局限性?？照{(diào)系統(tǒng)運行參數(shù)的多目標優(yōu)化研究大多集中在汽車空調(diào)領域，現(xiàn)有的中央空調(diào)多目標優(yōu)化研究尚缺少對系統(tǒng)運行性能的量化研究。中央空調(diào)冷源機房設備數(shù)量眾多，運行工況復雜且運行參數(shù)繁多，各參數(shù)之間耦合作用較強。在空調(diào)系統(tǒng)運行時，冷水主機運行參數(shù)和冷凍側、冷卻側的運行參數(shù)相互耦合，冷水機組處于較大制冷量運行時往往難以保證系統(tǒng)總能耗水平較低，因此，空調(diào)系統(tǒng)參數(shù)優(yōu)化可作為復雜的多目標優(yōu)化問題進行求解。

多目標優(yōu)化算法現(xiàn)已成為求解復雜的多元非線性問題的必要方法。常用的多目標進化算法主要有粒子群算法、模擬退火算法、非支配排序算法、差分進化算法等。其中，非支配排序遺傳算法Ⅱ(non-dominated sorting genetic algorithm Ⅱ，NSGA-Ⅱ)具有較強的變量處理能力，能夠最大限度地保持各優(yōu)化目標之間的獨立性和較好地全局尋優(yōu)能力[9]。該算法由于具有運行速度快、解集收斂性好的優(yōu)點，已經(jīng)被廣泛應用于眾多研究領域。

針對上述問題，現(xiàn)提出一種基于NSGA-Ⅱ算法的冷源機房設備系統(tǒng)運行參數(shù)的多目標優(yōu)化方法，以廣州某商場建筑的空調(diào)冷源機房系統(tǒng)為研究對象，驗證NSGA-Ⅱ算法在冷源設備系統(tǒng)運行參數(shù)優(yōu)化的適用性和有效性。

1 方法及原理

1.1 多目標優(yōu)化方法

所提出的多目標優(yōu)化方法適用于空調(diào)冷源機房設備系統(tǒng)，流程框架如圖1所示，步驟如下。

圖1 冷源機房設備系統(tǒng)的多目標優(yōu)化框架Fig.1 Multi-objective optimization framework of cold source equipment room equipment system

步驟一數(shù)據(jù)預處理：對采集的空調(diào)系統(tǒng)大量歷史運行數(shù)據(jù)進行數(shù)據(jù)清洗，得到有效數(shù)據(jù)。

步驟二工況劃分：在數(shù)據(jù)預處理的基礎上，采用等寬離散化劃分運行模式，再利用K-means聚類算法劃分出運行工況。

步驟三影響因子分析：分析目標函數(shù)與影響因子間的相關性，進而確定決策變量。

步驟四多目標優(yōu)化模型建立：確定模型的目標函數(shù)、決策變量以及約束條件，建立多目標優(yōu)化數(shù)學模型。

步驟五利用NSGA-Ⅱ算法對模型實施優(yōu)化，得到Pareto最優(yōu)解集。

1.2 多目標優(yōu)化問題

多目標優(yōu)化問題是需要考慮多個目標滿足某種條件下的最優(yōu)化問題，最早由法國經(jīng)濟學家V. Pareto在1896年提出。隨后，眾多學者不斷地探究多目標優(yōu)化問題，多目標優(yōu)化已成為許多領域的重要研究方向。多目標優(yōu)化問題通常可描述為

(1)

式(1)中：x為決策變量。

1.3 Pareto前沿

Pareto前沿指的是所有非支配解的集合。

非支配解指的是假設S1、S2是多目標優(yōu)化中的兩個解，對于所有目標而言，若S1均優(yōu)于S2，則稱S1支配S2；若S1的解沒有被其他解所支配，則S1稱為非支配解(Pareto解)。

針對多目標優(yōu)化問題，最終期望得到Pareto前沿，當有兩個優(yōu)化目標時，得到的Pareto前沿是一條曲線，兩個以上目標時的Pareto前沿是一個超曲面。Pareto前沿上的所有解均不受其之外的解所支配。因此，Pareto前沿可為多目標優(yōu)化問題提供一系列較優(yōu)的解點。

1.4 NSGA-Ⅱ算法

NSGA-Ⅱ算法采用非支配排序，可以快速得到種群分布均勻的非劣最優(yōu)解，具有很強的穩(wěn)定性和適應性[10]。最初，Srinivas 等[11]提出NSGA算法，需要在選擇算子執(zhí)行之前對個體之間的支配關系進行分層，使得該算法計算復雜度較高且難以確定共享半徑。文獻[12-13]提出NSGA-Ⅱ算法，該算法引入了精英策略，應用快速非支配排序降低了復雜度，并且使用擁擠度比較算子，合并父代種群跟子代種群，使得下一代的種群從雙倍的空間中進行選取，保留了種群中的優(yōu)秀個體。該算法較以往多目標優(yōu)化算法在應用上更具有廣泛性和優(yōu)越性。

為滿足制冷量與系統(tǒng)總能耗作為雙目標函數(shù)來優(yōu)化系統(tǒng)運行參數(shù)，采用經(jīng)典的多目標優(yōu)化算法NSGA-Ⅱ尋求模型的最優(yōu)解集，獲得各工況的最優(yōu)運行參數(shù)，進而分析各工況下的能效優(yōu)化情況。NSGA-Ⅱ多目標優(yōu)化算法流程圖如圖2所示，具體步驟如下。

圖2 NSGA-Ⅱ多目標優(yōu)化算法流程Fig.2 Multi-objective optimization algorithm of NSGA-Ⅱ

步驟一隨機產(chǎn)生規(guī)模為N的初始種群。

步驟三從第二代開始，將父代種群與子代種群合并，進行快速非支配排序。

步驟四對每個非支配層中的個體進行擁擠度計算，根據(jù)非支配關系以及個體的擁擠度選取合適的個體組成新的父代種群；

步驟五達到滿足程序結束的條件后，算法終止，否則，返回步驟二。

2 案例分析

2.1 研究對象

將廣州市某商場建筑的中央空調(diào)冷源機房系統(tǒng)作為研究對象，該系統(tǒng)包含4臺離心式冷水機組、6臺冷凍水泵和6臺冷卻水泵設備，具體參數(shù)如表1所示。該單位冷源機房安裝有自動控制系統(tǒng)及數(shù)據(jù)采集系統(tǒng)，采集冷源機房設備的運行參數(shù)存儲在數(shù)據(jù)庫中，包括冷凍水流量、冷凍水供回水溫度、冷凝出水壓力、冷凝回水壓力、冷卻水供回水溫度、冷卻水流量等，共計18維運行參數(shù)。

表1 制冷機房具體設備參數(shù)Table 1 Parameters of specific equipment in refrigeration equipment room

采用該商場2018年1—12月共計一年的歷史數(shù)據(jù)。根據(jù)實際現(xiàn)場運行情況得知，該商場在較多時間處于單臺主機運行狀態(tài)。為保證算法優(yōu)化的有效性，僅考慮2臺小機單獨運行時的工況。經(jīng)過數(shù)據(jù)統(tǒng)計分析，其運行數(shù)據(jù)量共計27 506條。

2.2 數(shù)據(jù)處理

2.2.1 數(shù)據(jù)預處理

數(shù)據(jù)處理是將數(shù)據(jù)能夠成功擬合模型和實施優(yōu)化的重要前提，根據(jù)對數(shù)據(jù)的要求，需要對數(shù)據(jù)進行預處理。為擬合各工況模型，首先對原數(shù)據(jù)庫中數(shù)據(jù)進行屬性規(guī)約，最終得到制冷量、冷凍水流量、冷凍出水溫度、冷凍回水溫度、冷卻水流量、冷卻水出水溫度、冷卻回水溫度、主機功率、水泵功率及頻率共10維屬性參數(shù)。由于數(shù)據(jù)在傳輸過程中可能出現(xiàn)錯誤以及設備運行出現(xiàn)的可能故障，處于剛開關機階段的數(shù)據(jù)以及出現(xiàn)極限值數(shù)據(jù)屬于異常數(shù)據(jù)，應將其剔除；剔除缺失值和異常值后，在Python上采用拉依達準則對各項數(shù)據(jù)進行統(tǒng)計計算，剔除較大偏差數(shù)據(jù)；最終得到有效數(shù)據(jù)共計 17 380 條。數(shù)據(jù)預處理流程如圖3所示。

在這社會動蕩時期，陶淵明去踐行了他的“平生之志”，十三年間先后五次做官。十三年，不管他所任官職大小，還是幾仕幾處，都是他為實現(xiàn)“大濟蒼生”的理想抱負而不斷嘗試、不斷失望終至絕望的行動體現(xiàn)。所以，陶淵明并不是沒有出仕的志向，而是混亂的現(xiàn)實讓他沒有實現(xiàn)志向的機會，所以他最后一次為官，做了80多天的彭澤縣令，以“尋程氏妹喪于武昌，情在駿奔，自免去職”的理由，在序言中寫道：“嘗從人事，皆口腹自役。于是悵然慷慨，深愧平生之志?！痹谶@樣的遺憾中結束了他的“兼濟天下”的“平生之志”，留下的是不能有所作為的深深的慚愧。所以，東晉這一動蕩的時代，造就了陶淵明的“平生之志”，也用現(xiàn)實毀滅了他的“平生之志”。

圖3 數(shù)據(jù)預處理流程Fig.3 Data preprocessing

2.3 影響因子分析

冷源機房設備系統(tǒng)能效受到負荷率、冷凍水流量、冷凍出水溫度、冷凍回水溫度、冷卻水流量、冷卻水回水溫度等影響，并且各參數(shù)間耦合性較強。為了研究各參數(shù)對系統(tǒng)能效的影響程度，在完成數(shù)據(jù)預處理的基礎上，分析系統(tǒng)能效與影響因素間相關性，以此為多目標模型中決策變量的選取依據(jù)。本研究選取適用于描述兩變量之間線性相關的皮爾遜(Pearson)相關系數(shù)，其定義是兩變量的協(xié)方差與標準差的比，公式表示為

(2)

式(2)中:cov(X,Y)為隨機變量X與Y的協(xié)方差;σX與σY分別為X與Y的標準差;ρX,Y介于-1～1。

系統(tǒng)能效與影響因子間的Pearson相關系數(shù)如表2所示?？梢钥闯?，對冷源機房設備系統(tǒng)能效產(chǎn)生影響的因素從大到小依次是：負荷率、冷凍水流量、冷卻回水溫度、冷凍回水溫度、冷卻水流量、冷凍出水溫度和冷卻出水溫度。研究需要建立系統(tǒng)能耗和制冷量的雙目標數(shù)學模型，結合影響因子相關性系數(shù)分析結果，選取相關性系數(shù)較大的冷凍水流量、冷卻回水溫度、冷凍回水溫度、冷卻水流量和冷凍出水溫度共5個參數(shù)作為模型的決策變量，進而建立多目標優(yōu)化的目標函數(shù)。

表2 系統(tǒng)能效與影響因子間的Pearson相關系數(shù)Table 2 Pearson correlation coefficient between energy efficiency and impact factor on air-conditioning system

2.4 運行模式及工況劃分

根據(jù)上述影響因子分析結果，在中央空調(diào)冷源機房系統(tǒng)中，負荷率是能直接反映系統(tǒng)運行狀態(tài)的重要指標。為充分反映中央空調(diào)冷源機房設備系統(tǒng)能效受到內(nèi)外因素的影響，首先利用等寬離散化將負荷率劃為4個等寬區(qū)間運行模式，剔除在負荷率60%以下的不穩(wěn)定工況數(shù)據(jù)；再利用K-means聚類算法在4種運行模式下對室外環(huán)境溫度和室外環(huán)境濕度兩個參數(shù)進行聚類分析。

K-means聚類算法是一種無監(jiān)督的機器學習算法，它需選取k個初始聚類中心Ci(1≤i≤k)，然后通過迭代計算原理得到樣本中各簇的相似度，其相似度是通過歐氏距離進行計算，數(shù)學表達式如式(3)。確定最佳聚類數(shù)目k是該算法的難點，采用樣本聚類誤差平方和(sum of squared error，SSE)來判定最佳k。在每次聚類后計算SSE，隨著聚類迭代，SSE會越來越小，最后會趨于穩(wěn)定，變化過程的開始階段下降率很大，當下降率首次變緩時的k被看作最佳的聚類數(shù)目。SSE表達式如式(4)所示。

(3)

(4)

式中：x為數(shù)據(jù)對象；Ck為第k個聚類中心；n為數(shù)據(jù)對象尺寸；xj為x的第j個運行參數(shù)值；Ckj為Ck的第j個屬性值；p為各簇中的運行參數(shù)值；mk為第k個簇的中心。

根據(jù)通過K-means聚類和誤差平方和斷定方法對4種運行模式下的運行數(shù)據(jù)進行聚類劃分，從而得到系統(tǒng)的基本運行工況，運行模式及聚類劃分情況如表3所示。共劃分出32種基本運行工況，圖4是32種基本運行工況的具體情況。

表3 運行模式劃分及聚類情況Table 3 Classification of the operating mode and clustering result

圖4 32種基本運行工況Fig.4 32 kinds of condition of basic operation

2.5 冷源機房設備多目標優(yōu)化模型建立

為深入挖掘空調(diào)系統(tǒng)的最優(yōu)運行參數(shù)，實現(xiàn)中央空調(diào)冷源機房設備的高效運行，采用多目標優(yōu)化研究方法優(yōu)化運行參數(shù)。基于運行機理建立冷水主機、冷凍泵、冷卻泵的能耗模型，進而確立目標函數(shù)。通常，中央空調(diào)系統(tǒng)運行參數(shù)的調(diào)節(jié)是通過在線控制系統(tǒng)完成的，控制系統(tǒng)能夠設置冷凍出水溫度、冷凍水流量、冷卻水流量、冷凍水溫差和冷卻水溫差等參數(shù)的目標值，控制系統(tǒng)通過調(diào)節(jié)電機頻率和設備運行臺數(shù)來間接調(diào)節(jié)冷凍回水溫度和冷卻回水溫度，因此，通過優(yōu)化得到的最佳運行參數(shù)對提高空調(diào)運行能效具有指導意義。

故需要根據(jù)空調(diào)系統(tǒng)運行機理，建立冷源機房設備的多目標優(yōu)化模型，包括系統(tǒng)總能耗模型和制冷量函數(shù)表達式。

2.5.1 冷水主機能耗模型

空調(diào)冷水機組的建模方式主要分為理論模型和經(jīng)驗模型。現(xiàn)采用經(jīng)驗模型，經(jīng)驗模型是在研究冷水機組熱力學特性的理論基礎上，分析其與運行參數(shù)間的關系，從而建立一種數(shù)學模型的模糊表達形式。根據(jù)ASHRAE handbook推薦，將冷水機組的能耗擬合為冷凍回水溫度和冷卻回水溫度的函數(shù)，采用兩個二次多項式乘積的形式[14]。具體表達式為

(5)

2.5.2 冷凍水泵能耗模型

理論上，處于變頻條件下的水泵性能參數(shù)遵循相似定律，但在實際運行中，其運行工況點并不完全遵循相似定律。根據(jù)在變頻狀態(tài)下得到的水泵實際運行數(shù)據(jù)，研究得出水泵功率與流量是二次多項式關系[15]?？紤]到各工況數(shù)據(jù)量的不同可能影響模型擬合的準確性，因而將功率與流量的關系確立為三次非線性表達式，具體表達式為

(6)

式(6)中：f2為冷凍水泵功率，kW；vcwh為冷凍水流量，m3/h；a0、a1、a2、a3為回歸系數(shù)。

2.5.3 冷卻水泵能耗模型

冷卻水泵流量可以通過調(diào)節(jié)電機功率實現(xiàn)變頻控制，冷卻水泵功耗模型與冷凍水泵功耗模型類似，擬合為流量的三次表達式為

(7)

式(7)中：f3為冷卻水泵功耗，kW；vcw為冷卻水流量，m3/h；b0、b1、b2、b3為回歸系數(shù)。

2.5.4 約束條件

建立有效的約束條件是實施有效優(yōu)化的重要保障，在中央空調(diào)工程設計方案以及實際應用中，為保障系統(tǒng)性能以及空調(diào)運行的安全性，運行參數(shù)均有相應的數(shù)值控制范圍。對于指定的冷源機房，根據(jù)中央空調(diào)機組廠商規(guī)定的標準狀況下運行參數(shù)值并結合該中央空調(diào)控制系統(tǒng)中的實際運行參數(shù)設定范圍，能夠得到各設備運行參數(shù)范圍。決策變量均是連續(xù)型變量，以各變量閾值為準，建立多目標優(yōu)化模型的約束條件，具體描述如下：

Tcl,min

Tel,min

vcwh,min

vcw,min

Tchws,min

2.5.4 多目標優(yōu)化模型

對于確定的冷源機房設備系統(tǒng)，其總能耗與制冷量呈正相關關系，但較低的系統(tǒng)總能耗不一定得到較高的系統(tǒng)能效。系統(tǒng)能效比是制冷量與系統(tǒng)總能耗之比，為了優(yōu)化后得到最佳能效，將系統(tǒng)能耗的最小值和制冷量的最大值設定為多目標優(yōu)化的目標函數(shù)，冷源機房設備系統(tǒng)總能耗包含主機能耗和水泵能耗。目標函數(shù)的具體表達形式為

fmin(Tcl,Tel,vcwh,vcw)=f1+f2+f3

(8)

Q=cvcwh(Tel-Tchws)

(9)

式中：Q為制冷量，kW；c為水的比熱，J/(kg· ℃)；vcwh為冷凍水流量，m3/h；Tchws為冷凍出水溫度，℃。

3 仿真實驗

3.1 Pareto優(yōu)化結果

基于運行模式和工況劃分，統(tǒng)計一年中各種運行工況的有效數(shù)據(jù)量，選取4種運行模式下的數(shù)據(jù)量最大的工況作為典型運行工況來進行優(yōu)化。采用最小二乘法將典型工況下的有效數(shù)據(jù)擬合多目標優(yōu)化模型，再用NSGA-Ⅱ算法對模型進行優(yōu)化。

多目標優(yōu)化問題通常存在一個解集，這些解之間對于多個目標函數(shù)而言是無法比較優(yōu)劣的，因為一個解改進一個目標函數(shù)的同時會削弱其他目標函數(shù)[16]。采用NSGA-Ⅱ算法優(yōu)化系統(tǒng)模型，以最大制冷量和最小總能耗為優(yōu)化目標函數(shù)。圖5展示的是4種運行模式下的典型工況Pareto前沿圖。根據(jù)多目標優(yōu)化理論可知，Pareto前沿均可作為優(yōu)化方案解。選取4種運行模式下能效最高的點作為最優(yōu)解，如表4所示。

圖5 4種運行模式下的典型工況Pareto前沿Fig.5 Pareto frontier of Typical conditions in four operating modes

表4 4種運行模式下典型工況的Pareto最優(yōu)解Table 4 Pareto optimal solutions under typical conditions in four operating modes

3.2 優(yōu)化結果對比分析

在以往的空調(diào)優(yōu)化研究中，廣泛采用以空調(diào)系統(tǒng)能耗最低為目標函數(shù)的單目標優(yōu)化方式來達到系統(tǒng)節(jié)能和能效提升的目的。文獻[17]建立以系統(tǒng)總能耗最小為目標并運用遺傳算法優(yōu)化中央空調(diào)系統(tǒng)的運行參數(shù)，結果表明空調(diào)系統(tǒng)的節(jié)能率跟其部分負荷率有關，實際運行負荷越小，其節(jié)能空間越大。

將NSGA-Ⅱ算法的多目標優(yōu)化方法與經(jīng)典遺傳算法優(yōu)化方法在相同工況下對冷源機房設備能效優(yōu)化的效果進行比較。將建立的能耗模型作為唯一目標函數(shù)，采用經(jīng)典遺傳算法對模型進行優(yōu)化。運用單目標算法進行優(yōu)化時，設置初始種群為100、交叉概率為0.7、最大進化代數(shù)為300。4種典型運行工況的單目標優(yōu)化結果如表5所示。

表5 4種典型工況的經(jīng)典遺傳算法單目標優(yōu)化結果Table 5 Single-objective optimization results of the classic genetic algorithm under four typical conditions

圖6所示為兩種優(yōu)化方式在不同工況下的平均循環(huán)性能系數(shù)(coefficient of performance，COP)對比情況，COP表達式如式(10)所示。從圖6可以看出，在提升系統(tǒng)運行能效方面，4種典型工況下的多目標優(yōu)化方法相對于普通優(yōu)化方法更具有優(yōu)勢。

圖6 4種典型工況下的兩種優(yōu)化方式COP比較Fig.6 Comparison of COP values of two optimization under four typical conditions

(10)

3.3 仿真驗證

最后，為驗證本文方法的實際參考價值，將4種運行模式下的典型工況進行優(yōu)化前后對比分析，為更直觀地體現(xiàn)對比效果，在Pareto前沿上選取與優(yōu)化前制冷量相同的優(yōu)化解點，再進行比較驗證。如圖7所示為4種典型工況優(yōu)化前后的能耗及能效的比較。

圖7 典型工況下多目標優(yōu)化前后系統(tǒng)能耗、能效比較Fig.7 Comparison of energy consumption and energy efficiency on the air-conditioning system before and after multi-objective optimization under typical conditions

優(yōu)化結果表明，4種典型工況經(jīng)過多目標優(yōu)化后，能效隨著制冷量的增大而持續(xù)增大，相對于實際運行工況，優(yōu)化后有更穩(wěn)定的運行參數(shù)。相較于系統(tǒng)原有運行方式，優(yōu)化后的運行參數(shù)能明顯提高其運行能效，經(jīng)過計算，多目標優(yōu)化后系統(tǒng)能效平均提升14.35%，能耗平均降低12.52%。

4 結論

將NSGA-Ⅱ算法用于冷源機房設備系統(tǒng)運行參數(shù)多目標尋優(yōu)，得到4種典型工況下的Pareto前沿，從Pareto前沿分布看，各工況曲線光滑且解點在合理數(shù)值范圍，表明將NSGA-Ⅱ算法用于中央空調(diào)節(jié)能優(yōu)化是可行的。

僅對單臺冷水主機實施參數(shù)優(yōu)化，將多目標優(yōu)化與普通優(yōu)化方式相比較，發(fā)現(xiàn)多目標優(yōu)化在提高系統(tǒng)運行能效上更具優(yōu)勢，因為將制冷量作為目標函數(shù)能更好地得到冷凍進出水溫度的合理數(shù)值。

為提高本文方法的工程應用價值，將優(yōu)化前后系統(tǒng)運行能耗和能效進行對比分析，各工況均有較好的優(yōu)化效果，為空調(diào)實際運行時參數(shù)設置提供一定的參考價值。