霍雅超 殷勇高

(東南大學(xué),南京)

0 引言

為了保證我國國民經(jīng)濟(jì)的可持續(xù)發(fā)展,在2030年之前實(shí)現(xiàn)碳達(dá)峰,在2060年之前實(shí)現(xiàn)碳中和,各個領(lǐng)域的節(jié)能減排勢在必行。全球每年約有40%的能源被建筑所消耗,同時建筑能耗的一半以上被暖通空調(diào)系統(tǒng)所消耗[1],因此提出建筑空調(diào)系統(tǒng)的綜合節(jié)能減排措施迫在眉睫。

輻射冷暖與新風(fēng)系統(tǒng)是一種具有高舒適性、節(jié)能高效的新型暖通空調(diào)系統(tǒng),該類系統(tǒng)由于其高性能和高舒適性的特點(diǎn)在住宅中被積極推廣和布局,目前正處于實(shí)際應(yīng)用推廣的初步階段。在實(shí)際工程應(yīng)用中,由于針對此類系統(tǒng)能耗水平及運(yùn)行特性的研究尚不充分、系統(tǒng)運(yùn)行維護(hù)經(jīng)驗(yàn)尚不成熟,實(shí)際應(yīng)用中還存在一些不確定性問題,如新風(fēng)系統(tǒng)能耗占比高和運(yùn)行特性不匹配等[2],此類系統(tǒng)還存在較大的優(yōu)化空間。

輻射冷暖與新風(fēng)系統(tǒng)作為一種綜合供冷、供熱、除濕、新風(fēng)的一體化空調(diào)系統(tǒng)具有一定復(fù)雜性。在實(shí)際應(yīng)用中,解決除濕問題是避免結(jié)露、提高舒適性的關(guān)鍵[3]。通常采用獨(dú)立新風(fēng)系統(tǒng)解決輻射空調(diào)的除濕問題,利用新風(fēng)系統(tǒng)承擔(dān)建筑全部濕負(fù)荷和部分冷負(fù)荷。因此,新風(fēng)系統(tǒng)負(fù)荷的處理通常是此類系統(tǒng)能耗和運(yùn)行分析的關(guān)鍵,而新風(fēng)系統(tǒng)的冷濕負(fù)荷通常受到多種因素的影響。熱泵型溶液調(diào)濕機(jī)組[4]作為一種全年通用、高效節(jié)能的調(diào)濕設(shè)備,應(yīng)用于新風(fēng)系統(tǒng)中有較好的調(diào)濕效果。而在工程應(yīng)用中,機(jī)組是否能保持較高的能效水平和良好的運(yùn)行特性存在不確定性。

為了降低建筑能耗和運(yùn)行成本,有必要制定更加匹配建筑特性和負(fù)荷特性的新風(fēng)系統(tǒng)運(yùn)行策略,以準(zhǔn)確、快速地預(yù)測新風(fēng)系統(tǒng)的負(fù)荷需求和能耗。人工神經(jīng)網(wǎng)絡(luò)(ANN)[5-6]作為一種典型的黑箱模型在負(fù)荷預(yù)測方面得到了廣泛的應(yīng)用和研究。Luo等人使用廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)對公共建筑的冷負(fù)荷進(jìn)行了預(yù)測,結(jié)果表明,GRNN用于預(yù)測冷負(fù)荷是準(zhǔn)確的[5]。González等人采用反向傳播ANN模型,以室外溫度、室外相對濕度和太陽輻射為模型輸入,預(yù)測建筑冷負(fù)荷需求,模型的平均相對誤差為2.024%[7]。

實(shí)現(xiàn)暖通空調(diào)系統(tǒng)的負(fù)荷預(yù)測通常采用室外氣象參數(shù)等作為人工神經(jīng)網(wǎng)絡(luò)的輸入,然而僅利用室外氣象參數(shù)進(jìn)行預(yù)測不能涵蓋負(fù)荷的所有影響因素,人為因素對于負(fù)荷預(yù)測的精度影響也很大。Li等人提出,將入住率作為輸入?yún)?shù)來建立預(yù)測模型可以提高模型的預(yù)測精度,結(jié)果表明,ANN模型的均方根誤差變異系數(shù)為26%,預(yù)測精度得到提高[8]。人為因素對負(fù)荷的影響除了體現(xiàn)在入住率上,還體現(xiàn)在建筑內(nèi)部不同區(qū)域的差異上,不同區(qū)域居住者使用習(xí)慣和舒適需求差異對預(yù)測精度有很大影響。因此,采用分區(qū)域的人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行暖通空調(diào)系統(tǒng)負(fù)荷預(yù)測對提高預(yù)測精度有重要意義。Hu等人使用分區(qū)ANN模型來預(yù)測辦公樓的負(fù)荷需求及能耗,結(jié)果表明分區(qū)模型對于預(yù)測精度有顯著提高,對應(yīng)負(fù)荷和能耗預(yù)測的均方根誤差變異系數(shù)分別為10.76%和15.59%[9]。

基于負(fù)荷預(yù)測結(jié)果進(jìn)行暖通空調(diào)系統(tǒng)優(yōu)化運(yùn)行是必要的,徐新華等人利用灰色預(yù)測方法對某辦公建筑不同時期早晨需求冷量進(jìn)行預(yù)測,為空調(diào)系統(tǒng)啟動控制提供優(yōu)化策略[10]。Hu等人運(yùn)用負(fù)荷預(yù)測結(jié)果得到熱泵蓄冷優(yōu)化控制方法,優(yōu)化結(jié)果使系統(tǒng)全年運(yùn)行成本降低40%[9]。根據(jù)負(fù)荷預(yù)測結(jié)果制定優(yōu)化運(yùn)行策略,可滿足保障高效運(yùn)行、控制運(yùn)行成本的需求,為未來實(shí)現(xiàn)綜合能源管理系統(tǒng)平臺搭建和數(shù)據(jù)機(jī)房無人值守提供技術(shù)支持。

本文以某住宅區(qū)輻射冷暖空調(diào)的新風(fēng)系統(tǒng)為研究對象,采集并分析了新風(fēng)處理系統(tǒng)的歷史數(shù)據(jù),計算分析了新風(fēng)機(jī)組能效水平;建立了人工神經(jīng)網(wǎng)絡(luò)模型,對新風(fēng)機(jī)組冷濕負(fù)荷進(jìn)行預(yù)測,并通過區(qū)域劃分和輸入優(yōu)化提高了模型預(yù)測精度;基于負(fù)荷預(yù)測結(jié)果,在潛能蓄能和分時電價的情況下制定了系統(tǒng)優(yōu)化運(yùn)行策略,為實(shí)際運(yùn)維中降本提效、提高建筑能源系統(tǒng)的靈活適應(yīng)性提供了有效的解決方案。

1 能源及新風(fēng)系統(tǒng)概況

1.1 能源系統(tǒng)概況及數(shù)據(jù)處理方法

本研究選取蘇州市一個住宅小區(qū)為案例,該小區(qū)采用集中式輻射冷暖與新風(fēng)空調(diào)系統(tǒng)。系統(tǒng)的冷熱源由地源熱泵和熱泵式溶液調(diào)濕新風(fēng)機(jī)組組成,末端采用輻射毛細(xì)管與風(fēng)機(jī)盤管。夏季輻射末端承擔(dān)大部分的顯熱負(fù)荷,由地源熱泵提供冷量,新風(fēng)系統(tǒng)承擔(dān)全部的潛熱負(fù)荷和部分顯熱負(fù)荷。

新風(fēng)系統(tǒng)夏季采用先預(yù)冷再進(jìn)行溶液除濕的處理方式,如圖1所示。室外新風(fēng)通過表冷器預(yù)冷達(dá)到狀態(tài)點(diǎn)(2),再通過溶液調(diào)濕機(jī)組處理到送風(fēng)狀態(tài)點(diǎn)(3)送入室內(nèi),其中預(yù)冷段的冷量由地源熱泵提供。為分析此類系統(tǒng)的新風(fēng)負(fù)荷和能耗水平,并為新風(fēng)機(jī)組調(diào)控提供指導(dǎo),需要對溶液調(diào)濕機(jī)組段的負(fù)荷及能耗進(jìn)行分析。

1.表冷器;2.壓縮機(jī);3.溶液除濕單元;4,10.溶液泵;5.蒸發(fā)器;6.換熱器;7.膨脹閥;8.溶液再生單元;9.冷凝器。

了解溶液調(diào)濕機(jī)組承擔(dān)負(fù)荷的動態(tài)變化情況有助于對此類系統(tǒng)能效進(jìn)行評估,并制定優(yōu)化運(yùn)行策略,提高能源利用效率。本文主要針對夏季溶液調(diào)濕機(jī)組所承擔(dān)的冷濕負(fù)荷進(jìn)行預(yù)測和分析。其中冷負(fù)荷(即全熱負(fù)荷)由實(shí)時狀態(tài)點(diǎn)(2)、(3)之間的比焓差與新風(fēng)量得到,濕負(fù)荷(即潛熱負(fù)荷)由實(shí)時狀態(tài)點(diǎn)(2)、(3)之間的含濕量差與新風(fēng)量得到。狀態(tài)點(diǎn)(1)、(3)的空氣狀態(tài)由溫濕度傳感器直接測得,狀態(tài)點(diǎn)(2)的空氣狀態(tài)由預(yù)冷段表冷器進(jìn)出口水溫及狀態(tài)點(diǎn)(1)得到。

選取該小區(qū)中一幢典型樓宇作為研究對象,該建筑共33層,建筑冷暖面積共計14 843.54 m2。該建筑新風(fēng)系統(tǒng)共使用溶液調(diào)濕新風(fēng)機(jī)組4臺,分別布置于頂樓東西側(cè)和底層?xùn)|西側(cè)。

2019年以來,樓宇智能化數(shù)據(jù)采集系統(tǒng)被用于監(jiān)測新風(fēng)系統(tǒng)的運(yùn)行,監(jiān)測數(shù)據(jù)包括室外空氣參數(shù)、送風(fēng)參數(shù)、室內(nèi)空氣參數(shù)、預(yù)冷段表冷器進(jìn)出口參數(shù)、風(fēng)量、用電量等。該系統(tǒng)自2019年開始運(yùn)行,本研究以2019、2020年實(shí)際運(yùn)行數(shù)據(jù)為基礎(chǔ)開展分析和優(yōu)化工作,首先在原始數(shù)據(jù)基礎(chǔ)上進(jìn)行數(shù)據(jù)處理,數(shù)據(jù)處理方法見圖2。

圖2 數(shù)據(jù)處理方法

蘇州市不同時段電價見表1,分時電價情況反映了電網(wǎng)對于提高用電效率的需求,用戶側(cè)的削峰填谷對于電網(wǎng)的綜合能源效率的提升作用較大。采用蓄能的方式有助于暖通空調(diào)系統(tǒng)用電負(fù)荷由高峰轉(zhuǎn)向低谷,基于本研究對象溶液調(diào)濕新風(fēng)系統(tǒng)的特點(diǎn),采用潛能蓄能的方式。在低電價時段以高能效運(yùn)行系統(tǒng),提高建筑能源系統(tǒng)靈活性,降低運(yùn)行成本。

1.2 新風(fēng)系統(tǒng)能效分析

表1 蘇州市不同時段電價 元/(kW·h)

對案例建筑的輻射冷暖與新風(fēng)空調(diào)系統(tǒng)進(jìn)行連續(xù)2年的空調(diào)季數(shù)據(jù)監(jiān)測?；跉v史數(shù)據(jù),系統(tǒng)在空調(diào)季的能耗分布情況見圖3,分為冷源能耗、新風(fēng)能耗和輸配系統(tǒng)能耗三部分。其中冷源能耗包括熱泵機(jī)組和單臺冷水機(jī)組的用電量,新風(fēng)能耗包括所有溶液調(diào)濕新風(fēng)機(jī)組的用電量,輸配系統(tǒng)能耗包括所有空調(diào)泵組、冷水泵和換熱泵組的用電量。系統(tǒng)的新風(fēng)能耗占比較高,在空調(diào)季高達(dá)42%。

圖3 空調(diào)季系統(tǒng)綜合能耗分布情況

在系統(tǒng)綜合能耗水平的評估中,空調(diào)季新風(fēng)系統(tǒng)能耗水平較高,有較大的優(yōu)化空間。新風(fēng)系統(tǒng)中采用溶液機(jī)組處理新風(fēng),在新風(fēng)預(yù)冷后利用高濃度溶液處理新風(fēng)濕負(fù)荷。對空調(diào)季新風(fēng)機(jī)組實(shí)際運(yùn)行中的能耗數(shù)據(jù)及運(yùn)行數(shù)據(jù)進(jìn)行分析,得到新風(fēng)系統(tǒng)能效水平情況。

新風(fēng)機(jī)組在空調(diào)季的能耗有很大的優(yōu)化空間,如圖4、5所示,新風(fēng)機(jī)組除濕COPD集中在1.2～1.6之間,制冷COPC集中在1.1～1.8之間,與額定COP比較相差較大。能效較低的原因主要是新風(fēng)機(jī)組長期處于部分負(fù)荷下運(yùn)行,機(jī)組除濕能力與大部分新風(fēng)負(fù)荷不匹配,導(dǎo)致新風(fēng)機(jī)組運(yùn)行性能不佳,能效較低。新風(fēng)機(jī)組在部分負(fù)荷下運(yùn)行的主要原因有2個方面。一方面是園區(qū)入住率的問題,另一方面是氣候變化原因?？照{(diào)季新風(fēng)負(fù)荷存在較大波動,因此確定負(fù)荷波動情況對系統(tǒng)的運(yùn)行優(yōu)化有較大作用。

圖4 空調(diào)季新風(fēng)機(jī)組除濕性能系數(shù)

圖5 空調(diào)季新風(fēng)機(jī)組制冷性能系數(shù)

2 分區(qū)ANN模型負(fù)荷預(yù)測

2.1 ANN模型的原理結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)作為一種學(xué)習(xí)能力很強(qiáng)的黑箱模型,具有預(yù)測精度高、計算速度快的優(yōu)點(diǎn),在建筑負(fù)荷和能耗預(yù)測方面具有優(yōu)勢。ANN由模擬人腦工作機(jī)理的神經(jīng)元組成,作為神經(jīng)網(wǎng)絡(luò)模型的基本元素,信號的傳遞依賴神經(jīng)元的工作,單個神經(jīng)元可以看作是多個輸入和一個輸出的信號處理單元。

神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)包括輸入層、隱藏層和輸出層。輸入層和輸出層神經(jīng)元的數(shù)量分別由輸入和輸出參數(shù)的數(shù)量決定,而隱藏層的神經(jīng)元數(shù)量需要反復(fù)調(diào)試才能達(dá)到最高的模型預(yù)測精度。

2.2 ANN模型的輸入輸出及參數(shù)設(shè)置

ANN模型輸入?yún)?shù)的相關(guān)性對于模型的預(yù)測精度有著至關(guān)重要的作用,此外,輸入?yún)?shù)還應(yīng)滿足工程實(shí)際中易于測得的要求[11]。暖通空調(diào)系統(tǒng)負(fù)荷影響因素通常有室外氣象參數(shù)、室內(nèi)環(huán)境參數(shù)和暖通空調(diào)系統(tǒng)運(yùn)行參數(shù),具體包括室外溫度、室外相對濕度、太陽輻照度、入住率、朝向、室內(nèi)溫度及建筑的外墻保溫系數(shù)等[12-14]。

其中,建筑入住率、朝向等因素在同一建筑的不同區(qū)域中有著不同體現(xiàn),因此,將整棟建筑視為負(fù)荷預(yù)測獨(dú)立研究對象有局限性;同時,不同區(qū)域的人員對于環(huán)境的熱需求也不同,這體現(xiàn)在他們對環(huán)境溫濕度的控制調(diào)節(jié)。因此,為提升ANN模型預(yù)測精度,對建筑進(jìn)行熱區(qū)劃分,將不同區(qū)域的室內(nèi)溫度作為模型的獨(dú)立輸入,建立預(yù)測精度更高的分區(qū)ANN模型。分區(qū)輸入室內(nèi)溫度參數(shù)可體現(xiàn)建筑不同區(qū)域的朝向、入住率及熱感調(diào)控對于負(fù)荷的影響效果。

為驗(yàn)證分區(qū)ANN模型具有更高的預(yù)測精度,本研究將整棟建筑按照1個熱區(qū)、2個熱區(qū)和4個熱區(qū)劃分,分別對應(yīng)訓(xùn)練模型ANN1、ANN2和ANN3,進(jìn)而比較3個模型的預(yù)測精度。

根據(jù)未來24 h新風(fēng)機(jī)組負(fù)荷預(yù)測的目標(biāo)及系統(tǒng)監(jiān)測情況,選取ANN模型輸入?yún)?shù)為室外溫度、室外相對濕度、分區(qū)室內(nèi)溫度和時間。未來室外氣象參數(shù)可由氣象預(yù)報獲得,室內(nèi)溫度可以通過ANN預(yù)測獲得。ANN模型輸出參數(shù)為新風(fēng)系統(tǒng)濕負(fù)荷及冷負(fù)荷,其中濕負(fù)荷是由溶液調(diào)濕機(jī)組的除濕量表示,冷負(fù)荷是由機(jī)組提供的制冷量表示。ANN1、ANN2、ANN3模型的熱區(qū)根據(jù)朝向和樓層劃分,3個ANN模型的輸入個數(shù)分別為4、5、7個,輸出均為2個,模型輸入輸出參數(shù)情況見表2。

表2 ANN模型輸入輸出參數(shù)

ANN模型的參數(shù)設(shè)置主要包括隱藏層數(shù)、隱藏神經(jīng)元數(shù)、學(xué)習(xí)速率等,本研究采用單隱藏層ANN模型,神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)見圖6。訓(xùn)練結(jié)果表明,當(dāng)隱藏神經(jīng)元數(shù)量為12時,神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率最高。與隱藏神經(jīng)元相似,學(xué)習(xí)率需要反復(fù)訓(xùn)練才能得到合適的值。經(jīng)過訓(xùn)練和比較,設(shè)置學(xué)習(xí)率為0.3,其他參數(shù)設(shè)置如下:最大訓(xùn)練次數(shù)為1 000 次,性能函數(shù)為均方誤差(MSE),訓(xùn)練性能目標(biāo)為10-3,訓(xùn)練函數(shù)為trainlm,最大驗(yàn)證失敗次數(shù)為6次。

圖6 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

2.3 ANN模型的訓(xùn)練

本研究采用該系統(tǒng)2020年空調(diào)季(6月11日至9月10日)逐時實(shí)測數(shù)據(jù)進(jìn)行ANN模型的訓(xùn)練,并采用典型日數(shù)據(jù)對模型預(yù)測精度進(jìn)行測試,訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)總數(shù)分別為13 260、864個?？紤]到不同類型數(shù)據(jù)的維度不同,數(shù)據(jù)集應(yīng)在0～1之間歸一化,以提高精度和收斂速度[15]。計算公式如下:

(1)

式中x′為處理后數(shù)據(jù);x為待處理數(shù)據(jù)。

ANN模型的訓(xùn)練過程是不斷調(diào)整偏差,使輸出與目標(biāo)之間的誤差最小化的過程。采用MSE作為性能函數(shù),同時引入相關(guān)系數(shù)(R)、均方根誤差(RMSE)、均方根誤差的變異系數(shù)(CV-RMSE)和平均絕對誤差(MAE)4個統(tǒng)計指標(biāo)綜合評價人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度。各項(xiàng)指標(biāo)計算公式如下:

(2)

(3)

(4)

(5)

(6)

2.4 ANN模型預(yù)測結(jié)果與分析

考慮分區(qū)的ANN模型預(yù)測精度評價結(jié)果見表3。根據(jù)ASHRAE指南[16]的要求,CV-RMSE應(yīng)在30%以下,本研究的ANN模型預(yù)測結(jié)果能很好地滿足標(biāo)準(zhǔn)要求。從評價結(jié)果來看,2個分區(qū)的ANN2模型和4個分區(qū)的ANN3模型預(yù)測精度與未分區(qū)的ANN1模型相比均有明顯提升。ANN3模型濕負(fù)荷、冷負(fù)荷預(yù)測結(jié)果的CV-RMSE分別為8.72%和9.98%,較ANN1模型預(yù)測結(jié)果分別降低了14.27%和14.61%,說明考慮建筑分區(qū)對于神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測精度的提高效果顯著。

表3 ANN模型預(yù)測精度評價

為了直觀地表現(xiàn)模型預(yù)測結(jié)果,將預(yù)測值和實(shí)測值進(jìn)行比較,各濕負(fù)荷預(yù)測結(jié)果比較見圖7,冷負(fù)荷預(yù)測結(jié)果比較見圖8。從圖7、8可以看出,預(yù)測值與實(shí)測值吻合程度較好,尤其是考慮4個分區(qū)的ANN3模型,其預(yù)測值可以較精確地與實(shí)測值相匹配,相比而言,未考慮分區(qū)的ANN1模型預(yù)測結(jié)果有一定偏差。

此外,綜合比較發(fā)現(xiàn),濕負(fù)荷預(yù)測結(jié)果的精確度略高于冷負(fù)荷,原因是新風(fēng)系統(tǒng)在運(yùn)行過程中以濕負(fù)荷為主要處理目標(biāo),承擔(dān)全部室內(nèi)濕負(fù)荷,濕負(fù)荷的波動規(guī)律性更穩(wěn)定,而冷負(fù)荷的波動范圍更大。

3 新風(fēng)系統(tǒng)的控制優(yōu)化策略

3.1 基于負(fù)荷預(yù)測的控制優(yōu)化策略

為了提高新風(fēng)系統(tǒng)的綜合效率和降低運(yùn)行成本,有必要對其運(yùn)行進(jìn)行優(yōu)化?；跐撃苄钅芊椒ń⒘艘粋€優(yōu)化模型,根據(jù)ANN模型預(yù)測結(jié)果,制定了匹配的控制策略。

潛能蓄能[17]作為一種與傳統(tǒng)蓄能技術(shù)不同的儲能手段,通過儲存溶液的除濕潛能達(dá)到蓄能目標(biāo),在能量緊缺時利用儲存溶液的再生進(jìn)行潛能釋能。本研究中新風(fēng)系統(tǒng)的優(yōu)化運(yùn)行采用潛能蓄能的方式,在系統(tǒng)中配置溶液儲液罐,通過儲存濃溶液,即儲存除濕潛能的方式進(jìn)行蓄能。同時結(jié)合當(dāng)?shù)胤謺r電價情況,根據(jù)未來1 d內(nèi)的負(fù)荷預(yù)測結(jié)果進(jìn)行運(yùn)行策略優(yōu)化。

基于節(jié)能提效的運(yùn)行目標(biāo)制定了新風(fēng)系統(tǒng)蓄能控制策略,其中需要進(jìn)行判斷和決策的變量如表4所示,蓄能量和釋能量用溶液的除濕潛力(濕負(fù)荷)來表示。為了確保運(yùn)行策略的可行性,給出了相應(yīng)邊界條件,見式(7)～(9)。

表4 蓄能控制優(yōu)化變量

0≤uc,n≤uc,max

(7)

0≤ud,n≤ud,max

(8)

∑ud,n≤Qt

(9)

ud,n+wn=Wn

(10)

式中uc,n為逐時蓄能速率,kg/h;uc,max為最大蓄能速率,kg/h;ud,n為逐時釋能速率,kg/h;ud,max為最大釋能速率,kg/h。

溶液機(jī)組的優(yōu)化控制流程如下:在谷電時期滿負(fù)荷運(yùn)行,在滿足逐時負(fù)荷之后以逐時蓄能速率uc,n向儲液罐儲存濃溶液積累除濕能力,直至最大蓄能總量Qt。儲液罐充滿后關(guān)閉機(jī)組,根據(jù)ANN模型的負(fù)荷預(yù)測結(jié)果計算機(jī)組逐時能效,當(dāng)能效較低時,優(yōu)先釋放蓄能,以逐時釋能速率ud,n釋放除濕潛能;當(dāng)能效較高時,利用機(jī)組冷卻除濕匹配逐時負(fù)荷,系統(tǒng)控制優(yōu)化流程見圖9。其中,對于Qt、Qn及n的判斷,均根據(jù)所述負(fù)荷預(yù)測結(jié)果及機(jī)組能效情況得到。

圖9 系統(tǒng)優(yōu)化控制流程

3.2 空調(diào)季負(fù)荷模式及優(yōu)化結(jié)果

根據(jù)ANN模型的負(fù)荷預(yù)測結(jié)果,選取典型負(fù)荷日進(jìn)行分析和優(yōu)化。在分時電價情況下,以無蓄能的新風(fēng)系統(tǒng)為基準(zhǔn),分析蓄能優(yōu)化運(yùn)行策略降低運(yùn)行成本的效果。

根據(jù)ANN模型的預(yù)測結(jié)果,應(yīng)用該優(yōu)化模型改進(jìn)新風(fēng)機(jī)組的運(yùn)行策略,選取整個空調(diào)季負(fù)荷較高的典型日作為案例進(jìn)行分析,優(yōu)化后的單日負(fù)荷分布見圖10。優(yōu)化后的負(fù)荷分配可充分體現(xiàn)基于負(fù)荷預(yù)測的蓄能效果。可以看出:在谷電時期,機(jī)組除滿足逐時需求外向儲液罐蓄能已達(dá)到umax,所蓄能量在負(fù)荷較小、機(jī)組運(yùn)行COP較低時釋放;負(fù)荷達(dá)到峰值附近時,逐時負(fù)荷仍由機(jī)組正常運(yùn)行滿足。

圖10 典型日運(yùn)行優(yōu)化后濕負(fù)荷分布

空調(diào)季新風(fēng)系統(tǒng)濕負(fù)荷情況見圖11,在夏熱冬冷地區(qū),新風(fēng)系統(tǒng)空調(diào)季濕負(fù)荷很高,對整個空調(diào)季應(yīng)用基于負(fù)荷預(yù)測的控制優(yōu)化模型,可得到優(yōu)化后的空調(diào)季濕負(fù)荷分布?；跉v史數(shù)據(jù)對新風(fēng)系統(tǒng)負(fù)荷-能效水平進(jìn)行擬合,利用優(yōu)化后的負(fù)荷分布情況,可以得到系統(tǒng)基于控制策略優(yōu)化后的能耗水平,再利用分時電價結(jié)果計算該策略的經(jīng)濟(jì)效益。

圖11 空調(diào)季新風(fēng)系統(tǒng)濕負(fù)荷

表5列出了空調(diào)季理論優(yōu)化結(jié)果與原始結(jié)果之間的比較,優(yōu)化后可使建筑空調(diào)系統(tǒng)在整個空調(diào)季的運(yùn)行能耗和運(yùn)行成本分別降低27.2%和29.2%。此外,考慮到夏熱冬冷地區(qū)夏季濕負(fù)荷高的特征,可以進(jìn)一步通過擴(kuò)大儲液罐容量的方式提高新風(fēng)系統(tǒng)在空調(diào)季的節(jié)能潛力。

表5 空調(diào)季理論優(yōu)化結(jié)果與原始結(jié)果對比

4 結(jié)論

1) 基于2019—2020年歷史數(shù)據(jù),空調(diào)季新風(fēng)能耗占暖通空調(diào)系統(tǒng)總能耗的比例為42%,新風(fēng)能耗占比較高。新風(fēng)機(jī)組除濕COPD集中在1.2～1.6之間,制冷COPC集中在1.1～1.8之間,與額定COP相差較大,此類方案的新風(fēng)系統(tǒng)能效和運(yùn)行方式均有較大的優(yōu)化空間。

2) 建立了分區(qū)ANN模型用于預(yù)測新風(fēng)系統(tǒng)的濕負(fù)荷和冷負(fù)荷,通過增加建筑熱感區(qū)域劃分和優(yōu)化輸入?yún)?shù)的方法提高了ANN模型預(yù)測精度,結(jié)果表明有4個熱區(qū)劃分的ANN3模型濕負(fù)荷及冷負(fù)荷預(yù)測結(jié)果的CV-RMSE分別為8.72%和9.98%,較不考慮分區(qū)的ANN1模型分別降低了14.27%和14.61%,分區(qū)ANN模型預(yù)測和優(yōu)化輸入?yún)?shù)方法對于預(yù)測精度的提高效果十分顯著。

3) 基于負(fù)荷預(yù)測結(jié)果和潛能蓄能方法,制定了新風(fēng)系統(tǒng)蓄能優(yōu)化控制策略,針對典型負(fù)荷日和整個空調(diào)季應(yīng)用新的優(yōu)化控制策略,并分析了優(yōu)化后的負(fù)荷分布情況。計算出整個空調(diào)季應(yīng)用該控制策略的理論優(yōu)化結(jié)果,該結(jié)果較原始結(jié)果運(yùn)行能耗和運(yùn)行成本分別降低了27.2%和29.2%,該優(yōu)化控制策略節(jié)能效果顯著。