羅昊敏，劉 偉，張潔雄，張 杰

(河北工程大學能源與環(huán)境工程學院，河北 邯鄲 056038)

1 引言

社會的不斷進步和發(fā)展，會消耗大量的能源，因此，能源問題引起了相關人士的廣泛關注[1]。另外一方面，我國經(jīng)濟建設得到快速發(fā)展，人們對生活質量提出了更高的要求。空調作為一種智能制熱制冷設備被廣泛應用于人們的生活中。空調在提升人類生活質量的同時也會消耗大量的能源。目前在我國城市的中央空調系統(tǒng)中，主要通過冷負荷實現(xiàn)冷水機組的選取。在實際運行的過程中，由于室外環(huán)境以及空調末端用途的不斷變化，冷水機組有一半以上的時間都處于負荷狀態(tài)，真實運行能效明顯偏低。相關專家們希望可以通過較低的能耗完成空調制冷，確保用戶的舒適度達到最佳。為此，獲取了一些有關于空調冷水溫度優(yōu)化控制方面的研究。例如張帆等人[2]優(yōu)先對PID控制器進行優(yōu)化處理，通過蟻群算法進行優(yōu)化增強全局搜索能力。同時利用高斯變異對信息素進行調整，設定偏差平方和為目標函數(shù)，建立空調冷凍水系統(tǒng)模型，借助模型完成優(yōu)化控制。葉立等人[3]在聯(lián)合仿真的基礎上，構建空調閉環(huán)控制系統(tǒng)，加入粒子群優(yōu)化算法對控制器參數(shù)進行優(yōu)化，同時針對風機轉速和壓縮機開度進行調控，確保溫度達到最佳。在上述已有方法的基礎上，提出一種超低能耗建筑暖通空調冷水溫度優(yōu)化控制方法，仿真結果表明，所提方法能夠有效降低冷水溫度調節(jié)時間和水泵運行能耗，獲取更加理想的優(yōu)化控制結果。

2 暖通空調冷水溫度優(yōu)化控制方法

2.1 建筑暖通空調水系統(tǒng)運行工況辨識

神經(jīng)網(wǎng)絡是由多種不同處理單元組成的復雜網(wǎng)絡系統(tǒng)[4，5]，能夠準確描述人腦的各項結構和主要特征。其中神經(jīng)網(wǎng)絡中各個神經(jīng)元的輸入以及輸出關系能夠表示為

(1)

式中，θ代表閾值；xi代表神經(jīng)元的輸入；ωi代表神經(jīng)元之間的連接強度；f(·)代表激活函數(shù)。

ANN模型是由人工神經(jīng)元通過任意模式連接組成的[6，7]。其中，模型是由三個不同的因素決定的。ANN模型的具體操作步驟如下所示：

1)設定初始權系數(shù)w、v和連接強度閾值θj。

2)隨機選取一種模式{Ak，Yk}提供給對應的網(wǎng)絡。

3)計算隱含層和輸出層兩者之間的輸出值能夠表示為

(2)

(3)

式中，bf和Ct分別代表隱含層和輸出層對應的輸出值；ωij代表神經(jīng)元i和j間的連接強度；υij代表神經(jīng)元i和j之間的權值系數(shù)；ai和bj代表學習率；θj代表神經(jīng)元的連接強度閾值；γi代表神經(jīng)元i的閾值。

(4)

5)對輸出層和隱含層的權系數(shù)和閾值進行調整。

6)將任意一種學習模式直接傳輸至網(wǎng)絡中，跳轉至步驟3)重復上述操作過程，直至誤差函數(shù)小于設定的誤差函數(shù)最小值。

7)停止學習。

遺傳算法(GA)是一種隨機搜索算法[8，9]。標準GA的優(yōu)化流程如圖1所示。

圖1 基本遺傳算法的操作流程圖

神經(jīng)網(wǎng)絡的整體結構設計和對應權值訓練是目前比較重要的問題，目前已有方法主要通過相關的先驗知識或者啟發(fā)等完成網(wǎng)絡設計，但是整體性能并不是十分理想。為了更好實現(xiàn)網(wǎng)絡結構設計和權值訓練，主要采用遺傳算法對結構進行優(yōu)化，得到全新的訓練途徑，即基于GA的神經(jīng)網(wǎng)絡。以下給出GA學習人工神經(jīng)網(wǎng)絡的詳細步驟：

1)將種群進行初始化處理，設定不同參數(shù)的取值范圍。另外，在實際編碼的過程中，主要通過實數(shù)進行編碼。

2)分別計算不同個體的適應度，同時將其進行排序，通過式(5)選取不同的網(wǎng)絡個體

(5)

式中，ps代表不同個體的概率值；N代表個體的總數(shù)；fi代表個體的適應度取值，能夠通過誤差平方和E來衡量，具體的計算式為

(6)

式中，Ei代表個體的誤差平方和；Y代表學習樣本數(shù)量。

3)通過概率pc對不同個體進行交叉操作，形成全新的個體，剩余沒有進行交叉操作的個體直接進行復制。

4)通過概率pm突變形成全新的個體。

5)將獲取的全新個體直接放置到種群P中，計算對應的評價函數(shù)。

6)計算ANN的誤差平方和，假設達到設定值，則跳轉至步驟7)；反之，則跳轉至步驟3)，繼續(xù)進行遺傳操作。

7)將GA的初始優(yōu)化值設定為權值，借助BP神經(jīng)網(wǎng)絡對其進行訓練，直至滿足系統(tǒng)設定的精度條件。

超低能耗建筑暖通空調系統(tǒng)的年運行能耗總量和冷水機組兩者之間存在十分密切的聯(lián)系。由于暖通空調系統(tǒng)對應的冷負荷會受氣象參數(shù)和室外環(huán)境等多方面因素的影響。其中冷水機組在運行過程中，一部分時間為負荷狀態(tài)。因此，冷水機組的負荷是導致運行能耗增加的主要因素。

當空調系統(tǒng)處于負荷狀態(tài)時，根據(jù)調節(jié)相關的運行參數(shù)，促使空調水系統(tǒng)的運行效率一直處于最優(yōu)狀態(tài)。對制冷系統(tǒng)的運行效率產生影響的因素主要包含冷卻水溫以及冷水水流量等多個不同的方面。

為了獲取系統(tǒng)模型，優(yōu)先采集大量的暖通空調冷水機組運行數(shù)據(jù)，通過人工神經(jīng)網(wǎng)絡對數(shù)據(jù)進行訓練。當數(shù)據(jù)總數(shù)沒有滿足要求時，會導致算法無法實現(xiàn)收斂。一般情況下，網(wǎng)絡的內在規(guī)律主要是通過訓練結果的準確性進行描述的，準確性越高，獲取的內在規(guī)律越詳細。

為了促使空調水系統(tǒng)在運行過程中能耗達到最佳，不僅需要考慮機組效率，同時還需要考慮水泵的效率。用戶在使用暖通空調系統(tǒng)進行制冷的過程中，不僅關注能耗的多少，更加關注運行費用。

對比兩種不同矛盾結果對空調水系統(tǒng)的影響，設定冷水機組的綜合能耗COPS為

(7)

式中，W1和W2分別代表電機和泵的輸入功率；Q代表數(shù)據(jù)組的預測值。

在上述分析的基礎上，對建立的建筑暖通空調水系統(tǒng)的運行工況進行辨識，實時掌握空調水系統(tǒng)的運行狀態(tài)。

2.2 超低能耗建筑暖通空調冷水溫度優(yōu)化控制

為了調節(jié)出舒適的房間溫度，需要對建筑暖通空調冷水溫度進行優(yōu)化控制。房間溫度優(yōu)先需要考慮人體的熱舒適度，除了和室內外空氣溫度存在關聯(lián)外，同時還和空氣濕度以及空氣流動速度存在密切關聯(lián)。PMV指標表示相同室內環(huán)境下大部分人的熱舒適度，同時全面考慮了不同因素對熱舒適度產生的影響。由于不同人體之間本身存在差異性，其中部分用戶對熱環(huán)境的滿意度偏低，即利用PPD表示用戶對熱環(huán)境不滿意的百分比。

由于PMV指標更加重視用戶對熱舒適度的滿意度，所以房間溫度的設定更需要考慮PMV指標，同時借助剩余的影響因素和PMV指標對房間溫度進行設定。由于兩者之間存在比較復雜的線性關系，需要對房間內的相對濕度以及空氣流動速度等相關參數(shù)進行測量，以此為依據(jù)進行迭代計算，獲取房間最佳溫度。房間溫度設定模型通過三層人工神經(jīng)網(wǎng)絡進行構建，設定輸入節(jié)點數(shù)量為6個，其中對應的網(wǎng)絡結構如圖2所示。

圖2 房間溫度設定值神經(jīng)網(wǎng)絡

完成對房間溫度的合理設定后，組建建筑暖通空調冷水溫度優(yōu)化控制器，采用RBF神經(jīng)網(wǎng)絡在線對設計的控制器參數(shù)進行優(yōu)化[10，11]，獲取房間預測溫度輸出，同時還能夠降低暖通空調系統(tǒng)的能量消耗。

由于暖通空調具有時滯性，現(xiàn)階段已有的控制信號需要等待比較長的時間才能夠通過系統(tǒng)輸出最終的結果。其中，廣義預測控制可以通過現(xiàn)有時刻的控制變量確保在設定時間段內的輸出和期望輸出保持一致。由于暖通空間的運行狀態(tài)是不斷變化的，同時在運行過程中還會受到各種外界因素的干擾，以下主要借助人工網(wǎng)絡的強學習降低影響。

暖通空調冷水溫度預測控制需要借助系統(tǒng)模型對冷水機組的運行狀態(tài)進行辨識，進而獲取對應的輸入信息，同時對設定的目標函數(shù)進行優(yōu)化，獲取冷水溫度的變化規(guī)律。

由于在線優(yōu)化會導致計算量增加，為了更好解決上述問題，通過RBF模糊神經(jīng)網(wǎng)絡對冷水溫度預測進行在線優(yōu)化。其中，模糊神經(jīng)網(wǎng)絡的輸出即為超低能耗建筑暖通空調冷水調節(jié)電壓u(k+N)，可以通過式(8)進行計算

(8)

式中，SjN代表空調系統(tǒng)的預測輸出；zi代表測試房間未來預測溫度輸出；cij代表房間的溫度差值變化；ρi代表空調調節(jié)閥電壓取值。

設定控制目標函數(shù)J為

(9)

式中，y(k+i)代表測試房間的期望溫度；λ(k+i)代表測試房間的實際溫度；yr(k+i)代表房間最高溫度和最低溫度的差值。

采用優(yōu)化方法對性能進行優(yōu)化，獲取未來控制時長內暖通空調系統(tǒng)中冷凍水泵的調節(jié)電壓。為了降低超低能耗建筑暖通空調冷水溫度優(yōu)化控制過程的繁瑣性，借助梯度下降方法對目標進行優(yōu)化，確保暖通空調內各項指標的性能達到最佳狀態(tài)，同時也能夠更好地完成RBF模糊神經(jīng)網(wǎng)絡參數(shù)的調節(jié)和控制[12]。

其中，RBF模糊神經(jīng)網(wǎng)絡進行控制參數(shù)調節(jié)和修正的過程如以下公式所示

(10)

式中，aj，N(k)、cj，N(k)和ρj，N(k)代表未進行調整和修正前的控制參數(shù)；aj，N(k+1)、cj，N(k+1)和ρj，N(k+1)代表經(jīng)過調整和修正后的控制參數(shù)。

結合上述分析，使用預測信息和設定的目標函數(shù)進行在線校正，得到暖通空調冷水最佳溫度，最終實現(xiàn)超低能耗建筑暖通空調冷水溫度優(yōu)化控制。

3 仿真研究

為了驗證所提超低能耗建筑暖通空調冷水溫度優(yōu)化控制方法的有效性，將建筑暖通空調系統(tǒng)作為研究對象，利用圖3給出系統(tǒng)的具體組成結構。

圖3 建筑暖通空調結構圖

1)暖通空調冷水溫度優(yōu)化控制效果分析：

在夏季運行工況下采集300組測試數(shù)據(jù)，其中包含各個時刻的冷水溫度。分別對比所提方法、文獻[2]方法和文獻[3]方法優(yōu)化后的暖通空調冷水溫度優(yōu)化控制效果，如圖4所示。

圖4 暖通空調冷水溫度優(yōu)化控制效果對比分析

分析圖4中的實驗數(shù)據(jù)可知，所提方法經(jīng)過優(yōu)化控制后冷水溫度和最佳冷水溫度更加接近，而另外兩種方法則處于忽高忽低的狀態(tài)，由此可見所提方法的優(yōu)化控制結果更好。

2)冷水溫度調節(jié)時間分析：

為了進一步驗證所提方法的控制性能，實驗選取冷水溫度調節(jié)時間作為測試指標，選取15組數(shù)據(jù)作為測試對象，具體實驗結果如表1所示。

表1 不同方法的冷水溫度調節(jié)時間對比結果

分析表1中的實驗可知，相比文獻[2]方法和文獻[3]方法，所提方法能夠以更快的速度完成冷水溫度調節(jié)。

3)水泵運行能耗分析：

分析經(jīng)過各個方法進行暖通空調冷水溫度優(yōu)化控制后，建筑暖通空調中的水泵運行能耗變化結果如圖5所示。

圖5 不同方法的水泵運行能耗對比結果

分析圖5中的實驗數(shù)據(jù)可知，由于所提方法對建筑暖通空調水系統(tǒng)的運行工況進行了辨識，全面掌握系統(tǒng)的運行情況，進而制定相應的控制器，有效簡化了操作流程，使所提方法的水泵運行能耗得到有效降低，且明顯低于另外兩種方法，充分證明所提優(yōu)化控制方法的優(yōu)越性。

4 結束語

為了使房間溫度在低能耗情況下達到最佳狀態(tài)，提出一種超低能耗建筑暖通空調冷水溫度優(yōu)化控制方法。經(jīng)實驗測試證明，所提方法能夠在較短的冷水溫度調節(jié)時間和水泵運行能耗下完成優(yōu)化控制，同時控制結果達到理想狀態(tài)。但是所提方法在研究過程中沒有考慮滾動優(yōu)化對控制系統(tǒng)產生的影響，后續(xù)還將進一步和各種優(yōu)化算法相結合，進一步提升算法的控制性能。