多臺冷水機(jī)組優(yōu)化運(yùn)行策略研究進(jìn)展

曾文豪，楊晚生，顏 彪

（廣東工業(yè)大學(xué) 土木與交通工程學(xué)院，廣東 廣州 510006）

0 引言

在過去的幾十年中，隨著我國經(jīng)濟(jì)社會的不斷發(fā)展，我國建筑規(guī)模及建筑功能的需求也不斷增長，導(dǎo)致建筑能源消耗量急劇上升，其能耗是中國社會三大總能耗中的重頭。有調(diào)研數(shù)據(jù)表明，我國建筑運(yùn)行階段的能耗占全國能源消耗總量的21. 7%[1]。在建筑運(yùn)行階段，中央空調(diào)系統(tǒng)為室內(nèi)提供舒適環(huán)境的同時，其消耗的能源往往能夠達(dá)到建筑能耗的40%～60%[2]，因此中央空調(diào)系統(tǒng)的節(jié)能運(yùn)行對于建筑節(jié)能具有重要意義。在中央空調(diào)系統(tǒng)中，又屬冷水機(jī)組能耗最大，有50%～60%的電能消耗在冷水機(jī)組的制冷上[3]。因此，提高冷水機(jī)組的運(yùn)行效率，降低冷水機(jī)組的運(yùn)行能耗，是中央空調(diào)系統(tǒng)節(jié)能的有效方式。

冷水機(jī)組的性能與很多因素相關(guān)，不僅受自身因素的影響，也與冷水機(jī)組所處的運(yùn)行環(huán)境相關(guān)[4]。內(nèi)部影響因素如冷水機(jī)組的類型、壓縮機(jī)性能及制冷劑種類等，因此采用高效的冷水機(jī)組是降低能耗的一種有效方式，但由于目前冷水機(jī)組技術(shù)已經(jīng)趨于成熟，通過技術(shù)層面提升的性能系數(shù)較小；因此，可以通過優(yōu)化外部因素，即通過優(yōu)化冷凍水供水溫度、冷卻水回水溫度及冷水機(jī)組負(fù)荷率等對冷水機(jī)組蒸發(fā)溫度及冷凝溫度有重要影響的參數(shù)。國內(nèi)外對于冷水機(jī)組的節(jié)能研究也往往集中在這方面，本文在此背景下，綜述了近年來國內(nèi)外學(xué)者在冷水機(jī)組模型的建立方面及冷水機(jī)組優(yōu)化運(yùn)行方面的研究成果，把握現(xiàn)階段冷水機(jī)組主流優(yōu)化運(yùn)行方式的研究進(jìn)展，分析了當(dāng)前冷水機(jī)組模型建立方法及優(yōu)化方式存在的問題，在此基礎(chǔ)上展望了未來冷水機(jī)組優(yōu)化運(yùn)行的研究方向。

1 冷水機(jī)組的建模方法

冷水機(jī)組的結(jié)構(gòu)復(fù)雜，冷凍水供水溫度、冷卻水回水溫度及機(jī)組負(fù)荷率等運(yùn)行參數(shù)都會影響機(jī)組的運(yùn)行能效，因此建立一個精確的冷水機(jī)組能效模型對于研究運(yùn)行參數(shù)對冷水機(jī)組的性能系數(shù)（Coefficient of Performance， COP）的影響及后續(xù)冷水機(jī)組的優(yōu)化運(yùn)行具有至關(guān)重要的作用。目前，比較常用的冷水機(jī)組建模方法有白箱模型、灰箱模型和黑箱模型。

1.1 白箱模型

白箱模型又稱為理論模型或物理模型，該方法主要通過冷水機(jī)組實(shí)際運(yùn)行時的物理定律和底層知識推導(dǎo)出的，比如根據(jù)冷水機(jī)組冷凍水環(huán)路及冷卻水環(huán)路與制冷劑環(huán)路的換熱機(jī)理，建立冷凝器、蒸發(fā)器及壓縮機(jī)詳細(xì)的熱力模型，通過計(jì)算或模擬仿真的方式得到冷水機(jī)組的運(yùn)行特性模型。MUTTAKIN等[5]建立了吸附式冷水機(jī)組的瞬態(tài)集總分析模型，利用MATLAB平臺求解控制方程，并與商用冷水機(jī)組測試結(jié)果進(jìn)行對比驗(yàn)證，研究表明：該模型能夠預(yù)測整個運(yùn)行周期內(nèi)床層溫度和吸收率的變化。SCSAA[6]等利用熱力學(xué)第一定律建立了數(shù)學(xué)模型，使用F-Chart EES軟件建立計(jì)算模型，最后利用MATLAB軟件對特征方程和瞬態(tài)模型進(jìn)行仿真，發(fā)現(xiàn)實(shí)驗(yàn)結(jié)果與建立的模型相對誤差小于5%。雖然白箱模型的精度高，但是需要獲取很多難以獲取的參數(shù)，不適用于實(shí)際工程，因此需要在模型精度和計(jì)算效率之間進(jìn)行權(quán)衡。

1.2 灰箱模型

灰箱模型是一種簡化的物理模型，它基于物理的方法形成模型的基本結(jié)構(gòu)，并根據(jù)實(shí)測數(shù)據(jù)通過系統(tǒng)辨識等方法擬合模型參數(shù)。JIN等[7]提出了一種離心式冷水機(jī)組的混合模型，考慮了蒸發(fā)器和冷凝器的傳熱速率估算等物理特性，綜合了物理建模和經(jīng)驗(yàn)?zāi)Ｐ偷膬?yōu)點(diǎn)，實(shí)驗(yàn)結(jié)果表明，該模型能夠較好預(yù)測運(yùn)行周期內(nèi)各種工況下冷水機(jī)組的COP。HO 等[8]用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）模型和冷水機(jī)組物理知識開發(fā)了混合機(jī)器學(xué)習(xí)模型，結(jié)果表明混合ANN模型能很好地預(yù)測冷水機(jī)組的功耗，需要輸入的數(shù)據(jù)更少?；诎紫淠Ｐ图昂谙淠Ｐ偷膬?yōu)點(diǎn)，混合模型中的變量具有一定的物理意義，并且模型訓(xùn)練所需的數(shù)據(jù)比數(shù)據(jù)驅(qū)動模型少，具有較好的泛化能力及較高的準(zhǔn)確性，但模型的準(zhǔn)確性仍依賴訓(xùn)練數(shù)據(jù)的數(shù)量和質(zhì)量。

1.3 黑箱模型

黑箱模型也稱為數(shù)據(jù)驅(qū)動模型，它不需要弄清楚復(fù)雜的物理機(jī)理就能對含有許多變量的噪聲數(shù)據(jù)和輸入輸出數(shù)據(jù)之間復(fù)雜的非線性關(guān)系進(jìn)行建模。目前，有各種各樣的機(jī)器學(xué)習(xí)算法及數(shù)據(jù)挖掘算法已被應(yīng)用于冷水機(jī)組的建模之中，KRZYWANSKI等[9]建立了冷水機(jī)組的人工神經(jīng)網(wǎng)絡(luò)模型，用于研究運(yùn)行參數(shù)對冷水機(jī)組制冷量的影響，結(jié)果表明采用該方法預(yù)測出的冷水機(jī)組制冷量與實(shí)驗(yàn)數(shù)據(jù)的最大相對誤差小于±10%。王華秋等[10]提出了利用長短期記憶神經(jīng)網(wǎng)絡(luò)建立冷水機(jī)組的能效預(yù)測模型，在測試集中均方誤差、均方根誤差分別為0.112、0.334 6，預(yù)測結(jié)果較為準(zhǔn)確。黑箱模型因其非線性擬合能力，在測試集的表現(xiàn)很好，但模型的可解釋性和泛化性較差且需要大量的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，因此這種方法更適用于模型的離線應(yīng)用。

2 最優(yōu)順序策略

冷水機(jī)組的最優(yōu)順序策略（Optimal Chiller Sequencing，OCS），即在建筑物需求冷負(fù)荷發(fā)生改變時，通過優(yōu)化冷水機(jī)組的啟停方式，合理地對冷水機(jī)組進(jìn)行開關(guān)機(jī)。傳統(tǒng)的基于冷負(fù)荷的冷水機(jī)組順序啟停策略是根據(jù)建筑物的瞬時冷負(fù)荷及冷水機(jī)組的額定制冷量確定開關(guān)閾值，但受到測量誤差等不確定因素的影響，往往最佳負(fù)荷切換點(diǎn)與預(yù)設(shè)的閾值有很大的偏差[11]。為了提高冷水機(jī)組運(yùn)行的魯棒性和能效，ZHUANG等[12]提出了一種基于風(fēng)險(xiǎn)的冷水機(jī)組順序控制策略，與傳統(tǒng)策略相比，冷水機(jī)組開關(guān)頻率降低了54%以上，冷源系統(tǒng)的總能耗降低2.8%。為了減少控制器在運(yùn)行中的不確定性對冷水機(jī)組能效的影響，也有學(xué)者提出了3種方法增強(qiáng)基于功率（基于P）、基于冷凍水回水溫度（基于T ）和基于旁路流量（基于F）的冷水機(jī)組順序控制的魯棒性，增強(qiáng)型控制相較于傳統(tǒng)控制具有更好的魯棒性，當(dāng)不確定性較大時，與理想條件相比，增強(qiáng)控制的性能變化小于±8.5%[13]。為了應(yīng)對控制中的不確定性，SUN等[14]針對低質(zhì)量和流量的測量不確定性的冷水機(jī)組，提出了一種使用概率方法的在線魯棒順序控制策略，同時考慮了流量計(jì)的系統(tǒng)不確定性和隨機(jī)不確定性，結(jié)果表明與傳統(tǒng)的冷水機(jī)組順序控制策略相比，冷負(fù)荷的預(yù)測誤差降低約79%。除通過減少不確定因素影響，提高控制的魯棒性外，ZHENG等[15]提出了一種基于邊緣的冷水機(jī)組順序控制框架，并與基于數(shù)據(jù)驅(qū)動的COP預(yù)測模型集成在一起，通過應(yīng)用于真實(shí)數(shù)據(jù)中來評估該方案的性能，與原運(yùn)行模式相比，該方案節(jié)電超過30%。優(yōu)化冷水機(jī)組的順序控制策略具有較大的挑戰(zhàn)性，因?yàn)槔渌畽C(jī)組的性能受到許多不確定因素的影響，所以如何減小系統(tǒng)冷負(fù)荷的測量誤差及控制過程中的不穩(wěn)定性、在增強(qiáng)魯棒性的同時降低冷水機(jī)組能耗，是研究的主要方向。

3 基于模型的最優(yōu)負(fù)荷分配策略

在冷水機(jī)組的最優(yōu)負(fù)荷分配（OptimalChillerLoading，OCL）策略中，主流的研究大多采用基于模型的OCL策略[16]，需要建立準(zhǔn)確的冷水機(jī)組性能模型作為先驗(yàn)知識，并通過優(yōu)化分配多臺冷水機(jī)組的系統(tǒng)冷負(fù)荷，盡可能地使機(jī)組處于高效運(yùn)行區(qū)間，從而在滿足室內(nèi)需求冷負(fù)荷的同時使冷水機(jī)組能耗最低。基于模型的最優(yōu)負(fù)荷分配策略的研究主要集中在冷水機(jī)組模型建立、優(yōu)化參數(shù)與優(yōu)化方法的選擇等方面，每一個步驟都緊密相連。因此，需要針對不同冷水機(jī)組系統(tǒng)的特點(diǎn)，綜合考慮參數(shù)的獲取及優(yōu)化難度，建立準(zhǔn)確的冷水機(jī)組模型及可靠的優(yōu)化結(jié)果。

優(yōu)化方法通常有兩種：經(jīng)典方法和生物啟發(fā)方法[17]；CHANG[18]通過拉格朗日法解決了冷水機(jī)組的OCL問題，以冷水機(jī)組的性能系數(shù)作為優(yōu)化目標(biāo)，并通過兩個算例證明了該方法的性能；與傳統(tǒng)的方法相比，所提出的方法具有更低的能耗。在采用梯度法求解冷水機(jī)組的優(yōu)化問題中，有研究發(fā)現(xiàn)，梯度法能夠克服拉格朗日法在一定條件下無法收斂的情況，在充分考慮冷水機(jī)組的負(fù)荷約束下，能夠快速計(jì)算出精確的結(jié)果[19]。但是，經(jīng)典方法依然具有一定的局限性，在處理復(fù)雜問題時容易求不出最優(yōu)解，相比之下，生物啟發(fā)方法具有強(qiáng)大的全局尋優(yōu)能力，因而許多研究人員專注于應(yīng)用生物啟發(fā)算法解決OCL問題。杜鑫[20]采用極限梯度提升樹的數(shù)據(jù)驅(qū)動法建立冷水機(jī)組等動力設(shè)備的能耗模型，在構(gòu)建完目標(biāo)函數(shù)及約束條件后，采用遺傳算法-粒子群算法對其進(jìn)行求解，在Trnsys軟件搭建仿真平臺并對水系統(tǒng)運(yùn)行進(jìn)行優(yōu)化后表明，水系統(tǒng)能耗降低了10.4%。王香蘭等[21]通過對大量的歷史運(yùn)行數(shù)據(jù)進(jìn)行分析處理，采用Apriori算法挖掘不同工況下冷水機(jī)組運(yùn)行參數(shù)與最小能耗之間的關(guān)聯(lián)規(guī)則，并以機(jī)組運(yùn)行總能耗最低為目標(biāo)函數(shù)，采用粒子群優(yōu)化算法優(yōu)化機(jī)組負(fù)荷分配，仿真結(jié)果表明：與原運(yùn)行方式相比，優(yōu)化后的機(jī)組總能耗降低約12.5%。除此以外，有學(xué)者對于最優(yōu)順序策略及最優(yōu)負(fù)荷分配的結(jié)合進(jìn)行研究，PLL等[22]建立了一種優(yōu)化冷水機(jī)組順序啟停和負(fù)荷分配的方法，采用ASHRAE（美國暖通空調(diào)工程協(xié)會的標(biāo)準(zhǔn)）中的Gordon Ng簡化模型預(yù)測冷水機(jī)組能效，以冷水機(jī)組總能耗為目標(biāo)函數(shù)，求出冷水機(jī)組最優(yōu)負(fù)荷分配時的解析解，確定冷水機(jī)組的最佳組合，實(shí)現(xiàn)冷水機(jī)組最優(yōu)順序策略與最優(yōu)負(fù)荷分配的結(jié)合。還有許多優(yōu)化算法如人工魚群算法[23]、灰狼優(yōu)化算法[24]及量子帝企鵝優(yōu)化算法[25]也被應(yīng)用于冷水機(jī)組的優(yōu)化中。

基于模型的優(yōu)化方法可以在滿足約束條件的情況下尋找最佳的控制變量，從一開始的經(jīng)典方法到如今各式各樣的啟發(fā)式算法，優(yōu)化算法不斷得到完善，但大部分研究都是基于歷史運(yùn)行數(shù)據(jù)進(jìn)行建模后優(yōu)化，由于模型較為復(fù)雜且需要一定的優(yōu)化時間，更多的是采用離線訓(xùn)練的方式，因此運(yùn)用到在線控制中有一定難度，同時存在理論與實(shí)際結(jié)合不緊密的問題，沒有考慮到實(shí)際運(yùn)行中冷負(fù)荷測量的不確定性影響因素及機(jī)組的啟停時間等。

4 強(qiáng)化學(xué)習(xí)控制策略

強(qiáng)化學(xué)習(xí)（ReinforcementLearning， RL）是指從環(huán)境狀態(tài)到動作映射的學(xué)習(xí)，以使動作從環(huán)境中獲得的累積獎賞值最大[26]，其中智能體（Agent）是進(jìn)行決策和學(xué)習(xí)的機(jī)器，與智能體進(jìn)行交互的稱為環(huán)境（Environment），在與環(huán)境交互過程中獲得正向獎勵（Reward）時，會加強(qiáng)選擇這一行為的趨勢，在與環(huán)境的交互中不斷學(xué)習(xí)與試錯，最終能夠?qū)W習(xí)到在環(huán)境中獲得最大獎勵時的動作。

近年來，強(qiáng)化學(xué)習(xí)技術(shù)在暖通空調(diào)優(yōu)化控制領(lǐng)域得到了廣泛研究，QIU等[27]提出了一種Q-learning強(qiáng)化學(xué)習(xí)算法，以冷凍水回水溫度以及冷水機(jī)組的能效作為獎勵，對冷水機(jī)組出水溫度進(jìn)行重設(shè)；結(jié)合專家知識減少了智能體做出決策的動作空間，提高了RL控制器的魯棒性和學(xué)習(xí)速度，最后以數(shù)據(jù)驅(qū)動的冷水機(jī)組模型作為仿真案例進(jìn)行研究，仿真結(jié)果表明：該混合方法的性能優(yōu)于純RL控制和純規(guī)則控制，對于缺少運(yùn)行數(shù)據(jù)的系統(tǒng)，是一個可接受的方案。但是，受Q-learning中Q表格的限制，參數(shù)的離散化特性可能導(dǎo)致巨大的狀態(tài)空間和很長的訓(xùn)練周期，因此該方法對于具有多個狀態(tài)和動作空間的案例并不適用，而這一點(diǎn)可以通過引入神經(jīng)網(wǎng)絡(luò)解決，神經(jīng)網(wǎng)絡(luò)能夠通過高維狀態(tài)參數(shù)預(yù)測Q值，這與Q學(xué)習(xí)的查表類似，KI等[28]采用深度Q網(wǎng)絡(luò)（Deep Q Network，DQN）用于暖通空調(diào)系統(tǒng)的無模型最優(yōu)控制，并將DQN與EnergyPlus仿真模型進(jìn)行耦合，EnergyPlus建立的環(huán)境用于智能體的交互學(xué)習(xí)，以室內(nèi)CO2濃度和能耗作為優(yōu)化目標(biāo)，根據(jù)環(huán)境反饋的結(jié)果改善控制策略，仿真結(jié)果表明：與基線運(yùn)行相比，在室內(nèi)CO2濃度保持在1 000 ppm以下的同時，采用DQN控制的能耗降低了15.7%。雖然DQN改善了Q-learning無法用于連續(xù)狀態(tài)空間的問題，但是其動作空間依然需要離散化，為此焦煥炎等[29]以系統(tǒng)能效值及地鐵站臺溫度作為優(yōu)化目標(biāo)，針對地鐵站空調(diào)系統(tǒng)多維連續(xù)狀態(tài)空間和動作空間的特點(diǎn)，提出了一種多步預(yù)測的深度確定性策略梯度（Deep Deterministic Policy Gradient， DDPG）算法（如圖1所示），為了加快強(qiáng)化學(xué)習(xí)控制器的應(yīng)用進(jìn)程，建立一個離線模擬環(huán)境來預(yù)先訓(xùn)練智能體，仿真實(shí)驗(yàn)表明：與原系統(tǒng)相比，節(jié)能約17.9%。強(qiáng)化學(xué)習(xí)方法對系統(tǒng)的物理知識的依賴程度不大，因此不需要建立詳細(xì)的系統(tǒng)模型，具有對數(shù)據(jù)依賴性小等特點(diǎn)。目前，強(qiáng)化學(xué)習(xí)控制策略成為空調(diào)系統(tǒng)優(yōu)化中的一個熱點(diǎn)，但想要運(yùn)用在實(shí)際工程中仍有一定距離，驗(yàn)證強(qiáng)化學(xué)習(xí)控制器性能的主要途徑仍然是仿真，這與強(qiáng)化學(xué)習(xí)控制器初始階段學(xué)習(xí)周期長、性能差和魯棒性差的原因相關(guān)[30]，因此需要進(jìn)一步的探索強(qiáng)化學(xué)習(xí)方法來提高穩(wěn)定性及實(shí)用性。

圖1 DDPG控制系統(tǒng)結(jié)構(gòu)圖

5 結(jié)語

本文從冷水機(jī)組模型的建立、主流的優(yōu)化方法及目前熱門的控制策略等方面簡要闡明了冷水機(jī)組優(yōu)化運(yùn)行現(xiàn)狀，得出以下結(jié)論。

（1）冷水機(jī)組的建模主要分為3個類別，包括白箱模型、灰箱模型和黑箱模型，白箱模型非常依賴于冷水機(jī)組運(yùn)行中的物理定律，能夠較好地描述冷水機(jī)組的工作特性，具有更好的泛化能力，但參數(shù)不易獲?。换蚁淠Ｐ褪前紫淠Ｐ团c黑箱模型結(jié)合的產(chǎn)物，具有不錯的泛化能力及準(zhǔn)確性，比較依賴于運(yùn)行數(shù)據(jù)；黑箱模型完全依賴于輸入和輸出變量的測量數(shù)據(jù)，具有強(qiáng)大的非線性擬合能力，但泛化能力較弱。因此，需要根據(jù)實(shí)際問題的不同，綜合不同建模技術(shù)的優(yōu)缺點(diǎn)、魯棒性、線性和非線性擬合能力選擇合適的建模方法。

（2）在傳統(tǒng)的冷水機(jī)組順序啟停策略中，常常忽略控制中的不確定因素，從而可能導(dǎo)致熱舒適性不足或能效低等問題，不少學(xué)者提出了兼顧冷水機(jī)組控制魯棒性和節(jié)能性的最優(yōu)順序控制策略，主要側(cè)重于解決本地控制過程中冷負(fù)荷測量的準(zhǔn)確性和預(yù)測不確定性；基于不確定性優(yōu)化研究在工程應(yīng)用中具有巨大潛力，對于參數(shù)不確定性的量化及新設(shè)計(jì)仿真工具的開發(fā)，仍需要進(jìn)一步的研究。

（3）基于模型的優(yōu)化仍然是目前提高冷水機(jī)組能效的主流方法，由于具有優(yōu)越的全局搜索能力，所以越來越多的新元啟發(fā)式優(yōu)化算法被提出，但大多數(shù)研究都比較關(guān)注于盡可能地減少冷水機(jī)組的能耗，較少考慮控制的穩(wěn)定性及魯棒性；同時，由于與數(shù)據(jù)挖掘技術(shù)結(jié)合的優(yōu)化方法比較復(fù)雜，需要一定的優(yōu)化時間，因此將優(yōu)化控制方法移植到能源管理系統(tǒng)中有一定的難度。因此，如何提高最優(yōu)控制方法的魯棒性、穩(wěn)定性及計(jì)算效率也是今后的一個發(fā)展趨勢。

（4）由于機(jī)器學(xué)習(xí)算法的發(fā)展，所以強(qiáng)化學(xué)習(xí)的方法也成為空調(diào)系統(tǒng)優(yōu)化的一個熱點(diǎn)，一般的數(shù)據(jù)驅(qū)動方法需要大量的運(yùn)行數(shù)據(jù)進(jìn)行離線訓(xùn)練，更適合于運(yùn)行時間較長、具有豐富歷史運(yùn)行數(shù)據(jù)的系統(tǒng)；而強(qiáng)化學(xué)習(xí)方法則主要通過與環(huán)境進(jìn)行交互，通過在線訓(xùn)練的方式更新智能體，不需要對冷水機(jī)組進(jìn)行精細(xì)的建模，因此更適用于歷史數(shù)據(jù)較少或剛剛建立的系統(tǒng)，但運(yùn)行前期智能體需要長時間的試錯，要運(yùn)用在實(shí)際工程中還需要進(jìn)一步的研究。