中央空调系统的优化控制算法研究进展★

朱　婵

(四川建筑职业技术学院，四川 德阳　618000)



·水·暖·电·

中央空调系统的优化控制算法研究进展★

朱婵

(四川建筑职业技术学院，四川 德阳618000)

介绍了遗传算法、模拟退火算法和粒子群算法三种常用的中央空调控制策略优化算法，阐述了不同算法的原理和研究进展，并比较了不同算法的适用方向及性能特征，提出了中央空调系统优化算法的进一步研究方向。

中央空调系统，遗传算法，模拟退火算法，粒子群算法

0　引言

现代社会空调能耗占建筑总能耗的一半以上，降低空调能耗是建筑节能的重要途径之一。空调设备在制造和设计时为应付各种极端情况，都是按照满负荷状态设计。然而在普通环境下，空调在90%时间内都处于部分负荷运转，其中，50%的时间其负荷仅为设计负荷的一半。因此，按需调整空调的设置能够大幅度降低能耗。针对这一特性，在20世纪50年代研究者就开始着手研究中央空调系统的优化控制。早期研究者利用手动和气动装置调节空调设定，使得空调在满足用户需求的同时降低能耗，在20世纪60年代之后，随着计算机技术的发展，研究者将计算机技术和空调技术结合起来，利用计算机仿真对中央空调系统进行建模和参数识别，再通过优化算法进行全局搜索，最终找出总能耗最低的参数搭配，从而确定中央空调的最优控制方案。本文将介绍几类常见的优化控制算法，并对控制策略的应用方向和性能差异进行比较。

1　常见的中央空调控制策略优化算法

目前，用于优化中央空调系统控制策略的智能算法，主要包括遗传算法、模拟退火算法和粒子群算法等，本节就这些算法的原理、研究进展和性能做详细阐述。

1.1基于遗传算法的中央空调优化控制策略

遗传算法是一类模拟生物进化过程的自适应全局优化算法。该算法由选择算子、交叉算子和变异算子构成，其中选择算子模拟了“适者生存”的自然法则，根据适应度函数对种群中的个体进行“优胜劣汰”；交叉算子模拟自然界的交配行为，通过融合不同个体的基因创造新的个体；变异算子则按照较低的变异概率创造新个体，在种群陷入早熟时，找出新的进化方向。遗传算法在非线性、多目标的优化问题中体现出了效率高、全局化、准确率高等多项优点，这些特性也适用于中央空调的优化控制。1996年由Wright, J.A.等人首次提出利用遗传算法解决空调系统的参数优化问题[1]；1997年香港大学的Huang等人将遗传算法用于优化空调系统的PID控制器，使得控制器的响应和设置速度加快[2]；2002年朱瑞琪等人结合制冷系统的动态仿真技术和遗传算法，提出了过热度模糊控制器的优化设计方法，利用仿真技术可以缩短模糊控制器的设计周期并节省优化所需的费用[3]；2004年Nassif等人在针对中央空调的优化控制策略的研究中，以能耗和人体舒适度为目标函数，利用遗传算法进行优化获得了显著的节能效果，后期Nassif还将神经网络技术与遗传算法结合起来对空调系统进行优化，并将推算出的控制策略应用于真实的空调系统中，实验显示该优化策略可降低系统11%的能耗[4，5]；近几年，研究者继续深入遗传算法在空调控制策略方面的研究，并提出了多种混合遗传算法。如杨助喜等人提出的基于蜜蜂进化型遗传算法的中央空调系统优化控制策略[6]、凌飞等人提出的基于改进型遗传算法的中央空调能效优化策略，该策略在遗传算法的基础上引入了种间竞争，使得算法的收敛性更好、全局搜索的效率更高[7]。

1.2基于模拟退火算法的中央空调优化控制策略

模拟退火算法是一类模拟固体退火过程的优化搜索算法。该算法的核心思想是：当固体温度处于高点时，其内部分子将在晶体格内自由移动，随着温度下降，分子的自由度也将随之下降，直到各分子都处于一个相对稳定的状态为止。因此，算法将以温度参数作为参考，在温度高时随机找出一个点作为优化对象，并评估其最终的优化效果；此外，为避免陷入局部优化，算法将以一定的比例接收其他点作为可能解进行评估，可能解的接收比例与温度的高低正相关。研究证明，模拟退火算法在解决组合优化问题方面具备较高的准确率和效率。

2006年Chang尝试将退火模拟算法应用于空调冷水机组的控制策略中，并获得了良好的优化效果[8]；2008年陈文凭等人提出了基于冷水机组性能曲线的中央空调水系统优化控制策略，该策略通过研究冷水机组中各设备不同时期的运行状态数据，建立与指定参数之间的曲线关系，从而建立系统的能耗模型，再通过退火模拟算法的优化从中找出基于全局的优化控制策略，实验证明利用该优化策略，在空调处于半负荷状态时可节能10%[9]。

之后范鹏飞等人将神经网络、PID控制器和退火模拟算法结合起来，用于优化变风量空调系统的温度控制策略，模拟退火算法与神经网络的结合增强了系统的学习能力，加快了优化速度，从而提高了系统的控制性能[10]。

1.3基于粒子群算法的中央空调优化策略

粒子群算法(PSO算法)是一种基于种群智能的优化算法，于1995年由美国心理学家James Kennedy和电气工程师Russell Eberhart提出。该算法的核心思想源自于模拟生物群体觅食行为的研究，假设一群鸟来到一片只有一块食物的区域，那么快速找到该食物的最优策略就是搜索离食物最近的鸟的周围区域。在算法中，将每只鸟的位置看作是一个可能解(即一个粒子)，食物所在位置为全局最优解。依据目标函数计算出当前位置的适应值，每个粒子按一定飞行速度向最优解靠拢，则最终搜索到全局最优。粒子群算法具备概念简单、控制参数少、易于实现、具有一定并行性等特点，同样适用于空调系统的优化控制策略研究。2010年马少华等人提出利用改进的粒子群算法为变风量空调系统设计一种用于温度和风量控制的PID控制器，与常规的PID控制方法相比较，纳入粒子群算法后系统能够高效的自动完成最优控制，实验数据证明系统调节时间缩短为常规方法的50%，超调量减少了70%[11]。2012年邹木春等人利用最小二乘支持向量机构造HVAC系统的仿真预测模型，通过粒子群算法的滚动优化搜索出系统的最优控制策略，并获得了良好的控制效果[12]。

2　算法比较

三类算法均适宜于解决大规模、非线性系统的优化问题。但算法本身的特点决定了其应用的方向和效果有所差异。从前文的介绍中可以看出，遗传算法多用于解决中央空调的全局策略控制问题，其全局的空间搜索能力和具有一定并行性的搜索方式，能够帮助系统快速找出适宜于当前环境的最佳参数设定，从而达到既满足用户舒适度要求又降低能耗的目标。实验数据表明将遗传算法引入到冷水机组的控制策略中后，系统的总体能耗可降低18.2%[13]；模拟退火算法同样被用于冷水机组的优化控制策略中，实验数据显示，在优化控制下冷水机组在不同负荷率下其节能效果存在差异，高负荷下其节能效果不明显，当负荷降低特别是在半负荷状态下，其能耗可降低10%[9]；由于单独使用模拟退火算法优化中央空调的控制策略其结果并不理想。因此，研究者将两者结合起来形成混合遗传模拟退火算法，该算法在遗传算法的基础上利用退火操作加入扰动因子，可有效防止种群陷入局部最优从而使算法的性能得到进一步提高，实验表明利用混合遗传模拟退火算法可将冷水机组的能耗降低21.61%[13]；粒子群算法是一类新型的优化算法，目前在中央空调的优化控制领域的应用不如前两类算法广泛，现阶段大多数研究仅将其应用于优化空调的PID控制器。实验证明利用改进型粒子群算法优化PID控制器，可使得控制灵敏度增高，稳定性增强，且误差率极低[14]。从中可以看出粒子群算法具备全局搜索能力强、优化效率高等特点，适宜于进一步扩大其应用范围。研究证明三类算法在性能方面存在差异，遗传算法的搜索效率高，自适应能力强，但容易陷入早熟，在全局搜索方面的能力偏弱；模拟退火算法存在收敛速度慢，效率低等缺点，但在全局搜索方面可弥补遗传算法的缺陷；粒子群算法则容易出现种群多样性低导致算法陷入局部最优解的问题，在改进的粒子算法中，研究者通过增加权重和随机初始化等策略帮助算法进行全局搜索。同样，为增强算法的搜索能力，将多种算法结合起来，取长补短形成新的混合算法也是一条解决之道。

3　结语

本文介绍了三类用于中央空调优化控制策略的自适应搜索算法，实验证明利用优化算法对空调控制策略的改进，能够大幅度降低空调能耗。但由于不同算法自身的局限性，单独使用一种算法来实现优化，其效果并不理想。因此结合多种算法的优点，设计混合算法是未来的发展方向。

[1]Wright,J.A.HVAC optimisation studies:Sizing by genetic algorithm[J].Building Services Engineering Research and Technology,1996，17(1):7-14.

[2]W.Huang,H.N.Lam.Using genetic algorithms to optimize controller parameters for HVAC systems[J].Energy and Buildings,1997,26(3):277-282.

[3]朱瑞琪,唐承志,阚怡松,等.运用遗传算法对制冷蒸发器过热度控制的优化方法[J].西安交通大学学报,2002,36(1)：4-7.

[4]Nabil Nassif,kajl S,Sabourin R.Evolutionary Algorithms for multi-Objective Optimization in HVAC System Control Strategy[A].Annual Conference of the North American Fuzzy Information Processing Society NAFIPS[C].2004:51-56.

[5]Nabil Nassif.Modeling and optimization of HVAC systems using artificial neural network and genetic algorithm[J].Building Simulation,2014,7(3):237-245.

[6]杨助喜,岳献芳,王立.基于蜜蜂进化型遗传算法的中央空调系统能耗优化研究[J].建筑科学,2011,27(6):78-82.

[7]凌飞.基于传热模型的中央空调系统综合能效优化[D].杭州:浙江大学硕士学位论文,2012.

[8]Yung-Chung Chang. An innovative approach for demand side management-optimal chiller loading by simulated annealing[J].Energy,2006,31(12):1883-1896.

[9]陈文凭,杨昌智,余院生.基于冷水机组性能曲线的中央空调水系统优化控制[J].流体机械,2006,31(12):73-78.

[10]范鹏飞，凌有铸.模拟退火算法改进的BP神经网络PID控制器在变风量空调系统中的应用研究[J].工业控制计算机,2014,27(2):71-73.

[11]马少华，毛宗磊，马强，等.基于改进的粒子群PID控制在变风量系统中的应用[J].沈阳建筑大学学报(自然科学版),2010,26(3):592-598.

[12]邹木春，龙文.基于PSO算法的HVAC系统LSSVM预测控制[J].中南大学学报(自然科学版),2012,43(7):2642-2647.

[13]马强.混合遗传模拟退火算法在中央空调水系统优化中的应用研究[D].杭州:浙江大学硕士学位论文,2012.

[14]唐鑫.中央空调冷冻水系统一种智能控制方式的研究[D].重庆:重庆大学硕士学位论文,2009.

On research progress of optimal control algorithm of central air-conditioning system★

Zhu Chan

(SichuanCollegeofArchitecturalTechnology,Deyang618000,China)

The paper points out the three common controlling strategies of the central air-conditioner, including the genetic algorithm, simulated annealing, and particle swarm optimization, points out the optimal algorithm, illustrates the algorithm principle and research progress, and compares their applied methods and performance features respectively, so as to enhance the further study on the algorithms.

central air-conditioner system, genetic algorithm, simulated annealing, particle swarm optimization

1009-6825(2016)23-0121-02

2016-06-09★：四川省德阳市科技支撑资助项目(项目编号：2015zz040)

朱婵(1984- )，女，讲师

TU831.3

A