閆秀聯(lián)，王樂唯，劉 盼，吉星星，閆秀英

（1. 西安建筑科技大學(xué) 華清學(xué)院，西安 710043；2. 西安聞泰信息技術(shù)有限公司，西安710000；3. 西安建筑科技大學(xué) 信息與控制工程學(xué)院，西安 710055；4. 西安建筑科技大學(xué)建筑設(shè)備與科學(xué)學(xué)院，西安 710055）

0 引言

能耗、電耗是反映能源效率的主要指標(biāo)。電耗的影響因素相較能耗更為復(fù)雜，文獻［1］分析了引起電耗上升的主要原因，其中非生產(chǎn)性電力消費增長較快是主要原因之一，而非生產(chǎn)性電力消費中居民冬季取暖、夏季制冷占空調(diào)電力負荷的很大比重。空調(diào)負荷已經(jīng)成為我國夏季用電的主要負荷之一，對電力系統(tǒng)的穩(wěn)定運行造成了極大的威脅。冷水機組是中央空調(diào)系統(tǒng)中消耗功率最大的部分，由于冷水機組在運行中缺乏運行優(yōu)化，目前大多數(shù)建筑物的冷水機組運行都未使用最佳控制策略。對于多臺聯(lián)合運行冷水機組的優(yōu)化控制來說，如何在部分負荷情況下，根據(jù)建筑負荷和外界環(huán)境參數(shù)的變化來優(yōu)化中央空調(diào)冷水機組運行參數(shù)，從而在保證其高效運行的前提下，找到一種最佳的解決方案以降低冷水機組的能耗十分關(guān)鍵。

文獻［2］闡述了基于BP神經(jīng)網(wǎng)絡(luò)的冷水機組制冷性能系數(shù)（coefficient of performance，COP）預(yù)測模型，分析了與冷水機組相關(guān)的運行變量的最佳值，通過采用基于遺傳算法的操作變量識別，在指定范圍內(nèi)找到變量的最佳值，從而使冷水機組的能耗最小。文獻［3］提出了一種基于多目標(biāo)優(yōu)化的冷水機組運行策略，用于最優(yōu)冷水機組臺數(shù)（OCS）和最佳冷水機組負荷（OCL）問題，實現(xiàn)保證室內(nèi)舒適度的情況下節(jié)省供暖通風(fēng)與空氣調(diào)節(jié)（HVAC）系統(tǒng)的能量。文獻［4］將交換市場算法應(yīng)用于最優(yōu)冷水機組負荷問題的其他優(yōu)化方法進行比較，結(jié)果表明，在收斂速度和總電能消耗方面，交換市場算法比應(yīng)用于冷水機組負荷方法的先前優(yōu)化方法提供了更好的解決方案。文獻［5］對設(shè)計中的冷卻負荷分布，提出了一種魯棒的優(yōu)化設(shè)計，以選擇在高部分負荷率（part load ratio，PLR）和COP下運行可能性最高的冷水機組的最佳組合。文獻［6］提出了一種改進的人工魚群算法（VAFSA）解決最佳冷水機負荷問題，使用冷卻器和冷卻塔的最小功耗作為目標(biāo)函數(shù)，以將功耗降至最低。文獻［7］研究了變負荷下的非均勻負荷匹配冷水機組并聯(lián)運行特性，提出了基于能效基準(zhǔn)的多臺冷水機組控制策略，研究發(fā)現(xiàn)較少冷水機組并聯(lián)運行時易實現(xiàn)較高的總體運行性能，從而達到節(jié)能降耗的目的。

1 TRNSYS仿真模型構(gòu)建

以西安某既有辦公建筑為研究對象搭建建筑冷負荷模型。該建筑地上24層，地下2層，建筑高度99.95m。總建筑面積70 374 m2，其中地上56 970 m2，地下13 404 m2。地上24層制冷由中央空調(diào)系統(tǒng)提供。冷源仿真系統(tǒng)模擬辦公建筑1—24層空調(diào)區(qū)域，在模型建立時完全依照空調(diào)系統(tǒng)各個設(shè)備及空調(diào)房間相關(guān)參數(shù)進行選取和配置。作為一種簡化的方法，將該辦公建筑定義為24個不同的熱區(qū)，每個建筑物的樓層為一個熱區(qū)。

1.1 多區(qū)域建筑模型建立

在TRNSYS 中建立多區(qū)建筑模型時，需要輸入建筑的長、寬、高等參數(shù)。新建建筑模型時，空調(diào)區(qū)內(nèi)的設(shè)備、燈光、以及圍欄參數(shù)參照圖紙上給出的信息進行設(shè)置，人員負荷按上下班時間（8:00—18:00）進行設(shè)置，所需參數(shù)由設(shè)計院提供建筑設(shè)計圖紙中提取。將每一層樓視為一個區(qū)域，整個樓層共24個區(qū)域，在TRN-Build建立模型，通過設(shè)置房間體積及各墻的面積參數(shù)，墻與墻之間的位置關(guān)系，反應(yīng)實際建筑的三維關(guān)系。

整個冷源系統(tǒng)包括3臺冷水機組、3臺冷卻泵、3臺冷凍泵、3 臺冷卻塔，在TRNSYS 上搭建冷源系統(tǒng)動態(tài)仿真平臺，并按照實際設(shè)備參數(shù)對部件參數(shù)進行配置。根據(jù)設(shè)計院提供的信息，得到空調(diào)系統(tǒng)主要設(shè)備的參數(shù)信息。搭建的TRNSYS動態(tài)仿真平臺如圖1所示。

圖1 TRNSYS動態(tài)仿真平臺Fig.1 TRNSYS dynamic simulation platform

PID 控制器進行送風(fēng)溫度控制，輸入?yún)?shù)：P=0.5、I=9.0、D=0.4。通過control card選項設(shè)置仿真時間范圍與仿真步長，其中6—9 月的時間設(shè)置為3 624～6 552 h，仿真步長設(shè)置為0.1 h。Work time與Cooling time 控制設(shè)備啟動時間，設(shè)備運行時間與TRN-Build中設(shè)置的運行時間相同。Work time設(shè)置設(shè)備開啟時間段：8:00—18:00設(shè)為1，其余時間設(shè)為0。Cooling time設(shè)置設(shè)備運行時間范圍：3 624～6 552 h。平臺運行模擬6—9月室外溫度變化曲線如圖2所示。

圖2 6—9月室外溫度曲線Fig.2 Outdoor temperature curve from June to September

根據(jù)所建立模型，在Trnsys 中計算出空調(diào)區(qū)域6—9月的冷負荷需求，如圖3所示。

圖3 6—9月冷負荷值變化情況Fig.3 Cooling load value changing from June to September

仿真平臺中設(shè)備參數(shù)與實際工程中相同，仿真得出6—9 月冷負荷峰值為4 327 kW，與設(shè)計院給出的最大冷負荷4 460 kW 對比，準(zhǔn)確率達到97%，驗證了該仿真平臺的可靠性。該系統(tǒng)使用了3 臺制冷量為1 519 kW 的冷水機組，總制冷量為4 557 kW，滿足建筑最大冷負荷時的冷量需求。

1.2 冷負荷率時間頻數(shù)

利用冷負荷率時間頻數(shù)（cooling load rate time frequency，CLRTF）的分布來描述不同冷負荷條件與冷水機組運行時間的關(guān)系。冷負荷時間頻數(shù)為不同冷負荷率下冷水機組運行的小時數(shù)與總運行小時數(shù)的百分比。分析冷負荷率可用于選取冷水機組累計運行時間最多的冷負荷率區(qū)間，進而對該區(qū)間內(nèi)冷水機組運行模式進行研究。

圖4給出了中央空調(diào)系統(tǒng)6—9月CLRTF分布圖，通過仿真計算分析空調(diào)系統(tǒng)冷負荷與冷水機組運行時間的關(guān)系。由于冷負荷率是隨運行時間變化的連續(xù)隨機變量，冷負荷率的區(qū)間大小會影響冷負荷率時間頻率的分布，因此，選擇冷負荷率的間隔為5%。

圖4 6—9月冷負荷率時間頻數(shù)Fig.4 Time-frequency of cold load rate from June to September

由圖4 可知，冷負荷率在85%～90%的情況下，空調(diào)系統(tǒng)累計運行時間最多，其時間頻數(shù)為32.04%；在冷負荷率為95%～100%的范圍內(nèi)，空調(diào)系統(tǒng)累計運行時間最少，其時間頻數(shù)為0.3%。綜上，選取累計運行時間最大的冷負荷率區(qū)間85%～90%內(nèi)的工作日用以研究冷水機組運行模式。

2 冷水機組部分負荷率優(yōu)化

2.1 COP 與PLR 回歸模型建立

首先對COP-PLR進行線性檢驗，對COP和PLR的殘差和擬合值進行分析。在這項研究中，散點圖具有非線性或曲線結(jié)構(gòu)，因此擬合值是非線性的，對COP-PLR進行非線性回歸分析。

將冷水機組承擔(dān)每個部分負荷率值，即PLR，用作自變量，COP用作因變量。通過不同的函數(shù)對兩者進行數(shù)據(jù)擬合分析，找到最佳擬合模型與參數(shù)，說明COP與PLR之間的關(guān)系。

COP-PLR的四階多項式回歸模型如下

對高斯函數(shù)模型進行計算求解擬合，得α0、α1、α2的值分別為5.63、0.75、0.73。

繪制計算擬合所得到的多項式方程曲線，如圖5所示。

圖5 冷水機組COP-PLR 擬合曲線對比Fig.5 Comparison of chiller’s COP-PLR fitting curve

由圖5可知，多項式擬合、正弦函數(shù)擬合和高斯函數(shù)擬合均能較好說明COP與PLR之間的關(guān)系。對3 種擬合方式進行回歸評價，R2分別為0.993 5、0.990 7 和0.991 8，RMSE值分別為0.413 5、0.487 4和0.457 6。R2都幾乎為1，說明這3 個回歸模型很好地擬合了數(shù)據(jù)。RMSE值都幾乎為0，意味著回歸模型可以被認為是正確的。其中，四階多項式擬合模型準(zhǔn)確度更高，更能較好的體現(xiàn)出COP與PLR的關(guān)系，經(jīng)查F檢驗臨界值表（顯著水平：α=0.05）得F0.05(4,66)=2.511，可知F遠大于F0.05(4,66)。因此，該COP-PLR四階回歸模型的置信度達到95%，說明該回歸模型的適用性非常好。故選取該四階多項式擬合方程作為COP-PLR的擬合模型。

2.2 目標(biāo)函數(shù)建立

目標(biāo)函數(shù)的建立，需要考慮用戶側(cè)電負荷和冷負荷的需求情況，即空調(diào)冷負荷值的變化情況。在滿足需求側(cè)負荷變化的前提下，使目標(biāo)函數(shù)即冷水機組的總能耗降低?；诶渌畽C組系統(tǒng)總能耗方程與所建立的COP-PLR模型，以系統(tǒng)冷水機組總能耗最小建立目標(biāo)函數(shù)，對目標(biāo)函數(shù)中的決策變量PLR進行尋優(yōu)，優(yōu)化目標(biāo)即為獲取總能耗Pall的最小值。

目標(biāo)函數(shù)如下

式中：Qn為第n臺冷機的額定制冷量，kW；PLRn為第n臺冷水機組的負荷率；CLall為整個系統(tǒng)的冷負荷，kW。

根據(jù)冷水機組設(shè)備運行限制條件，在運行過程中，每臺冷水機組的PLR不能低于0.3，在解決冷水機組最優(yōu)負荷率問題時需考慮到無法操作的區(qū)域限制，將冷水機組的PLR進行約束，PLR的可行域為

對該運行模式下的冷水機組運行情況進行仿真，選取冷負荷率85%～90%區(qū)間內(nèi)的某工作日為例。通過TRNSYS動態(tài)仿真平臺分別模擬了優(yōu)化前和優(yōu)化后冷水機組的總能耗變化情況。該工作日室外溫度與空調(diào)冷負荷值隨時間變化情況如圖6所示。

圖6 工作日室外溫度與冷負荷值Fig.6 Outdoor temperature and cooling load values in working days

2.3 改進混合遺傳算法

改進的遺傳算法用于快速提高規(guī)劃方案的質(zhì)量，鄰域搜索用于后續(xù)的小規(guī)模優(yōu)化。改進遺傳算法使用啟發(fā)式策略來構(gòu)造初始種群，從而確保初始種群可以成功執(zhí)行的任務(wù)數(shù)量和總體收益。選擇操作使用錦標(biāo)賽選擇和最優(yōu)解保留策略來計算種群。改進遺傳算法中有最大未修改代數(shù)的算法終止機制，以確保在進一步改善規(guī)劃結(jié)果時可以結(jié)束算法，并進入鄰域搜索過程。完成鄰域搜索后進行最優(yōu)解保留和更新種群操作，避免陷入局部最優(yōu)。其改進混合遺傳算法流程如圖7所示。

圖7 改進混合遺傳算法流程Fig.7 Improved hybrid genetic algorithm flow

3 冷水機組控制優(yōu)化結(jié)果與分析

本文采取基于需求響應(yīng)的優(yōu)化控制，在室外溫度較低時，可以適當(dāng)提高供冷負荷。利用墻體、家具等的儲能特性，在室外溫度較高時可以減少供冷量。在供冷負荷峰值到來之前，可以將一部分冷負荷遷移，使供冷負荷分布在一定范圍內(nèi)，進而達到減小冷水機組能耗的目的。

3.1 冷水機組逐時部分負荷率

利用IGA-NS算法對該工作日每臺冷水機組所承擔(dān)的部分負荷率進行優(yōu)化，得出各個時段的每臺冷水機組部分負荷率，圖8給出了3臺冷水機組PLR的變化情況。

圖8 基于IGA-NS算法的負荷分配率Fig.8 Load distribution rate based on IGA-NS algorith m

基于IGA-NS 算法的負荷分配率中PLR1、PLR2和PLR3分別為第一臺、第二臺和第三臺冷水機組所承擔(dān)的部分負荷率。每臺冷水機組的部分負荷率隨每個時刻的冷負荷值變化的數(shù)值如表1所示。冷負荷值最大時3 臺冷水機組的部分負荷率分別為0.87、0.83 和0.87，發(fā)現(xiàn)第一臺與第三臺冷水機組部分負荷率相同。

表1 3臺冷水機組優(yōu)化后負荷分配率Table 1 Optimized load distribution rate of three chillers

根據(jù)COP-PLR的擬合曲線可知，在負荷率0.8左右時曲線出現(xiàn)峰值，此時冷水機組的COP值也接近于峰值，因此優(yōu)化后的冷水機組運行效率得到了提高。

3.2 冷水機組逐時COP 值

冷水機組逐時COP值是根據(jù)優(yōu)化后每臺冷水機組逐時負荷分配率代入COP-PLR四次多項式方程計算得出，優(yōu)化后逐時COP值變化情況如圖9所示。COP1、COP2和COP3分別代表3臺冷水機組的COP值，由于12:00第三臺冷水機組與14:00第二臺冷水機組承擔(dān)的負荷最大，負荷率在0.89 左右，由COP-PLR擬合曲線知當(dāng)負荷率超過0.7 時冷水機組COP值開始下降，因此12:00 第三臺冷水機組與14:00第二臺冷水機組COP值最小。

冷水機組部分負荷率的優(yōu)化主要體現(xiàn)在COP和運行能耗方面，優(yōu)化部分負荷率將提高COP值，增加冷水機組運行效率從而使運行能耗降低，因此將IGANS和GA兩種算法優(yōu)化后的冷水機組COP值進行對比，如圖9—圖10所示。可以看出采用GA算法優(yōu)化后冷水機組COP最小值為5.39，而通過IGA-NS算法優(yōu)化后的COP最小值為5.43。對于冷水機組部分負荷率的優(yōu)化，與GA算法相比，IGA-NS算法更具有優(yōu)勢。即IGA-NS優(yōu)化后的COP最小值略高于GA算法。

圖9 基于IGA-NS算法的COP 值Fig.9 COP value based on IGA-NS algorithm

圖10 基于GA算法的COP 值Fig.10 COP value based on GA algorithm

為進一步證明IGA-NS算法的優(yōu)越性，將優(yōu)化前的順序控制、GA 和IGA-NS 算法控制的冷水機組的COP值求取平均值后進行對比，如圖11所示。

圖11 優(yōu)化前后COP 平均值對比Fig.11 Comparison of COP mean values before and after optimization

通過對比3臺冷水機組COP平均值可以看出，大部分運行時間內(nèi)，采用IGA-NS 控制COP平均值高于GA 算法控制，驗證了IGA-NS 算法控制策略提高了冷水機組的運行效率。

3.3 冷水機組總能耗對比分析

3種控制方法下冷水機組全天總能耗對比結(jié)果如圖12所示，采用IGA-NS算法對冷水機組部分負荷率進行優(yōu)化后3臺冷水機組的總能耗在8：00－18：00最低，IGA-NS算法控制下冷水機組全天最低能耗為656 kW，而GA算法控制策略下的冷水機組全天能耗最低為661 kW。兩種控制算法都比優(yōu)化前的順序控制，能耗有明顯降低。3種控制方法的總能耗值分別為8 280 kW（順序），7 595 kW（GA）和7 578 kW（IGA-NS）。

圖12 優(yōu)化前后總能耗對比Fig.12 Comparison of total energy consumption before and after optimization

由圖12可看出，相較于原有的順序控制和GA控制策略，采用IGA-NS算法對冷水機組PLR進行優(yōu)化的控制策略在滿足用戶側(cè)需求時具有明顯的節(jié)能效果。全天的節(jié)能率為8.48%，CO2排放量減少700 kg。

4 結(jié)束語

目標(biāo)方程與約束條件。通過基于負荷分配的臺數(shù)控制冷水機組運行模式對冷機控制優(yōu)化，提出了IGANS算法，對PLR進行優(yōu)化。結(jié)果表明，IGA-NS算法控制的全天總能耗最小，與原有順序控制相比，IGA-NS算法優(yōu)化后冷水機組COP的最小平均值由5.11提高到5.51，不僅提高了冷水機組的COP且降低運行能耗，最終達到了提高系統(tǒng)運行效率并節(jié)能的效果。D