基于组合算法的中央空调系统最优调控策略

黄仁魁，黄志炜，邱基盛

1.广东省珠海华发城市运营投资控股有限公司，广东 珠海 519030； 2.华南理工大学 建筑设计院，广东 广州 510640； 3.广东中粤电力科技有限公司，广东 广州 510635

0 引言

全球气候变暖的环境约束、我国经济发展步入高质量发展阶段的内在要求以及空调技术进展的技术触发，这些都对大型建筑物中央空调的制冷效率和节能提出了新要求。如何通过控制系统参数实现制冷效果的精准控制和节能方案的最优化，是理论和实践层面都值得深入探讨的问题。随着数据采集技术的进展，直接根据终端温度变化从而实现任意精度的调节取得了一定节能实效[1]，实现了显著的中央空调削峰效果，但也会带来用户舒适度的下降。更有效地研究应集中于中央空调系统的工作参数调节，从而有可能实现在源头上进行节能优化控制。直接以节能为目标，以冷冻水、冷却水流量以及制冷机运行台数为约束条件，建立多目标规划模型并通过数值求解，实现基于冷负荷需求预测和中央空调功能调节[2]。有学者从热力学建模的角度、基于机器学习的优化控制策略[3]等，建立涉及中央空调主机、循环水泵系统、终端组件等多终端中央空调需求响应模型，取得了成功的探索。另外，将智能控制技术应用于中央空调监控系统中的变风量控制及定风量控制[4]，是基于智能控制技术解决中央空调能耗过大的问题；改进型模糊PID控制算法与蚁群算法相结合，能够提升参数调节的响应速度，并且有较好的、冷冻水系统的时变性[5]；对样本测量值与预测值之间的偏差，通过模拟退火算法进行实时调节，实测结果表明节能率可以达到16.24%[6]。

基于改进遗传算法策略优化中央空调各运行参数的方法曾取得节能率11.71%的效果[7]，相比于直接按照终端目标值的控制策略也更加稳定；也有通过线性回归的方法对采集的参数数据进行处理，从而得出冷负荷函数关系[8]，并据此建立基于能量需求的节能模型。但在实际问题中，由于某些时候受外部环境、其他电气设备、人员流动等因素的影响，可能会出现传感器采集数据有些不稳定情况，或个别的异常数据；有时也会出现待机空转耗电的情况。已有研究在这些方面分析还不够深入，也没能从整体上研究冷却负载、系统效率、耗电量与冷水泵转速、冷凝水泵转速和冷却塔风扇转速之间的关系；本文将在分析上述关系的基础上，分析冷却负载、系统效率、耗电量与可控变量和不可控变量之间的关系，并计算相应的系统总耗电量和系统效率。本文所研究的系统包括三套冷却装置（Chiller，记为CH-1/2/3）、 两个冷却塔（Cooling Tower，记为CT-1/2，二者等效）、三个冷凝水泵（Condenser Water Pump，记为CWP-1/2/3）和四个冷水泵（Chilled Water Pump，记为CHWP1/2/3/4）。三套冷却装置的额定功率分别为550RT，550RT和235RT（RT为冷却吨，即表示制冷能力的功率单位，1RT =3.517kw）；该城市常年平均温度为25至32摄氏度之间，平均湿度为85%左右。这些数据都是根据外部环境条件和经验由人工设定的控制策略采集得到的。

1 基于NSGA-Ⅱ和BP神经网络的组合算法

NSGA-II 算法[9]得到的非劣解分布均匀，具有良好的收敛性和鲁棒性，被广泛应用于解决多种问题。

本文通过将时间（Time Stamp）、相对湿度（rh）、干球温度（drybulb）、湿球温度（wetbulb）、三种装置的开关状态（chwp1stat,chwp2stat, chwp3stat, chwp4stat, cwp1stat,cwp2stat, cwp3stat, ch1stat, ch2stat, ch3stat,ct1stat, ct2stat）、冷水泵转速（chwp_pc）、冷凝水泵转速（cwp_pc）与冷却塔风扇转速（ct_pc）当作BP神经网络输入层变量，将系统耗电量（systotpower）和系统效率（effsys）输出层变量，构建它们之间的关系。其数学模型为：

其中，x1为对应的时刻，x2～x13为对应时刻的12个装置的开关状态，x14～x17分别为对应x1时刻的干球温度、湿球温度、冷却负载和相对湿度，x18～x20为需要求解的冷水泵、冷凝水泵与冷却塔风扇的最优控制转速，以上变量为遗传算法的群体个体。f1(x)为系统耗电量，f2(x)为系统效率，是由神经网络模型确定的，两者组成遗传算法的适应度函数。

2 仿真实验

2.1 数据预处理

数据来源于热带地区某城市的一套中央空调系统，样本数据量为88840条，总共78天，每一天的数据都有周期性的规律。通过聚类分析可知每天大概可以分为两类，第一类为高耗电量，其时间段是每天的07:00～19:00；第二类为低耗电量，其时间段是每天的19:00到隔天的07:00。为了避免对后续建模的影响，采用原则对数据样本进行处理，即将样本符合下式的样本剔除，以期保证最后模型的准确性。数据量由原先的88840条缩减为79414条记录。在数据样本中，各个变量之间存在不同的量纲，为消除量纲的影响，也为了加快模型训练速度，对上述新生成的数据进行归一化处理。归一化公式为：

对冷却负载、系统效率、耗电量与可控变量和不可控变量之间进行相关性检验，检验结果得出各变量均与冷却负载、系统效率、耗电量之间均有较强的相关性，所以接下来对冷却负载、系统效率、耗电量与可控变量和不可控变量之间进行典型相关分析。下面以系统耗电量、冷却负载和系统效率作为目标变量，分析其与可控变量和不可控变量之间的关系模型，检验结果如表1所示。

表1 典型相关分析检验结果

由表1可知，3对典型变量的典型相关系数平方都能达到80%以上，模型拟合程度较高，其中第一对典型变量的累积概率为0.9356，已超过90%。进一步分析发现：在可控变量中各个设备的转速、对系统耗电量的典型相关变量的影响系数较大，对冷却负载和系统效率的影响效果较小；而设备的开启状态对系统耗电量的典型相关变量的影响系数较大；在不可控变量中，冷却装置进出水温对系统耗电量的典型相关变量的影响系数较大，对冷却负载和系统效率的影响系数较小。因此，可控变量与不可控变量总体上对系统的耗电量影响较大，对冷却负载和系统效率的影响较小。另外，系统耗电量和冷却负载对可控变量、不可控变量的第一个典型变量的影响系数较大，有正向作用，而系统效率对其变量的第一个典型变量的影响系数较小，有负向作用。上结果反映可控变量与不可控变量对系统耗电量、冷却负载的影响较大，成正向作用；而对系统效率的影响较小，成负向作用。

2.2 基于BP神经网络的模型拟合优度检验

本文构造的BP神经网络误差收敛情况如图1所示，此次训练经过832次迭代即达到设定的最小误差，收敛误差为0.00099712，收敛效果较好。同时，输入变量和输出变量之间的相关系数为R=0.99633，拟合程度较高，相关性较强。

图1 神经网络误差收敛图

测试结果表明系统耗电量相对误差处于[-0.5,0.5]之间，系统效率相对误差处于[-0.1,0.1]之间，因此神经网络拟合程度较高，能够描述时间、室外温度和湿度、冷却负载、设备状态、三种装置和系统耗电量、系统效率之间的关系。

3 基于组合算法的最优控制策略

本文通过上述设计的多目标规划模型，利用NSGA-II算法寻找了在一定时间内，各个时刻对应的非劣解集。设置在某1min中，种群群体个数为100，连续迭代100次，当连续迭代超过5次不进化的时候停止迭代。其中交配概率为0.8，变异概率为0.2，最优个体系数为0.2，即设置非劣解个数为20个。图2是通过研究连续20分钟优化后的系统耗电量与实际系统耗电量之间的比较图。

图2 连续20min系统耗电量优化情况

在上述连续的20min中，可以计算得到每个时刻的耗电量的相对减少值，即节能率为，如表2所示。

表2 连续20min系统耗电量与节能率

可以看出，优化后的系统耗电量明显低于实际的系统耗电量，其平均节能率为27.4%，系统节电1219.40298KW。与只调节三种装置转速或者所有装置的开关状态相比，同时对所有系统可控变量进行优化，能够提高优化效果。同时，在神经网络训练中，加强数据拟合能力，模型泛化能力，能够提高其在遗传算法中的寻优效果。

4 结语

本文在深入分析各变量数据之间特性的基础上，通过典型相关分析法分析了中央空调系统的系统耗电量、系统效率、冷却负载与可控变量和不可控变量之间的关系；通过BP神经网络建立多输入多输出模型对系统中多变量之间复杂的非线性关系进行描述。空调系统的最优控制策略是：运用NSGA-Ⅱ遗传算法寻求上述模型在连续生产过程中控制系统的最优设定值，将使系统运行达到最优工作状态。根据给定的不可控变量情况下，先寻找以冷水泵、冷凝水泵和冷却塔的转速作为优化变量的最优目标值，再寻找以各个设备的状态变量作为优化调节变量的最优目标值，最后在给定的设备状态约束条件下，通过计算机模拟设备的最优开关状态，从而提出所有可控变量的最优控制策略。