罗昊敏，刘 伟，张洁雄，张 杰
(河北工程大学能源与环境工程学院，河北 邯郸 056038)
社会的不断进步和发展，会消耗大量的能源，因此，能源问题引起了相关人士的广泛关注[1]。另外一方面，我国经济建设得到快速发展，人们对生活质量提出了更高的要求。空调作为一种智能制热制冷设备被广泛应用于人们的生活中。空调在提升人类生活质量的同时也会消耗大量的能源。目前在我国城市的中央空调系统中，主要通过冷负荷实现冷水机组的选取。在实际运行的过程中，由于室外环境以及空调末端用途的不断变化，冷水机组有一半以上的时间都处于负荷状态，真实运行能效明显偏低。相关专家们希望可以通过较低的能耗完成空调制冷，确保用户的舒适度达到最佳。为此，获取了一些有关于空调冷水温度优化控制方面的研究。例如张帆等人[2]优先对PID控制器进行优化处理，通过蚁群算法进行优化增强全局搜索能力。同时利用高斯变异对信息素进行调整，设定偏差平方和为目标函数，建立空调冷冻水系统模型，借助模型完成优化控制。叶立等人[3]在联合仿真的基础上，构建空调闭环控制系统，加入粒子群优化算法对控制器参数进行优化，同时针对风机转速和压缩机开度进行调控，确保温度达到最佳。在上述已有方法的基础上，提出一种超低能耗建筑暖通空调冷水温度优化控制方法，仿真结果表明，所提方法能够有效降低冷水温度调节时间和水泵运行能耗，获取更加理想的优化控制结果。
2.1 建筑暖通空调水系统运行工况辨识
神经网络是由多种不同处理单元组成的复杂网络系统[4，5]，能够准确描述人脑的各项结构和主要特征。其中神经网络中各个神经元的输入以及输出关系能够表示为
(1)
式中，θ代表阈值；
xi代表神经元的输入；
ωi代表神经元之间的连接强度；
f(·)代表激活函数。
ANN模型是由人工神经元通过任意模式连接组成的[6，7]。其中，模型是由三个不同的因素决定的。ANN模型的具体操作步骤如下所示：
1)设定初始权系数w、v和连接强度阈值θj。
2)随机选取一种模式{Ak，Yk}提供给对应的网络。
3)计算隐含层和输出层两者之间的输出值能够表示为
(2)
(3)
式中，bf和Ct分别代表隐含层和输出层对应的输出值；
ωij代表神经元i和j间的连接强度；
υij代表神经元i和j之间的权值系数；
ai和bj代表学习率；
θj代表神经元的连接强度阈值；
γi代表神经元i的阈值。
(4)
5)对输出层和隐含层的权系数和阈值进行调整。
6)将任意一种学习模式直接传输至网络中，跳转至步骤3)重复上述操作过程，直至误差函数小于设定的误差函数最小值。
7)停止学习。
遗传算法(GA)是一种随机搜索算法[8，9]。标准GA的优化流程如图1所示。
图1 基本遗传算法的操作流程图
神经网络的整体结构设计和对应权值训练是目前比较重要的问题，目前已有方法主要通过相关的先验知识或者启发等完成网络设计，但是整体性能并不是十分理想。为了更好实现网络结构设计和权值训练，主要采用遗传算法对结构进行优化，得到全新的训练途径，即基于GA的神经网络。以下给出GA学习人工神经网络的详细步骤：
1)将种群进行初始化处理，设定不同参数的取值范围。另外，在实际编码的过程中，主要通过实数进行编码。
2)分别计算不同个体的适应度，同时将其进行排序，通过式(5)选取不同的网络个体
(5)
式中，ps代表不同个体的概率值；
N代表个体的总数；
fi代表个体的适应度取值，能够通过误差平方和E来衡量，具体的计算式为
(6)
式中，Ei代表个体的误差平方和；
Y代表学习样本数量。
3)通过概率pc对不同个体进行交叉操作，形成全新的个体，剩余没有进行交叉操作的个体直接进行复制。
4)通过概率pm突变形成全新的个体。
5)将获取的全新个体直接放置到种群P中，计算对应的评价函数。
6)计算ANN的误差平方和，假设达到设定值，则跳转至步骤7)；
反之，则跳转至步骤3)，继续进行遗传操作。
7)将GA的初始优化值设定为权值，借助BP神经网络对其进行训练，直至满足系统设定的精度条件。
超低能耗建筑暖通空调系统的年运行能耗总量和冷水机组两者之间存在十分密切的联系。由于暖通空调系统对应的冷负荷会受气象参数和室外环境等多方面因素的影响。其中冷水机组在运行过程中，一部分时间为负荷状态。因此，冷水机组的负荷是导致运行能耗增加的主要因素。
当空调系统处于负荷状态时，根据调节相关的运行参数，促使空调水系统的运行效率一直处于最优状态。对制冷系统的运行效率产生影响的因素主要包含冷却水温以及冷水水流量等多个不同的方面。
为了获取系统模型，优先采集大量的暖通空调冷水机组运行数据，通过人工神经网络对数据进行训练。当数据总数没有满足要求时，会导致算法无法实现收敛。一般情况下，网络的内在规律主要是通过训练结果的准确性进行描述的，准确性越高，获取的内在规律越详细。
为了促使空调水系统在运行过程中能耗达到最佳，不仅需要考虑机组效率，同时还需要考虑水泵的效率。用户在使用暖通空调系统进行制冷的过程中，不仅关注能耗的多少，更加关注运行费用。
对比两种不同矛盾结果对空调水系统的影响，设定冷水机组的综合能耗COPS为
(7)
式中，W1和W2分别代表电机和泵的输入功率；
Q代表数据组的预测值。
在上述分析的基础上，对建立的建筑暖通空调水系统的运行工况进行辨识，实时掌握空调水系统的运行状态。
2.2 超低能耗建筑暖通空调冷水温度优化控制
为了调节出舒适的房间温度，需要对建筑暖通空调冷水温度进行优化控制。房间温度优先需要考虑人体的热舒适度，除了和室内外空气温度存在关联外，同时还和空气湿度以及空气流动速度存在密切关联。PMV指标表示相同室内环境下大部分人的热舒适度，同时全面考虑了不同因素对热舒适度产生的影响。由于不同人体之间本身存在差异性，其中部分用户对热环境的满意度偏低，即利用PPD表示用户对热环境不满意的百分比。
由于PMV指标更加重视用户对热舒适度的满意度，所以房间温度的设定更需要考虑PMV指标，同时借助剩余的影响因素和PMV指标对房间温度进行设定。由于两者之间存在比较复杂的线性关系，需要对房间内的相对湿度以及空气流动速度等相关参数进行测量，以此为依据进行迭代计算，获取房间最佳温度。房间温度设定模型通过三层人工神经网络进行构建，设定输入节点数量为6个，其中对应的网络结构如图2所示。
图2 房间温度设定值神经网络
完成对房间温度的合理设定后，组建建筑暖通空调冷水温度优化控制器，采用RBF神经网络在线对设计的控制器参数进行优化[10，11]，获取房间预测温度输出，同时还能够降低暖通空调系统的能量消耗。
由于暖通空调具有时滞性，现阶段已有的控制信号需要等待比较长的时间才能够通过系统输出最终的结果。其中，广义预测控制可以通过现有时刻的控制变量确保在设定时间段内的输出和期望输出保持一致。由于暖通空间的运行状态是不断变化的，同时在运行过程中还会受到各种外界因素的干扰，以下主要借助人工网络的强学习降低影响。
暖通空调冷水温度预测控制需要借助系统模型对冷水机组的运行状态进行辨识，进而获取对应的输入信息，同时对设定的目标函数进行优化，获取冷水温度的变化规律。
由于在线优化会导致计算量增加，为了更好解决上述问题，通过RBF模糊神经网络对冷水温度预测进行在线优化。其中，模糊神经网络的输出即为超低能耗建筑暖通空调冷水调节电压u(k+N)，可以通过式(8)进行计算
(8)
式中，SjN代表空调系统的预测输出；
zi代表测试房间未来预测温度输出；
cij代表房间的温度差值变化；
ρi代表空调调节阀电压取值。
设定控制目标函数J为
(9)
式中，y(k+i)代表测试房间的期望温度；
λ(k+i)代表测试房间的实际温度；
yr(k+i)代表房间最高温度和最低温度的差值。
采用优化方法对性能进行优化，获取未来控制时长内暖通空调系统中冷冻水泵的调节电压。为了降低超低能耗建筑暖通空调冷水温度优化控制过程的繁琐性，借助梯度下降方法对目标进行优化，确保暖通空调内各项指标的性能达到最佳状态，同时也能够更好地完成RBF模糊神经网络参数的调节和控制[12]。
其中，RBF模糊神经网络进行控制参数调节和修正的过程如以下公式所示
(10)
式中，aj，N(k)、cj，N(k)和ρj，N(k)代表未进行调整和修正前的控制参数；
aj，N(k+1)、cj，N(k+1)和ρj，N(k+1)代表经过调整和修正后的控制参数。
结合上述分析，使用预测信息和设定的目标函数进行在线校正，得到暖通空调冷水最佳温度，最终实现超低能耗建筑暖通空调冷水温度优化控制。
为了验证所提超低能耗建筑暖通空调冷水温度优化控制方法的有效性，将建筑暖通空调系统作为研究对象，利用图3给出系统的具体组成结构。
图3 建筑暖通空调结构图
1)暖通空调冷水温度优化控制效果分析：
在夏季运行工况下采集300组测试数据，其中包含各个时刻的冷水温度。分别对比所提方法、文献[2]方法和文献[3]方法优化后的暖通空调冷水温度优化控制效果，如图4所示。
图4 暖通空调冷水温度优化控制效果对比分析
分析图4中的实验数据可知，所提方法经过优化控制后冷水温度和最佳冷水温度更加接近，而另外两种方法则处于忽高忽低的状态，由此可见所提方法的优化控制结果更好。
2)冷水温度调节时间分析：
为了进一步验证所提方法的控制性能，实验选取冷水温度调节时间作为测试指标，选取15组数据作为测试对象，具体实验结果如表1所示。
表1 不同方法的冷水温度调节时间对比结果
分析表1中的实验可知，相比文献[2]方法和文献[3]方法，所提方法能够以更快的速度完成冷水温度调节。
3)水泵运行能耗分析：
分析经过各个方法进行暖通空调冷水温度优化控制后，建筑暖通空调中的水泵运行能耗变化结果如图5所示。
图5 不同方法的水泵运行能耗对比结果
分析图5中的实验数据可知，由于所提方法对建筑暖通空调水系统的运行工况进行了辨识，全面掌握系统的运行情况，进而制定相应的控制器，有效简化了操作流程，使所提方法的水泵运行能耗得到有效降低，且明显低于另外两种方法，充分证明所提优化控制方法的优越性。
为了使房间温度在低能耗情况下达到最佳状态，提出一种超低能耗建筑暖通空调冷水温度优化控制方法。经实验测试证明，所提方法能够在较短的冷水温度调节时间和水泵运行能耗下完成优化控制，同时控制结果达到理想状态。但是所提方法在研究过程中没有考虑滚动优化对控制系统产生的影响，后续还将进一步和各种优化算法相结合，进一步提升算法的控制性能。
猜你喜欢 冷水机组暖通冷水 暖通空调设计中地源热泵实践建材发展导向(2022年3期)2022-04-19建筑暖通安装的施工问题与解决方法建材发展导向(2022年5期)2022-04-18关于建筑暖通消防防排烟设计的探讨建材发展导向(2022年5期)2022-04-18关于暖通工程节能问题与设计探讨建材发展导向(2021年19期)2021-12-06冷水泡面小天使·五年级语数英综合(2021年10期)2021-10-19冷水机组安装方法分析科学与财富(2019年9期)2019-06-11绿豆汤冲鸡蛋治嘴角糜烂特别健康·上半月(2017年10期)2017-09-22浅谈冷水机组机械式水流开关常见故障及解决对策科技与创新(2015年18期)2015-09-11冬季健身：冷水浴祝您健康(2000年1期)2000-12-28