中央空调系统制冷机组节能优化

中央空调系统制冷机组节能优化

崔生萍 何琦

山东格瑞德集团有限公司 山东 253000

摘要：近年来，我国的公共建筑众多，对中央空调的应用也越来越广泛。空调用制冷机组通常采用PID进行控制，在实际应用中发现，水冷制冷机组的超调量较大，导致能耗偏高。为了提高温度调节控制的精度，本文首先分析暖通空调制冷系统建模参数选择，其次探讨中央空调系统制冷机组节能优化措施，从而助力中央空调节能改造与设计应用于“双碳”绿色节能领域。

关键词：空调水系统；水力特性；供需失衡；节能设计

引言

在空调系统能耗中，制冷机房能耗举足轻重。因此，公共建筑中央空调系统的节能主要取决于空调制冷机房的能效，而影响空调制冷机房能效的关键在于中央空调水系统的综合设计。

1暖通空调制冷系统建模参数选择

暖通空调制冷系统构建模型需要选择、设定参数。由于暖通空调制冷系统的预测模型需要对空调送风温度、送风量以及空调房间内的相对湿度与温度进行预测，因此将制冷系统控制参数、室内状态参数以及室外气象参数等作为暖通空调制冷系统构建模型的输入参数。将太阳辐射强度、室外相对湿度以及干球温度作为室外气象参数，将人员负荷率、室内温度与相对湿度作为空调房间状态参数，将冷水阀门与风机变频器的控制电压、除湿器开启状态以及风阀控制电压作为空调控制参数，将前一时段的送风相对湿度、送风量与送风温度作为暖通空调制冷系统预测模型的输出。

2中央空调系统制冷机组节能优化措施

2.1冷水机组能耗模型

冷水机组作为中央空调系统的重要组成部分，主要由冷凝器、蒸发器、压缩机和膨胀阀部件组成。影响冷水机组工作性能的各种因素可以划分内部因素和外部因素两种类型，其中内部因素主要包括冷水机组的类型、压缩机性能、制造水平、制冷剂类型等，但因为在实际工程中上述影响因素早已确定，并且不会被轻易改变，所以本研究中不再考虑内部因素，仅考虑包括冷冻水、冷却水的温度等因素，以及影响机组负荷的天气条件和建筑的负荷特性等外部因素的变化。

2.2基于BP神经网络与遗传算法的神经网络预测模型

本文在暖通空调制冷系统预测模型构建过程中引入遗传算法，通过遗传算法对BP神经网络进行训练，通过遗传算法的全局搜索优势消除BP神经网络算法陷入局部解的弊端。通过选择、交叉以及变异等遗传操作模拟生物进化过程，获得最优阈值与权值。将获得的阈值与权值输入BP神经网络预测模型中进行运算，充分发挥BP神经网络与遗传算法的优点，提高神经网络的收敛速度和预测模型输出结果的准确性。经预测计算获得第二天所需冷负荷值，基于预测结果设计优化运行策略。

2.3空调系统开源节流

理解管路特性的内生因素后，空调系统各设计环节的节能设计就可以更加有的放矢。在“双碳”目标下，空调系统设计中，除对冷却塔与水处理采取了保障冷机高效运行的开源设计措施外，其余均为节流设计措施，从而实现“开源节流”。

2.4模糊PID控制算法仿真分析

采用传统的 PID 控制技术在处理非线性以及不确定数据的过程中存在一定的局限性。将传统 PID 技术与模糊逻辑融合可以有效地解决这个问题。与传统 PID 控制相比，模糊 PID控制系统中的输入值，例如数据偏差、偏差变化率等，经过模糊化处理，可以将非线性以及不确定的数据，转变为模糊集合。此外，该技术具有明确的模糊规则，实际使用过程中，可以将数据处理系统重的模糊输入数据，映射至模糊输出。在此基础上，该系统还可以对模糊输出数据进行反模糊化处理，通过这种方式输出真实的 PID 参数及指令。该技术广泛应用于工业控制、汽车控制等方面，对非线性、不确定性的系统来说有广阔的应用前景。在仿真分析中，利用MATLAB实现模糊控制，该软件设置了模糊规则编辑器、观测器以及隶属度函数编辑器。在模糊PID控制系统中，将E和EC作为输入变量，输出变量为PID控制器的3个关键参数。在MATLAB的可视化仿真工具中分别建立中央空调的PID控制系统图和模糊PID控制系统图。将传统的PID控制模式与模糊PID控制模式进行对比，在模糊PID控制中，调节量化因子和比例因子，形成3条温度控制曲线；传统PID控制模式形成1条温度控制曲线。

2.5改进粒子群优化算法原理

通过非线性递减的惯性加权值和自然选择等方法对粒子群算法进行改进。首先为保证在粒子群算法迭代过程中局部搜索能力和全局搜索能力能够相互平衡，通过调整权重控制因子，使粒子最大速度和惯性权值能够非线性递减，且与最小速度和惯性权值保持合理的比例关系;其次，为了能够使种群在迭代过程中保持足够的多样性，将二阶震荡策略引入算法的粒子速度更新过程中;最后通过自然选择机制对粒子进行筛选和替换，从而提高算法的优化精度和适用性。在PSO算法中，由于粒子受到自身运动速度的影响会进行惯性运动。其中惯性权值ω用于衡量粒子本次迭代速度受上次迭代速度的影响程度，表现出对粒子当前运动速度的信任度。本文采用的惯性权值非线性变化策略中，为了平衡PSO算法的局部和全局搜索能力，需要动态调节ω的大小，提升寻优能力。增大ω的值可以使粒子在迭代过程中对新区域的搜索能力增强，减弱局部搜索能力。反之，若ω减小，则可以使粒子的局部搜索能力得到提升，减弱全局搜索能力。因此，在算法迭代前期应取较大的ω，有利于全局寻优，避免陷入局部极值。而在迭代后期取较小的惯性权值ω，更有利于寻找局部最优解。因此算法中ω取值不宜固定，应随着迭代次数动态递减。根据非线性和线性过渡性较强的切比雪夫滤波器幅频响应曲线模型，改进算法中采用了基于该滤波器的惯性权重非线性变化控制策略。为了优化最大权值在粒子迭代过程中的比例大小，改进粒子群算法通过权重控制因子对最大权值进行动态调整，从而使迭代前期权重值较大以提升粒子的全局搜索能力。权重值随着迭代次数的增加逐渐减小，使算法在后期能以较小的固定权值精细化局部搜索能力。

2.6暖通空调制冷系统优化模型

在确保暖通空调制冷系统安全运行并满足冷负荷需求的情况下，对各制冷机组与蓄冰槽的逐日供冷量进行优化，降低系统的运行成本。为使暖风空调制冷系统移峰填谷能力最大化，彻底解决空调系统蓄冰量过多或过少的问题，采用以下控制策略优化暖风空调制冷系统。1）在一个制冰周期内，蓄冰设备需要进行蓄冰和融冰，确保制冰主机能够在用电低谷期将制冰工作全部完成，以便在用电高峰期满足全部供冷需求。2）暖风空调制冷系统供冷时优先开启基载主机，再开启双工况主机，最后开启三工况主机，确保每个主机都能高效工作，避免频繁启停。

结语

大型暖风空调制冷系统的控制过程非常复杂，控制参数与运行数据较复杂，传统的控制方法不能达到理想效果。本文结合 BP 神经网络与遗传算法，提出暖风空调制冷系统的预测模型，对暖风空调制冷系统的用电量、负荷量等进行预测，最终以预测结果为基础构建目标函数，提出相关控制策略，降低了暖风空调制冷系统的总用电量和运行成本。经过检验，模糊 PID 控制算法的调节精度明显优于传统 PID 控制模式，设计目标达到了预期效果。

参考文献

［1］胡蓝青，晋欣桥，杜志敏．基于运行数据的冷水机组系统建模及优化控制［J］．制冷技术，2022，42(03):13-20．

［2］邢杉硕，张吉礼，于昊．空调冷水系统最小能耗粒子群组合优化方法研究［J］．暖通空调，2021，51(01):108-113+22．

［3］易检长，任中俊，黄鹤，等．基于运行数据的大型空调冷站优化控制研究与应用［J］．建筑节能(中英文)，2022，50(02):23-27．