暖通空调制冷系统建模及控制策略研究.pdf

中国新技术新产品2024 NO.4（上）-78-工 业 技 术暖通空调制冷系统经常被应用于大型商场、饭店、宾馆以及医院等符合变化较大的场所。该系统可降低装机容量，减少制冷主机与电力的增容费用，还能通过控制低谷与高峰期的用电量来降低实行峰谷电价城市的运行费用1。暖通空调制冷系统的设备比传统空调多，系统结构较复杂，如果运行过程中没有制定好控制策略与控制方法，就无法达到预期目标2。为此本文研究暖通空调制冷系统建模和控制策略，以降低系统运行成本。1 暖通空调制冷系统建模和控制策略研究1.1 暖通空调制冷系统预测模型构建 BP 神经网络与遗传算法相结合的暖通空调制冷系统预测模型，构建模型前需要选择建模参数，将参数进行归一化处理。1.1.1 暖通空调制冷系统建模参数选择暖通空调制冷系统构建模型需要选择、设定参数。由于暖通空调制冷系统的预测模型需要对空调送风温度、送风量以及空调房间内的相对湿度与温度进行预测，因此将制冷系统控制参数、室内状态参数以及室外气象参数等作为暖通空调制冷系统构建模型的输入参数。将太阳辐射强度、室外相对湿度以及干球温度作为室外气象参数，将人员负荷率、室内温度与相对湿度作为空调房间状态参数，将冷水阀门与风机变频器的控制电压、除湿器开启状态以及风阀控制电压作为空调控制参数，将前一时段的送风相对湿度、送风量与送风温度作为暖通空调制冷系统预测模型的输出。1.1.2 神经网络预测模型结构基于神经网络的暖通空调制冷系统预测模型的结构有3层，即输入层、输出层以及隐含层。通过公式（1）确定预测模型最佳隐层节点数目。mnla=+（1）式中；m、n、l 分别代表隐含层、输入层以及输出层的节点数量；a 代表 1 且 10 的任意常数。此处输入层节点数 n 为 13，输出层节点数为 4，由此可知 m 的取值范围为 6 m 14。通过试凑法获得暖通空调制冷系统的神经网络预测模型，如图 1 所示。1.1.3 数据采集采集人员采集负荷率、太阳辐射强度、室内/外温度/湿度等室内/外环境状态数据，与此同时还需要获取送风机暖通空调制冷系统建模及控制策略研究周鹏（中国计量科学研究院，北京 100029）摘 要：本文研究了暖通空调制冷系统建模和控制策略，降低制冷系统运行成本。首先，选择暖通空调制冷系统建模参数，采集室内、外环境状态数据并进行归一化处理。其次，构建基于 BP 神经网络与遗传算法的神经网络预测模型，通过反复训练获得空调第二天所需冷负荷值，基于预测结果设计，以系统运行费用最少为目标函数的优化模型，获得暖通空调制冷系统的最优控制策略。试验表明，该方法能够根据预测结果提出适合的控制策略，降低实际运行费用。关键词：空调制冷系统；控制策略；运行成本；建模参数；归一化处理；神经网络中图分类号：TP273文献标志码：A图 1 暖通空调制冷系统的神经网络预测模型中国新技术新产品2024 NO.4（上）-79-工 业 技 术控制电压、风阀控制电压、除湿机开启状态以及冷水阀门控制电压等暖通空调制冷系统的状态数据。采集人员在 8:0017:00，每 3 分钟对室内外环境状态数据进行一次数据采集，共采集 18 天。由于夏季天气炎热，空调使用率较高，因此集中在夏季进行采集，每组采样温度区间从 32降至 26停止。1.1.4 数据归一化处理由于暖通空调制冷系统数据集特征间的度量尺度不同，因此需要进行归一化处理，即将采集的暖通空调制冷系统数据转化为 0，1 的数值，具体转变方法如公式（2）所示。minmaxminiixxxxx=（2）式中：xi代表暖通空调制冷系统数据转化后的采样值；xi代表输入的原始暖通空调制冷系统数据；xmin代表采样区间内的最小值；xmax代表采样区间内的最大值，在本文预测模型中将 xmin设置为 0。由于隐含层内激发函数的取值范围为（0，1），无法获得函数的最小值与最大值，导致预测模型不能获得暖通空调制冷系统的输出极值，易出现局部麻痹情况，影响预测网络的收敛速度，因此将数据归一化公式转变为公式（3）。minmaxmin0.90.05iixxxxx=+（3）通过公式（3）可压缩暖通空调制冷系统预测模型输入参数的归一化值，避免训练过程中出现局部麻痹的现象。经过训练后获得暖通空调制冷系统的神经网络预测模型的输出值 op，取值区间为（0，1），需要将输出值转化为实际值，如公式（4）所示。ypo=op（ymax-ymin）+ymin （4）式中：ypo代表输出值归一化后的实际值；ymin、ymax分别代表预测模型所输出的最小值与最大值。1.1.5 基于 BP 神经网络与遗传算法的神经网络预测模型本文在暖通空调制冷系统预测模型构建过程中引入遗传算法，通过遗传算法对 BP 神经网络进行训练，通过遗传算法的全局搜索优势消除 BP 神经网络算法陷入局部解的弊端。通过选择、交叉以及变异等遗传操作模拟生物进化过程，获得最优阈值与权值。将获得的阈值与权值输入 BP 神经网络预测模型中进行运算，充分发挥 BP 神经网络与遗传算法的优点，提高神经网络的收敛速度和预测模型输出结果的准确性。神经网络预测模型流程图如图 2 所示。在基于遗传算法与 BP 神经网络的训练过程中，将初始种群数设置为 30，交叉概率大约为 0.08，任意生成初始父代群体，适应度函数的具体计算过程如公式（5）所示。max21knfd=（5）式中：dk代表第 k 个模型输出值与期望输出值间的差值。经预测计算获得第二天所需冷负荷值，基于预测结果设计优化运行策略。1.2 暖通空调制冷系统优化模型1.2.1 优化目标在确保暖通空调制冷系统安全运行并满足冷负荷需求的情况下，对各制冷机组与蓄冰槽的逐日供冷量进行优化，降低系统的运行成本。构建以单日系统运行费 M 最小值为优化目标的目标函数，如公式（6）所示。()16116911i krkkikkrkiIR eikkiMP qeq bq Eq b=+=+（6）注：fmax为最大计算机适应度值；e为一个实数。图 2 基于 BP 神经网络与遗传算法的神经网络预测模型流程图fmax1/e11/e1fmax1/e2中国新技术新产品2024 NO.4（上）-80-工 业 技 术式中：qrk代表 k 时暖通空调制冷系统输出的冷量；P（qrk）代表暖通空调制冷系统 k 时的所消耗的电量；ek代表空调系统工作 k 时共花费的电价；b 代表蓄冰槽提供 1kWh 冷量所花费的电价；EIR代表系统单位制冷量负荷率与耗电量间的函数；qik代表 k 时内蓄冰槽输出的冷量。该目标函数的约束条件如公式（7）公式（10）所示。qrk+qik=qk（7）161242450ikxbkqQ=kW（8）161242450rkzxbzkqQQQ=kW（9）91rkrkiiqq=（10）式中：Qxb代表蓄冰槽输出的总冷量；qk一般为已知量，代表任意时刻的负荷；Qz代表白天空调总冷负荷。1.2.2 优化控制策略为使暖风空调制冷系统移峰填谷能力最大化，彻底解决空调系统蓄冰量过多或过少的问题，采用以下控制策略优化暖风空调制冷系统。1）在一个制冰周期内，蓄冰设备需要进行蓄冰和融冰，确保制冰主机能够在用电低谷期将制冰工作全部完成，以便在用电高峰期满足全部供冷需求。2）暖风空调制冷系统供冷时优先开启基载主机，再开启双工况主机，最后开启三工况主机，确保每个主机都能高效工作，避免频繁启停。2 试验结果试验通过 MATLAB 对某机场的暖风空调制冷系统进行建模，其中 L1L4 代表双工况主机，L5、L6 分别代表三工况主机，L7L9 代表基载主机。结合神经网络预测模型对系统符合进行预测，最终基于预测结果求解最优控制数学模型，获得不同负荷率情况下暖风空调制冷系统的优化控制策略。将空调系统分为4个用电阶段，用电低谷时段是23:00次日 07:00 和 12:0018:00，用电量较多的时间段是 08:0011:00 与 19:0022:00，被称为用电高峰期。结果表明，23:00次日 06:00，双工况主机与三工况主机均处于满负荷制冰状态，只开启基载主机就能满足该时段的供冷需求。负荷率为100%时，在白天用电低谷时段，将双工况与三工况主机作为主要供冷设备，在夜晚用电高峰时段，将蓄冷设备作为主要供冷设备，在白天用电低谷时段将电能进行存储；负荷率为75%时，在上午与夜晚的用电高峰时期采用冰蓄冷设备进行满负荷供冷，在下午用电低谷时期，通过双工况主机与三工况主机进行供冷，并将机组供冷不足部分进行补充；负荷率为 50%时，在白天与夜晚的用电高峰时期也使用冰蓄冷设备进行满负荷供冷，在下午用电低谷时期，通过双工况主机与基载主机进行供冷，补充供冷不足部分；负荷率为 25%时，由于此时负荷率过小，均通过冰蓄冷设备进行满负荷供冷，只在部分用电低谷时期采用冰蓄冷设备与基载主机联合供冷的方式。不同负荷率情况下，暖风空调制冷系统的运行策略见表 1。试验计算全年采用优化策略与未采用优化策略的单位冷量平均电费、实际运行电费，具体见表 2。根据表 2 可知，采取优化策略后，暖风空调制冷系统的单位冷量平均电费降低了 6.19%，实际运行电费节省约 35.6万元。本文方法能够实现暖通空调制冷系统运行费用最少的目标，可降低系统的运行成本。3 结论大型暖风空调制冷系统的控制过程非常复杂，控制参数与运行数据较复杂，传统的控制方法不能达到理想效果。本文结合 BP 神经网络与遗传算法，提出暖风空调制冷系统的预测模型，对暖风空调制冷系统的用电量、负荷量等进行预测，最终以预测结果为基础构建目标函数，提出相关控制策略，降低了暖风空调制冷系统的总用电量和运行成本。参考文献1 张磊，韩云龙，纪杰，等.纺纱空调系统制冷控制策略优化研究 J.棉纺织技术，2022，50（10）：7-10.2 徐科，徐晶，李娟，等.基于暖通负荷集群响应能力的电力系统频率控制策略 J.电力系统及其自动化学报，2022，34（3）：37-44.表 1 不同负荷率下的优化控制策略时段25%负荷率50%负荷率75%负荷率100%负荷率23:00次日06:00蓄冰设备蓄冰、L7L9供冷蓄冰设备蓄冰、L7L9供冷蓄冰设备蓄冰、L7L9供冷蓄冰设备蓄冰、L7L9供冷06:0007:00蓄冰设备供冷蓄冰设备供冷L7L9供冷L1L9供冷07:0008:00蓄冰设备供冷蓄冰设备供冷蓄冰设备满负荷供冷、L7L9补充供冷L1L9供冷08:0009:00蓄冰设备供冷蓄冰设备供冷蓄冰设备满负荷供冷、L7L9补充供冷L1L9供冷09:0010:00蓄冰设备供冷蓄冰设备与L7L9供冷蓄冰设备满负荷供冷、L7L9补充供冷蓄冰设备与L1L9联合供冷10:0011:00蓄冰设备供冷蓄冰设备与L7L9供冷蓄冰设备满负荷供冷、L7L9补充供冷蓄冰设备与L1L9联合供冷11:0012:00主机+蓄冰设备联合供冷L1L4、L7L9联合供冷，蓄冰设备L1L9供冷，蓄冰设备补充供冷L1L9供冷，蓄冰设备补充供冷12:0016:00蓄冰设备蓄冰、L7L9供冷L1L4、L7L9联合供冷，蓄冰设备L1L9供冷，蓄冰设备补充供冷L1L9供冷，蓄冰设备补充供冷16:0017:00蓄冰设备供冷L1L4、L7L9联合供冷，蓄冰设备L1L4、L7L9联合供冷，蓄冰设备L1L9供冷，蓄冰设备补充供冷17:0018:00蓄冰设备供冷L1L4、L7L9联合供冷，蓄冰设备L1L4、L7L9联合供冷，蓄冰设备L1L9供冷，蓄冰设备补充供冷18:0019:00蓄冰设备供冷蓄冰设备与L7L9供冷蓄冰设备满负荷供冷，L7L9补充供冷蓄冰设备供冷、L7L9补充供冷19:0020:00蓄冰设备供冷蓄冰设备供冷蓄冰设备满负荷供冷，L7L9补充供冷蓄冰设备供冷、L7L9补充供冷20:0021:00蓄冰设备供冷蓄冰设备供冷蓄冰设备与L7L9联合供冷蓄冰设备与L7L9联合供冷21:0022:00蓄冰设备供冷蓄冰设备供冷蓄冰设备供冷蓄冰设备与L7L9联合供冷表 2 单位冷量平均电费和实际运行电费指标采取优化策略未采取优化策略实际运行总负荷（kWh）6176948单位冷量平均电费（元/冷吨）0.87590.9336实际运行电费/元5410388.7535766798.653