高效机房仿真建模及应用

岳宝 范波 黄一也

广东美的暖通设备有限公司 上海 200030

摘 要 冷水机组占中央空调系统总能耗的40%以上，精确的部件和系统模型对中央空调系统的控制优化和节能减排有重要的作用。本文针对高效机房开发了涵盖主机、冷却塔、水泵、管路的部件级动态模型和系统级通用化动态模型，同时提出了并联模块化管网处理方法，覆盖多类管网连接方式。通过冷水机组实验运行数据验证了模型的准确性和运算速度，结果表明：系统模型温度预测偏差<2℃，能效、能耗的预测值误差在5%以内；可在2分钟内实现全年能耗计算；适用于系统设计和优化控制需求。

关键词 高效机房 动态模型 代理模型 能耗预测

MODELING AND APPLICATION OF UNIVERSAL HIGH PERFORMANCE CHILLER PLANT SYSTEM

XXX

(Midea, Shanghai, 200030)

Abstract The chiller plant system takes more than 40% of total energy consumption in the heating ventilation and air conditioning (HVAC) system. Developing accurate system models is significant for control optimization and energy conservation. This article presents transient models of various components in the HVAC system including chiller, cooling tower, water pump and piping. A piping processing algorithm is also developed for various connection types of the system. Based on the experimental results, the models can accurately predict the chilled water outlet temperature, energy consumption and COP of the system with relative error less than 5%. The calculation can provide the annual energy consumption within 2 minutes. The proposed models and algorithm can be applied to system design and control optimization.

Kerwords Chiller plant Transient model Agent model Energy consumption forecast

0. 前言

建筑相关能耗及碳排放总量随着城市化进程的加深而逐年上升，据统计，建筑相关的能耗占到总能耗的35%而碳排放量占比则高达38%[1-3]，GlobalABC(全球建筑建设联盟)发布的建筑气候追踪系统显示，全球建筑改进速度却在下降，脱碳进程从2016到2019几乎下降一半。我国是全球碳排放量最大的国家（2020年末占比32%）和全球最大的建筑市场[4]，中央空调系统是建筑中核心技术应用之一，其能耗占建筑整体能耗的60%以上，直接影响着碳中和/碳达峰的实现。同时，中央空调系统直接调节建筑室内环境温度、湿度、空气质量等，并影响着工作和居住者的身体健康和工作效率[5]。因此发展中央空调系统节能技术对国家工业产业结构调整和经济发展转变至关重要。

在中央空调系统中，仿真模型和设计工具是系统精细设计和控制优化的基础，实际应用中要求模型和算法具有精度高，速度快，通用性强的特性。Zhang等人应用DOE能耗模拟软件中现有冷水机组和水泵模型对比实际系统数据进行了验证，模型可以较为准确的模拟冷水机组和水泵的运行情况，误差在10%左右[6]。Fu等人提出了冷水机组功耗的数学模型，简化模型仅包含3个拟合参数和3个实测参数，同时改变冷水流量对模型预测结果进行了对比，模型在保证运算速度基础上保证能耗预测精度在95%以上[7]。Wang针对6中冷水机组的建模方法的预测精度进行了分析，运用实测数据对黑箱和灰箱模型进行验证，提出GNS模型参数物理意义较为明确，可以作为故障诊断模型使用[8]。Zhang等人提出用神经网络方法对DOE-2冷水机组模型参数进行辨识并补偿模型误差，有效提高了冷水出口温度的预测精度，模型准确度提高了36.49%[9]。

冷水机组和系统的模型影响着控制优化效果和整体设计方案，决定了系统的节能效率。现有的模型多为基于第三方软件的能耗预测模型，缺乏基于物理过程的机理推导，无法准确反映系统运行特征；模型通用性差，仅针对特定机型，无法覆盖所有管路类型和机组设计；模型无法兼顾运算速度和复杂度，整体精度较低；模型的鲁棒性差。因此本文提出了高效机房技术并开发了对应的仿真模型及设计工具。高效机房技术可广泛应用于集中式制冷机房项目和节能改造项目，提升机房的运行效率，减少系统能耗，同时充分发挥设备和运维管理优势，保证系统的可靠性。本文提出的动态仿真模型在保证模型精度的同时提升了运算速度，给高效机房的节能设计和控制优化提供了基础，进一步推广高效机房应用，助力节能减排以及碳中和的实现。

0. 仿真系统模型搭建

1.1 部件及系统仿真模型

高效机房的主要部件包括主机、冷却塔、水泵和管路，本文通过实验数据和物理机理建立了部件的动态仿真模型。为了适应各种系统的搭配组合，采用了向量化建模方式，能够实现任意数量的部件并联与配置的系统模型。

具体地，如图1-a所示，1为冷却塔并联子模块，2为主机并联子模块，3为水泵并联子模块，形成了由多部件并联后再串联的管网连接形式。以图1-d所示的水泵并联模块为例，该模块对外的连接口为一个流体进口与一个流体出口，模块内为n条包含管道、阀门、水泵组成的支路（图中显示为1条），从进口分流并在出口汇流。其中支路数量n可由用户指定，且各支路的管道、阀门、水泵等部件可独立配置。在模块入口/出口处， n条支路以及分/汇流的流体满足：

即在连接处为压力相等，流量、焓流守恒的理想混合过程。此外，注意到各支路均配置了阀门，以避免运行过程关闭支路时出现反流的现象。

图1-a 仿真系统模型搭建

图1-b冷却塔并联模块

图1-c主机并联模块

图1-d水泵并联模块

冷却塔为基于约克27系数的半物理半经验模型，其核心是通过多项式计算不同空气、水流量、湿球温度、进出口水温差下冷却塔的换热能力，可根据实际性能进行参数拟合与修正[10]。

式中 为冷却塔出水温度与环境湿球温度的插值， 为环境湿球温度， 为冷却塔进出口水温差， 为水侧无量纲流量（运行水流量/额定水流量）与空气侧无量纲风量（运行风量/额定风量）直接的比值。

水泵模型通过有限额定工况点，采用三阶Hermite样条曲线描述额定转速下扬程-流量、功率-流量间的关系，保证其通用性、准确性与稳定性。对于变频工况，采用相似性规律对实际转速下的水泵性能进行计算，不同转速相似工况点水泵流量M_w、扬程H、输入功率W关系为：

， ，

式中，n₀、n₁为所对应的扬程和流量下的水泵转速。

实际冷水机组的主机包括压缩机、蒸发器、冷凝器、阀门等多个子部件，相互间存在非线性的耦合作用，采用物理模型将导致非常复杂的迭代计算，速度难以满足实际应用的需要，且收敛率提高的成本高昂。数据驱动模型（data-driven）具有操作简单，高自动化，计算速度快等优点，因此，本文采用神经网络结合多种回归分析方法建立了主机模型的输入输出关系，满足了计算精度、速度、可靠性要求。代理模型的建模方法如图2所示：1）根据系统运行条件，定义模型的输入/输出、参数范围、计算精度/速度等需求；2）通过实际系统生成数据并进行筛选；3）运用数据拟合神经网络；4）系统模型误差分析，若不满足要求返回1或3步，调整学习样本或神经网络超参数等。

图2代理模型的建模方法

具体地，本文中主机代理模型的采用了三层神经网络，输入输出形式为：

其中， 为关注的主机性能参数，如最大制冷量、COP、压降等， 分别为蒸发侧、冷凝侧的水流量， 为冷凝器入口、蒸发器出口的水温，Q为主机的制冷量。

图3主机代理模型生成

1.2 高效机房控制策略

实际制冷系统运行过程中需要配合复杂的控制逻辑，不同的控制方式对系统的性能具有直接的影响。所以只有在相应的控制逻辑框架下运行仿真才具有实际工程意义。故本文对控制策略进行模块化建模，使系统更为真实反映实际运行特性。

由于本文对主机做了代理模型，其中的部件控制逻辑已包含在输出的最大制冷量、COP等参数中。对于整个水系统仿真而言，还需要对多台主机联合运行时的加减载逻辑，具体为：

1. 系统开机时先加载一台主机；

2. 所有已开机状态的主机的最大PLR（部分负荷率）达到设定上限且持续20分钟，则加载额外一台；

3. 所有已开机状态的主机的最小PLR在低于设定下限且持续20分钟，则减载一台。

PLR上下限的设定经验值为90%、80%，加减载顺序可按照实际系统设置，一般优先加载额定COP高的主机，减载COP低的主机。

实际工程中水泵、冷却塔的加减载通常与制冷主机联动控制，即启动一台制冷主机就加载相应的水泵和冷却塔。此外，对于变频设备，则通过控制器对所有变频设备进行同频控制，例如PI控制器通过冷却塔管路进出口温差计算风扇转速，再把转速信号传递给所有已开的设备。本文的控制器中采用带有抗积分饱和的PI控制算法对设定目标进行控制。各执行器及其控制目标的对应关系如下表。

表1各被控部件及其控制目标

上述部件与控制模型采用modelica语言编写，通过Dymola平台实现图形化建模。系统连接如下图4所示，实现闭环仿真。仿真过程中，①所示的控制模块实时输出系统运行所需的控制变量，通过连接模块②传递给系统模型③，系统模型计算得到的温度、压力等结果实时反馈给控制模块①。④所示的后处理模块负责对系统模型的计算结果进行过滤、积分等处理。

图4 闭环仿真模型

为进一步加速计算，根据相似规则对气候情况和机组运行设定参数进行分类，在兼顾系统仿真的精度和速度的前提下，对相似条件下的工况仅进行一次计算，实现更高速的能耗仿真。

0. 实际高效机房系统介绍

本文采用美的总部大楼冷水机组性能与运行数据对仿真模型进行配置和验证，系统主机有370RT螺杆机和800RT离心机两种型号，如图5所示。

图5主机示意图

冷却水回路包含5台主机、5台水泵、8台冷却塔，各自并联后再串联；冷冻水回路包含5台主机、5台水泵，各自并联后再串联。系统整体设计如图6所示。

图6美的总部大楼冷水机组系统图

大楼中的主机、冷却塔、水泵规格参数如表2和表3所示。

表2 系统主机规格

表3 系统水泵、冷却塔规格

0. 仿真模型验证及分析

以前一节介绍的实际冷水机组性能参数配置仿真模型，根据美的总部大楼实际运行数据，选择单台离心机、单台螺杆机独立运行的工况分别开展仿真验证。输入条件为逐时刻的气象参数（干湿球温度）、负荷（总制冷量）、主机冷冻水的设定出水温度，水泵、冷却塔为定频运行，冷却水、冷冻水总管的旁通阀关闭。

螺杆机的仿真运行结果对比如图7所示。

图7 螺杆机仿真功率、温度结果验证

离心机的仿真运行结果对比如图8所示。

图8 离心机仿真功率、温度结果验证

仿真误差分析如图9所示，仿真结果与实测吻合较好，趋势一致。温度预测偏差在 2℃以内，功率和能耗精度验证 5%以内。

图9-a功率误差分析

图9-b温度误差分析

相似地，以实测的制冷量为系统输入，进行全年度的能耗仿真计算，与实测能耗对比结果如图10，月度能耗误差最大为5%，全年误差约为1%。

图10 全年能耗仿真与实测结果对比

0. 结论

本文提出了一种高效机房系统通用的动态仿真模型，同时采集美的总部大楼实际数据模型精度进行了验证。得到以下结论：

1）通过向量化建模方式构建子模块，能够部件并联与配置的通用系统模型，覆盖多类管网连接方式；

2）运用代理模型技术对主机进行建模，在满足精度条件下简化了模型复杂度提升了运算速度；

3）对高效机房实际的典型控制策略进行建模，接入动态系统模型实现联合仿真；

4）与实际运行数据对比表明，对于典型制冷工况模型温度预测误差<2℃、功率和能耗预测偏差<5%。

综上所述，本文通过对高效机房建模的研究，解决了现有模型通用性弱、鲁棒性差、计算速度慢的问题，满足了系统基于仿真的方案设计和优化控制需要，进一步提升系统的节能潜力，助力碳中和。

参考文献

[1] International Energy Agency, 2018 Global status report-towards as zero emission, efficient and resilient buildings and construction sector. 2018

[2] Hong, Tianzhen, Yixing Chen, Xuan Luo, Na Luo, and Sang Hoon Lee. "Ten questions on urban building energy modeling." Building and Environment 168 (2020) 106508

[3] Langevin, Jared, Chioke B Harris, and Janet L Reyna. "Assessing the Potential to Reduce U.S. Building CO2 Emissions 80% by 2050." Joule (2019)

[2] 殷中枢,黄帅斌,王招华等. 2020年碳中和深度研究报告,光大证券。

[3] Ferreira P M , Ruano A E , Silva S , et al. Neural networks based predictive control for thermal comfort and energy savings in public buildings[J]. Energy & Buildings, 2012, 55:238-251.

[4] 张宝刚, 王天旭, 刘鸣. 基于监测数据的冷冻水系统模型建立[J]. 低温建筑技术, 2017(8).

[5] 付朋, 张吉礼, 赵天怡. 中央空调冷水机组性能模型实验研究[J]. 建筑热能通风空调, 2016(3):1-5.

[6] 王群. 冷水机组回归模型的分析与评价[J]. 上海节能(7):13.

[7] 张丽珠, 章超波, 陈琦,等. 基于遗传算法和人工神经网络的冷水机组模型参数辨识及误差补偿方法[J]. 制冷学报, 42(3):7.

[8] EnergyPlus 2.0.0 Engineering Reference, April 9, 2007.