基于節(jié)能優(yōu)化的空調(diào)冷水機(jī)組負(fù)荷優(yōu)化建模

邢國(guó)新

摘要：針對(duì)當(dāng)前空調(diào)冷水機(jī)組耗能大、負(fù)荷分配不均的問(wèn)題，在構(gòu)建空調(diào)冷水機(jī)組負(fù)荷能耗模型基礎(chǔ)上，提出一種種群粒子吸引策略的布谷鳥(niǎo)搜索算法（NCS）的模型求解方法。為驗(yàn)證求解算法的有效性，搭建實(shí)驗(yàn)環(huán)境，將NCS算法與GA 算法、CS算法和PSO算法進(jìn)行對(duì)比試驗(yàn)。結(jié)果表明：改進(jìn)后的布谷鳥(niǎo)算法對(duì)比于其他算法，收斂精度和收斂速度都明顯提高，負(fù)荷分配能耗更均衡，能耗消耗也更小。

關(guān)鍵詞：冷水機(jī)組;負(fù)荷分配;布谷鳥(niǎo)搜索算法;TRNSYS 軟件

中圖分類號(hào)：TU831

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001-5922（2022）06-0152-05

Load optimization modeling of air conditioning chiller for energy saving optimization

XING Guoxin

（Beijing Mass Transit Railway Operation Corporation Limited， Beijing 100043， China

）

Abstract：In view of the current problems of large energy consumption and uneven load distribution of air conditioning chiller， a model solution method of cuckoo search algorithm （NCS） is proposed on the basis of constructing the load energy consumption model of air conditioning chiller. In order to verify the effectiveness of the solution algorithm， the experimental environment was built， and the NCS algorithm was compared with the GA algorithm， the CS algorithm and the PSO algorithm. The results show that the improved cuckoo algorithm has significantly improved convergence accuracy and convergence rate， with more balanced load distribution and less energy consumption compared with other algorithms.

Key words：chiller; load distribution; cuckoo search algorithm; TRNSYS software

在商業(yè)建筑中，能耗占比最大的為空調(diào)能耗，其占總能耗的 50%～60%。主要原因是其內(nèi)部的多臺(tái)冷水機(jī)組能耗消耗大。因此，要實(shí)現(xiàn)空調(diào)系統(tǒng)最小能耗，首要條件是找到最佳的冷水機(jī)組負(fù)荷分配（OCL問(wèn)題）。針對(duì)該問(wèn)題，有學(xué)者提出通過(guò)數(shù)據(jù)衍生和移動(dòng)窗口的方法，獲得冷水機(jī)組的性能包絡(luò)線對(duì)負(fù)荷分配進(jìn)行優(yōu)化，該優(yōu)化方法取得了較好的節(jié)能效果[1];提出基于電能服務(wù)管理平臺(tái)的集中空調(diào)冷水機(jī)組能效計(jì)算方法，利用分段最小二乘法建立冷水機(jī)組和負(fù)荷率間的關(guān)系得到一個(gè)能耗比曲線[2]。此方法實(shí)現(xiàn)了對(duì)冷水機(jī)應(yīng)用的評(píng)估，具有一定的參考意義。基于以上研究，以多臺(tái)并聯(lián)冷水機(jī)組為研究對(duì)象，采用布谷鳥(niǎo)搜索算法對(duì)能耗模型進(jìn)行求解，以此得到空調(diào)冷水機(jī)組負(fù)荷的最優(yōu)分配方案。

1空調(diào)冷水機(jī)組能耗模型構(gòu)建

1.1能耗模型構(gòu)建

本研究以3臺(tái)小容量冷水機(jī)組為例，深入分析不同負(fù)荷率下的各機(jī)組能量損耗狀況。結(jié)合半經(jīng)驗(yàn)?zāi)Ｐ偷幕驹?，?gòu)建本研究模型和約束條件。

1.2約束條件

對(duì)于多臺(tái)冷水機(jī)組的能耗研究，約束條件分為2種：

（1）當(dāng)機(jī)組負(fù)荷過(guò)低時(shí)，機(jī)組負(fù)荷高于0.3，即0.3≤PLR≤1[3];

2求解方法

2.1布谷鳥(niǎo)搜索算法

布谷鳥(niǎo)搜索算法（Cuckoo Search，簡(jiǎn)稱 CS），也可稱之為杜鵑搜索算法[6]?；驹硎悄M布谷鳥(niǎo)繁殖后代和寄生育雛的獨(dú)特特性，通過(guò)Levy飛行搜索機(jī)制進(jìn)行求解最優(yōu)問(wèn)題。研究表明，CS算法相較于其他群體優(yōu)化算法效果更佳。布谷鳥(niǎo)尋窩的路徑和位置更新為：

2.2布谷鳥(niǎo)搜索算法改進(jìn)

常用的智能算法改進(jìn)通常為算法參數(shù)的動(dòng)態(tài)化改進(jìn)和算法之間的融合改進(jìn)。根據(jù)本研究算法需求，選擇動(dòng)態(tài)化方式進(jìn)行改進(jìn)[9]。 本研究結(jié)合CS的特點(diǎn)，基于種群粒子吸引策略，提出改進(jìn)型的布谷鳥(niǎo)算法（NCS），其主要根據(jù)偏置能力進(jìn)行判斷。由于CS算法偏置能力弱，導(dǎo)致搜索的盲目性[10]，造成以上的原因，是種群粒子間的信息交流方式為縱向，即子父迭代更新，各粒子缺乏橫向交流; 迭代更新時(shí)，目標(biāo)搜索方向隨機(jī)。因此，提出將種群中的粒子作為各個(gè)粒子相互存在引力的質(zhì)點(diǎn)，粒子適應(yīng)度表示為質(zhì)量值。由 Levy飛行控制步長(zhǎng)，引力式構(gòu)建過(guò)程中，需進(jìn)行單位化處理：

3實(shí)驗(yàn)驗(yàn)證

3.1建筑負(fù)荷建模

基于改進(jìn)后的NCS 算法，本研究通過(guò)TRNSYS軟件構(gòu)建建筑負(fù)荷模型，具體模型如圖1所示。在不同參數(shù)和環(huán)境下，對(duì)本研究構(gòu)建模型進(jìn)行負(fù)荷分析。

3.2參數(shù)設(shè)置

為取得更好的實(shí)驗(yàn)結(jié)果，本研究將對(duì)建筑進(jìn)行參數(shù)設(shè)置，并在參數(shù)設(shè)置前，本研究將工作日時(shí)間設(shè)置為8：00—20：00。

3.2.1圍護(hù)結(jié)構(gòu)

本研究設(shè)計(jì)一個(gè)平面面積為552 m、H為6 m的晶

圓廠模型。模型圍護(hù)結(jié)構(gòu)分為外墻、屋頂和地面。其中，外墻、屋頂和地面厚度分別為0.355、0.400和0.425 m，傳熱系數(shù)分別為0.399、0.233和0.313 W/（m.K）。

3.2.2通風(fēng)參數(shù)

建筑通風(fēng)，主要分為冷風(fēng)和機(jī)械風(fēng)2種形式。在工作時(shí)間內(nèi)，冷風(fēng)參數(shù)設(shè)置為0.8 次/h;在8：00—18：00

時(shí)，機(jī)械風(fēng)參數(shù)設(shè)置為5次/h，18：00—20：00時(shí)為 0[12]。

3.2.3加熱制冷模塊

對(duì)于該模塊的設(shè)置，在8：00—18：00時(shí)，將室內(nèi)溫度設(shè)置為20 ℃;在18：00—20：00時(shí)，與室外溫度一致。加熱制冷功率均設(shè)置為無(wú)條件限制;在8：00—18：00時(shí)，濕度設(shè)置為45%，其他時(shí)間段與室外一致。

3.2.4室內(nèi)熱源

室內(nèi)熱源主要包括人體、設(shè)備、光照和其他散熱[13]。人體散熱模型的基本模型為大型工廠，可滿足多人在室內(nèi)進(jìn)行正?；顒?dòng)，最多可容納50人。設(shè)備散熱選用140 W設(shè)備，共10 臺(tái)。照明散熱中，總散熱量為 10 W/m，共計(jì)150 個(gè)。其他散熱不變。

3.3評(píng)價(jià)指標(biāo)

為更專業(yè)的對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行評(píng)價(jià)，客觀地評(píng)價(jià)冷水機(jī)組的性能情況，本研究選擇采用制冷系數(shù)（COP）評(píng)估冷水機(jī)組性能。

制冷系數(shù)表示設(shè)備輸出冷量與消耗功率之比，即能效比。COP表達(dá)式：

制冷系數(shù)=Q/W

式中：Q 代表制冷量;W代表耗能。從COP的取值可以看出機(jī)組具體能量損耗。

3.4結(jié)果與分析

為測(cè)試NCS算法在冷水機(jī)組負(fù)荷分配問(wèn)題上的性能，本研究利用上述中構(gòu)建的TRNSYS建筑模型對(duì)NCS算法進(jìn)行冷負(fù)荷實(shí)驗(yàn)測(cè)試，通過(guò)COP對(duì)本文算法性能進(jìn)行評(píng)估。本試驗(yàn)對(duì)象為一家晶圓廠，該工廠的冷源系統(tǒng)配備有3臺(tái)額定容量均為588 kW。算法設(shè)置中，將種群規(guī)模設(shè)置為200，最大迭代次數(shù)設(shè)置為200。3種算法的能耗情況、收斂效果如表1、圖2所示。

從表1可以看出，相較另外2種算法，NCS算法能耗值最低，CS 算法收斂精度高于 GA算法。

由圖2可知，相較另外2種算法，本文提出的NCS 算法收斂效果最佳，在迭代37次時(shí)收斂效果趨于平緩，說(shuō)明該位置為最佳迭代位置;而GA 算法在110次迭代時(shí)，收斂逐漸降低，并趨于穩(wěn)定; CS 算法收斂效果最差，在迭代119次后收斂到全局最小點(diǎn)。

由圖3可知，隨著 PLR的增加， COP 也在不斷地提升。 在0.55～0.61時(shí)，COP 呈上升趨勢(shì);當(dāng)PLR在 0.62～0.87時(shí)，COP取得最優(yōu)值;高于0.87值后 COP呈逐漸下降趨勢(shì)。由此說(shuō)明，機(jī)組的 PLR數(shù)據(jù)在0.62～0.87時(shí)，節(jié)能效果最佳。

對(duì)能耗情況和收斂結(jié)果進(jìn)行比較后，得到各負(fù)荷階段NCS 算法對(duì)比GA算法的節(jié)能效果，結(jié)果如表2所示。

從表2中NCS算法對(duì)比 GA 算法的節(jié)能效果可知，不同時(shí)間段內(nèi)，本研究提出的NCS 算法的節(jié)能率均比GA算法的節(jié)能率更高，其平均值為2.526%，說(shuō)明本研究提出算法的收斂效果較好，算法性能更優(yōu)越。

4結(jié)語(yǔ)

綜上所述，本研究通過(guò)改進(jìn)后的布谷鳥(niǎo)搜索算法可有效解決冷水機(jī)組負(fù)荷分配優(yōu)化問(wèn)題。通過(guò)構(gòu)建的TRNSYS 建筑物模型得到逐時(shí)冷負(fù)荷情況，將NCS算法與GA、PSO、SA 3個(gè)常用優(yōu)化算法的節(jié)能效果進(jìn)行比較后，結(jié)果表明，將機(jī)組 PLR 在控制在合理范圍內(nèi)時(shí)，機(jī)組COP顯著提升，能量損耗下降。相較于另外3種智能算法來(lái)說(shuō)，NCS算法收斂精度和速度更高，節(jié)能效果更佳;這進(jìn)一步表明本研究提出的改進(jìn)布谷鳥(niǎo)搜索算法更具實(shí)用性。

【參考文獻(xiàn)】

[1]寧玉飄，晉欣橋，王逸駿，等.基于運(yùn)行數(shù)據(jù)包絡(luò)線的冷水機(jī)組運(yùn)行優(yōu)化策略研究[J].制冷學(xué)報(bào)，2020，41（4）：68-74.

[2]魏文強(qiáng)，李鎵辰，翟慶志，等.基于電能服務(wù)管理平臺(tái)的集中空調(diào)冷水機(jī)組能效計(jì)算方法[J].暖通空調(diào)，2019，49（12）：72-76.

[3]焦旭東，鄧燕妮.基于改進(jìn)遺傳算法的胎面生產(chǎn)線故障診斷方法[J].濟(jì)南大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，33（2）：136-141.

[4]朱海紅，齊學(xué)梅，王家亮，等.量子布谷鳥(niǎo)協(xié)同搜索的垃圾回收路徑規(guī)劃方法[J].信息與控制，2019，48（2）：209-216.

[5]黃健. 制冷機(jī)房多臺(tái)冷水機(jī)組運(yùn)行優(yōu)化節(jié)能控制研究[J].安裝，2019（2）：34-37.

[6]童瑞祺，丁強(qiáng)，江愛(ài)朋.基于改進(jìn)布谷鳥(niǎo)搜索算法的冷水機(jī)組負(fù)荷分配優(yōu)化[J].計(jì)算機(jī)與應(yīng)用化學(xué)，2019，36（4）：397-403.

[7]劉庭宇，葉春明.基于改進(jìn)布谷鳥(niǎo)搜索算法的TFT-LCD制造調(diào)度方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2020，29（3）：47-54.

[8]張娜，董亮亮，金瑜婷，等.基于改進(jìn)布谷鳥(niǎo)搜索的Web集群自適應(yīng)負(fù)載均衡算法[J].浙江理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，43（4）：527-534.

[9]徐小琴，王博，趙紅生，等.基于布谷鳥(niǎo)搜索和模擬退火算法的兩電壓等級(jí)配網(wǎng)重構(gòu)方法[J].電力系統(tǒng)保護(hù)與控制，2020，48（11）：84-91.

[10]蔡朕，王景良，呂夢(mèng)樊，等.基于改進(jìn)布谷鳥(niǎo)搜索算法的圓度誤差評(píng)定[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2020（7）：40-44.