暖通系统的优化控制研究

作者简介：陈晓波，高级经济师，现供职于上海城投控股股份有限公司，任党委书记、总裁。摘要：近年来，我国以“万物物联”为理念的智能/智慧建筑的建设促进了楼宇自控技术的快速发展。楼宇自控系统作为建筑机电设施的大脑，其性能差异对整个建筑机电系统能效水平影响巨大。楼宇自控在上世纪90年代末进入中国，已有20多年发展历程，但总体应用效果不容乐观。有超过70%的建筑自控系统在使用2年后就被部分或全部弃用。究其原因，主要是控制技术高速发展下整个技术及质量流程管理不当。当前兴起的物联网、人工智能和云计算技术的发展为解决该问题提供了可能。为此，构建了以实际节能量化为导向的应用场景，结合现场及云端的优化控制算法技术，提出了基于物联网和楼宇自控融合下暖通系统的优化控制方法，并形成了暖通系统的闭环运行控制平台。并结合某自用办公楼案例，研究暖通空调系统闭环优化控制，对比模型预测控制方法和传统控制方法，在保证用户整体热舒适性的同时，实现了整体建筑节能量14.5%的目标。通过经济性分析，本项目的投资回收期约为3.5年，而文中所提的优化控制方法有望在商业办公楼宇以及同类型建筑中得到推广应用。

关键词：建筑节能;物联网;暖通空调系统;优化控制;楼宇自控

中图分类号：F293

文献标识码：A

文章编号：1001-9138-（2020）11-0057-64

收稿日期：2020-09-25

随着由全球气候变化加剧而驱动的能源转型的发展，人类对建筑节能技术也提出了更高的要求。我国建筑节能实际还处于“存量节能”阶段，远没达到国际上“运行节能”的水平，建筑节能空间仍然巨大。现今，随着世界各国高度的城市化，建筑已成为了各国最大的用电用户，第三产业在经济上的比重远远超过第一和第二产业，用电结构也发生了变化。以美国为例，2017年商业公共楼宇用电一项就远超工业用电，商业公共楼宇的用电和住宅用电基本持平，都远远超过工业和交通运输用电，其中商业公共楼宇的用电约占社会总用电量的36%。随着居民对居住热舒适环境要求的提高，建筑暖通空调系统得到长期的发展应用。暖通空调系统用电在整个建筑中的占比较高，相关数据统计显示，夏季建筑的空调系统电耗占整个城市电耗的30%-50%之多，有些经济发达的城市这个数值甚至超过了50%。随着物联网以及楼宇自控技术水平的提高，以供需平衡为目标的建筑控制技术有益于建筑与智能电网的供需交互控制，从而推动我国建筑节能从“存量节能”向“运行节能”方向发展。

建筑物联网的发展，为智能建筑提供了发展基础。我国在《智能建筑设计标准》（GB/T 50314-2000）对智能建筑进行了相应的定义：须具备建筑自动化、办公自动化以及通信网络系统的设施平台，并同时拥有融合了建筑结构、系统、服务及管理的优化集成而为使用者提供高效、舒适、便利和安全的建筑环境的建筑。根据数据统计，全球智能建筑市场规模将在2022年达到1220亿美元，2016-2022年年均增长率预计为14%。在实际工程项目中，以建筑物联网的形式，通过搭建能耗数据采集平台，对所采集的数据进行分析及挖掘，开发先进的控制算法对建筑系统进行反馈控制和调节，从而实现对建筑节能控制的基本要求。仝子聪等人对北京新机场工作区工程一道桥及管网工程002标段的智慧能源管理系统进行了全面的能耗分析，结果表明，通过该智慧管理系统的管控后，月能耗总体费用平均下降3.4万元，节能效果显著。除了建筑节能控制，新型智慧建筑对居住者的热舒适性、健康等方面均有较大的提高。于震等人对楼宇自动化发展技术的进展进行了文献研究，列举了现今先进的自动控制技术并进行了详细的总结，具体包括物联网技术、预测控制技术、人工神经网络以及模糊控制等相关技术。同时，Su Bing等人对基于代理（agent-based）的分布式实时最优控制策略进行了研究，该控制策略拟用于未来基于物联网的智能传感器的建筑暖通系统。所提出的基于代理的最优控制策略能有效地控制不同的暖通系统组件，包括各类阀门、水泵以及风机等，节能效果明显。

现今，建筑物联网技术使数据的获取变得更加简单，促进了建筑大数据的发展。建筑物联网与建筑暖通系统控制的融合，有利于建筑能源系统的供需管理以及建筑运维平台的构建。建筑运维的核心是合适的控制算法，建筑暖通系统控制算法有很多，主要包括模糊逻辑控制（ fuzzy-logic control）和模型预测控制（ Model prediCtionControl）等。何振勇等人通过构建运维私有云总架构，实现建筑内部系统的统一管理，包括数据的高效互溶、互通和资源供需管控。Cheng Jack等人在BIM（ Buildinginformation models）和建筑物联网技术的基础上，使用机器学习算法对建筑系统的运维策略进行了研究;研究表明，通過人工神经算法ANN（ Artificialneural networks）和支持向量机SVM（ Support vectormachine）对暖通空调系统组件运行行为进行了预测，再从信息层获得不断更新的数据对组件进行控制修正，能够有效地提高建筑运维管控效果。

现有的文献研究表明，建筑物联网和楼宇自控技术是建筑未来发展的方向。特别是以建筑物联网带来建筑大数据的发展，为建筑暖通系统实时在线优化设计提供了可能。对于新建建筑，通过前期的机电系统优化设计，实现建筑节能总体目标。对于既有建筑，根据建筑现有不同系统形式进行系统改造升级，可实现建筑的智能化管控的升级。以上两项技术的融合，对于建筑暖通系统运行管理有非常高的应用价值。然而，我国虽然已有很多商业办公楼宇加入到了智能管控行列，但远没有达到智能控制的实际效果。以往研究大多数集中在先进理论控制上的分析，鲜有实际项目案例的节能效果研究。因此，本文总结了相应的控制算法，并结合实际工程案例，对基于物联网和楼宇自控融合下暖通系统的优化控制进行了研究，主要内容包括：智能化建筑能源系统的设计;暖通系统的优化控制方法研究;实际建筑楼宇的节能效果分析。

3.4经济性分析

通过在原有建筑暖通系统控制的基础上，本项目增加了建筑物联网设备、先进控制算法开融合以及楼宇自控系统的升级改造，因此增加了初始投资。从3.2小节节能量分析可知，通过以物联网及先进控制技术为基础的暖通系统优化控制，能够实现电量14.5%的节省目标，因此，本文对该项目的工程经济性进行了简要分析。各项目初始投资和回报的经济性分析见表2，从表中可以得出本文所提出的先进控制系统投资回报期约为3.5年。

4结论

针对暖通空调系统实际运维控制情况不佳的问题，本文通过对建筑物联网下建筑大数据在暖通空调系统的运行进行优化，通过对设备运行数据的采集分析，结合预测控制算法，提出了优化控制策略的建议，并通过实际建筑案例分析验证了所提出方法的可行性，对于理解暖通空调的优化自动控制策略，为暖通空调系统节能运行提供依据，具有实际应用价值。本文以某实际建筑为例，对其运行现状进行了深入了解，提出了适合的优化控制方法。通过对比所提出的预测控制方法和传统的手动控制方法，进行了四组对比实验研究。分析表明，实行优化控制后，总体用电量节省量约为14.5%，项目总体投资回收期约为3.5年。

在物联网和建筑大数据背景下，通过对楼宇暖通系统的优化控制，实现“运行节能”是降低建筑总体能耗的重要举措，本文所提出的通过建筑物联网与楼宇自控融合的优化控制方法能够对暖通空调系统的节能运行提供理论及应用指导，对于建筑节能减排具有非常重要的实际应用价值。未来，建筑大数据的数据质量保证以及先进算法的开发是两个重要的研究内容。

参考文献：

1.许鹏 陈永保 李为林等，建筑需求响应控制及应用技术.中国建筑工业出版社.2020

2.张公忠.物联网与智能建筑，智能建筑与城市信息.2011.14

3.吴寿良.浅读GB50314-2015《智能建筑设计标准》后的几点认识.智能建筑.2016.16

4.Yang（：，Lee K，IiS.A mixed activitV-hased costingand resource constraint optimal decision model for lOT一oriented intelligent huilding management system portfolios.Sustain Cities Soc.2020

5.Abdellah D.Azedine B.I_amia K.Ahmed L.loT andBig Data Analvtics for Smart Buildings：A Survev. ProcediaComputer Science.2020

6.仝子聪 徐志新 黄旭腾 任圆.智慧能源管理系统在工程施工中的应用.建筑节能.2018.46

7.陈滨 朱元彬 周敏 李卓函 徐友扣，居住建筑物联网室内健康环境实时监测系统构建及应用.暖通空调.2018.48

8.于震 李怀.楼宇自动化技术研究进展.建筑科学.2013.29

9.Bing S， Shengwei W. An agent-based distributed real-timP optimal control strategy for building HVAC systems forapplications in the context of future IoT-based smart sensornetworks. Appl Energ. 2020

10.Sajid H，Hossam AG. Daniel B，Farayi M， ShaligramP.Comfort-based fuzzy control optimization for energyconservation in HVAC systems. Control Eng Pract.2014;32

11.Aleksander P，Jakoh R，Daniel S，Igor S，Martin H，lgor K.Energy-efficient fuzzy model-based multivariablepredictive control of a HVAC svstem. Energy&Buildings.2014

12.Abdul A，Farmkh J，Alan SF. Kaamran R.Artificialneural network （ANN） based model predictive control （MPC）and optirnization of HVAC systems：A state of the art reviewand case studv of a resiciential HVAC system. Energy&Buildings. 2017

13.NarPn SR. Karthikeva D，Bn C，Herbert AI. Prabir B.Model predictive control for energy-efficeient HVAC operationwith humidity and latent beat considerations.Appl Energ.2020

14.何振勇 耿望阳，面向智慧建筑IOT和BIM的运维云研究.智能建筑.2016.17

15.Jack CPC. Weiwei C，Keyu C，Qian W.Data-driven predictive maintenance planning framework for MEPcomponents based nn BIM and loT using machine learningalgorithms. Automat Constr. 2020

16.陈厚合 李泽宁 姜涛 李雪 张儒峰 李同庆.基于模型预测控制的智能樓宇用能灵活性调控策略，电力系统白动化.2019.43

17.陈炯德 王子轩 姚哗 王绍凡 冯静梅 赵鹏生.变风量空调系统用非线性模型预测控制方法研究.制冷学报.2019.40