建筑暖通空调冷水温度节能控制方法设计探析

建筑暖通空调冷水温度节能控制方法设计探析

陈海斌

佛山欧思丹热能科技有限公司 广东佛山 528000

摘要：现今，随着人们生活水平的不断提高，对于暖通空调设备的使用需求也在不断增长。但是暖通空调设备在实际运行过程中却会产生较大的能耗量，尤其在制冷方面，一旦设备冷水温度调节时间过长，势必会导致水泵运行能耗上升，因此，要实现建筑暖通空调的节能设计目标，关键任务就是要采取适宜的节能控制方法对暖通空调的冷水稳温度进行有效调节。本文也会针对建筑暖通空调节能设计，提出一种以神经网络为基础的冷水温度节能控制方法，以便为有关人士参考借鉴。

关键词：建筑暖通空调；冷水温度；节能控制方法；设计分析

引言

目前，大部分建筑暖通空调设备在制冷过程中，都会受室外环境以及空调末端用途的不断变化所影响，而始终处于冷负荷状态中，这样就会产生较大的能耗量，鉴于此，则要积极采取神经网络建模的方式对现有空调冷水温度控制方法进行全面的优化，以便使其能够实现对空调控制器参数、风机转速以及压缩机开度的合理调控，这样才能进一步提高空调机组的运行性能，使其在超低能耗下可以将冷水温度控制在标准范围内，进而真正达到以最少的能耗满足人们热舒适需求的运行目的。

1. 辨识暖通空调水系统运行工况

当前，神经网络的整体结构设计和对应权值训练主要采用遗传算法来进行，即形成基于GA的神经网络，具体设计步骤如下：首先，要对种群进行初始化处理，并不同参数的取值范围进行明确，同时还要通过实数进行编码；其次，要按照公式（1）

对不同个体的适应度分别进行计算和排序，以便从中识别出不同的网络个体。在该公式中，Pi可视为不同个体的概率值、N可视为个体的总数、fi可视为个体适应度取值，具体可按照公式（2）进行衡量计算。

在该公式中，个体误差平方和应用Ei进行表示、学习样本数量则用Y进行表示。另外，为了将不同个体形成全新个体，还要利用概率Pe对其进行交叉操作，而无法进行交叉操作的剩余个体则要复制后利用Pm的突变作用将其转变成新的个体。同时，为了便于对评价函数进行精准计算，还要将这些转化的全新个体引入到种群P中，并计算出ANN的误差平方和，若计算结果与设定值相吻合时，则要直接采取BP神经网络对将GA的初始优化值进行训练，并将其设定为权值，这样才能确保优化后的暖通空调冷水温度可以与相应的设定条件相吻合[1]。

一般情况下，冷水机组在运行期间所产生的能耗量约占建筑暖通空调系统能耗总量的一半以上，究其原因，主要是因为暖通空调系统在运行时所产生的冷负荷很容易受到外界环境因素所影响，这样就会导致冷水机组在运行过程中大部分时间都处在负荷状态，这样就会加剧系统能耗的上升，因此，为了改善现状，就要及时采取有效措施对负荷状态下的水系统运行参数进行合理调整，以便在加速系统运行效率的同时，使其冷水温度始终保持在标准范围内。在这一环节中，为了便于建模，相关工作人员应提前对暖通空调冷水机组的运行数据进行全面采集，并通过人工神经网络对数据进行训练，这样才能以此为依据对神经网络的内在规律进行准确描述。另外，为了最大化控制空调水系统的能耗量，还要对机组运行效率和水泵运行效率进行充分考虑，同时要根据两者的差异明确对空调水系统所造成的影响，具体可以按照公式（3）来进行。

COPs=

在该式中，COPs是指冷水机组的综合能、W1和W2是指电机和泵的输入功率，Q是指数据组的预测值，这样通过最终的计算结果，就可准确识别和掌握暖通空调水系统的实际运行工况。

2. 空调冷水温度优化控制方法的设计策略分析

暖通空调在实际运行过程中，要想实现对室内温度的有效调节，确保其制冷效果，首要任务就是要对其冷水温度进行合理的优化控制，在具体控制时，一方面要结合人体的热舒适需求，并对室外空气温度进行准确掌握，另一方面还要对室内空气流动速度以及空气湿度等相关指标参数进行相应的测量。一般情况下，可利用PMV指标来表示相同室内环境下大部分人的热舒适度，但由于人体本身存在一定的差异，所以不同用户对室内环境的热舒适度需求也是不尽相同，这就需要利用PPD来表示用户对热环境不满意的百分比[2]。由此可见，在采用神经网络对暖通空调冷水温度优化控制方法进行设计时，应着重对PMV指标的设定给予相应的重视，这样根据该指标以及剩余影响因素就可确定出室内的最佳舒适温度，在这一环节中，鉴于PMV指标与剩余影响因素之间存在的复杂线性关系，应先测量出室内的相对湿度以及空气流动速度，然后在此基础上对房间的最佳温度进行准确的掌握，具体可通过构建三层人工神经网络模型来进行确定，如图一所示，要设定6个输入节点数量。

图一（房间温度设定神经网络模型）

在房间温度合理设定后，还要采用RBF神经网络在线对建筑暖通空调冷水温度优化控制器参数进行相应的优化，在这一过程中，应尽量提前输出房间预测温度，这样才能促使建筑暖通空调系统的整体能耗量得到有效控制。另外，由于暖通空调系统在控制信号输出方面存在一定的时滞性，且其整体运行状态存在很多不确定因素，所以，要想在现有时刻的控制变量基础上，在规定时间内确保控制信号的输出值与预期目标达成一致，就要积极借助人工网络的强学习功能来进行有效控制，同时还要利用系统模型对机组的实际运行工况进行准确识别，这样根据识别结果才能准确获取到空调冷水温度的预测控制信号，并以此为依据对设定目标函数进行全面优化，以便为进一步掌握系统冷水温度的变化规律提供可靠的参考。但由于在目标函数优化过程中会使得冷水温度的计算量大幅增加，所以为了避免这种情况的发生，应积极采用RBF模糊神经网络对冷水温度预测目标函数进行在线优化，在这一环节中，可将模糊神经网络的输出值作为暖通空调超低

能耗下的冷水电压调节标准，即u（k+N），具体可通过公式（4）进行计算。

在该公式中，空调系统的预测输出可利用SjN进行表示、室内未来预测温度输出以及温度差值变化则要分别通过Zi和Cij进行表示、而空调调节阀电压取值则通过Pi进行表示。另外，控制目标函数J可按照公式（5）来进行设定。

在该公式中，测试房间的期望温度、实际温度以及最高和最低温度差则分别通过y(k+i)、、来进行表示。

最后，为了进一步降低超低能耗背景下建筑暖通空调冷水温度优化控制过程的繁琐性，还要借助梯度下降法对系统控制目标进行优化，以便使其各项指标的性能得到有效的提升，进而更好地完成RB

F模糊神经网络参数的调节和控制，具体可以按照公式（5）来进行。

在该公式中，、分别表示未进行优化前的控制参数，而分别表示优化后的控制参数，由此可见，使用预测信息和设定目标函数对空调冷水温度进行在线调节，可以使其冷水温度达到最佳状态，进而真正促使建筑暖通空调在运行过程中的能源消耗得到合理化控制。

结论分析：

为了进一步验证本文提出的超低能耗下建筑暖通空调冷水温度达到最优化控制，将某建筑暖通空调设备作为主要研究对象，同时还对该空调机组夏季运行工况中的300组测试数据进行采集，并将采集结果和原有空调冷水温度控制结果以及机组运行能耗情况进行对比分析，根据最终分析结果可以得知，优化后的空调机组，无论是能耗量，还是冷水温度的控制效果都较原有空调机组的控制效果高很多，由此可见，采用以神经网络为基础的控制方法与建筑暖通空调节能设计要求完全符合。

参考文献

[1]李存.民用建筑暖通空调系统节能设计措施分析[J].精品,2020,(05):19-20.

[2]武晓云.建筑节能中暖通空调节能系统的现状和技术措施[J].建材发展导向,2019,(10):12-13.