基于負(fù)荷預(yù)測的冷凍站系統(tǒng)非線性預(yù)測控制

魏 東 焦煥炎 馮浩東

(1.北京建筑大學(xué)電氣與信息工程學(xué)院,北京 100044;2.北京市建筑大數(shù)據(jù)智能處理重點(diǎn)實(shí)驗(yàn)室,北京 100044)

1 引言

近年來,建筑物能源消耗處于不斷上升的趨勢.在中國,建筑能耗約占社會總能耗的30%[1].集中式暖通空調(diào)(HVAC)系統(tǒng)是建筑物重要的組成部分之一,其能耗約占建筑能耗總量的40%～50%[2–3].由于空調(diào)冷凍站系統(tǒng)擁有眾多設(shè)備,包括冷水機(jī)組、水泵和冷卻塔等,使得系統(tǒng)結(jié)構(gòu)復(fù)雜,具有非線性、大滯后以及時(shí)變等復(fù)雜特性,且冷凍水回路和冷卻水回路間存在耦合關(guān)系,造成傳統(tǒng)PID控制方法設(shè)計(jì)和調(diào)試?yán)щy,因此系統(tǒng)控制效果不佳.本文通過調(diào)研發(fā)現(xiàn),由于參數(shù)整定困難,造成PID控制在空調(diào)系統(tǒng)負(fù)荷變化時(shí)極易產(chǎn)生振蕩,所以目前90%以上的集中式空調(diào)系統(tǒng)采用手動(dòng)控制,造成能源的大量浪費(fèi).即使采用自動(dòng)控制的系統(tǒng),也沒有把冷凍站系統(tǒng)看成一個(gè)整體,只針對局部設(shè)備進(jìn)行控制,通常達(dá)不到理想的節(jié)能效果.已有研究表明,智能控制方法具有自適應(yīng)、自學(xué)習(xí)和自協(xié)調(diào)能力,可以對復(fù)雜系統(tǒng)進(jìn)行全局控制,提升空調(diào)系統(tǒng)的性能和節(jié)能效果.其中,模型預(yù)測控制(MPC)被視為一種有效的方法,它可以解決耦合和約束問題,并基于建筑動(dòng)態(tài)特性,在保證人員較高舒適度的前提下,得到一組最優(yōu)控制規(guī)律,從而最大限度地降低系統(tǒng)能耗[4].Hovgaard等人[5]提出了一種適用于商用多區(qū)域制冷系統(tǒng)的模型預(yù)測控制策略,該方法通過采用快速凸二次規(guī)劃求解器進(jìn)行迭代,具有較高的實(shí)時(shí)運(yùn)行速度.Picard等人[6]系統(tǒng)地研究了建筑物獲得最佳控制性能所需的控制器模型復(fù)雜度,并將建筑模型線性化,得到線性時(shí)不變狀態(tài)空間模型,然后用模型預(yù)測控制策略來提升系統(tǒng)的性能.Huang[7]利用MPC控制變風(fēng)量空調(diào)系統(tǒng)中的區(qū)域溫度和風(fēng)閥位置.與PI控制器相比,基于模型預(yù)測控制的送風(fēng)量控制器具有更好的瞬態(tài)響應(yīng)性能,并且在風(fēng)管壓力擾動(dòng)下具有更強(qiáng)的魯棒性.為了達(dá)到所需的區(qū)域溫度,Karlsson等人[8]使用MPC方法控制地板供暖系統(tǒng)的供水溫度.其中,預(yù)測控制器利用天氣預(yù)報(bào)和建筑物的死區(qū)時(shí)間,始終將室溫保持在所需的范圍內(nèi).Yang等人[9]提出了一種新的用于室外空氣系統(tǒng)的模型預(yù)測控制策略.其中,預(yù)測模型采用狀態(tài)空間模型捕捉建筑熱力學(xué)和熱舒適性特性,進(jìn)行建筑響應(yīng)預(yù)測.隨后,作者采用多目標(biāo)成本函數(shù),在滿足預(yù)測平均投票率(PMV)和相對濕度的約束條件下,對建筑能耗和熱舒適性進(jìn)行了優(yōu)化.

盡管目前相關(guān)領(lǐng)域?qū)W者已經(jīng)進(jìn)行了大量的研究工作,工程中對模型預(yù)測控制技術(shù)的應(yīng)用仍處于初級階段.首先,模型預(yù)測控制的實(shí)現(xiàn)需要一個(gè)精確的建筑模型,然而,獲得這樣一個(gè)性能良好的模型是一項(xiàng)困難的任務(wù).其次,在模型預(yù)測控制中,需要多次求解相應(yīng)的優(yōu)化問題,大多數(shù)現(xiàn)有的優(yōu)化算法對計(jì)算量和存儲空間都有很高的要求,使得模型預(yù)測控制在空調(diào)系統(tǒng)控制中的應(yīng)用不易于工程實(shí)現(xiàn).此外,現(xiàn)有研究成果大多數(shù)是針對冷凍站的局部設(shè)備進(jìn)行控制,而冷凍站系統(tǒng)包含冷水機(jī)組、冷凍水回路和冷卻水回路,針對局部設(shè)備的控制無法實(shí)現(xiàn)系統(tǒng)整體上的節(jié)能.

為了降低計(jì)算和存儲問題的復(fù)雜性,Seong等[10]提出了一種非線性多輸入多輸出系統(tǒng)的神經(jīng)網(wǎng)絡(luò)(ANN)動(dòng)態(tài)優(yōu)化方法,主要特點(diǎn)是用神經(jīng)網(wǎng)絡(luò)逼近動(dòng)態(tài)規(guī)劃的最優(yōu)反饋解,從而降低了動(dòng)態(tài)規(guī)劃等經(jīng)典方法的計(jì)算和存儲問題的復(fù)雜性.然而,該方法不適用于受時(shí)變和不確定因素影響的工業(yè)過程.相比之下,模型預(yù)測控制采用滾動(dòng)優(yōu)化方法,并利用優(yōu)化過程中測量到的系統(tǒng)信息進(jìn)行反饋校正,這有助于消除未建模干擾或建模誤差,增強(qiáng)了系統(tǒng)的魯棒性,適用于復(fù)雜工業(yè)過程.因此,本文針對空調(diào)冷凍站系統(tǒng),提出基于負(fù)荷預(yù)測的神經(jīng)網(wǎng)絡(luò)預(yù)測控制策略,將滿足負(fù)荷需求和系統(tǒng)能效比需求作為優(yōu)化目標(biāo),以達(dá)到在滿足冷量需求的前提下降低系統(tǒng)整體能耗的目的.目前,空調(diào)冷凍站系統(tǒng)控制中主要采用恒壓差或者恒溫差策略[11],在實(shí)際工程中,恒壓差和恒溫差的控制并沒有按照實(shí)際負(fù)荷需求調(diào)節(jié)各設(shè)備,且無法考慮系統(tǒng)整體節(jié)能,不能達(dá)到預(yù)期的節(jié)能效果.本文所提出的基于負(fù)荷預(yù)測的控制策略使系統(tǒng)主動(dòng)跟隨負(fù)荷變化趨勢,能夠保證系統(tǒng)根據(jù)實(shí)時(shí)需求調(diào)節(jié)設(shè)備參數(shù),在時(shí)間、數(shù)量方面實(shí)現(xiàn)供需匹配,同時(shí)由于優(yōu)化目標(biāo)函數(shù)考慮到系統(tǒng)整體能效最優(yōu),能夠有效減少能源浪費(fèi).另外,針對目前非線性預(yù)測控制優(yōu)化算法計(jì)算量大、不易于工程實(shí)現(xiàn)的問題,本文采用神經(jīng)網(wǎng)絡(luò)作為優(yōu)化反饋控制器,將系統(tǒng)優(yōu)化目標(biāo)函數(shù)作為神經(jīng)網(wǎng)絡(luò)控制器在線尋優(yōu)性能指標(biāo),基于變分法與隨機(jī)梯度下降法對神經(jīng)網(wǎng)絡(luò)控制器進(jìn)行在線滾動(dòng)優(yōu)化,從而獲得使系統(tǒng)優(yōu)化目標(biāo)函數(shù)最佳的控制量序列.優(yōu)化算法充分利用了變分法計(jì)算量小、占用存儲空間少,以及神經(jīng)網(wǎng)絡(luò)能夠處理非線性并能實(shí)現(xiàn)反饋優(yōu)化的優(yōu)勢,解決了變分法無法實(shí)現(xiàn)反饋優(yōu)化和動(dòng)態(tài)規(guī)劃算法的“維數(shù)災(zāi)”問題,易于工程實(shí)現(xiàn).本文以北京某國企科研樓的空調(diào)冷凍站系統(tǒng)為研究對象,基于系統(tǒng)實(shí)際運(yùn)行數(shù)據(jù),利用神經(jīng)網(wǎng)絡(luò)構(gòu)建了系統(tǒng)負(fù)荷預(yù)測模型和空調(diào)冷凍站系統(tǒng)能效比預(yù)測模型,在此基礎(chǔ)上設(shè)計(jì)了神經(jīng)網(wǎng)絡(luò)控制器.仿真實(shí)驗(yàn)結(jié)果表明,本文所提出的控制策略能夠在負(fù)荷變化的情況下使系統(tǒng)穩(wěn)定運(yùn)行,滿足冷量需求,同時(shí)與PID控制方法相比節(jié)能8.57%,并可有效減少傳統(tǒng)PID控制方法所需的調(diào)試工作量.

2 系統(tǒng)描述

2.1 研究對象

集中式空調(diào)系統(tǒng)的整體組成如圖1所示,主要由空氣處理器、冷凍站、風(fēng)機(jī)、風(fēng)管系統(tǒng)、末端設(shè)備等組成.空氣處理器的主要設(shè)備是過濾器和盤管表冷器,混風(fēng)(新風(fēng)與部分回風(fēng))進(jìn)入空氣處理器后在過濾器處進(jìn)行過濾處理,在盤管表冷器處進(jìn)行熱、濕處理;冷凍站根據(jù)室內(nèi)負(fù)荷為空調(diào)系統(tǒng)提供所需的冷量;風(fēng)機(jī)的功能是為空調(diào)系統(tǒng)提供空氣循環(huán)動(dòng)力;風(fēng)管系統(tǒng)的功能是對空調(diào)系統(tǒng)的空氣進(jìn)行輸送和散布;各末端區(qū)域根據(jù)自身的需求來調(diào)整末端設(shè)備,以使各區(qū)域溫度達(dá)到設(shè)定值.

圖1 集中式空調(diào)系統(tǒng)組成Fig.1 Composition of a central air-conditioning system

本文主要以空調(diào)冷凍站系統(tǒng)為研究對象,如圖2所示,該系統(tǒng)主要包括冷水機(jī)組、冷凍水回路和冷卻水回路.

圖2 冷凍站系統(tǒng)圖Fig.2 Diagram of an air-conditioning refrigeration system

冷水機(jī)組是系統(tǒng)的核心部件,在空調(diào)系統(tǒng)中,冷水機(jī)組負(fù)責(zé)制備冷量,主要由蒸發(fā)器、壓縮機(jī)、冷凝器和膨脹閥4部分組成.當(dāng)系統(tǒng)處于制冷階段時(shí),制冷劑在這四大部件中周期循環(huán).首先,液態(tài)制冷劑在蒸發(fā)器內(nèi)吸收冷凍水回水的熱量,變成氣態(tài),再經(jīng)過壓縮機(jī),被壓縮成高溫高壓的氣體.然后,該氣體流經(jīng)冷凝器放出熱量,使其溫度降低,變成液體,放出的熱量被冷卻水帶到冷卻塔排出.最后,高壓液態(tài)制冷劑在系統(tǒng)的推動(dòng)下流經(jīng)膨脹閥,降壓后再次流向蒸發(fā)器進(jìn)入下一個(gè)循環(huán).

冷凍水回路由冷凍泵及冷凍水管道組成.循環(huán)過程中,冷凍水首先在蒸發(fā)器處與制冷劑進(jìn)行熱交換,降溫后由冷凍泵加壓送入冷凍水管道,然后流到空氣處理器,與混風(fēng)進(jìn)行熱交換.降溫后的冷風(fēng)由風(fēng)機(jī)吹向空調(diào)末端,經(jīng)末端設(shè)備進(jìn)入室內(nèi),達(dá)到降溫的目的.同時(shí),冷凍水因吸收混風(fēng)熱量而溫度升高.最后,升溫后的冷凍水再與冷水機(jī)組進(jìn)行熱交換.

冷卻水回路主要由冷卻泵、冷卻水管道和冷卻塔組成.系統(tǒng)運(yùn)行過程中,冷卻水在冷凝器處吸收制冷劑釋放的熱量,從而溫度升高.然后,冷卻泵將升溫后的冷卻水壓入冷卻塔,使之與外界環(huán)境進(jìn)行熱交換.最后,降溫后的冷卻水又回到冷水機(jī)組處進(jìn)入下一次循環(huán).該建筑冷凍站系統(tǒng)的各設(shè)備信息如表1所示.

表1 冷凍站系統(tǒng)設(shè)備信息Table 1 Equipment information of the refrigeration system

2.2 系統(tǒng)能效分析

2.2.1 冷水機(jī)組

冷水機(jī)組是空調(diào)冷凍站系統(tǒng)的主要設(shè)備之一,其能耗約占系統(tǒng)總能耗的一半.冷水機(jī)組負(fù)責(zé)制備冷量,空調(diào)末端區(qū)域負(fù)責(zé)消耗冷量,冷水機(jī)組制備的冷量通常表示為

其中:Qch表示冷水機(jī)組制備的冷量,單位kW;c表示水的比熱容,單位kJ/(kg·K);mchw表示冷凍水流量,單位kg/s;Tchws表示冷凍水供水溫度,單位?C;Tchwr表示冷凍水回水溫度,單位?C.

同時(shí),冷水機(jī)組的運(yùn)行能效比可表示為

其中:COP表示冷水機(jī)組的運(yùn)行能效比,無量綱;Pchiller表示冷水機(jī)組的運(yùn)行功率,單位kW.能效比COP可以被用來衡量冷水機(jī)組的能效.影響COP的因素主要有冷凍水供水溫度Tchws、冷卻水回水溫度Tcwr(可以通過改變冷卻塔風(fēng)機(jī)運(yùn)行頻率ft來進(jìn)行控制)、冷凍水流量mchw(可以通過改變冷凍水泵頻率fpumpch來進(jìn)行控制)、制備的冷量Qch及冷水機(jī)組臺數(shù).冷水機(jī)組COP隨Tchws,Tcwr的變化關(guān)系曲線如圖3所示[12].

圖3 COP–Tchws–Tcwr關(guān)系曲線Fig.3 The curve of the relation between COP and Tchws,Tcwr

2.2.2 水泵

水泵是空調(diào)冷凍站系統(tǒng)的重要設(shè)備之一,包括冷凍水泵和冷卻水泵.在空調(diào)系統(tǒng)中,水泵起到動(dòng)力循環(huán)作用,約有15%～20%的能耗來自水泵.水流量大小的改變可以通過調(diào)節(jié)水泵頻率來實(shí)現(xiàn).目前工程應(yīng)用中,使用較多的是變頻水泵,其功率計(jì)算公式為

其中:Ppump表示水泵的功率,即驅(qū)動(dòng)水泵的電機(jī)功率,單位kW;ρ為流體的密度,單位kg/m3;g為重力加速度,單位m/s2;V表示流體的體積流量,單位m3/h;H表示水泵的揚(yáng)程,單位m;η表示水泵的全效率;ηp為水泵效率;ηm為電機(jī)效率;ηVFD為變頻器效率.

2.2.3 冷卻塔

在空調(diào)系統(tǒng)的總能耗中,大約5%的能耗來自冷卻塔.冷卻塔風(fēng)機(jī)的運(yùn)行功率可表示為

其中:Ptower表示風(fēng)機(jī)的運(yùn)行功率,單位kW;Ptower,rated表示風(fēng)機(jī)的額定功率,單位kW;ft表示風(fēng)機(jī)的運(yùn)行頻率,單位Hz;f0表示風(fēng)機(jī)的額定頻率,一般為50 Hz.

影響冷卻塔能效的因素主要有室外空氣濕球溫度Twb、冷卻水流量mcw(可以通過改變冷卻水泵頻率Tpumpc來進(jìn)行控制)、冷卻水回水溫度Tcwr及冷卻塔臺數(shù).

2.3 系統(tǒng)預(yù)測控制目標(biāo)

集中式空調(diào)冷凍站系統(tǒng)預(yù)測控制目標(biāo)是使空調(diào)冷凍站系統(tǒng)各設(shè)備運(yùn)行在高能效狀態(tài),在滿足大樓冷量需求的前提下,盡可能節(jié)約能源,使空調(diào)冷凍站系統(tǒng)能效比EER達(dá)到設(shè)定值.式(6)為空調(diào)冷凍站系統(tǒng)能效比EER的計(jì)算公式.

式中:冷水機(jī)組制冷量Qch可由式(1)求得,Ptotal表示空調(diào)冷凍站系統(tǒng)各設(shè)備的運(yùn)行功率總和,單位kW,計(jì)算公式為:

其中:冷水機(jī)組的運(yùn)行功率Pchiller可直接測量獲得,冷凍水泵運(yùn)行功率Ppumpch、冷卻水泵的功率Ppumpc和冷卻塔運(yùn)行功率Ptower可分別由式(3)和式(5)求得.

3 負(fù)荷預(yù)測與系統(tǒng)建模

為實(shí)現(xiàn)本文所提出的模型預(yù)測控制策略,首先需要對負(fù)荷和系統(tǒng)能效比進(jìn)行建模.冷凍站系統(tǒng)設(shè)備眾多,設(shè)備型號、規(guī)格多樣,以冷水機(jī)組為例,其包括離心式、螺桿式和磁懸浮式,且系統(tǒng)的負(fù)荷和能效比與設(shè)備控制參數(shù)之間是非線性關(guān)系,使用傳統(tǒng)基于機(jī)理建模的方法,很難建立系統(tǒng)的模型[13].為此,研究人員提出了多種基于數(shù)據(jù)驅(qū)動(dòng)的建模方法,如數(shù)據(jù)挖掘算法(人工神經(jīng)網(wǎng)絡(luò)–ANN[14]、支持向量機(jī)–SVM[15])、統(tǒng)計(jì)模型(回歸[16]等)、幾何模型[17],以及隨機(jī)模型(概率密度函數(shù)逼近[18])等.在這些建模方法中,神經(jīng)網(wǎng)絡(luò)算法無需繁冗的建模過程,且模型精度較高[19],相比于其他方法,它在非線性系統(tǒng)建模方面更具優(yōu)勢.因此,本文采用神經(jīng)網(wǎng)絡(luò)獲取系統(tǒng)負(fù)荷預(yù)測模型和能效比預(yù)測模型.

建立神經(jīng)網(wǎng)絡(luò)模型需要采集覆蓋系統(tǒng)所有動(dòng)態(tài)特性的豐富數(shù)據(jù)集.適當(dāng)選擇參數(shù)或變量可以提高模型的可理解性、可擴(kuò)展性和準(zhǔn)確性[20].因此,需要合理選擇建模參數(shù).

3.1 模型參數(shù)

3.1.1 負(fù)荷預(yù)測模型參數(shù)

準(zhǔn)確的負(fù)荷預(yù)測是空調(diào)系統(tǒng)預(yù)測控制的前提條件.空調(diào)負(fù)荷可分為冷負(fù)荷和熱負(fù)荷兩種[21].空調(diào)負(fù)荷的影響因素眾多,主要由整個(gè)大樓空調(diào)區(qū)域的內(nèi)部擾動(dòng)與外部擾動(dòng)組成.其中,內(nèi)部擾動(dòng)一般指由大樓內(nèi)部的照明設(shè)備、室內(nèi)人員及其他電氣設(shè)備等產(chǎn)生的熱量;外部擾動(dòng)主要包括室外空氣溫濕度、太陽輻射強(qiáng)度、風(fēng)速、風(fēng)向等.當(dāng)建筑物投入使用后,建筑物的空間結(jié)構(gòu)與使用材料等為固定參數(shù),此時(shí)影響空調(diào)系統(tǒng)負(fù)荷的最重要參數(shù)是室外氣象參數(shù)、室內(nèi)空間的使用以及設(shè)備的開啟情況.因此,本文選擇負(fù)荷預(yù)測模型的輸入?yún)?shù)有以下6個(gè):

1) 室外溫度Tout[k];

2) 室外相對濕度RHout[k];

3) 太陽輻射強(qiáng)度S[k];

4) 室外風(fēng)速(北向)Wnorth[k];

5) 室外風(fēng)速(東向)Weast[k];

6) 室內(nèi)負(fù)荷(人員及電氣設(shè)備)Qin[k].

其中k表示當(dāng)前時(shí)刻,負(fù)荷預(yù)測模型的輸出為下一時(shí)刻系統(tǒng)負(fù)荷預(yù)測值Q[k+1].

3.1.2 系統(tǒng)模型參數(shù)

本文選擇冷凍站系統(tǒng)能效比EER預(yù)測模型的輸入?yún)?shù)有[13]:

1) 冷凍水供水溫度Tchws[k];

2) 冷卻水回水溫度Tcwr[k];

3) 冷凍水泵頻率fpumpch[k](即冷凍水流量mchw);

4) 冷卻水泵頻率fpumpc[k](即冷卻水流量mcw)

5) 回風(fēng)溫度Tin[k];

6) 室外空氣干球溫度Tdb[k];

7) 室外空氣濕球溫度Twb[k];

8) 負(fù)荷預(yù)測值Q[k];

9) 當(dāng)前時(shí)刻的系統(tǒng)能效比EER[k].

模型的輸出為下一時(shí)刻系統(tǒng)能效比EER[k+1].

3.2 數(shù)據(jù)采集

本文選取夏季6月至9月的系統(tǒng)實(shí)測樣本數(shù)據(jù)進(jìn)行負(fù)荷預(yù)測和系統(tǒng)能效比建模,采樣周期為10分鐘,這些數(shù)據(jù)都是由該國企科研樓的集中式空調(diào)監(jiān)控管理系統(tǒng)提供.樣本數(shù)據(jù)被分成3個(gè)不同的數(shù)據(jù)集,用于對神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練、驗(yàn)證和測試,數(shù)據(jù)占比分別為70%,10%和20%.部分?jǐn)?shù)據(jù)如表2所示.

表2 部分?jǐn)?shù)據(jù)信息Table 2 Partial data information

3.3 數(shù)據(jù)預(yù)處理

為了消除尖峰噪聲和隨機(jī)噪聲,本文對數(shù)據(jù)進(jìn)行了滑動(dòng)平均濾波處理.滑動(dòng)平均濾波算法需要先確定滑動(dòng)窗口的寬度N,即連續(xù)取N個(gè)數(shù)據(jù)看成一個(gè)隊(duì)列,每次獲取一個(gè)新數(shù)據(jù)放入隊(duì)尾,并扔掉原來隊(duì)首的一個(gè)數(shù)據(jù),濾波器每次輸出的數(shù)據(jù)總是當(dāng)前隊(duì)列中N個(gè)數(shù)據(jù)的算術(shù)平均值,本文選取N為15.

另一方面,在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中,由于模型各輸入變量的量綱不同,并且數(shù)據(jù)值的大小差異非常大,會使訓(xùn)練速度變慢,甚至?xí)霈F(xiàn)訓(xùn)練最終無法收斂的情況.因此,有必要對實(shí)測樣本數(shù)據(jù)進(jìn)行歸一化和反歸一化處理.本文在進(jìn)行處理時(shí),采用線性函數(shù)轉(zhuǎn)換方法[22],將數(shù)據(jù)轉(zhuǎn)換成0至1范圍內(nèi)的數(shù)值.

3.4 ANN結(jié)構(gòu)

本文采用兩個(gè)三層BP神經(jīng)網(wǎng)絡(luò)(一個(gè)輸入層、一個(gè)隱含層和一個(gè)輸出層)建立負(fù)荷預(yù)測模型和系統(tǒng)能效比預(yù)測模型,三層神經(jīng)網(wǎng)絡(luò)已被證明能以高精度有效逼近任何一個(gè)非線性過程[23].網(wǎng)絡(luò)隱層神經(jīng)元數(shù)目對預(yù)測模型的性能有顯著影響,然而,現(xiàn)有文獻(xiàn)中并沒有提出明確的解析函數(shù)來預(yù)先確定隱層神經(jīng)元的數(shù)量,一般可通過基于式(8)的試錯(cuò)法[24]來計(jì)算得到隱層神經(jīng)元數(shù)量.

其中:n和l分別代表輸入層和輸出層節(jié)點(diǎn)數(shù);m表示隱含層節(jié)點(diǎn)數(shù);α是試湊常數(shù),取值范圍通常是[1,10].

利用上述公式,本文計(jì)算得出負(fù)荷預(yù)測模型的隱含層節(jié)點(diǎn)數(shù)取值范圍是[4,13].為了確定隱含層神經(jīng)元的最佳數(shù)量,必須進(jìn)行實(shí)驗(yàn)試湊比較.綜合考慮網(wǎng)絡(luò)誤差和網(wǎng)絡(luò)泛化性能,通過實(shí)驗(yàn)測定,本文發(fā)現(xiàn)當(dāng)隱含層節(jié)點(diǎn)數(shù)為12時(shí),網(wǎng)絡(luò)訓(xùn)練效果最佳,實(shí)驗(yàn)比較結(jié)果如表3所示.同樣,系統(tǒng)能效比預(yù)測模型的最優(yōu)隱層節(jié)點(diǎn)數(shù)為10.

表3 不同情況下,BP神經(jīng)網(wǎng)絡(luò)模型的均方根誤差Table 3 The RMSE of the BP model in different cases

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練通常采用反向傳播(BP)算法[25]、Levenberg-Marquardt(LM)算法[26]和貝葉斯正則化算法[27].BP算法是最常用的算法,它使用梯度下降法來尋找極小值.然而,它存在局部極小和過擬合問題[19].LM 算法收斂速度最快,均方誤差最小,但其泛化能力較弱.對于具有數(shù)百個(gè)權(quán)值的中小型神經(jīng)網(wǎng)絡(luò),貝葉斯正則化算法能夠有效提高神經(jīng)網(wǎng)絡(luò)的泛化能力,避免過擬合問題[28].因此本文采用貝葉斯正則化算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.

3.5 確定初始權(quán)值和學(xué)習(xí)率

神經(jīng)網(wǎng)絡(luò)初始權(quán)值的范圍和學(xué)習(xí)率對網(wǎng)絡(luò)的性能和學(xué)習(xí)速度有一定的影響,太大的初始權(quán)值和學(xué)習(xí)率會導(dǎo)致網(wǎng)絡(luò)無法收斂,影響建模精度,而太小的初始權(quán)值和學(xué)習(xí)率會浪費(fèi)計(jì)算資源,降低訓(xùn)練速度.因此有必要找到合適的初始權(quán)值范圍和學(xué)習(xí)率,使網(wǎng)絡(luò)獲得更好的性能和學(xué)習(xí)速度.通過實(shí)驗(yàn)發(fā)現(xiàn),學(xué)習(xí)率為0.1,初始權(quán)值范圍在(-0.1,0.1)之間時(shí),訓(xùn)練結(jié)果的均方誤差較小,訓(xùn)練時(shí)間較短.因此本文將神經(jīng)網(wǎng)絡(luò)初始權(quán)值確定為(-0.1,0.1)之間的隨機(jī)小數(shù),學(xué)習(xí)率確定為0.1.

3.6 模型性能分析

3.6.1 負(fù)荷預(yù)測模型

本文利用所構(gòu)建的負(fù)荷預(yù)測模型對未來1天的冷負(fù)荷進(jìn)行了預(yù)測.

圖4和圖5是負(fù)荷預(yù)測模型的測試實(shí)驗(yàn)結(jié)果,橫坐標(biāo)表示140組測試數(shù)據(jù).所得到的測試輸出誤差曲線如圖4所示.由圖可以看出,模型測試輸出與對應(yīng)的目標(biāo)輸出之間的誤差在-20–36 kW之間,相對誤差為1.82%,對于實(shí)際工程應(yīng)用而言,該誤差在可接受范圍內(nèi).

圖4 負(fù)荷預(yù)測誤差Fig.4 Prediction error of the load

模型測試輸出與對應(yīng)的目標(biāo)輸出之間的比較結(jié)果如圖5所示.由圖可以看出,模型測試輸出與對應(yīng)的目標(biāo)輸出之間的擬合度良好;受到天氣因素等時(shí)變參數(shù)的影響,在空調(diào)系統(tǒng)負(fù)荷發(fā)生改變時(shí),預(yù)測模型的值可以較好地跟隨目標(biāo)值.這表明本文所構(gòu)建的空調(diào)系統(tǒng)負(fù)荷預(yù)測模型可以以較高的精度反映輸入–輸出樣本數(shù)據(jù)對中固有的非線性映射關(guān)系.

圖5 負(fù)荷的實(shí)際輸出和預(yù)測輸出比較圖Fig.5 Comparison diagram of actual output and predicted output of the load

由以上結(jié)果可以看出,本文所構(gòu)建的神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測模型具有結(jié)構(gòu)簡單的特點(diǎn),同時(shí)能夠避免進(jìn)行繁瑣的非穩(wěn)態(tài)傳熱計(jì)算;并且該模型很好地描述了建筑物空調(diào)負(fù)荷與輸入?yún)?shù)之間的復(fù)雜非線性關(guān)系,具有工程實(shí)用價(jià)值.

3.6.2 系統(tǒng)能效比模型

圖6和圖7是利用200組數(shù)據(jù)(訓(xùn)練集采用700組數(shù)據(jù))對冷凍站系統(tǒng)能效比預(yù)測模型進(jìn)行測試的實(shí)驗(yàn)結(jié)果.所得到的測試誤差輸出曲線如圖6所示.由圖可以看出,模型輸出與對應(yīng)的目標(biāo)輸出之間誤差值大部分都維持在-0.04～0.04之間,相對誤差為1.11%.模型輸出與對應(yīng)的目標(biāo)輸出之間的比較結(jié)果如圖7所示.可見,模型輸出與對應(yīng)的目標(biāo)輸出之間的擬合度良好,表明所提出的預(yù)測模型有效地跟蹤了系統(tǒng)的動(dòng)態(tài)過程.

圖6 EER預(yù)測誤差Fig.6 Prediction error of EER

圖7 EER實(shí)際輸出與網(wǎng)絡(luò)輸出的比較Fig.7 Comparison diagram of actual output and predicted output of EER

4 神經(jīng)網(wǎng)絡(luò)預(yù)測控制

4.1 算法概述

模型預(yù)測控制是處理耦合和約束問題的一種有效方法,人們廣泛認(rèn)為它是繼PID控制之后又一代實(shí)用的控制技術(shù)[29].然而,空調(diào)冷凍站系統(tǒng)的非線性特性使得模型預(yù)測控制的在線優(yōu)化難以實(shí)現(xiàn).

動(dòng)態(tài)規(guī)劃和變分法是解決最優(yōu)化問題的常用方法,但兩者都有一定的局限性.當(dāng)使用動(dòng)態(tài)規(guī)劃方法時(shí),存儲容量隨維度呈指數(shù)增長,將會出現(xiàn)“維度災(zāi)”問題[30].變分法相對簡單,但由于缺乏反饋校正,容易受到干擾和不確定性因素的影響[31].為此,本文提出一種基于神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測控制策略,采用神經(jīng)網(wǎng)絡(luò)作為優(yōu)化反饋控制器,將系統(tǒng)優(yōu)化目標(biāo)函數(shù)作為神經(jīng)網(wǎng)絡(luò)控制器優(yōu)化性能指標(biāo),將系統(tǒng)動(dòng)態(tài)模型和神經(jīng)網(wǎng)絡(luò)控制器方程作為約束,基于變分法和隨機(jī)梯度下降法[32]相結(jié)合的訓(xùn)練算法,對神經(jīng)網(wǎng)絡(luò)權(quán)值(閾值)進(jìn)行在線尋優(yōu),實(shí)現(xiàn)預(yù)測控制滾動(dòng)優(yōu)化,達(dá)到使系統(tǒng)優(yōu)化目標(biāo)函數(shù)最佳的控制目標(biāo).該算法既能夠解決傳統(tǒng)變分法由開環(huán)控制引發(fā)的對隨機(jī)干擾和不確定性敏感的問題,又可避免基于動(dòng)態(tài)規(guī)劃的非線性優(yōu)化算法的“維數(shù)災(zāi)”問題,易于工程實(shí)現(xiàn).

4.2 基于ANN的MPC算法

集中式空調(diào)系統(tǒng)是多輸入多輸出非線性系統(tǒng),假設(shè)系統(tǒng)預(yù)測模型為

其中:x[k]表示狀態(tài)向量,x[k]=[x1(k)x2(k)x3(k)··· xn(k)],n表示狀態(tài)向量的維數(shù);u[k]表示控制向量,u[k]=[u1(k)u2(k)u3(k)··· um(k)],m表 示控制向量的維數(shù);k表示采樣周期的當(dāng)前時(shí)刻,取值范圍是(0,1,2,···);k+1表示k的下一時(shí)刻.

神經(jīng)網(wǎng)絡(luò)控制器方程可以表示為

其中:W表示神經(jīng)網(wǎng)絡(luò)的權(quán)值系數(shù)矩陣(包括閾值);x*[k+1]表示下一時(shí)刻狀態(tài)變量的期望值.該網(wǎng)絡(luò)輸入層包含2n+1個(gè)神經(jīng)元,輸入變量為x[k],x*[k+1],和-1(神經(jīng)元閾值).輸出層包含m個(gè)神經(jīng)元,輸出變量為最優(yōu)控制量u[k].

式中:M表示預(yù)測時(shí)域,t1表示每個(gè)預(yù)測時(shí)域中的初始時(shí)刻,φt1+M(x[t1+M],t1+M)表示末端時(shí)刻的性能指標(biāo),L(x[k],u[k],k)表示預(yù)測過程中的性能指標(biāo).

在預(yù)測模型(9)和控制器方程(10)給出的等式約束條件下,優(yōu)化問題可以表示為最小化性能指標(biāo)函數(shù)(11).本文所提出的模型預(yù)測控制策略使用預(yù)測模型(9)預(yù)測系統(tǒng)的未來狀態(tài).然后,在存在干擾和約束的情況下,控制器生成控制向量(10)以最小化預(yù)測時(shí)域內(nèi)的性能指標(biāo)函數(shù)(11).在每個(gè)時(shí)刻,測量系統(tǒng)輸出x[t0],并將其反饋給控制器,用作優(yōu)化過程中的初始狀態(tài)向量x[t1].通過引入拉格朗日乘子[33]和哈密頓函數(shù)[34],可以獲得包含約束的增廣性能指標(biāo)函數(shù),表示為

其中:λ和q是拉格朗日乘子向量;f(k)和g(k,W)分別代表等式(9)和式(10)的右側(cè)部分.

哈密頓函數(shù)可以表示為

然后,增廣性能指標(biāo)可以重新表示為

根據(jù)狀態(tài)向量變分δx[k]、控制向量變分δu[k]和神經(jīng)網(wǎng)絡(luò)控制器權(quán)值(包括閾值)變分δW,對式(14)求取一次變分,得

對于任意的變分向量δx[k],δu[k]和δW,最小化性能指標(biāo)Ja的必要條件是δJa=0.因?yàn)閤[t0]是已知常量,所以δx[t0]=0.

因此,式(15)為0的必要條件為

式(16)和式(17)稱為哈密頓正則(伴隨)方程,其中k=t1,t1+1,···,t1+M -1.式(18)和式(19)分別為是橫截條件和極值條件.

4.3 系統(tǒng)控制

圖8所示為系統(tǒng)模型預(yù)測控制策略的結(jié)構(gòu)圖.圖中x[k]=EER[k]表示冷凍站系統(tǒng)能效比;(i=1,2,3,···)表示預(yù)測模型輸出的系統(tǒng)能效比預(yù)測值;x*[k+i](i=1,2,3,···)表示能效比期望值;z[k]表示其它變量(室外干球溫度、室外濕球溫度、回風(fēng)溫度);Qact[k]表示空調(diào)負(fù)荷的實(shí)際值;y[k]表示k時(shí)刻的冷凍水流量、冷凍水供水溫度及冷凍水回水溫度.

圖8 系統(tǒng)MPC策略結(jié)構(gòu)圖Fig.8 Chart of model predictive control of the system

根據(jù)第2.2節(jié)的分析可知,通過提高冷凍水供水溫度、降低冷卻水回水溫度可以提高冷水機(jī)組能效;通過改變水泵的頻率,可以控制冷凍水流量和冷卻水流量.由于冷水機(jī)組內(nèi)部有廠家設(shè)置好的控制器,且原理復(fù)雜、造價(jià)昂貴,不允許直接對其進(jìn)行控制,因此控制算法是計(jì)算使系統(tǒng)優(yōu)化性能指標(biāo)達(dá)到最佳時(shí)的冷凍水供水溫度設(shè)定值,設(shè)定值傳給冷水機(jī)組后,冷水機(jī)組會自動(dòng)進(jìn)行控制,使其出水溫度跟上冷凍水的設(shè)定值.故對于空調(diào)冷凍站系統(tǒng)需要尋優(yōu)的運(yùn)行參數(shù)有冷凍水供水溫度Tchws、冷卻水回水溫度Tcwr、冷凍水泵頻率fpumpch和冷卻水泵頻率fpumpc,即控制向量u[k]=(Tchws[k],Tcwr[k],fpumpch[k],fpumpc[k]).

此外,空調(diào)系統(tǒng)各設(shè)備都受到一定條件的約束,運(yùn)行參數(shù)的取值有一定的限定范圍.控制變量參數(shù)的約束范圍如下:

冷凍水供水溫度:7?C ≤Tchws≤15?C;

冷卻水回水溫度:20?C ≤Tcwr≤37?C;

冷凍水泵頻率:30 Hz ≤fpumpch≤50 Hz;

冷卻水泵頻率:30 Hz ≤fpumpc≤50 Hz.

系統(tǒng)預(yù)測模型即采用第3節(jié)中神經(jīng)網(wǎng)絡(luò)建立的預(yù)測模型.在kT(T是采樣周期)時(shí)刻的性能指標(biāo)可以表示為

其中:EERset[k]表示k時(shí)刻能效比設(shè)定目標(biāo)值,Q[k]和Qact[k]分別表示k時(shí)刻負(fù)荷的預(yù)測值和實(shí)際值.

5 仿真驗(yàn)證

5.1 神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)

本文基于所提出的預(yù)測控制策略設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)控制器,其包含3個(gè)網(wǎng)絡(luò)層.輸入層有7個(gè)參數(shù),包括系統(tǒng)狀態(tài)EER和影響EER的室外環(huán)境變量、負(fù)荷值及回風(fēng)溫度,具體為當(dāng)前時(shí)刻室外干球溫度、室外濕球溫度、負(fù)荷、回風(fēng)溫度、EER值和EER的設(shè)定值,以及與閾值(-1);輸出變量有4個(gè),分別是當(dāng)前時(shí)刻冷凍水供水溫度、冷卻水回水溫度、冷凍水泵頻率及冷卻水泵頻率.該神經(jīng)網(wǎng)絡(luò)控制器的結(jié)構(gòu)如圖9所示.

圖9 神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)圖Fig.9 Structure diagram of the neural network controller

5.2 預(yù)測控制優(yōu)化算法

本文所提出的基于神經(jīng)網(wǎng)絡(luò)的預(yù)測控制器的在線優(yōu)化按以下9個(gè)步驟進(jìn)行,根據(jù)需求,其中控制器的預(yù)測時(shí)域M取6,即對未來1小時(shí)系統(tǒng)的狀態(tài)進(jìn)行預(yù)測,根據(jù)經(jīng)驗(yàn),學(xué)習(xí)率μ=0.1.

1) 初始化神經(jīng)網(wǎng)絡(luò)控制器,將神經(jīng)網(wǎng)絡(luò)的連接權(quán)值W設(shè)為較小的隨機(jī)數(shù)(0.01或更小);確定預(yù)測時(shí)域M和控制器權(quán)值更新率μ(又稱學(xué)習(xí)率).

2) 根據(jù)系統(tǒng)輸出反饋值x[t0]確定預(yù)測時(shí)域內(nèi)的狀態(tài)初值x[t1].

其中W是神經(jīng)網(wǎng)絡(luò)控制器的權(quán)重矩陣.

8) 重復(fù)步驟4)至7),不斷修改神經(jīng)網(wǎng)絡(luò)控制器權(quán)值,直至ΔW=0.

9) 令t1=t1+1,重復(fù)步驟3)至8),計(jì)算出以后各個(gè)時(shí)刻控制量的值u,直至控制過程結(jié)束.

假設(shè)在上述尋優(yōu)過程中,控制量有m個(gè),狀態(tài)量有n個(gè),控制器的連接權(quán)值有nw個(gè),則對于圖8所示的預(yù)測優(yōu)化控制系統(tǒng),在尋優(yōu)過程中需要進(jìn)行約(2n(n+m)+nw(m+2))M步迭代運(yùn)算,占用(n+m)M+2nw個(gè)存儲單元.據(jù)此可知,本文所提出的神經(jīng)網(wǎng)絡(luò)預(yù)測控制算法運(yùn)行時(shí)所占用的存儲單元與m,n,nw成簡單線性關(guān)系,而動(dòng)態(tài)規(guī)劃算法所需存儲單元與控制量、狀態(tài)量維數(shù)成指數(shù)關(guān)系.因此,在對非線性系統(tǒng)進(jìn)行求解時(shí),本文提出的神經(jīng)網(wǎng)絡(luò)預(yù)測控制優(yōu)化算法計(jì)算量小、占用存儲空間少.同時(shí),該方法通過神經(jīng)網(wǎng)絡(luò)控制器實(shí)現(xiàn)了系統(tǒng)反饋優(yōu)化,能夠處理非線性和模型不確定性問題.

5.3 性能分析

本文采用上述方案對空調(diào)冷凍站系統(tǒng)在MATLAB環(huán)境下進(jìn)行預(yù)測控制算法仿真驗(yàn)證.在驗(yàn)證實(shí)驗(yàn)中,將通過神經(jīng)網(wǎng)絡(luò)辨識的空調(diào)冷凍站系統(tǒng)能效比模型既作為預(yù)測模型使用,同時(shí)也作為被控對象使用.本文從所采集的數(shù)據(jù)計(jì)算得知系統(tǒng)能效比EER值大多分布在3.2左右,只有極少數(shù)達(dá)到3.5,故將EER期望值設(shè)定為3.5,相關(guān)參數(shù)的變化過程如圖10–14所示.圖10顯示系統(tǒng)運(yùn)行80分鐘以后基本達(dá)到穩(wěn)定,可以將系統(tǒng)能效比值穩(wěn)定在3.5左右.

圖10 空調(diào)系統(tǒng)能效比EER變化情況Fig.10 Changes of EER of the air-conditioning system

圖11顯示了冷凍水供水溫度Tchws變化情況,圖12顯示了冷卻水回水溫度Tcwr變化情況.由圖3可知,冷凍水供水溫度的提高,表示冷水機(jī)組工作在較高的COP值下,Tchws基本可以穩(wěn)定在11?C左右.而冷卻水回水溫度穩(wěn)定在32?C左右,達(dá)到了設(shè)計(jì)出水溫度,使冷卻塔工作在高能效狀態(tài)下.

圖11 冷凍水供水溫度Tchws變化情況Fig.11 Changes of Tchws

圖12 冷卻水回水溫度Tcwr變化情況Fig.12 Changes of Tcwr

圖13、圖14顯示的是水泵頻率控制信號變化情況,該數(shù)值與水泵的流量值成正比例關(guān)系,可以間接反映水泵的流量變化情況.

圖13 冷凍水泵頻率變化情況Fig.13 Frequency changes of the chilled water pump

圖14 冷卻水泵頻率變化情況Fig.14 Frequency changes of the cooling water pump

由以上結(jié)果可以看出,本文所提出的預(yù)測控制算法能夠很快地將空調(diào)系統(tǒng)相關(guān)運(yùn)行參數(shù)穩(wěn)定在最佳值附近,并使系統(tǒng)能效比EER達(dá)到預(yù)期目標(biāo)值,控制效果良好.

5.4 預(yù)測控制與PID控制性能比較

本文分別采用所提出的基于神經(jīng)網(wǎng)絡(luò)的預(yù)測控制策略與PID控制策略對空調(diào)冷凍站系統(tǒng)進(jìn)行控制,表4所示為整定后的PID控制增益參數(shù),圖15所示為500分鐘內(nèi)兩種方法的控制結(jié)果比較圖.從圖中可看出,利用預(yù)測控制算法能夠使空調(diào)冷凍站系統(tǒng)能效比以較快的速度跟蹤到期望值.而在只有PID控制時(shí),參數(shù)整定需要經(jīng)過兩個(gè)制冷季,調(diào)試工作量大,且只能對單個(gè)設(shè)備的參數(shù)進(jìn)行定值控制,無法實(shí)現(xiàn)系統(tǒng)整體性能優(yōu)化;另外,本文研究對象的狀態(tài)量EER值不是直接被控量,利用PID方法無法對該參數(shù)進(jìn)行控制,也無法將能耗作為性能指標(biāo)進(jìn)行優(yōu)化控制,因此,能效比達(dá)不到期望值,無法實(shí)現(xiàn)節(jié)能.

表4 PID參數(shù)Table 4 PID parameters

圖15 MPC與PID控制的比較Fig.15 Comparison between MPC and PID control

根據(jù)圖15計(jì)算得知,采用預(yù)測控制算法與采用傳統(tǒng)的PID控制方法相比,系統(tǒng)的總能耗節(jié)省約8.57%((3.5-3.2)/3.5=0.0857).可見,采用本文提出的預(yù)測控制算法對空調(diào)冷凍站系統(tǒng)進(jìn)行優(yōu)化具有較大的節(jié)能潛力.

6 結(jié)論

本文針對集中式空調(diào)系統(tǒng)回路間耦合、非線性、大滯后以及時(shí)變性等復(fù)雜特性,以實(shí)際工程空調(diào)冷凍站系統(tǒng)為研究對象,提出了基于神經(jīng)網(wǎng)絡(luò)的預(yù)測控制策略.本文首先分析了冷凍站系統(tǒng)相關(guān)運(yùn)行參數(shù)變化對系統(tǒng)運(yùn)行能效的影響,以及環(huán)境參數(shù)、建筑參數(shù)與負(fù)荷之間的關(guān)系,在此基礎(chǔ)上利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了空調(diào)系統(tǒng)負(fù)荷預(yù)測模型和能效比預(yù)測模型;然后,為了減少計(jì)算量和存儲空間,解決變分法無法實(shí)現(xiàn)反饋優(yōu)化和基于動(dòng)態(tài)規(guī)劃的優(yōu)化算法的“維數(shù)災(zāi)”問題,本文采用神經(jīng)網(wǎng)絡(luò)作為優(yōu)化反饋控制器實(shí)現(xiàn)預(yù)測控制滾動(dòng)優(yōu)化,將變分法與隨機(jī)梯度下降法相結(jié)合,并以滿足系統(tǒng)能效比要求和負(fù)荷要求為目標(biāo),設(shè)計(jì)了空調(diào)系統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測控制器.仿真實(shí)驗(yàn)結(jié)果表明,基于神經(jīng)網(wǎng)絡(luò)的預(yù)測控制策略在控制過程中能夠克服不確定性因素的影響,在負(fù)荷不斷變化的情況下使系統(tǒng)穩(wěn)定在高能效比工況下,且與PID控制算法相比,總能耗節(jié)省約8.57%.

雖然本文所提出的控制策略在用于空調(diào)冷凍站系統(tǒng)控制時(shí)取得了良好的效果,但是由于實(shí)驗(yàn)條件和時(shí)間方面的限制,還需要在以下幾個(gè)方面對控制策略做進(jìn)一步研究:

1) 本文建立了基于神經(jīng)網(wǎng)絡(luò)的空調(diào)系統(tǒng)負(fù)荷預(yù)測模型.模型的輸入量沒有考慮由于建筑物熱容量引起的冷負(fù)荷在時(shí)間上的延遲,即氣象參數(shù)的延遲效應(yīng).因此,有必要進(jìn)一步研究室外溫濕度以及太陽輻射強(qiáng)度的延遲效應(yīng)對空調(diào)系統(tǒng)負(fù)荷的影響;

2) 本文所研究的冷凍站系統(tǒng)為一次泵系統(tǒng),未來可以進(jìn)一步針對二次泵系統(tǒng)或含有蓄能設(shè)備的空調(diào)系統(tǒng)進(jìn)行研究,對于二次泵系統(tǒng),需要根據(jù)負(fù)荷變化調(diào)整二次泵的運(yùn)行參數(shù),以滿足負(fù)荷要求,同時(shí)根據(jù)冷水機(jī)組能效比調(diào)整一次泵的運(yùn)行參數(shù);對于含有蓄能設(shè)備的冷凍站系統(tǒng),則需要研究蓄冷設(shè)備與冷水機(jī)組相配合的控制策略;

3) 本文僅是從冷凍站系統(tǒng)的角度對空調(diào)系統(tǒng)節(jié)能優(yōu)化進(jìn)行了研究,但是實(shí)際工程空調(diào)系統(tǒng)還包括末端系統(tǒng).因此,在今后的研究中,可從空調(diào)系統(tǒng)整體的角度來研究在線節(jié)能運(yùn)行優(yōu)化策略.