混合式制冷制热系统控制方法研究

张 灿，姚嫣菲，徐 坚

（1. 浙江华云清洁能源有限公司，杭州 311112；2. 浙江交通职业技术学院，杭州 311112；3. 江西新能源科技职业学院，江西 新余 338004）

0 引言

地源热泵是典型的混合式制冷制热系统，是指以土壤源为主要冷热源，结合其他辅助冷热源的热泵空调。在南方地区，通常采用冷却塔、冰蓄冷等辅助冷源；在北方地区，通常采用太阳能、污水源等辅助热源［1］。

混合式系统不仅具有单一地源热泵高效节能的优点，还可以利用辅助冷热源来平衡过多的冷负荷或热负荷，避免地下“热堆积”现象［2］。目前，在埋管空间有限的建筑中，混合式系统的应用较多。

混合式系统的控制难点在于如何合理切换冷热源。已有的控制方法包括:控制埋管换热器供水温度在一定范围内；控制埋管换热器供水温度与室外环境温度差；设定辅助冷热源的启停时间［3］。采用传统控制方法往往会出现前两个月埋管换热器运行效果好，后两个月效果很差，甚至低于辅助冷热源的效率，原因是没有对埋管换热器运行状况进行评估，不能及时发现潜在的故障风险，错过了最佳的调控时间［4］。

本文在准确预测系统短期、中期和长期冷热负荷的基础上，采用变周期模型评估健康状况，进而控制地源和辅助冷热源的启停，实现对混合式系统的合理控制。

1 冷热负荷预测

对于地源热泵系统，冷热负荷的变化会导致地下温度场的变化，从而影响系统的制冷（热）量和效率［5］，因而准确预测冷热负荷非常必要。然而，由于气象因素和人类生活行为的混沌性质，冷负荷数据总是表现出非线性和动态的特征，因而将冷负荷精确可靠的预测变得非常困难［6］。

本文采用改进的DBN网络预测短期、中期和长期冷热负荷。DBN 是将多个受限玻尔兹曼机（restricted Boltzmann machine，RBM）［7］组成的网络模型逐层训练以挖掘高维特征，在高维以及非线性、动态性强的数据预测中取得良好效果。传统RBM 可视层输入一般为二进制，而空调负荷为连续性数据，容易导致数据丢失，因此本文引入带独立高斯分布的连续性受限玻尔兹曼机（CRBM）替代传统RBM，如图1所示。

图1 改进的DBN网络结构Fig.1 Improved DBN network structure

改进DBN算法具体步骤如下:

（1）输入训练样本，并对样本进行CRBM处理；

（2）初始化各RBM层的权重和偏置γ={ω,a,b}，开始RBM的迭代训练；

（3）优化更新γ，计算原目标对参数γ的梯度，然后根据更新的梯度对参数γ进行更新，直到参数γ满足要求；

（4）利用更新的参数γ进行反向训练，更新整体网络参数；

（5）进行冷负荷数据的预测。

以下结合实例介绍空调冷负荷预测方法。

1.1 短期负荷预测

短期负荷受天气影响较大。因此，根据近两日的气象参数和短期负荷，结合天气预报信息预测下个工作日的短期负荷。

短期负荷计算如下

式中:t为开启时间，s；C为水的比热，J∕（kg·℃）；ρ为水的密度，kg∕m3；Ti为地源侧回水温度，℃；To为地源侧供水温度，℃；V为地源侧流量，m3∕s。

气象参数选择平均温度和平均湿度。预测方法采用改进的DBN 网络结构。输入变量包括近两日的冷负荷值、平均温度和平均湿度以及下一工作日的天气预报（平均温度和平均湿度），输出值为下一工作日的冷负荷。

1.2 中期负荷预测

中期负荷受天气影响较小，且具有较强的季节时序性，只需根据去年的数据，结合近期的冷负荷来预测中期负荷。

预测方法采用改进的DBN 网络结构。输入变量包括:去年的中期冷负荷值和气象参数，最近10日的冷负荷平均值和气象参数，去年对应的10日冷负荷平均值，输出变量为中期冷负荷的预测值。

1.3 长期负荷预测

长期负荷需考虑长周期（30年）内的年负荷值，假设气候不发生较大的变动，根据历史监测数据和近1年的负荷来预测长期负荷。

预测方法采用改进的DBN 网络结构。输入变量包括:最近1年的年均负荷和气象参数，最近2个制冷季的负荷值和气象参数，输出变量为长期负荷的预测值。

1.4 预测模型验证

为了验证改进DBN网络预测短期、中期和长期冷热负荷的准确性，需要进行实验验证。所需预测数据通过实测数据得出，前7年的1 176组数据作为模型训练数据，其中短期、中期和长期各392组；后3年的504组数据作为测试数据，其中短期、中期和长期各168组。

项目为酒店类建筑，位于杭州，空调面积6 000 m2，系统采用单U型地下埋管，主机为两台水源热泵机组，冷却塔作为辅助冷源，总制冷量617 kW，总制热量659 kW。

运行数据包含气象参数、地源侧供回水温度、用户侧供回水温度、机组和系统耗电量。时间自2009年12月31日至2019年12月31日，总计87 600 h。通过计算供回水温度和流量能够较为准确地得出空调负荷的实际变化趋势，满足模型验证要求。训练集预测结果如图2所示，测试集预测结果如图3所示。

图2 训练集预测结果Fig.2 Prediction results of training set

图3 测试集预测结果Fig.3 Test set prediction results

由图2可知，在训练集预测结果中，空调系统负荷预测结果与真实值误差基本在±10%以内，负荷预测精度较高。

由图3可知，在测试集预测结果中，预测结果稍差，但大部分的负荷预测结果与真实值误差在±10%以内。对训练集与测试集预测结果的误差进行统计，误差在5%以内的数据占比分别为82.22%和80.27%，误差在10%以内的数据占比分别为98.06%和96.92%，训练集预测结果的决定系数R2=0.964 3，测试集预测结果的R2=0.943 0，模型泛化性能较好。

图4 分别给出了短、中、长期负荷的预测值，横坐标为时间序列号，可以看出预测值符合实际变化趋势，且预测精度较高。

图4 短、中、长期负荷预测值与实测值对比Fig.4 Comparison among short，medium and long-term load forecasting value and measured value

将改进的DBN预测模型与BP预测模型、LSTM预测模型以及DBN预测模型在划分好的训练集和测试集上测试对比，结果如表1所示，其中RMSPE为均方根百分比误差，由表1可知本文所提的模型准确度较高。

表1 预测模型对比Table 1 Comparison of forecasting models%

2 埋管换热器的健康评估

2.1 埋管换热器的变周期模型

本文针对不同时间尺度，不同空间区域的传热过程，采用变周期模型计算地下温场变化。

2.1.1 短期模型

本文采用文献［8］提出的有限长线源模型，并将其中的线热源强度用短期平均负荷-qs代替，如下所示

2.1.2 中期模型

采用文献［8］的有限长线源模型计算埋管换热器中周期的最大温升，并将其中的线热源强度用夏（冬）季平均负荷代替，如下所示

计算点p的温升需同时考虑N个埋管的影响，如下所示

式中:θp为p点的温升，℃；θi为某个钻孔单独运行时在p点的温升，℃。

2.1.3 长期模型

同时考虑热源、热汇影响，即可得到群管长期换热的有限长圆柱体热源模型如下

2.2 健康评估

埋管换热器的设计寿命在30 年以上。为确保其稳定高效运行，需进行全面的健康评估，以便及时采取有效的控制措施。

2.2.1 健康指数的定义

混合式系统的健康指数是评估某一周期内，埋管换热器运行效率高低的指标，最高值为100分，最低值为0分。

地下温度场的变化对于系统的运行影响很大，制热运行时，地下温度场温度高，则埋管换热器的供水温度高，主机性能系数高，健康指数高；地下温度场温度低，则埋管换热器的供水温度低，主机性能系数低，健康指数低。

制冷运行时，地下温度场温度低，则埋管换热器的供水温度低，主机性能系数高，健康指数高；地下温度场温度高，则埋管换热器的供水温度高，主机性能系数低，健康指数越低。

为了全面评估系统的运行状况，根据不同的时间周期，定义短期制冷健康指数为Hcs，中期制冷健康指数为Hcm，长期制冷健康指数为Hcl，短期制热健康指数为Hhs，中期制热健康指数为Hhm，长期制热健康指数为Hhl。

2.2.2 健康指数的计算方法

由于主机制冷时性能系数和地源侧供水温度成近似线性负相关，故本文提出一种制冷和制热健康指数的计算公式，如下所示

一般以土壤初始温度为最佳值，在主机低效运行区间选择某一温度值作为最差值。健康指数的具体计算步骤如下:

（1）预测短期、中期和长期冷热负荷；

（2）将热物性参数和冷热负荷预测值代入埋管换热器的变周期模型，得出埋管换热器的短期、中期和长期供水温度；

（3）根据实际情况确定制冷和制热工况的最佳或最差供水温度。夏季制冷时，理想的供水温度为18 ℃，较差值为32 ℃；冬季制热时，理想的供水温度为18 ℃，较差值为4 ℃；

（4）将数据分别代入式（6）、式（7）即可得出埋管换热器各周期的健康指数。

3 混合式制冷制热系统的控制策略

传统混合式系统一般采用总负荷及源侧供水温度混合控制策略，如表2所示。

表2 传统控制方法Table 2 Traditional control method

上述控制策略控制原理简单，易于实现，但没有考虑负荷的动态特性，在一些冷热负荷差异较大的地区容易存造成低效率运行，甚至存在热堆积的风险。为此本文提出一种基于负荷预测和健康评估技术的动态控制策略。

3.1 控制目标

因地下埋管换热器换热性能的变化存在滞后性，故需要提前评估，提前控制才能保证在全寿命周期内（30 年）的健康运行。为此，本文利用6 项健康指数来评估埋管换热器的短期、中期和长期制热制冷性能即健康状况，并以此作为故障判断依据，针对不同类型的故障采取相应的控制措施。

具体的健康指数控制目标值，应根据实际工程中辅助冷热源的运行状况来确定。一般地，地源热泵的运行效率应该高于辅助冷热源，此时为健康状态；当地源热泵效率低于辅助冷热源时为不健康状态。

3.2 控制策略

确定6 项健康指数的控制目标最低值Nc和Nh，两者的数值应综合考虑各辅助冷热源的特性来确定。以冷却塔作辅助冷热源为例，由于湿球温度是冷却塔的冷却极限温度，因此可以夏季平均湿球温度值对应的健康指数值作为控制目标。

当健康指数过低时，存在故障风险，启动相应的辅助冷热源，控制策略如表3所示。

表3 控制策略Table 3 Control strategy

与常规控制方法不同，本文提出，当中期健康指数过低时，应增加当季辅助冷源的运行时间，即不仅在高负荷日启动辅助冷热源，也在低负荷日开启辅助冷热源，最大限度降低埋管换热器的负荷。当长期健康指数过低时，应采取强制恢复运行，利用辅助冷热源为埋管换热器进行恢复性蓄能，以消除地下“热堆积”。

4 实例分析

4.1 工程概况

该项目为杭州某酒店类建筑，空调面积6 000 m2，系统采用单U 型地下埋管160 个，孔深65 m，主机为两台水源热泵机组，总制冷量618 kW，总制热量658 kW，选用冷却塔作为辅助冷源，冷却塔和埋管换热器串联连接。

4.2 传统控制方法的运行分析

2018 年采用传统控制法启停辅助冷源，设定埋管换热器的最高出水温度为32 ℃。当温度超过设定值时，启动冷却塔，当地源侧供水温度低于28 ℃时，关闭冷却塔。冷却塔和埋管换热器的负荷情况如图5所示。

图5 中，纵向条纹代表某日埋管换热器和冷却塔的平均负荷。在制冷季初期，负荷较小，地下温场温度较低，埋管换热器承担了所有负荷。7月初，负荷增大，地下温度逐渐升高，冷却塔承担的负荷逐渐增加。到7月末，冷却塔承担了大部分负荷。

图6为埋管换热器的供回水温度变化情况，图6中曲线代表埋管换热器供水或者回水温度的日平均值。6月20日前，地埋供回水温度较低，冷却塔始终未达到开启的条件，埋管换热器的换热量较大。7月1日以后，埋管换热器回水温度在某些时段高于37 ℃，冷却塔开启，但以埋管换热器单独运行为主。7月20日以后，埋管换热器回水温度显著升高，且埋管换热器供回水温差也逐渐变小，以埋管换热器和冷却塔联合运行为主。

由图5、图6 可以看出，在制冷季前期埋管换热器换热能力强，供水温度低；而在中期和后期，换热能力差，供水温度高，主机的运行条件非常不利。

图5 2018年夏季负荷分配Fig.5 Load distribution in the summer of 2018

图6 2018年夏季埋管换热器供回水日均温度Fig.6 Average temperature of supply and return water in the summer of 2018

4.3 健康评估控制方法的运行分析

2019年采用基于健康评估技术的控制方法，以制冷工况为例，如表4所示。

表4 改进的控制方法Table 4 Improved control methods

杭州地区夏季湿球温度的平均值为23.6 ℃，湿球温度是冷却塔的冷却极限温度，因此当地源侧出水温度高于23.6 ℃时，可能存在故障风险，故设置系统健康指数控制目标Nc为60分。辅助冷热源开启时间t=max{1.1ts，1.1tm，1.1tl}，其中ts、tm、tl分别为前1天的开启时间，前90天的平均开启时间，前365天的平均开启时间。冬季埋管换热器能够满足热负荷，无须切换辅助热源。

4.3.1 负荷预测

根据天气预报及历史运行数据预测出短期、中期和长期负荷。负荷预测结果显示输出值（即预测值）能较好地跟踪实测值，其中，短期预测结果R2 为0.931，中期和长期负荷预测结果的R2 分别为0.946和0.952，说明本方法预测空调负荷是可靠的。

图7为改进的控制方法。由图7可以看出，采用新控制方法后，冷却塔提前40天启动，这是由于5月11日短期健康指数低于设定值，为了保证高效运行启动辅助冷源。2019年夏季，冷却塔运行时基本避开了室外温度较高时段，且承担的负荷平均比2018年增加了23.9%，主要是通过准确的负荷预测，合理分配负荷，实现了主动控制。

图7 2019年夏季负荷分配Fig.7 Load distribution in the summer of 2019

4.3.2 健康评估及运行控制

为分析健康评估方法的合理性及控制方法的有效性，统计了2019年夏季埋管换热器供回水温度和短期、中期和长期健康指数，如图8 所示，能耗对比如表5所示。

图8 2019年夏季埋管换热器供回水日均温度Fig 8 Average temperature of supply and return water in the summer of 2019

表5 能耗对比Table 5 Energy consumption comparison

短期健康指数总体呈逐渐下降趋势，从5 月1日最高值100分降至5月11日60分，表示埋管换热主机功耗比例一般在2%～4%，耗电量一般占总耗电量的3%以内，过渡季节一般采用变频调节可实现冷却塔超低功耗运行，故相应的变化可忽略不计。

由表5可知，对比传统控制，本文所提方法总耗电量较低。且通过提前启动辅助冷热源，有效降低了电网高峰时段的负荷，实现了移峰填谷。从长期来看，由于冷热负荷不平衡，采用传统的水温控制方法，埋管换热器往往会超负荷运行，导致地下土壤温度逐年升高，主机性能系数逐年降低。因此，采用基于健康评估技术的控制方法对于长期稳定高效运行是非常必要的。

5 结束语

本文主要贡献如下:

（1）采用改进的DBN网络预测短期、中期和长期冷热负荷预测负荷，并通过实测实验数据验证了模型的准确性。实现了对空调需求的提前判断，尤其是中期和长期冷热负荷的预测，有助于冷热源的合理调配，实现主动控制。

（2）提出了混合式制冷制热系统埋管换热器的健康评估技术，分别对短期、中期和长期运行状态进行量化评估，并根据评估结果确定辅助冷热源开启时间，保证了系统的长期稳定高效运行，计算更方便，结果更精确。

（3）对比了两种不同控制方法的运行情况，表明采用健康指数的评估方法，能提前诊断系统的潜在故障，充分利用冷却塔的高效运行区间，延缓地下温度的持续升高，实现了混合式制冷制热系统的高效运行。D