謝輝優(yōu)

（深圳達實智能股份有限公司,廣東 深圳 518057）

據(jù)相關資料統(tǒng)計,我國95%以上的大中型建筑均為高能耗建筑,已經(jīng)占到整體總能耗的30%左右,在整個建筑能耗中,中央空調系統(tǒng)的能耗約占比40%～50%,空調冷熱源系統(tǒng)消耗了其中的30%～40%?？照{制冷站作為建筑冷熱源供應的核心,其耗電量一般占建筑總用電量的40%以上,目前在大多數(shù)冷站空調系統(tǒng)中,僅是利用傳統(tǒng)樓控系統(tǒng)實現(xiàn)簡單的遠程監(jiān)測及簡單的連鎖啟停控制,使得其運行能效水準處于一般和需改善區(qū)間（COP 值3.6-4.4）,存在著極大的浪費。隨著人工智能及大數(shù)據(jù)技術的發(fā)展,中央空調節(jié)能控制由單獨設備自動控制到基于系統(tǒng)尋優(yōu)、人工智能及大數(shù)據(jù)分析等控制功能提高及實現(xiàn)系統(tǒng)能效的控制方法已具備技術研究及應用的經(jīng)濟可行性。本研究基于組合黑箱模型負荷預測及動態(tài)能效模型全局優(yōu)化節(jié)能管控技術的研究,分析高效冷站在節(jié)能關鍵技術研究的技術可行性及應用的經(jīng)濟可行性。

1 基于組合黑箱模型的精準負荷預測技術

組合黑箱模型對空調負荷進行預測,通過利用人工智能算法,如長短記憶（LSTM）神經(jīng)網(wǎng)絡,BP 神經(jīng)網(wǎng)絡等對已有的制冷站歷史運行數(shù)據(jù)建立黑箱模型,并結合實時運行參數(shù),采用組合學習策略,對各方法預測結果進行綜合評估。該負荷預測方法無需對系統(tǒng)的具體物理意義和運作機理做深入研究,只需提供各類參數(shù)足夠多的有效數(shù)據(jù)做數(shù)據(jù)訓練,分析和自學習,就能提供較高預測精度。

1.1 負荷數(shù)據(jù)的處理問題

對采集系統(tǒng)中負荷數(shù)據(jù)中可能包含的數(shù)據(jù)缺失值、噪音和失真錯誤,采取了以下步驟（見圖1）對負荷數(shù)據(jù)進行清洗,以提高數(shù)據(jù)的質量,避免分析失真。

圖1 負荷數(shù)據(jù)處理步驟

高效冷站節(jié)能控制系統(tǒng)高精度負荷預測技術,采用了基于主成分分析法（PCA, Principal Components Analysis）的負荷預測關鍵參數(shù)提取技術,對原始數(shù)據(jù)進行標準化處理后加工,從所處理的數(shù)據(jù)中提取重要且相互之間關聯(lián)度不重復的組成成分,有效減少干擾數(shù)據(jù)的影響,從而達到簡化數(shù)據(jù)冗雜度的目的,對高維度數(shù)據(jù)有著很好的降維效果。

1.2 負荷預測算法

利用得出的綜合負荷主要影響因素,對負荷需求量進行預測。采用的負荷預測算法庫中配備了以下2種方式。

1.2.1 基于求和自回歸移動平均模型（ARIMA）的負荷預測[1]

該模型根據(jù)數(shù)據(jù)產(chǎn)生時間的先后順序進行排序,把空調負荷隨時間變化而變化的發(fā)展規(guī)律展現(xiàn)在時間軸上,利用空調負荷變化趨勢與時間軸的對應關系,根據(jù)過去時間負荷變化規(guī)律預測未來空調負荷變化規(guī)律,但時間順序需較高的穩(wěn)定性。一旦空調負荷受到極端天氣等不確定性因素的影響,時間序列法將很難達到預期效果。但此方式下需要歷史負荷參數(shù)計算量小,且對其他因素的依賴性較低,因此可作為輕量化的負荷預測模塊,在其他因素失效或難以獲得的情況下發(fā)揮作用。

1.2.2 基于長短時間記憶網(wǎng)絡(LSTM)的空調負荷預測技術[2]

空調負荷的預測受較多因素的影響,很難建立起線性負荷預測模塊,且由于空調負荷具有較強的季節(jié)時序性,如自回歸積分滑動平均模型（ARMA）、多元線性回歸模型（MLR）,在統(tǒng)計時雖考慮了時序性,便卻對非線性數(shù)據(jù)的預測精度不佳。通過某大廈高效冷站的實際負荷預測,采用向量機（SVM）的負荷預測較采用多元線性回歸（MLR）方法的誤差值大（見圖2）。

圖2 LSTM 預測結果

2 基于設備動態(tài)能耗模型的全局優(yōu)化控制技術

高效冷站節(jié)能控制系統(tǒng)的自尋優(yōu)技術,利用人工智能算法,對空調制冷站相關設備進行動態(tài)建模,根據(jù)負荷與環(huán)境變化,動態(tài)調整系統(tǒng)運行參數(shù),保持系統(tǒng)的運行及調節(jié)與系統(tǒng)負荷變化相一致,確保系統(tǒng)運行在最佳或接近最佳狀態(tài),實現(xiàn)空調冷站運行效率最佳[3]。

2.1 系統(tǒng)尋優(yōu)流程

根據(jù)模型實時監(jiān)控的結果系統(tǒng)尋優(yōu)流程主要包括數(shù)據(jù)抽取、數(shù)據(jù)預處理、分析建模和優(yōu)化及反饋等流程(見圖3)。

圖3 系統(tǒng)尋優(yōu)流程

2.2 系統(tǒng)尋優(yōu)控制對象

基于系統(tǒng)能效的自主尋優(yōu)控制,其特征包括了基于空調全系統(tǒng)的全局優(yōu)化、冷水機組、空調末端設備、冷凍泵、冷卻泵及冷卻等設備運行數(shù)據(jù)及能效模型的實時追蹤分析及模型優(yōu)化,并應用模型結果,對實時監(jiān)控的數(shù)據(jù)進行全局尋優(yōu),優(yōu)化的控制參數(shù)直接輸出系統(tǒng)控制策略、故障診斷、維護保養(yǎng)預警及能源管理等信息[4]。

2.3 系統(tǒng)尋優(yōu)控制原理

高效冷站的空調系統(tǒng)在各負荷工況下,均存在系統(tǒng)最優(yōu)的運行工況,即能耗最小點,但運行在最小能耗點時并不能保證系統(tǒng)能夠處于一個穩(wěn)定狀態(tài),為了在最大程度上節(jié)約系統(tǒng)能耗同時降低系統(tǒng)不穩(wěn)定運行的風險,節(jié)能尋優(yōu)系統(tǒng)采用兩個層級的優(yōu)化來解決此問題。

2.3.1 基于能耗模型的多設備全局能效優(yōu)化控制（第一層級）

基于系統(tǒng)改進后的遺傳算法（GA）、粒子群算法(PSO)、模擬退火算法(SA)建立全局最優(yōu)化算法庫,利用獲得的空調設備能耗模型,實時調節(jié)空調制冷站系統(tǒng)運行最佳效率點,實現(xiàn)全局主動式控制配置的PSO算法改進了PSO 的粒子更新策略,動態(tài)調整其慣性權值,更新維護其外部檔案以及改進了其算法流程,提升算法的計算效率以及適用性。

2.3.2 基于深度信念網(wǎng)絡（Deep-Belief-Nets,DBN）的系統(tǒng)穩(wěn)定性區(qū)域判定（第二層次優(yōu)化）

利用DBN 模型,實時推理系統(tǒng)處于不穩(wěn)定狀態(tài)的概率,和指定的概率閾值進行對比,若未超過該閾值,繼續(xù)執(zhí)行第一層級全局優(yōu)化參數(shù)的設定值；若否,則采用相應的對比算法,以權衡系統(tǒng)的穩(wěn)定性和節(jié)能性。

3 基于數(shù)據(jù)驅動的智慧管理技術

基于數(shù)據(jù)驅動的智慧能源管理技術,從數(shù)據(jù)采集、預處理、健康診斷、故障處理等各個環(huán)節(jié)分析了制冷站智慧管理系統(tǒng)所包含的內容,并提出如何將深度學習方法運用于能源的智慧運維管理,從而實現(xiàn)對制冷站設備的更科學、更高效的運維管理。

3.1 智慧管理平臺

智慧管理平臺是為實現(xiàn)高效冷站的運營及管理目標,基于統(tǒng)一的信息平臺,以多種類智能化信息集成方式,形成的具有信息匯聚、資源共享、協(xié)同運行、優(yōu)化管理等綜合應用功能的系統(tǒng),實現(xiàn)IBMS（集成管理）、EMS（能源管理）、FMS（運維管理）、BIM（三維可視化）、APP（移動運維）等物聯(lián)網(wǎng)智能應用服務。系統(tǒng)基于一個智慧管理平臺下,通過對不同類型子系統(tǒng)、設備、傳感器的物聯(lián)接入,可自由擴展實現(xiàn)不同的業(yè)務應用。

3.2 平臺計算框架

智慧管理平臺采用的計算框架需要進行云、邊、端三層算力的實時評估、計算任務的劃分和分配、實時調整調度計算需求與算力之間的供需矛盾,進而形成高效的軟硬件銜接體系。

3.2.1 計算架構的主要組成

協(xié)同計算架構的主要組成部分包括：信息隊列、監(jiān)控器、API 庫、任務分配器、應用層、以及最核心的全局狀態(tài)控制器。

3.2.2 計算架構的特點

對于高效冷站當中的智能傳感器、探測器等設備來說,實時處理非常必要。云- 邊- 端的計算架構,能夠對信號處理的時間進行統(tǒng)計特性,保障最需要實時的應用最先響應。并且,計算任務執(zhí)行時間直接決定計算能量消耗,并極大地影響應用程序的實時性能。

3.3 平臺功能框架

智慧管理平臺所采用的功能框架其指導設計思想是復雜的,計算量大的模型訓練等放入云端,優(yōu)化后的最佳模型部署于邊緣側,并與端側進行實時交互,進行推理計算,見圖4。

圖4 云邊端協(xié)同原理

在云平臺中部署了設備、預警、維護及負荷預測等模型訓練模塊,在云平臺進行這些模型的訓練,訓練后的模型采用基于事件驅動的方式下發(fā)部署到各個AI 節(jié)點。同時在云平臺可對各冷站系統(tǒng)進行智能聯(lián)合群控,并針對采用了多種制冷系統(tǒng)的高效冷站設置了多制冷系統(tǒng)協(xié)調運行模塊,可對不同的制冷系統(tǒng)的負荷進行節(jié)能分配,達到整體高效運行。

4 結論

高效冷站節(jié)能控制與智慧能源管理關鍵技術研究及應用,其中實時數(shù)據(jù)庫的大并發(fā)數(shù)據(jù)連接管理、組合黑箱模型的精準負荷預測技術、設備動態(tài)能耗模型的全局優(yōu)化控制技術及人工智能能源大數(shù)據(jù)分析挖掘等技術的研究及應用,有效的解決了現(xiàn)冷站系統(tǒng)中數(shù)據(jù)的精確處理、控制響應滯后、能源數(shù)據(jù)分析及挖掘和故障預警及遠程運維等問題,大幅提升了冷站的能效,取得顯著的節(jié)能效果。

在保證冷站全生命周期高效穩(wěn)定運行的同時,實現(xiàn)冷站年平均綜合制冷效率5.0 以上,達到國際認可的冷站全年運行能效“卓越”水平,與能效4.0 左右的常規(guī)冷站系統(tǒng)相比較,實現(xiàn)25%及以上的節(jié)能效果,能減少耗電量和碳排放,促進環(huán)境持續(xù)改善,助力我國“碳達峰”和“碳中和”目標的實現(xiàn)。