2021年第3期工业仪表与自动化装置-131-
基于神经网络和等SCOP算法的中央空调
节能控制技术研究
顾正宜
(中铁上海设计院集团有限公司,上海200070)
摘要:为了提高中央空调节能控制系统的通用性和控制精度,该文利用神经网络算法建立了系统各设备的数学模型,并开发了等SCOP算法对模型进行能效最优求解。该文以某地铁项目冷冻机房设备配置应用为例,利用厂家提供的设备设计性能模型,验证了神经网络模型的精度以及等SCOP算法的可行性。同时研究也发现,利用设计模型数据训练的神经网络模型直接用于实际项目控制,会带来较大误差。模型需要根据现场实际数据进行训练,才能提高控制精度。 关键词:等SCOP;神经网络;节能控;中央空调
中图分类号:TU831.3文献标识码:B文章编号#1000-0682(2021)03-0131-03
Research on energy saving control technology of central air conditioning
basee on neural network and Equal-SCOP algorithm
GU Zhengyi
(China Railoay Shanghai Design Institu*Group Co.,Ltd,Shanghai200070,China)
丁花香Abstracr:In order to improve the versatility and control precision of the central air conditioning eneray一saving control system,the mathematical model of each device in the system is established by using the neural network algorithm,and the Equal-SCOP algorithm is developed to solve the optimal eneray diciency of the model.In this paper,the application of equipment configuration of a subway project is taken as an example,and the accuracy of the neural n-work model and the feasibility of the Equal一SCOP algorithm are yeriPed by using the equipment design peeormoco model provided by the manufacturer.At the same time,the study also found that the neural network model trained by the design model datadnaectyused nn theactua\paoeectcontao\wn\banng aagee a oas.Themode\needstobetaanned ac-coadnngtotheactua\datann thetne\d tonmpaovethecontao\paecnsnon.
Keywords:EquO-SCOP;neural network;eneray-saving control;central Or conditioning
0引言
随着我国碳达峰和碳中和目标[1]的提出,节能减排将从经济和市场层面走向法律层面,其重要性和紧迫性将更加显著。中央空调系统是建筑行业的能耗大户,降低中央空调系统的能耗,对于建筑节能有着重要意义[2])随着技术进步,单体设备的额定效率不断提升,但是在设备和系统的匹配和协调方面,还存在大量问题,严重制约了中央空调系统整体
三诺n20g收稿日期:2021-03-18
作者简介:顾正宜(1979),男,上海人,本科,高级工程师,从事城市轨道交通智慧运维设计及研究工作。能效的提升。
为了解决设备和系统的匹配,提升系统能效,人们需要对设备和系统进行建模,然后利用寻优算法进行计算。根据建模路径的不同,模型主要分为物理模型和数学模型两大类[3])物理模型的意义明确,有清晰的数学公式,但是需要大量的测量和建模过程,无法在不同的项目之间复制。数学建模,则是利用大量的运行数据进行学习,在输入和输出数据之间建立对应关系,这种方法的最大优势在于标准化程度高,便于在实践中进行标准化应用。该文旨在开发一种利用大数据对中央空调系统各设备建模的通用方法以及系统最优能效求解方法,提高技术的通用性和控制精度。 -132-工业仪表与自动化装置2021年第3期
1神经网络建模
利用大数据进行建模的方法很多,该文采用神经网络方法来建模⑷。神经网络在中央空调控制的应用中有很多不同的处理方式,主要表现在输入和输出参数的不同。有些处理方式直接输出控制目标,有些则只输出一些对应关系[5])在经过各种方法的对比之后,发现利用神经网络直接输出控制目标的方法稳定性不好,有时候控制目标会出现异常波动。该文主要用神经网络建立系统各设备的性能模型,这些模型仅给出在不同参数条件下设备性能的变化情况。
(1)冷水机组模型
冷水机组模型的输入变量为冷却水进水温度,冷却水流量>,冷冻水出水温度T c,冷冻水流量>,冷水机组运行功率W a,输出变量为制冷量Q。
G=9(G c,G c,T a,T eo,W Ch)(1)
(2)冷冻水泵模型
冷冻水泵模型的输入变量为冷冻水泵运行功率<c、冷冻水最不利环路压差J,输出变量为冷冻水量G e o
G e=f(<,"P e)(2)
(3)冷却水泵模型
冷却水泵模型的输入变量为冷却水泵运行功率<,输出变量为冷却水流量G o
G=9(<)(3)
(4)冷却塔模型
冷却塔模型的输入变量为:环境湿球温度T@,冷却水流量(G,冷却水上塔温度,冷却塔风机运行功率W t,输出变量为冷却塔出水温度
=9(g c,t s,t c$,W t)(4) 2基于等SCOP算法的最优求解方法每个设备的调整都会对冷冻机房系统能效SCOP产生影响,设备调整对系统SCOP值的影响可以用d COP=dG/d<;来表示,其中d Q为系统制冷量的变化量,d w为该设备功率的变化量。当所有设备的d COP值都与系统SCOP值相等时,此时系统处在最优运行效率上。我们把该方法称为等SCOP 算法。
如果直接调整设备的设定值进行寻优,会导致设备一直处于调整状态,影响系统的稳定性和设备寿命。在实际操作过程中,将利用各个设备的数学模型来计算某个运行工况下设备调整对于系统SCOP的影响情况,进而确定等SCOP变化的参数。考虑到利用神经网络建立的各个设备模型都为黑箱模型,无法进行求导操作,该文将利用如下的步骤进行计算:
(1)计算SCOP值
首先计算当前时刻的系统SCOP值:
SCOP=Q/
i=1
其中:Q为系统的总冷量;为系统各个设备的运行能耗;;为设备的总数量。
骷髅党(2)寻正d COP增量方向
以冷却水泵为例,先调整冷却水泵功率d w,利用公式(3)计算出调整后的冷却水流量G,将该流量代入冷水机组模型公式(1),计算出此时制冷量的变化量d Q,进而计算出d COP的值。如果该值大于SCOP值,说明该值的调整有利于提高系统的运行能效,定义为正d COP增量方向。如果该值小于SCOP值,则表明该值的调整会降低系统运行能效,定义为为负d COP值增量方向。此时需要反向调整运行功率d P,再次进行上述计算;
(3)比较d COP增量大小
按照上述方法,逐个设备调整相同的功率增量d W,然后计算每个设备的正d COP值增量值,并对所有设备的d COP值进行排序。选择其中最大的两个d COP值,以最大值所对应设备的制冷变化量为基
准,反向调节另外一台设备的功率,使得另一台设备的制冷变化量与最大值那台的制冷变化量大小相等,但是符号刚好相反。此时,系统制冷量保持恒定,但是系统的运行总功率减小,系统能效得以提升。
(4)重复步骤(1)~(3),直到所有设备的
d COP值都和系统SCOP值相等,此时系统能效达到最优。
3工程应用
为了验证通过神经网络建立模型的准确性以及等SCOP算法的可行性,该文利用某地铁项目冷冻机房设备配置进行验证。该冷冻机房依据负荷配置2台冷水机组、2台冷冻水泵、2台冷却水泵及2台冷却塔。具体设备参数见表1)
2021年第3期工业仪表与自动化装置-133-表1冷冻机房主要设备参数表
序号设备
名称
额定性能参数台数备注
冷水
机组
G冷=1160kW;;=270kW
冷冻水:7S/14S;冷冻
1水量140m3/h;
冷却水:32S/37S;冷却
水量250m3/h;
2
2冷冻L=154m3/h,H=26mH$O;
2
展望五国变频水泵N=22kW(2用)
3冷却L=275m3/h,H=22mH$O;
2
变频水泵N=37kW(2用)
4冷却塔L=363m3/h,N=11kW;
供回水温度:32S/37S
2
变频,标准
横流方塔
通过利用该项目各设备厂家提供的设计性能模型作为样本集,对该神经网络模型进行训练。以冷水机组为例,冷水机组训练样本582组,其中工作参数的运行范围如表2所示。
表2冷水机组工作参数的范围
部分冷负荷率10%〜100%
冷却水流量百分比50%〜100%
冷冻水流量百分比50%〜100%
冷却水进水温度/S18,20,22,24,26,28,30,32
冷冻水出水温度/S7
COP0.97〜13.12
完成训练后,该神经网络对样本中冷水机组、冷冻水泵、冷却水泵和冷却塔的加权绝对百分比误差分别为0.5%,0-33%,0-92%和1.88%,达到了很高的精度,完全满足实际应用的需求。
表3给出了该地铁站的设计冷负荷率全年时间权重分布情况,以此计算全年冷冻机房运行能效。采用等SCOP算法求解可获得全年冷冻机房平均能效为5.14O采用直接求解设备厂家提供的模型得到的全年能效为5.18,误差极小。这证明了该文提出的基于神经网络和等SCOP算法技术的有效性和高精度特性。
为了验证上述神经网络模型在实际应用中的有效性,该文随机选取该地铁项目制冷季2天的冷冻机房实际运行数据(每隔10min读取一次)进行验证。冷冻机房运行2台冷水机组,联锁运行2台冷冻水泵、2台冷却水泵和2组冷却塔风机。
表3地铁站冷负荷率
运行
模式
系统负
荷率%
单机负
荷率%
平均冷却水
进口温度/S
全年运行
时间sh
权重比
例/% 1019.3323.9135 2.73%单机
运行
2038.6725.584217.00%
3058.0026.997819.75%
4077.3329.269814.10%
5096.6730.671814.50%
6058.0031.4127025.65%双机
运行
7067.6731.7217 4.38%
茉莉酮酸
8077.3332.286 1.74%
9087.0032.580.16%
10096.67s s s 从本次实测数据可知,2台冷水机组冷冻水出水温度基本保持在7S上下,运行冷负荷率均在50%-75%区间内,然而此时2台冷水机组实际运行能效与厂家提供的设计性能模型之间的加权绝对百分比偏差分别达到10.18%和12.75%。这说明每台冷水机组实际特性均偏离其理论设计性能曲线,仅仅采用设备选型设计性能模型对神经网络模型进行训练是不够的。需依据全年不同负荷率和不同环境湿球温度下的实际运行数据,生成大量的数据样本,在此基础上训练得到的模型才能用于实际项目的控制) 4结语
(1)该文利用神经网络算法开发了一种通用的中央空调系统各设备的数学模型,同时开发一套基于等SCOP算法的系统寻优技术,为提升中央空调系统能效提供了一套通用的控制算法,可以提高控算法的适应性和控制精度。
(2)利用厂家的设计性能模型作为样本对神经网络进行训练,并结合等SCOP算法,验证了该文算法的可靠性和精度。但是直接利用设计模型样本训练的神经网络模型用于实际系统的控制,会带来较大的误差,需要利用实际系统运行的数据对神经网络进行训练才能实现高精度控制。
参考文献:
[1]张雅欣,罗荟霖,王灿.碳中和行动的国际趋势分析
[J].气候变化研究进展,2021,17(01):88-97.
[2]王建伟.大型公共建筑中央空调系统节能运行管理
[J].城市建筑,2017(08):126.
[3]沈善德.电力系统辨识[M].北京:清华大学出版社,1993-
[4]马丁T.哈根.神经网络设计(第2版),M]-北京:机械
杜香油工业出版社,2018.
[5]王顺岩,张建新,刘健洪.化工过程的集成建模方法研
究[J].制造业自动化,2009,31(10)&139-141-