基于粒子群算法的轨道交通车站通风空调节能控制方法

摘要 通风空调系统的能耗不仅直接关系到车站内乘客的舒适度，还深刻影响着整个轨道交通系统的能源效率和碳排放水平，因此该文提出基于粒子群算法的轨道交通车站通风空调节能控制方法。首先，针对影响轨道交通车站通风空调设备能耗的因素进行分析，有效实现空调系统能源利用效率的提高；其次，建立车站通风空调的节能控制模型，达到车站的节能降耗的目标；最后，确保通风空调系统具备出色的适应力，以应对多样化的控制需求，基于粒子群完成空调系统的节能优化与控制。实践结果表明：基于粒子群算法的轨道交通车站通风空调节能控制方法具有显著的节能效果、良好的系统稳定性和较强的适应性。

关键词 空调节能控制；通风空调；轨道交通车站；粒子群算法；节能环保

中图分类号 D26.4 文献标识码 A 文章编号 2096-8949（2024）23-0001-03

0 引言

随着城市轨道交通系统的快速发展，车站通风空调系统的能耗问题日益凸显，成为影响轨道交通运营成本和环境可持续性的关键因素之一。因此，探索并实施有效的节能控制策略，对于降低运营成本、提升能源利用效率以及促进城市轨道交通的绿色可持续发展具有重要意义。粒子群算法作为一种基于群体智能的优化算法，自提出以来便在函数优化、神经网络训练、模式识别等多个领域展现出强大的应用潜力和优势。其原理模仿了鸟群觅食的自然行为，通过群体中个体间的信息共享和协作，不断调整搜索方向和速度，以寻找全局最优解。在复杂系统的优化问题中，PSO算法凭借其良好的全局搜索能力和鲁棒性，成为解决非线性、多模态及高维优化问题的有力工具。

近年来，已经有很多学者对轨道交通车站通风空调节能控制方法进行了研究。例如，刘俊等[1]通过对车站空调系统实施按需节能技术改造，设计针对冷水机组、水泵、冷却塔风机及末端空气处理设备的节能调控方案，并构建了一个系统节能管理平台，确保按需供冷，提升了系统能效，降低了能源消耗。何大四等[2]建立车站建筑围护结构的模型，随后构建基于工频运行的空调系统基础模型，用于节能评估，分析采用最小水流量控制策略的空调系统及其节能成效。而该文方法将粒子群算法应用于轨道交通车站通风空调节能控制，旨在通过智能优化手段，动态调整系统参数，实现能耗与舒适度的最佳平衡。

1 轨道交通车站通风空调节能控制方法

1.1 影响轨道交通车站通风空调设备能耗的因素分析

轨道交通车站通风空调系统的能耗占整个车站能耗的较大比例，特别是在空调供冷季，通风空调系统能耗甚至达到地铁车站总能耗的60%～70%左右[3]。因此，提高通风空调系统的能效，对于降低轨道交通车站的整体能耗、减少运营成本具有重要意义。

基于上述分析，该文首先对车站通风空调系统的各设备进行分析：

（1）冷水机组是空调系统中能耗较高的关键组件之一，其性能常以能效比（COP）作为评估标准。COP代表冷机的制冷效率，具体计算为冷机制冷能力A与其消耗功率W的比值。COP值越高，意味着冷机的运行效能越佳，其计算公式如下：

（1）

式中：A——冷机制冷能力（kW）；W——消耗功率（kW）。

冷水机组的能耗与多种因素紧密相关，包括机组负荷、冷冻水的供水温度、冷却水的回水温度以及冷水机组本身的负荷，其能耗的表达公式如下：

（2）

式中：t2 ， t1——冷冻水供水、冷冻水回水的温度（℃）；p1——冷水机组的能耗（kW·h）；q1——冷水机组的负荷（kW）；——拟合系数。

（2）水泵是空调水系统中的关键部件，其能耗与流量、扬程、频率及运行数量密切相关[4]。特别是水泵的扬程与频率随流量的变化大致呈二次曲线关系：扬程降低时，流量会上升，流量增加初期，频率会提升，但超过一定点后频率将开始下降。为估算水泵能耗，需建立单台水泵的模型，具体如下：

（3）

式中：——水泵的频率（Hz）；——水泵的扬程（m）；——水泵的功率（kW）；——水泵的流量（m³/h）；——水泵的实际功率（kW）；——水泵的额定功率（kW）。

（3）冷却塔的能耗与回水温度、进水温度以及空气湿球温度密切相关[5]，具体关联如下：

（4）

式中：t3——冷却塔的冷却水回水温度（℃）；t4——冷却水的进水温度（℃）；——冷却塔的效率；t5——空气湿球温度（℃）。

基于上述步骤，完成对通风空调系统中影响各设备能耗的分析。

1.2 建立车站通风空调的节能控制模型

地铁车站通风空调系统包含众多设备，难以全面覆盖，该文重点讨论的是轨道交通车站与空调末端的风机盘管之间的连接关系[6，7]。

轨道交通车站传递函数：

（5）

式中：Ts——风机盘管送风温度（℃）；Tu——地铁车站内的实际温度（℃）；k1——地铁车站放大系数，T1——地铁车站时间常数（h）；——地铁车站纯滞后时间（h）。

风机盘管传递函数：

（6）

式中：T2——风机盘管时间常数（h）；Dw——风机盘管水流量（m³/h）；k2——风机盘管放大系数；——风机盘管纯滞后时间（h）。

干扰的传递函数：

（7）

式中：Tu——车站内的实际温度（℃）；——车站内所有干扰热量换算成的温度变化（℃）；——干扰温度对车站内实际温度的影响程度；——干扰影响到车站内温度的延迟时间（h）。

冷水系统的近似传递函数：

（8）

式中：k3——回水温度与车站内温度的比例系数；k4——水泵流量与频率的比例系数。

综合上述分析，可得出轨道交通车站的冷水节能控制模型的表达公式如下：

（9）

式中：k——冷水系统近似放大系数；——冷水系统近似纯滞后时间。

通过以上步骤，可以建立一个有效的车站通风空调节能控制模型，为车站的节能降耗和可持续发展作出贡献。

1.3 实现空调系统节能优化与控制

粒子群算法相较于其他智能算法，具备以下优势：其拥有记忆特性，能同时维持局部与全局的最优解，其原理较为简明，实现起来较为容易，且需要调整的参数数量较少，该算法能够根据实际情况灵活调整搜索策略，从而加速搜索过程，并且在寻找最优解时无须依赖问题的特定信息，显示出良好的鲁棒性。因此，该文选择对空调系统进行节能控制的设计时，使用模糊PID控制的基础上结合粒子群算法进行优化控制。

上图中节能控制的误差e和误差变化率ec为输入，其量化因子为ke、kec，输出变量的比例因子为。

利用粒子群算法优化模糊控制参数，包括量化因子ke、kec及比例因子。在模糊PID控制器内，通过粒子群算法调整模糊隶属度函数，使之成为一个自适应系数的模糊控制器。此举旨在调整PID的三个关键参数，进而优化系统动态性能，降低超调，并增强控制系统的稳健性。

鉴于ITAE指标应用广泛，其结合了误差绝对值的时间积分与超调量，能全面考虑系统的超调与调节时间，故选择其作为节能控制模型的适应度函数，具体指标函数公式为：

（10）

式中：j（t）——传递函数的输入输出误差；O——节能控制模型产生的超调量；——权重系数；——空调系统运行时间，节能控制模型的目标是使得M值最小。

在粒子群优化算法中，粒子持续更新其位置与速度，生成新的控制参数，这些参数通过连接程序传递给节能控制模型运行，随后将仿真得到的适应度值反馈回粒子群优化程序，完成轨道交通车站通风空调的节能控制。

2 试验测试与分析

2.1 试验准备

轨道交通车站作为城市交通的重要节点，其通风空调系统的能耗占据了运营成本的相当一部分。为降低能耗、提高运营效率，采用先进的优化算法对通风空调系统进行节能控制显得尤为重要。粒子群算法作为一种元启发式算法，具有全局搜索能力强、收敛性好等优点，适用于解决此类优化问题。为证明该文设计的基于粒子群算法的轨道交通车站通风空调节能控制方法的可行性，现进行试验测试，该次试验首先基于MATLAB/Simulink搭建一个通风空调系统仿真平台，该平台的各项技术参数如下表1所示。

该试验收集了S市在某运营轨道交通站点全天的实际运营数据，涵盖温度、湿度、二氧化碳浓度、供回水温度及能源消耗等信息。试验过程中，这些实际数据被用作输入参数，通过仿真平台再现地铁运行环境。

该次测试聚焦于轨道交通车站通风空调系统的能耗，该能耗主要由系统自身产生，测试在空调使用高峰期（6月～9月）进行。冷水系统的核心设备涵盖冷水机组、冷却水泵、冷冻水泵及冷却塔，将收集并分析冷水系统在优化前后的能耗数据：优化前，系统采用传统的工频运行模式；优化后，则实施了基于粒子群算法的节能控制策略。在车站内温度、湿度等负荷条件动态变化的场景下，采用粒子群算法执行节能控制策略的优化模拟测试，最终系统输出经优化后的能耗数据，并据此对测试运行的结果进行了对比分析。

2.2 试验结果与分析

基于上述试验准备，该车站的通风空调的冷水系统节能优化控制前后的能耗测试结果如下表2所示。

根据上述试验结果可以看出，该文设计的基于粒子群算法的轨道交通车站通风空调节能控制方法具有显著的节能效果、良好的系统稳定性和较强的适应性。粒子群算法作为一种优化算法，在多个领域都展现出了良好的性能，特别是在处理复杂、非线性、多目标的优化问题时。通过优化控制策略，该方法能够显著降低轨道交通车站通风空调系统的能耗，为城市轨道交通行业的可持续发展做出贡献。在轨道交通车站通风空调节能控制方面，粒子群算法可以通过对车站通风空调系统的运行参数进行优化，以达到节能的目的。

3 结束语

综上所述：基于粒子群算法的轨道交通车站通风空调节能控制方法不仅展现其在优化复杂系统控制策略上的显著优势，还为实现轨道交通车站的绿色运营和节能减排提供了切实可行的技术路径。通过模拟试验与实际应用的验证，证明该方法在提高通风空调系统的运行效率、降低能耗以及提升乘客舒适度方面均取得了较好的效果。粒子群算法以其独特的寻优机制和良好的全局搜索能力，在解决轨道交通车站通风空调系统的多变量、非线性优化问题上展现出了强大的适应性。通过不断地迭代和更新粒子位置与速度，算法能够快速收敛到最优解或近似最优解，从而在保证车站环境质量的同时，最大限度地减少了能源消耗。此外，该研究还强调了数据驱动与智能控制相结合的重要性，为后续轨道交通车站的智能化管理和运维提供了新的思路。随着大数据、云计算和人工智能技术的不断发展，基于粒子群算法的节能控制方法有望与其他先进技术进一步融合，形成更加高效、智能的轨道交通车站环境控制系统。

参考文献

[1]刘俊，车轮飞，於泽，等.典型地铁站通风空调控制系统节能改造分析[J].暖通空调， 2023（S2）：250-253.

[2]何大四，赵忠涛，夏三县，等.基于最小水流量的地铁车站空调系统节能控制研究[J].中原工学院学报， 2022（4）：42-48+79.

[3]王硕，李准，孙天宝，等.热泵型冷热源及热回收系统在精密空调节能改造中的应用[J].洁净与空调技术， 2024（3）：91-94+31.

[4]吴明萱，张淞博，孙玉卿，等.智能建筑环境控制系统的照明与空调节能效果实证研究[J].建筑科学， 2024（8）： 199-207.

[5]庞云飞，孙豪杰，褚堃，等.公共建筑全空气空调系统节能运行研究——以青岛市某博物馆展厅为例[J].绿色建筑， 2024（4）：152-158.

[6]高家绪，潘松法，王轩，等.宁波地区既有公共建筑空调系统节能改造路径探索[J].绿色建筑， 2024（5）：96-100.

[7]朱晓姣，柳松，张圣楠，等.北京市办公建筑空调系统现状调研及节能改造潜力分析[J].建筑技术， 2024（14）： 1693-1696.