中央空調(diào)系統(tǒng)冷水機(jī)組優(yōu)化控制策略研究

閆秀聯(lián)，王樂(lè)唯，劉 盼，吉星星，閆秀英

（1. 西安建筑科技大學(xué) 華清學(xué)院，西安 710043；2. 西安聞泰信息技術(shù)有限公司，西安710000；3. 西安建筑科技大學(xué) 信息與控制工程學(xué)院，西安 710055；4. 西安建筑科技大學(xué)建筑設(shè)備與科學(xué)學(xué)院，西安 710055）

0 引言

能耗、電耗是反映能源效率的主要指標(biāo)。電耗的影響因素相較能耗更為復(fù)雜，文獻(xiàn)［1］分析了引起電耗上升的主要原因，其中非生產(chǎn)性電力消費(fèi)增長(zhǎng)較快是主要原因之一，而非生產(chǎn)性電力消費(fèi)中居民冬季取暖、夏季制冷占空調(diào)電力負(fù)荷的很大比重?？照{(diào)負(fù)荷已經(jīng)成為我國(guó)夏季用電的主要負(fù)荷之一，對(duì)電力系統(tǒng)的穩(wěn)定運(yùn)行造成了極大的威脅。冷水機(jī)組是中央空調(diào)系統(tǒng)中消耗功率最大的部分，由于冷水機(jī)組在運(yùn)行中缺乏運(yùn)行優(yōu)化，目前大多數(shù)建筑物的冷水機(jī)組運(yùn)行都未使用最佳控制策略。對(duì)于多臺(tái)聯(lián)合運(yùn)行冷水機(jī)組的優(yōu)化控制來(lái)說(shuō)，如何在部分負(fù)荷情況下，根據(jù)建筑負(fù)荷和外界環(huán)境參數(shù)的變化來(lái)優(yōu)化中央空調(diào)冷水機(jī)組運(yùn)行參數(shù)，從而在保證其高效運(yùn)行的前提下，找到一種最佳的解決方案以降低冷水機(jī)組的能耗十分關(guān)鍵。

文獻(xiàn)［2］闡述了基于BP神經(jīng)網(wǎng)絡(luò)的冷水機(jī)組制冷性能系數(shù)（coefficient of performance，COP）預(yù)測(cè)模型，分析了與冷水機(jī)組相關(guān)的運(yùn)行變量的最佳值，通過(guò)采用基于遺傳算法的操作變量識(shí)別，在指定范圍內(nèi)找到變量的最佳值，從而使冷水機(jī)組的能耗最小。文獻(xiàn)［3］提出了一種基于多目標(biāo)優(yōu)化的冷水機(jī)組運(yùn)行策略，用于最優(yōu)冷水機(jī)組臺(tái)數(shù)（OCS）和最佳冷水機(jī)組負(fù)荷（OCL）問(wèn)題，實(shí)現(xiàn)保證室內(nèi)舒適度的情況下節(jié)省供暖通風(fēng)與空氣調(diào)節(jié)（HVAC）系統(tǒng)的能量。文獻(xiàn)［4］將交換市場(chǎng)算法應(yīng)用于最優(yōu)冷水機(jī)組負(fù)荷問(wèn)題的其他優(yōu)化方法進(jìn)行比較，結(jié)果表明，在收斂速度和總電能消耗方面，交換市場(chǎng)算法比應(yīng)用于冷水機(jī)組負(fù)荷方法的先前優(yōu)化方法提供了更好的解決方案。文獻(xiàn)［5］對(duì)設(shè)計(jì)中的冷卻負(fù)荷分布，提出了一種魯棒的優(yōu)化設(shè)計(jì)，以選擇在高部分負(fù)荷率（part load ratio，PLR）和COP下運(yùn)行可能性最高的冷水機(jī)組的最佳組合。文獻(xiàn)［6］提出了一種改進(jìn)的人工魚群算法（VAFSA）解決最佳冷水機(jī)負(fù)荷問(wèn)題，使用冷卻器和冷卻塔的最小功耗作為目標(biāo)函數(shù)，以將功耗降至最低。文獻(xiàn)［7］研究了變負(fù)荷下的非均勻負(fù)荷匹配冷水機(jī)組并聯(lián)運(yùn)行特性，提出了基于能效基準(zhǔn)的多臺(tái)冷水機(jī)組控制策略，研究發(fā)現(xiàn)較少冷水機(jī)組并聯(lián)運(yùn)行時(shí)易實(shí)現(xiàn)較高的總體運(yùn)行性能，從而達(dá)到節(jié)能降耗的目的。

1 TRNSYS仿真模型構(gòu)建

以西安某既有辦公建筑為研究對(duì)象搭建建筑冷負(fù)荷模型。該建筑地上24層，地下2層，建筑高度99.95m?？偨ㄖ娣e70 374 m2，其中地上56 970 m2，地下13 404 m2。地上24層制冷由中央空調(diào)系統(tǒng)提供。冷源仿真系統(tǒng)模擬辦公建筑1—24層空調(diào)區(qū)域，在模型建立時(shí)完全依照空調(diào)系統(tǒng)各個(gè)設(shè)備及空調(diào)房間相關(guān)參數(shù)進(jìn)行選取和配置。作為一種簡(jiǎn)化的方法，將該辦公建筑定義為24個(gè)不同的熱區(qū)，每個(gè)建筑物的樓層為一個(gè)熱區(qū)。

1.1 多區(qū)域建筑模型建立

在TRNSYS 中建立多區(qū)建筑模型時(shí)，需要輸入建筑的長(zhǎng)、寬、高等參數(shù)。新建建筑模型時(shí)，空調(diào)區(qū)內(nèi)的設(shè)備、燈光、以及圍欄參數(shù)參照?qǐng)D紙上給出的信息進(jìn)行設(shè)置，人員負(fù)荷按上下班時(shí)間（8:00—18:00）進(jìn)行設(shè)置，所需參數(shù)由設(shè)計(jì)院提供建筑設(shè)計(jì)圖紙中提取。將每一層樓視為一個(gè)區(qū)域，整個(gè)樓層共24個(gè)區(qū)域，在TRN-Build建立模型，通過(guò)設(shè)置房間體積及各墻的面積參數(shù)，墻與墻之間的位置關(guān)系，反應(yīng)實(shí)際建筑的三維關(guān)系。

整個(gè)冷源系統(tǒng)包括3臺(tái)冷水機(jī)組、3臺(tái)冷卻泵、3臺(tái)冷凍泵、3 臺(tái)冷卻塔，在TRNSYS 上搭建冷源系統(tǒng)動(dòng)態(tài)仿真平臺(tái)，并按照實(shí)際設(shè)備參數(shù)對(duì)部件參數(shù)進(jìn)行配置。根據(jù)設(shè)計(jì)院提供的信息，得到空調(diào)系統(tǒng)主要設(shè)備的參數(shù)信息。搭建的TRNSYS動(dòng)態(tài)仿真平臺(tái)如圖1所示。

圖1 TRNSYS動(dòng)態(tài)仿真平臺(tái)Fig.1 TRNSYS dynamic simulation platform

PID 控制器進(jìn)行送風(fēng)溫度控制，輸入?yún)?shù)：P=0.5、I=9.0、D=0.4。通過(guò)control card選項(xiàng)設(shè)置仿真時(shí)間范圍與仿真步長(zhǎng)，其中6—9 月的時(shí)間設(shè)置為3 624～6 552 h，仿真步長(zhǎng)設(shè)置為0.1 h。Work time與Cooling time 控制設(shè)備啟動(dòng)時(shí)間，設(shè)備運(yùn)行時(shí)間與TRN-Build中設(shè)置的運(yùn)行時(shí)間相同。Work time設(shè)置設(shè)備開(kāi)啟時(shí)間段：8:00—18:00設(shè)為1，其余時(shí)間設(shè)為0。Cooling time設(shè)置設(shè)備運(yùn)行時(shí)間范圍：3 624～6 552 h。平臺(tái)運(yùn)行模擬6—9月室外溫度變化曲線如圖2所示。

圖2 6—9月室外溫度曲線Fig.2 Outdoor temperature curve from June to September

根據(jù)所建立模型，在Trnsys 中計(jì)算出空調(diào)區(qū)域6—9月的冷負(fù)荷需求，如圖3所示。

圖3 6—9月冷負(fù)荷值變化情況Fig.3 Cooling load value changing from June to September

仿真平臺(tái)中設(shè)備參數(shù)與實(shí)際工程中相同，仿真得出6—9 月冷負(fù)荷峰值為4 327 kW，與設(shè)計(jì)院給出的最大冷負(fù)荷4 460 kW 對(duì)比，準(zhǔn)確率達(dá)到97%，驗(yàn)證了該仿真平臺(tái)的可靠性。該系統(tǒng)使用了3 臺(tái)制冷量為1 519 kW 的冷水機(jī)組，總制冷量為4 557 kW，滿足建筑最大冷負(fù)荷時(shí)的冷量需求。

1.2 冷負(fù)荷率時(shí)間頻數(shù)

利用冷負(fù)荷率時(shí)間頻數(shù)（cooling load rate time frequency，CLRTF）的分布來(lái)描述不同冷負(fù)荷條件與冷水機(jī)組運(yùn)行時(shí)間的關(guān)系。冷負(fù)荷時(shí)間頻數(shù)為不同冷負(fù)荷率下冷水機(jī)組運(yùn)行的小時(shí)數(shù)與總運(yùn)行小時(shí)數(shù)的百分比。分析冷負(fù)荷率可用于選取冷水機(jī)組累計(jì)運(yùn)行時(shí)間最多的冷負(fù)荷率區(qū)間，進(jìn)而對(duì)該區(qū)間內(nèi)冷水機(jī)組運(yùn)行模式進(jìn)行研究。

圖4給出了中央空調(diào)系統(tǒng)6—9月CLRTF分布圖，通過(guò)仿真計(jì)算分析空調(diào)系統(tǒng)冷負(fù)荷與冷水機(jī)組運(yùn)行時(shí)間的關(guān)系。由于冷負(fù)荷率是隨運(yùn)行時(shí)間變化的連續(xù)隨機(jī)變量，冷負(fù)荷率的區(qū)間大小會(huì)影響冷負(fù)荷率時(shí)間頻率的分布，因此，選擇冷負(fù)荷率的間隔為5%。

圖4 6—9月冷負(fù)荷率時(shí)間頻數(shù)Fig.4 Time-frequency of cold load rate from June to September

由圖4 可知，冷負(fù)荷率在85%～90%的情況下，空調(diào)系統(tǒng)累計(jì)運(yùn)行時(shí)間最多，其時(shí)間頻數(shù)為32.04%；在冷負(fù)荷率為95%～100%的范圍內(nèi)，空調(diào)系統(tǒng)累計(jì)運(yùn)行時(shí)間最少，其時(shí)間頻數(shù)為0.3%。綜上，選取累計(jì)運(yùn)行時(shí)間最大的冷負(fù)荷率區(qū)間85%～90%內(nèi)的工作日用以研究冷水機(jī)組運(yùn)行模式。

2 冷水機(jī)組部分負(fù)荷率優(yōu)化

2.1 COP 與PLR 回歸模型建立

首先對(duì)COP-PLR進(jìn)行線性檢驗(yàn)，對(duì)COP和PLR的殘差和擬合值進(jìn)行分析。在這項(xiàng)研究中，散點(diǎn)圖具有非線性或曲線結(jié)構(gòu)，因此擬合值是非線性的，對(duì)COP-PLR進(jìn)行非線性回歸分析。

將冷水機(jī)組承擔(dān)每個(gè)部分負(fù)荷率值，即PLR，用作自變量，COP用作因變量。通過(guò)不同的函數(shù)對(duì)兩者進(jìn)行數(shù)據(jù)擬合分析，找到最佳擬合模型與參數(shù)，說(shuō)明COP與PLR之間的關(guān)系。

COP-PLR的四階多項(xiàng)式回歸模型如下

對(duì)高斯函數(shù)模型進(jìn)行計(jì)算求解擬合，得α0、α1、α2的值分別為5.63、0.75、0.73。

繪制計(jì)算擬合所得到的多項(xiàng)式方程曲線，如圖5所示。

圖5 冷水機(jī)組COP-PLR 擬合曲線對(duì)比Fig.5 Comparison of chiller’s COP-PLR fitting curve

由圖5可知，多項(xiàng)式擬合、正弦函數(shù)擬合和高斯函數(shù)擬合均能較好說(shuō)明COP與PLR之間的關(guān)系。對(duì)3 種擬合方式進(jìn)行回歸評(píng)價(jià)，R2分別為0.993 5、0.990 7 和0.991 8，RMSE值分別為0.413 5、0.487 4和0.457 6。R2都幾乎為1，說(shuō)明這3 個(gè)回歸模型很好地?cái)M合了數(shù)據(jù)。RMSE值都幾乎為0，意味著回歸模型可以被認(rèn)為是正確的。其中，四階多項(xiàng)式擬合模型準(zhǔn)確度更高，更能較好的體現(xiàn)出COP與PLR的關(guān)系，經(jīng)查F檢驗(yàn)臨界值表（顯著水平：α=0.05）得F0.05(4,66)=2.511，可知F遠(yuǎn)大于F0.05(4,66)。因此，該COP-PLR四階回歸模型的置信度達(dá)到95%，說(shuō)明該回歸模型的適用性非常好。故選取該四階多項(xiàng)式擬合方程作為COP-PLR的擬合模型。

2.2 目標(biāo)函數(shù)建立

目標(biāo)函數(shù)的建立，需要考慮用戶側(cè)電負(fù)荷和冷負(fù)荷的需求情況，即空調(diào)冷負(fù)荷值的變化情況。在滿足需求側(cè)負(fù)荷變化的前提下，使目標(biāo)函數(shù)即冷水機(jī)組的總能耗降低。基于冷水機(jī)組系統(tǒng)總能耗方程與所建立的COP-PLR模型，以系統(tǒng)冷水機(jī)組總能耗最小建立目標(biāo)函數(shù)，對(duì)目標(biāo)函數(shù)中的決策變量PLR進(jìn)行尋優(yōu)，優(yōu)化目標(biāo)即為獲取總能耗Pall的最小值。

目標(biāo)函數(shù)如下

式中：Qn為第n臺(tái)冷機(jī)的額定制冷量，kW；PLRn為第n臺(tái)冷水機(jī)組的負(fù)荷率；CLall為整個(gè)系統(tǒng)的冷負(fù)荷，kW。

根據(jù)冷水機(jī)組設(shè)備運(yùn)行限制條件，在運(yùn)行過(guò)程中，每臺(tái)冷水機(jī)組的PLR不能低于0.3，在解決冷水機(jī)組最優(yōu)負(fù)荷率問(wèn)題時(shí)需考慮到無(wú)法操作的區(qū)域限制，將冷水機(jī)組的PLR進(jìn)行約束，PLR的可行域?yàn)?/p>

對(duì)該運(yùn)行模式下的冷水機(jī)組運(yùn)行情況進(jìn)行仿真，選取冷負(fù)荷率85%～90%區(qū)間內(nèi)的某工作日為例。通過(guò)TRNSYS動(dòng)態(tài)仿真平臺(tái)分別模擬了優(yōu)化前和優(yōu)化后冷水機(jī)組的總能耗變化情況。該工作日室外溫度與空調(diào)冷負(fù)荷值隨時(shí)間變化情況如圖6所示。

圖6 工作日室外溫度與冷負(fù)荷值Fig.6 Outdoor temperature and cooling load values in working days

2.3 改進(jìn)混合遺傳算法

改進(jìn)的遺傳算法用于快速提高規(guī)劃方案的質(zhì)量，鄰域搜索用于后續(xù)的小規(guī)模優(yōu)化。改進(jìn)遺傳算法使用啟發(fā)式策略來(lái)構(gòu)造初始種群，從而確保初始種群可以成功執(zhí)行的任務(wù)數(shù)量和總體收益。選擇操作使用錦標(biāo)賽選擇和最優(yōu)解保留策略來(lái)計(jì)算種群。改進(jìn)遺傳算法中有最大未修改代數(shù)的算法終止機(jī)制，以確保在進(jìn)一步改善規(guī)劃結(jié)果時(shí)可以結(jié)束算法，并進(jìn)入鄰域搜索過(guò)程。完成鄰域搜索后進(jìn)行最優(yōu)解保留和更新種群操作，避免陷入局部最優(yōu)。其改進(jìn)混合遺傳算法流程如圖7所示。

圖7 改進(jìn)混合遺傳算法流程Fig.7 Improved hybrid genetic algorithm flow

3 冷水機(jī)組控制優(yōu)化結(jié)果與分析

本文采取基于需求響應(yīng)的優(yōu)化控制，在室外溫度較低時(shí)，可以適當(dāng)提高供冷負(fù)荷。利用墻體、家具等的儲(chǔ)能特性，在室外溫度較高時(shí)可以減少供冷量。在供冷負(fù)荷峰值到來(lái)之前，可以將一部分冷負(fù)荷遷移，使供冷負(fù)荷分布在一定范圍內(nèi)，進(jìn)而達(dá)到減小冷水機(jī)組能耗的目的。

3.1 冷水機(jī)組逐時(shí)部分負(fù)荷率

利用IGA-NS算法對(duì)該工作日每臺(tái)冷水機(jī)組所承擔(dān)的部分負(fù)荷率進(jìn)行優(yōu)化，得出各個(gè)時(shí)段的每臺(tái)冷水機(jī)組部分負(fù)荷率，圖8給出了3臺(tái)冷水機(jī)組PLR的變化情況。

圖8 基于IGA-NS算法的負(fù)荷分配率Fig.8 Load distribution rate based on IGA-NS algorith m

基于IGA-NS 算法的負(fù)荷分配率中PLR1、PLR2和PLR3分別為第一臺(tái)、第二臺(tái)和第三臺(tái)冷水機(jī)組所承擔(dān)的部分負(fù)荷率。每臺(tái)冷水機(jī)組的部分負(fù)荷率隨每個(gè)時(shí)刻的冷負(fù)荷值變化的數(shù)值如表1所示。冷負(fù)荷值最大時(shí)3 臺(tái)冷水機(jī)組的部分負(fù)荷率分別為0.87、0.83 和0.87，發(fā)現(xiàn)第一臺(tái)與第三臺(tái)冷水機(jī)組部分負(fù)荷率相同。

表1 3臺(tái)冷水機(jī)組優(yōu)化后負(fù)荷分配率Table 1 Optimized load distribution rate of three chillers

根據(jù)COP-PLR的擬合曲線可知，在負(fù)荷率0.8左右時(shí)曲線出現(xiàn)峰值，此時(shí)冷水機(jī)組的COP值也接近于峰值，因此優(yōu)化后的冷水機(jī)組運(yùn)行效率得到了提高。

3.2 冷水機(jī)組逐時(shí)COP 值

冷水機(jī)組逐時(shí)COP值是根據(jù)優(yōu)化后每臺(tái)冷水機(jī)組逐時(shí)負(fù)荷分配率代入COP-PLR四次多項(xiàng)式方程計(jì)算得出，優(yōu)化后逐時(shí)COP值變化情況如圖9所示。COP1、COP2和COP3分別代表3臺(tái)冷水機(jī)組的COP值，由于12:00第三臺(tái)冷水機(jī)組與14:00第二臺(tái)冷水機(jī)組承擔(dān)的負(fù)荷最大，負(fù)荷率在0.89 左右，由COP-PLR擬合曲線知當(dāng)負(fù)荷率超過(guò)0.7 時(shí)冷水機(jī)組COP值開(kāi)始下降，因此12:00 第三臺(tái)冷水機(jī)組與14:00第二臺(tái)冷水機(jī)組COP值最小。

冷水機(jī)組部分負(fù)荷率的優(yōu)化主要體現(xiàn)在COP和運(yùn)行能耗方面，優(yōu)化部分負(fù)荷率將提高COP值，增加冷水機(jī)組運(yùn)行效率從而使運(yùn)行能耗降低，因此將IGANS和GA兩種算法優(yōu)化后的冷水機(jī)組COP值進(jìn)行對(duì)比，如圖9—圖10所示?？梢钥闯霾捎肎A算法優(yōu)化后冷水機(jī)組COP最小值為5.39，而通過(guò)IGA-NS算法優(yōu)化后的COP最小值為5.43。對(duì)于冷水機(jī)組部分負(fù)荷率的優(yōu)化，與GA算法相比，IGA-NS算法更具有優(yōu)勢(shì)。即IGA-NS優(yōu)化后的COP最小值略高于GA算法。

圖9 基于IGA-NS算法的COP 值Fig.9 COP value based on IGA-NS algorithm

圖10 基于GA算法的COP 值Fig.10 COP value based on GA algorithm

為進(jìn)一步證明IGA-NS算法的優(yōu)越性，將優(yōu)化前的順序控制、GA 和IGA-NS 算法控制的冷水機(jī)組的COP值求取平均值后進(jìn)行對(duì)比，如圖11所示。

圖11 優(yōu)化前后COP 平均值對(duì)比Fig.11 Comparison of COP mean values before and after optimization

通過(guò)對(duì)比3臺(tái)冷水機(jī)組COP平均值可以看出，大部分運(yùn)行時(shí)間內(nèi)，采用IGA-NS 控制COP平均值高于GA 算法控制，驗(yàn)證了IGA-NS 算法控制策略提高了冷水機(jī)組的運(yùn)行效率。

3.3 冷水機(jī)組總能耗對(duì)比分析

3種控制方法下冷水機(jī)組全天總能耗對(duì)比結(jié)果如圖12所示，采用IGA-NS算法對(duì)冷水機(jī)組部分負(fù)荷率進(jìn)行優(yōu)化后3臺(tái)冷水機(jī)組的總能耗在8：00－18：00最低，IGA-NS算法控制下冷水機(jī)組全天最低能耗為656 kW，而GA算法控制策略下的冷水機(jī)組全天能耗最低為661 kW。兩種控制算法都比優(yōu)化前的順序控制，能耗有明顯降低。3種控制方法的總能耗值分別為8 280 kW（順序），7 595 kW（GA）和7 578 kW（IGA-NS）。

圖12 優(yōu)化前后總能耗對(duì)比Fig.12 Comparison of total energy consumption before and after optimization

由圖12可看出，相較于原有的順序控制和GA控制策略，采用IGA-NS算法對(duì)冷水機(jī)組PLR進(jìn)行優(yōu)化的控制策略在滿足用戶側(cè)需求時(shí)具有明顯的節(jié)能效果。全天的節(jié)能率為8.48%，CO2排放量減少700 kg。

4 結(jié)束語(yǔ)

目標(biāo)方程與約束條件。通過(guò)基于負(fù)荷分配的臺(tái)數(shù)控制冷水機(jī)組運(yùn)行模式對(duì)冷機(jī)控制優(yōu)化，提出了IGANS算法，對(duì)PLR進(jìn)行優(yōu)化。結(jié)果表明，IGA-NS算法控制的全天總能耗最小，與原有順序控制相比，IGA-NS算法優(yōu)化后冷水機(jī)組COP的最小平均值由5.11提高到5.51，不僅提高了冷水機(jī)組的COP且降低運(yùn)行能耗，最終達(dá)到了提高系統(tǒng)運(yùn)行效率并節(jié)能的效果。D