一种基于完整空调系统仿真模型的优化运行调节方法与流程

1.本发明属于建筑能源运行智能化系统技术领域，特别涉及一种基于建筑空调系统从供给端到需求端完整的仿真模型智能化运行方式。


背景技术：

2.根据国际能源组织（iea）相关报告，建筑在运行过程中由于耗能而产生的碳排放占排放总量的28%，其中2/3来自于快速增长的用电量。自2000年以来，建筑物中的电力需求增长速度是电力部门碳排放强度降低速度的5倍。如果考虑到建筑材料和施工过程中的碳排放，则建筑碳排放占排放总量的39%。因此建筑运行阶段的节能降耗是达成“双碳”战略目标的重要组成部分。
3.在建筑运行阶段，空调系统（hvac）的能耗通常占公共建筑运行能耗的30%~50%以上。由于空调系统是以达到用户的最大需求而设计的，在实际使用时大部分时间会处于部分负载的工作状态，从而导致定工况运行时空调系统工作效率低下和能耗高涨，同时伴随带来如下问题：工况调节能力差；运维成本高；大量运行数据丢失，得不到实际应用等。因此需要建筑运行阶段的有效调节来解决高能耗及相关问题。
4.随着物联网、数字化等相关技术的普及应用，建筑运行阶段可以积累大量的历史数据，通过对历史数据和物理机理相结合的深度机器学习，能够在同时满足舒适性、节能、变工况调节、运行持续稳定、人员容易接受和掌握等几种需求的情况下，形成更智能化的运行控制方式，即建筑运行的智能化系统。建筑智能化系统是在建筑信息化系统的基础上，对于建筑各类信息形成感知、传输、记忆、推理、判断和决策的智慧运行能力，从而使建筑物逐步形成以人、建筑、环境互为协调的整体。
5.现有技术中已有针对空调系统的部分组成设备，如冷水机组、水泵，对采集的历史数据应用某种机器学习算法，输出设备的运行参数，来进行优化调控。例如，中国专利申请202110825277.8公开了一种基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法，其建立了基于能量守恒与个性化设备运行参数约束的冷水机组空调系统模型，利用深度学习神经网络预测机器运行参数与粒子群算法相结合的优化算法，得到冷水机组高效节能运行策略，为建筑运行的优化提供指导依据。但上述现有技术中的优化调控由于仅针对系统的部分设备而非完整的系统，可能会造成牺牲舒适度而达成的节能、实现局部最优解而非整体最优解等情况。


技术实现要素：

6.本发明的目的为提供一种基于完整空调系统仿真模型的优化运行调节方法，通过构建完整系统，将终端被调节空间的舒适度纳入为调节的边界条件、在满足末端需求的前提下，将系统的整体能耗降低作为目标、通过将被调空间的设定值满足情况为负荷偏离的指征，突破了仅通过对历史数据的规律学习进行模拟或预测负荷时的局限。
7.本发明提供一种基于完整空调系统仿真模型的优化运行调节方法，主要包括以下
步骤：步骤s01、将完整的空调系统抽象为七个组成部分，各组成部分相互关联共同构建为空调系统仿真模型；其中所述七个组成部分为冷水机组、水泵、冷却塔、旁通阀、末端设备、房间以及冷冻水管网；步骤s02，以所述空调系统的实际运行数据，通过深度机器学习算法，拟合所述空调系统仿真模型的参数，并以模型精度为依据，对所述参数进行优化调整；步骤s03，针对所述空调系统仿真模型，以所述空调系统整体能耗最低为目标函数，以所述空调系统运行的物理机理构建边界条件；步骤s04，将所述空调系统的历史数据划分为训练集和测试集，应用所述空调系统仿真模型，通过深度机器学习算法，形成对于空调系统历史运行状态的数字孪生映射；步骤s05，利用所述空调系统室内设定温度与采集温度的差值，对所述空调系统仿真模型的末端需求进行修正，获得对所述空调系统仿真模型中所述房间的修正；步骤s06，实际运行中，应用依据步骤s01-s05建立并修正后的所述空调系统仿真模型输出调节参数，提供给所述空调系统的信息化系统执行调控动作，完成所述空调系统的优化运行调节。
8.进一步地，所述水泵包括冷冻水泵、冷却水泵；所述末端设备包括空气处理机机组ahu、风机盘管。
9.进一步地，步骤s02中，以平均绝对误差（mae）、平均绝对误差百分比（mape）、均方根误差（rmse）、决定系数（r2）和均方根误差的变异系数（cv-rmse）5个指标作为所述空调系统仿真模型预测精度的评估指标，对所述参数进行优化调整。
10.进一步地，步骤s03中，所述目标函数按照以下方式构建：式中，p
total, sys
为系统总的功率；p
chiller,i 为第i台冷水机组输入功率；p
ch,pump
、p
c, pump
分别为冷冻水泵、冷却水泵的功率；p
fan,i
为第i台风机的输入功率；p
ahu 为末端设备空气处理机组的功率；p
fc,i
为末端风机盘管的功率。
11.进一步地，步骤s05中，以所述房间的室内干球温度设定值和采集值之差、室内湿球温度设定值和采集值之差，作为末端真实需求负荷的指征，通过差值成比例调节末端需求，输出值δq
room
，并依据所述输出值δq
room
修正所述空调系统仿真模型。
12.进一步地，步骤s06中，所述调节参数包括：冷机运行台数及供水温度、冷冻水泵运行台数及频率、冷却水泵运行台数、冷却塔风机运行台数、旁通阀门开度、末端ahu运行台数、末端风机盘管运行台数、室温干球温度设定值以及室温湿球温度设定值。
13.采用本发明提供的基于完整空调系统仿真模型的优化运行调节方法，在保障被调空间舒适度的前提下，通过两种方式带来空调系统的节能效果：对所述空调系统各组成设备的运行参数优化调节，以整体能耗最低为目标，达到节能效果；负荷中过冷供给的情况，通过末端被调空间设定值和实际值的偏差为指征辨识，优化调节后达成节能效果。传统的楼控系统在应对实际工况变化时，会存在调节滞后、当前负荷得不到满足的情况，不得不依赖人工判断，输入调节参数，这导致系统运行状态不稳定，而通过本发明智能化的调节方式，能最大程度保障系统运行的稳定性和持续性；系统的高度自动化智能化运行，使运维人
员更易接受易掌握，同时有利的措施也更容易传递积累。本发明充分利用空调系统运行中大量的历史数据，反应出设备及系统的性能，并反馈到运行时的优化调节中，使数据价值得到应用；通过对大量的历史数据的应用，在一定程度上替代设备样本信息，对于不同项目做基础的系统配置后均可以应用，包括能源形式不同、规模大小的不同、涵盖范围的不同等，提高了应用的可复制性。
附图说明
14.为了更完整地理解本发明，现在将参考结合附图的以下描述，其中：图1为本发明基于完整空调系统仿真模型的优化运行调节方法流程示意图；图2为本发明空调系统组成部分示意图。
具体实施方式
15.为说明清楚本发明的目的、技术细节及有效应用，使之便于本领域普通技术人员理解与实施，下面将结合本发明实施例及附图作进一步的详细阐述。显然，此处描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
16.本发明提供一种基于完整空调系统仿真模型的优化运行调节方法，参考图1，主要包括以下步骤：步骤s01、将完整的空调系统抽象为七个组成部分，各组成部分相互关联共同构建为空调系统仿真模型；其中所述七个组成部分为冷水机组1、水泵2、冷却塔3、旁通阀4、末端设备5、房间6以及冷冻水管网7；具体如图2所示。
17.具体而言，所述水泵2包括冷冻水泵、冷却水泵；所述末端设备5包括空气处理机机组ahu、风机盘管等。
18.各组成部分分别采用的数学关系式模型为：（1）冷水机组1：p
chiller,i = c
1 + c2×ꢀ
plr + c3×ꢀ
plr2+ c4×ꢀ
t
chw,o
+ c5×ꢀ
t
chw,o2
+ c6×ꢀ
t
cw,i
+ c7×
t
cw,i2
+ c8×ꢀ
plr
×ꢀ
t
chw,o
+ c9×ꢀ
plr
×ꢀ
t
cw,i
+ c
10
×ꢀ
t
chw,o
ꢀ×ꢀ
t
cw,i
+ c
11
×ꢀ
plr
ꢀ×ꢀ
t
chw,o
×ꢀ
t
cw,i
式中，p
chiller,i 为第i台冷水机组输入功率，kw；plr为机组的部分负载率；t
chw,o
为冷冻水供水温度；t
cw,i
为冷却水回水温度；c
1 ~c
11
均为模型参数。
19.（2）水泵2：式中，p
pump
为水泵的输入功率；f为水泵功率，kw；f0为工频，50hz；g为水泵流量，m
³
/h；b
1 ~b3均为模型参数。
20.（3）冷却塔3：变频风机：
定频风机：式中，p
fan,i
为第i台风机的输入功率；p
rated,i
为第i台风机的额定功率。
21.（4）旁通阀4：所述旁通阀4的阀门阻力和水压差关系式为：s = δp / g2式中，s为水阀阻力，δp为水阀前后压降；g为流经水阀的水流量。
22.（5）末端设备5：式中，pi为第i台末端设备的输入功率；p
rated,i
为第i台末端设备的额定功率。
23.其中，所述末端设备5的上述数学关系式可针对具体情况进行调整。
24.（6）房间6：t
a, h = t
a,s +φ
havcqroomqroom
= q
ahu + q
fcqahu
= cwρ
wgw
(t
w,o
ꢀ‑ꢀ
t
w,i
)q
fc
= cwρ
wgw
(t
w,o
ꢀ‑ꢀ
t
w,i
)cwρ
wgw
(t
w,o
ꢀ‑ꢀ
t
w,i
)= g
air,s
ρa(ho‑ꢀhi
)式中，t
a, h
为回风温度，℃；t
a,s
为送风温度，℃；φ
havc
为被调房间的换热性能系数；q
room
为被调房间的换热量；q
ahu 为末端设备空气处理机组的供冷量；q
fc
为末端设备风机盘管的供冷量；cw为冷冻水的定压比热；ρw为冷冻水的密度；gw为冷冻水量；t
w,i
、t
w,o
分别为冷冻水供水温度、冷冻水回水温度，℃；g
air,s
为送风风量，m
³
/h；ρa为环境空气的密度；hi为末端设备的送风焓值，ho为末端设备的回风焓值。
25.（7）冷冻水管网7：冷冻水管网7模型，采用矩阵方法，水管网支路数为b，节点数为n+1，水网的压力矩阵方程为：b
chw
δh = 0式中，b
chw
为冷冻水网的基本回路矩阵，（b-n）
×
b阶矩阵；δh为支路压降列向量，kpa。
26.各支路压力测量值和压头的关系，各支路管段忽略动压降：h = (p
2 ‑ꢀ
p
1 ) / ρg+(v2²ꢀ‑ꢀ
v1²
)/2g + z
2 ‑ꢀ
z1式中，h为支路压头，mh2o ；p2为管路末端压力；p1为管路起始端压力；ρ为管路内水密度；g为重力加速度；v2为管路末端水流速；v1为管路起始端水流速；z2为支路末端高程；z1为支路起始端高程。
27.水泵压头模型：式中，h为水泵扬程，mh2o；g为水泵的水流量；n为水泵的台数；a
1 ~a3均为模型参数。
28.上述空调系统中各组成部分之间，通过相互关联的数据，能够体现出所述空调系统的关联关系。例如，需求冷负荷-关联房间回风温度、房间温度送风温度-关联末端换热量-关联供冷量-关联冷水供水温度、冷冻泵水流量。
29.步骤s02，以所述空调系统的实际运行数据，通过深度机器学习算法，拟合所述空调系统仿真模型的参数，并以模型精度为依据，对所述参数进行优化调整。
30.以平均绝对误差（mae）、平均绝对误差百分比（mape）、均方根误差（rmse）、决定系数（r2）和均方根误差的变异系数（cv-rmse）5个指标作为所述空调系统仿真模型预测精度的评估指标，当指标数值偏离较大时，作为模型参数优化的启动条件，直到优化结果使评估指标达到合理范围。
31.其中，mae、mape、rmse和cv-rmse可以反映预测值和实际值之间偏离程度，它们的值越小表明模型预测精度越高；r2可以反映模型的拟合程度。r2的值越接近1，说明模型对观测值的拟合程度越好。上述各指标的计算方法如下：测值的拟合程度越好。上述各指标的计算方法如下：测值的拟合程度越好。上述各指标的计算方法如下：测值的拟合程度越好。上述各指标的计算方法如下：测值的拟合程度越好。上述各指标的计算方法如下：式中，yi为实际值；为预测值，为测试集实际平均值，m为测试集数据样本总量。
32.对于所述空调系统实际运行过程中的末端数据不完整的情况，可以将部分末端数据通过使用面积、运行功率等信息加权平均代表整体末端负荷数据。
33.步骤s03，针对所述空调系统仿真模型，以所述空调系统整体能耗最低为目标函数，以所述空调系统运行的物理机理构建边界条件。
34.首先，所述目标函数按照以下方式构建：式中，p
total, sys
为系统总的功率；p
chiller,i 为第i台冷水机组输入功率；p
ch,pump
、
p
c, pump
分别为冷冻水泵、冷却水泵的功率；p
fan,i
为第i台风机的输入功率；p
ahu 为末端设备空气处理机组的功率；p
fc,i
为末端风机盘管的功率。
35.其次，所述边界条件包括：（1）等式约束条件：由热量守恒，冷凝器散热值等于供冷量和冷水机组功率之和，公式表达为：q
c =q
e + p
chiller
式中，qc为冷凝侧的散热量；qe为冷冻侧供冷量。
36.由质量守恒：g
bypass = g
chw
ꢀ‑ꢀgahu
ꢀ‑ꢀgfc
式中，g
bypass
为经过旁通阀的冷冻水流量；g
chw
为冷冻水总流量；g
ahu
为流经末端空气处理机组的水流量；g
fc
为流经末端风机盘管的水流量。
37.由热量守恒和质量守恒推导得出的相关温度、压力等式约束：旁通阀温度约束：式中，t
ch,i
为冷冻水回水温度；t
chw,ahu
为流经空气处理机组的回水温度；g
ahu
为空气处理机组的冷冻水流量；t
chw,fc
为流经风机盘管的回水温度；g
fc
为风机盘管的冷冻水流量；t
chw,o
为流经旁通阀的回水温度；g
bypass
为流经旁通阀的冷冻水流量；g
chw
为冷冻水总流量。
38.冷冻水温度约束：t
chw,i
= t
chw,o +δt
chw
式中，t
chw,i
为冷冻水回水温度；t
chw,o
为冷冻水供水温度；δt
chw
为冷冻水供回水温差。
39.冷却水温度约束：t
cw,i
= t
cw,o +δt
cw
式中，t
cw,i
为冷却水回水温度；t
cw,o
为冷却水供水温度；δt
cw
为冷却水供回水温差。
……
请解释参数含义。
40.冷冻水管网压力约束：b
chw
δh = 0式中，b
chw
为冷冻水网的基本回路矩阵，（b-n）
×
b阶矩阵；δh为支路压降列向量，kpa。
41.（2）不等式边界条件：冷水机组单机供冷量约束条件：q
chiller,min
≤ q
chiller,i
≤ q
rated
式中，q
chiller,min
为冷水机组供冷量低限值；q
chiller,i
为冷水机组供冷量；q
rated
为冷水机组额定供冷量。
42.冷水机组单机流量约束条件：g
chw,min
≤ g
chw
≤ g
chw,max
式中，g
chw,min
为冷水机组冷冻水水流量低限值；g
chw
为冷水机组冷冻水水流量；gchw,max
为冷水机组冷冻水水流量高限值。
43.冷水机组部分负荷率约束条件：plr
min
≤ plr ≤ 1式中，plr
min
为冷水机组部分负荷率的低限值；plr为冷水机组的部分负荷率。
44.冷冻水供水温度约束条件：t
chw,min
≤ t
chw,o
≤ t
chw,max
式中，t
chw,min
为冷冻水供水温度的低限值；t
chw,o
为冷冻水供水温度；t
chw,max
为冷冻水供水温度的高限值。
45.冷却水供水温度约束条件：t
cw,min
≤ t
cw,i
≤ t
cw,max
式中，t
cw,min
为冷却水供水温度的低限值；t
cw,i
为冷却水供水温度；t
cw,max
为冷却水供水温度的高限值。
46.冷冻水供回水温差约束条件：δt
chw, min
≤δt
chw
≤δt
chw, max
式中，δt
chw, min
为冷冻水供回水温差的低限值；δt
chw
为冷冻水供回水温差；δt
chw, max
为冷冻水供回水温差的高限值。
47.冷却水供回水温差约束条件：δt
cw, min
≤δt
cw
≤δt
cw, max
式中，δt
cw, min
为冷却水供回水温差的低限值；δt
cw
为冷却水供回水温差；δt
cw, max
为冷却水供回水温差的高限值。
48.旁通阀开度约束条件：0 ≤ l ≤ 100式中，l为阀门开度百分比。
49.冷冻泵频率约束条件：f
chw,min
≤ f
chw
≤ 50式中，f
chw,min
为冷冻水泵的频率低限值；f
chw
为冷冻水泵运行频率。
50.冷却泵频率约束条件：f
cw,min
≤ f
cw
≤ 50式中，f
cw,min
为冷却水泵的频率低限值；f
cw
为冷却水泵运行频率。
51.定频冷却水泵流量约束条件：g
cw,min
≤ g
cw
≤ g
cw,max
式中，g
cw,min
为定频冷却水泵流量的低限值；g
cw
为定频冷却水泵的水流量；g
cw,max
为定频冷却水泵流量的高限值。
52.最不利端水压差约束条件：δp
min
≤δp式中，δp
min
为最不利端压差的低限值；δp为最不利端压差。
53.室内干球温度约束条件：t
a,h,d,min
≤ t
a,h,d
≤ t
a,h,d,max
式中，t
a,h,d,min
为被调房间内的干球温度低限值；t
a,h,d
为被调房间内的干球温度；
t
a,h,d,max
为被调房间内的干球温度高限值。
54.室内湿球温度约束条件：t
a,h,w,min
≤ t
a,h,w
≤ t
a,h,w, max
式中，t
a,h,w,min
为被调房间内的湿球温度低限值；t
a,h,w
为被调房间内的湿球温度；t
a,h,w, max
为被调房间内的湿球温度高限值。
55.步骤s04，将所述空调系统的历史数据划分为训练集和测试集，应用所述空调系统仿真模型，通过深度机器学习算法，形成对于空调系统历史运行状态的数字孪生映射。
56.步骤s05，利用所述空调系统室内设定温度与采集温度的差值，对所述空调系统仿真模型的末端需求进行修正，获得对所述空调系统仿真模型中所述房间6的修正。
57.具体而言，以所述房间6的室内干球温度设定值和采集值之差、室内湿球温度设定值和采集值之差，作为末端真实需求负荷的指征，通过差值成比例调节末端需求，输出值δq
room
，并依据所述输出值δq
room
修正所述空调系统仿真模型。
58.步骤s06，实际运行中，应用依据步骤s01-s05建立并修正后的所述空调系统仿真模型输出调节参数，提供给所述空调系统的信息化系统执行调控动作，完成所述空调系统的优化运行调节。
59.具体而言，所述调节参数包括如下输出调节参数表列出的参数。
60.输出调节参数表