【HVAC】霍雅超等人|基于人工神經網絡的住宅新風系統負荷預測與運行優化

       摘要
 
       通過建立人工神經網絡模型來預測溶液調濕新風系統的濕負荷及冷負荷，考慮使用熱感區域劃分來提高預測精度；引入了一種系統控制優化模型，并結合神經網絡模型的負荷預測結果對新風系統的運行控制進行了優化，在潛能蓄能和分時電價情況下制定了優化控制策略，提高了系統靈活性。結果表明，分區神經網絡模型具有較高的預測精度，濕負荷及冷負荷預測結果對應的均方根誤差變異系數分別為8.72%和9.98%，優化結果可使系統在整個空調季的運行能耗和費用分別降低27.2%和29.2%。該結果可為住宅獨立新風調濕系統的運行優化提供參考。

       負荷預測；新風；分區人工神經網絡；溶液調濕；蓄熱

作者

霍雅超 殷勇高

 
       為了保證我國國民經濟的可持續發展，在2030年之前實現碳達峰，在2060年之前實現碳中和，各個領域的節能減排勢在必行。全球每年約有40%的能源被建筑所消耗，同時建筑能耗的一半以上被暖通空調系統所消耗，因此提出建筑空調系統的綜合節能減排措施迫在眉睫。
 
       輻射冷暖與新風系統是一種具有高舒適性、節能高效的新型暖通空調系統，該類系統由于其高性能和高舒適性的特點在住宅中被積極推廣和布局，目前正處于實際應用推廣的初步階段。在實際工程應用中，由于針對此類系統能耗水平及運行特性的研究尚不充分、系統運行維護經驗尚不成熟，實際應用中還存在一些不確定性問題，如新風系統能耗占比高和運行特性不匹配等，此類系統還存在較大的優化空間。
 
       輻射冷暖與新風系統作為一種綜合供冷、供熱、除濕、新風的一體化空調系統具有一定復雜性。在實際應用中，解決除濕問題是避免結露、提高舒適性的關鍵。通常采用獨立新風系統解決輻射空調的除濕問題，利用新風系統承擔建筑全部濕負荷和部分冷負荷。因此，新風系統負荷的處理通常是此類系統能耗和運行分析的關鍵，而新風系統的冷濕負荷通常受到多種因素的影響。熱泵型溶液調濕機組作為一種全年通用、高效節能的調濕設備，應用于新風系統中有較好的調濕效果。而在工程應用中，機組是否能保持較高的能效水平和良好的運行特性存在不確定性。
 
       為了降低建筑能耗和運行成本，有必要制定更加匹配建筑特性和負荷特性的新風系統運行策略，以準確、快速地預測新風系統的負荷需求和能耗。人工神經網絡（ANN）作為一種典型的黑箱模型在負荷預測方面得到了廣泛的應用和研究。Luo等人使用廣義回歸神經網絡（GRNN）對公共建筑的冷負荷進行了預測，結果表明，GRNN用于預測冷負荷是準確的。González等人采用反向傳播ANN模型，以室外溫度、室外相對濕度和太陽輻射為模型輸入，預測建筑冷負荷需求，模型的平均相對誤差為2.024%。
 
       實現暖通空調系統的負荷預測通常采用室外氣象參數等作為人工神經網絡的輸入，然而僅利用室外氣象參數進行預測不能涵蓋負荷的所有影響因素，人為因素對于負荷預測的精度影響也很大。Li等人提出，將入住率作為輸入參數來建立預測模型可以提高模型的預測精度，結果表明，ANN模型的均方根誤差變異系數為26%，預測精度得到提高。人為因素對負荷的影響除了體現在入住率上，還體現在建筑內部不同區域的差異上，不同區域居住者使用習慣和舒適需求差異對預測精度有很大影響。因此，采用分區域的人工神經網絡模型進行暖通空調系統負荷預測對提高預測精度有重要意義。Hu等人使用分區ANN模型來預測辦公樓的負荷需求及能耗，結果表明分區模型對于預測精度有顯著提高，對應負荷和能耗預測的均方根誤差變異系數分別為10.76%和15.59%。
 
       基于負荷預測結果進行暖通空調系統優化運行是必要的，徐新華等人利用灰色預測方法對某辦公建筑不同時期早晨需求冷量進行預測，為空調系統啟動控制提供優化策略。Hu等人運用負荷預測結果得到熱泵蓄冷優化控制方法，優化結果使系統全年運行成本降低40%。根據負荷預測結果制定優化運行策略，可滿足保障高效運行、控制運行成本的需求，為未來實現綜合能源管理系統平臺搭建和數據機房無人值守提供技術支持。
 
       本文以某住宅區輻射冷暖空調的新風系統為研究對象，采集并分析了新風處理系統的歷史數據，計算分析了新風機組能效水平；建立了人工神經網絡模型，對新風機組冷濕負荷進行預測，并通過區域劃分和輸入優化提高了模型預測精度；基于負荷預測結果，在潛能蓄能和分時電價的情況下制定了系統優化運行策略，為實際運維中降本提效、提高建筑能源系統的靈活適應性提供了有效的解決方案。
 

 

能源及新風系統概況

 
       1.1 能源系統概況及數據處理方法
 
       本研究選取蘇州市一個住宅小區為案例，該小區采用集中式輻射冷暖與新風空調系統。系統的冷熱源由地源熱泵和熱泵式溶液調濕新風機組組成，末端采用輻射毛細管與風機盤管。夏季輻射末端承擔大部分的顯熱負荷，由地源熱泵提供冷量，新風系統承擔全部的潛熱負荷和部分顯熱負荷。
 
       新風系統夏季采用先預冷再進行溶液除濕的處理方式，如圖1所示。室外新風通過表冷器預冷達到狀態點（2），再通過溶液調濕機組處理到送風狀態點（3）送入室內，其中預冷段的冷量由地源熱泵提供。為分析此類系統的新風負荷和能耗水平，并為新風機組調控提供指導，需要對溶液調濕機組段的負荷及能耗進行分析。
 
 
       了解溶液調濕機組承擔負荷的動態變化情況有助于對此類系統能效進行評估，并制定優化運行策略，提高能源利用效率。本文主要針對夏季溶液調濕機組所承擔的冷濕負荷進行預測和分析。其中冷負荷（即全熱負荷）由實時狀態點（2）、（3）之間的比焓差與新風量得到，濕負荷（即潛熱負荷）由實時狀態點（2）、（3）之間的含濕量差與新風量得到。狀態點（1）、（3）的空氣狀態由溫濕度傳感器直接測得，狀態點（2）的空氣狀態由預冷段表冷器進出口水溫及狀態點（1）得到。
 
       選取該小區中一幢典型樓宇作為研究對象，該建筑共33層，建筑冷暖面積共計14 843.54 m2。該建筑新風系統共使用溶液調濕新風機組4臺，分別布置于頂樓東西側和底層東西側。
 
       2019年以來，樓宇智能化數據采集系統被用于監測新風系統的運行，監測數據包括室外空氣參數、送風參數、室內空氣參數、預冷段表冷器進出口參數、風量、用電量等。該系統自2019年開始運行，本研究以2019、2020年實際運行數據為基礎開展分析和優化工作，首先在原始數據基礎上進行數據處理，數據處理方法見圖2。
 
 
       蘇州市不同時段電價見表1，分時電價情況反映了電網對于提高用電效率的需求，用戶側的削峰填谷對于電網的綜合能源效率的提升作用較大。采用蓄能的方式有助于暖通空調系統用電負荷由高峰轉向低谷，基于本研究對象溶液調濕新風系統的特點，采用潛能蓄能的方式。在低電價時段以高能效運行系統，提高建筑能源系統靈活性，降低運行成本。
 
 
1.2 新風系統能效分析
 
       對案例建筑的輻射冷暖與新風空調系統進行連續2年的空調季數據監測?；跉v史數據，系統在空調季的能耗分布情況見圖3，分為冷源能耗、新風能耗和輸配系統能耗三部分。其中冷源能耗包括熱泵機組和單臺冷水機組的用電量，新風能耗包括所有溶液調濕新風機組的用電量，輸配系統能耗包括所有空調泵組、冷水泵和換熱泵組的用電量。系統的新風能耗占比較高，在空調季高達42%。
 
 
       在系統綜合能耗水平的評估中，空調季新風系統能耗水平較高，有較大的優化空間。新風系統中采用溶液機組處理新風，在新風預冷后利用高濃度溶液處理新風濕負荷。對空調季新風機組實際運行中的能耗數據及運行數據進行分析，得到新風系統能效水平情況。
 
       新風機組在空調季的能耗有很大的優化空間，如圖4、5所示，新風機組除濕COPD集中在1.2~1.6之間，制冷COPC集中在1.1~1.8之間，與額定COP比較相差較大。能效較低的原因主要是新風機組長期處于部分負荷下運行，機組除濕能力與大部分新風負荷不匹配，導致新風機組運行性能不佳，能效較低。新風機組在部分負荷下運行的主要原因有2個方面。一方面是園區入住率的問題，另一方面是氣候變化原因?？照{季新風負荷存在較大波動，因此確定負荷波動情況對系統的運行優化有較大作用。
 

 

       分區ANN模型負荷預測

 
       2.1 ANN模型的原理結構
        
       神經網絡作為一種學習能力很強的黑箱模型，具有預測精度高、計算速度快的優點，在建筑負荷和能耗預測方面具有優勢。ANN由模擬人腦工作機理的神經元組成，作為神經網絡模型的基本元素，信號的傳遞依賴神經元的工作，單個神經元可以看作是多個輸入和一個輸出的信號處理單元。
 
       神經網絡模型的結構包括輸入層、隱藏層和輸出層。輸入層和輸出層神經元的數量分別由輸入和輸出參數的數量決定，而隱藏層的神經元數量需要反復調試才能達到最高的模型預測精度。
2.2 ANN模型的輸入輸出及參數設置
 
       ANN模型輸入參數的相關性對于模型的預測精度有著至關重要的作用，此外，輸入參數還應滿足工程實際中易于測得的要求。暖通空調系統負荷影響因素通常有室外氣象參數、室內環境參數和暖通空調系統運行參數，具體包括室外溫度、室外相對濕度、太陽輻照度、入住率、朝向、室內溫度及建筑的外墻保溫系數等。
 
       其中，建筑入住率、朝向等因素在同一建筑的不同區域中有著不同體現，因此，將整棟建筑視為負荷預測獨立研究對象有局限性；同時，不同區域的人員對于環境的熱需求也不同，這體現在他們對環境溫濕度的控制調節。因此，為提升ANN模型預測精度，對建筑進行熱區劃分，將不同區域的室內溫度作為模型的獨立輸入，建立預測精度更高的分區ANN模型。分區輸入室內溫度參數可體現建筑不同區域的朝向、入住率及熱感調控對于負荷的影響效果。
 
       為驗證分區ANN模型具有更高的預測精度，本研究將整棟建筑按照1個熱區、2個熱區和4個熱區劃分，分別對應訓練模型ANN1、ANN2和ANN3，進而比較3個模型的預測精度。
 
       根據未來24 h新風機組負荷預測的目標及系統監測情況，選取ANN模型輸入參數為室外溫度、室外相對濕度、分區室內溫度和時間。未來室外氣象參數可由氣象預報獲得，室內溫度可以通過ANN預測獲得。ANN模型輸出參數為新風系統濕負荷及冷負荷，其中濕負荷是由溶液調濕機組的除濕量表示，冷負荷是由機組提供的制冷量表示。ANN1、ANN2、ANN3模型的熱區根據朝向和樓層劃分，3個ANN模型的輸入個數分別為4、5、7個，輸出均為2個，模型輸入輸出參數情況見表2。
 
 
       ANN模型的參數設置主要包括隱藏層數、隱藏神經元數、學習速率等，本研究采用單隱藏層ANN模型，神經網絡模型結構見圖6。訓練結果表明，當隱藏神經元數量為12時，神經網絡模型的準確率最高。與隱藏神經元相似，學習率需要反復訓練才能得到合適的值。經過訓練和比較，設置學習率為0.3，其他參數設置如下：最大訓練次數為1 000 次，性能函數為均方誤差(MSE)，訓練性能目標為10-3，訓練函數為trainlm，最大驗證失敗次數為6次。
 
 
       2.3 ANN模型的訓練
 
       本研究采用該系統2020年空調季（6月11日至9月10日）逐時實測數據進行ANN模型的訓練，并采用典型日數據對模型預測精度進行測試，訓練數據與測試數據總數分別為13 260、864個?？紤]到不同類型數據的維度不同，數據集應在0~1之間歸一化，以提高精度和收斂速度。計算公式如下：
 
 
       式中 x′為處理后數據；x為待處理數據。
 
       ANN模型的訓練過程是不斷調整偏差，使輸出與目標之間的誤差最小化的過程。采用MSE作為性能函數，同時引入相關系數（R）、均方根誤差（RMSE）、均方根誤差的變異系數（CV-RMSE）和平均絕對誤差（MAE）4個統計指標綜合評價人工神經網絡模型的預測精度。各項指標計算公式如下：
 
 
       式（2）~（6）中 M為均方誤差；m為樣本總數；p為預測值；t為實測值；角標i為第i個數據；圖片為所有實測值t的平均值；S為均方根誤差；C為均方根誤差的變異系數；A為平均絕對誤差。
 
       2.4 ANN模型預測結果與分析
 
       考慮分區的ANN模型預測精度評價結果見表3。根據ASHRAE指南的要求，CV-RMSE應在30%以下，本研究的ANN模型預測結果能很好地滿足標準要求。從評價結果來看，2個分區的ANN2模型和4個分區的ANN3模型預測精度與未分區的ANN1模型相比均有明顯提升。ANN3模型濕負荷、冷負荷預測結果的CV-RMSE分別為8.72%和9.98%，較ANN1模型預測結果分別降低了14.27%和14.61%，說明考慮建筑分區對于神經網絡負荷預測精度的提高效果顯著。
 
 
 
       此外，綜合比較發現，濕負荷預測結果的精確度略高于冷負荷，原因是新風系統在運行過程中以濕負荷為主要處理目標，承擔全部室內濕負荷，濕負荷的波動規律性更穩定，而冷負荷的波動范圍更大。
 

 新風系統的控制優化策略

 
       3.1 基于負荷預測的控制優化策略
 
       為了提高新風系統的綜合效率和降低運行成本，有必要對其運行進行優化?；跐撃苄钅芊椒ń⒘艘粋€優化模型，根據ANN模型預測結果，制定了匹配的控制策略。
 
       潛能蓄能作為一種與傳統蓄能技術不同的儲能手段，通過儲存溶液的除濕潛能達到蓄能目標，在能量緊缺時利用儲存溶液的再生進行潛能釋能。本研究中新風系統的優化運行采用潛能蓄能的方式，在系統中配置溶液儲液罐，通過儲存濃溶液，即儲存除濕潛能的方式進行蓄能。同時結合當地分時電價情況，根據未來1 d內的負荷預測結果進行運行策略優化。
 
       基于節能提效的運行目標制定了新風系統蓄能控制策略，其中需要進行判斷和決策的變量如表4所示，蓄能量和釋能量用溶液的除濕潛力（濕負荷）來表示。為了確保運行策略的可行性，給出了相應邊界條件，見式（7）~（9）。
 
       式中圖片為逐時蓄能速率，kg/h；圖片為最大蓄能速率，kg/h；圖片為逐時釋能速率，kg/h；圖片為最大釋能速率，kg/h。
 
       溶液機組的優化控制流程如下：在谷電時期滿負荷運行，在滿足逐時負荷之后以逐時蓄能速率uc,n向儲液罐儲存濃溶液積累除濕能力，直至最大蓄能總量Qt。儲液罐充滿后關閉機組，根據ANN模型的負荷預測結果計算機組逐時能效，當能效較低時，優先釋放蓄能，以逐時釋能速率ud,n釋放除濕潛能；當能效較高時，利用機組冷卻除濕匹配逐時負荷，系統控制優化流程見圖9。其中，對于Qt、Qn及n的判斷，均根據所述負荷預測結果及機組能效情況得到。
 
 
       3.2 空調季負荷模式及優化結果
 
       根據ANN模型的負荷預測結果，選取典型負荷日進行分析和優化。在分時電價情況下，以無蓄能的新風系統為基準，分析蓄能優化運行策略降低運行成本的效果。
        
       根據ANN模型的預測結果，應用該優化模型改進新風機組的運行策略，選取整個空調季負荷較高的典型日作為案例進行分析，優化后的單日負荷分布見圖10。優化后的負荷分配可充分體現基于負荷預測的蓄能效果?？梢钥闯觯涸诠入姇r期，機組除滿足逐時需求外向儲液罐蓄能已達到umax，所蓄能量在負荷較小、機組運行COP較低時釋放；負荷達到峰值附近時，逐時負荷仍由機組正常運行滿足。
 
 
       空調季新風系統濕負荷情況見圖11，在夏熱冬冷地區，新風系統空調季濕負荷很高，對整個空調季應用基于負荷預測的控制優化模型，可得到優化后的空調季濕負荷分布?；跉v史數據對新風系統負荷-能效水平進行擬合，利用優化后的負荷分布情況，可以得到系統基于控制策略優化后的能耗水平，再利用分時電價結果計算該策略的經濟效益。
 
 
       表5列出了空調季理論優化結果與原始結果之間的比較，優化后可使建筑空調系統在整個空調季的運行能耗和運行成本分別降低27.2%和29.2%。此外，考慮到夏熱冬冷地區夏季濕負荷高的特征，可以進一步通過擴大儲液罐容量的方式提高新風系統在空調季的節能潛力。
 

 

       結論

 
       1） 基于2019—2020年歷史數據，空調季新風能耗占暖通空調系統總能耗的比例為42%，新風能耗占比較高。新風機組除濕COPD集中在1.2~1.6之間，制冷COPC集中在1.1~1.8之間，與額定COP相差較大，此類方案的新風系統能效和運行方式均有較大的優化空間。
 
       2） 建立了分區ANN模型用于預測新風系統的濕負荷和冷負荷，通過增加建筑熱感區域劃分和優化輸入參數的方法提高了ANN模型預測精度，結果表明有4個熱區劃分的ANN3模型濕負荷及冷負荷預測結果的CV-RMSE分別為8.72%和9.98%，較不考慮分區的ANN1模型分別降低了14.27%和14.61%，分區ANN模型預測和優化輸入參數方法對于預測精度的提高效果十分顯著。
 
       3） 基于負荷預測結果和潛能蓄能方法，制定了新風系統蓄能優化控制策略，針對典型負荷日和整個空調季應用新的優化控制策略，
并分析了優化后的負荷分布情況。計算出整個空調季應用該控制策略的理論優化結果，該結果較原始結果運行能耗和運行成本分別降
低了27.2%和29.2%，該優化控制策略節能效果顯著。