1.4.2 空调系统控制技术

空调对于保持室内环境的舒适性至关重要。在热带气候条件下,供热通风与空气调节系统的能耗可超过建筑总能耗的50% 。因此,提高空调系统运行效率、降低能耗对于建筑节能具有重要意义。

从中央空调系统建模的角度考虑, 合理精确的模型能够更加精准地反映中央空调系统的能耗变化, 从而准确地对其进行优化, 但由于中央空调系统的复杂动态特性, 其对模型精度要求较高, 因此模型的建立较困难。 YAO等将状态空间方法和图论引入中央空调系统建模中, 状态空间模型以图形形式表示达到更清晰的描述, 通过模块化模型来构建实际空调系统的动态模型, 从而提高建模效率[22] 。 Hussain等提出了一种基于自适应回归模型的中央空调系统实时优化控制策略, 采用回归模型来描述系统的能耗与优化变量之间的关系, 其简单的结构使得模型更新和实时优化的效率大大提高[23] 。 Zhou等建立中央空调机组调峰组合调节模型, 提出最小化建筑群峰值需求的响应控制策略, 该策略可优化控制, 达到有效缓解电网压力的作用[24] 。 Bi-anchini等提出基于模型预测控制策略的解决方案, 在热舒适性和技术约束下优化管理中央空调系统和储能设备[25] 。 Rawlings等提出一种分层分解的经济性中央空调系统使用方法, 仿真结果表明该方法可用于大型中心厂房和数百个分区的建筑[26] 。

由于中央空调系统结构复杂, 涉及流固耦合、连续和离散混杂,单纯线性系统或单纯离散系统都很难刻画系统结构和控制过程。因此, 混合系统建模方法日益受到科研人员的关注。 Zhang等通过分析泵的冷量传递过程和特性, 在连续和离散混合系统框架下进行了中央空调系统建模, 并采用开关控制、冷量分配和平均温度控制混合的动态策略, 实现实时能耗优化控制[27] 。 Risbeck等提出商业建筑暖通空调运行优化的混合整数线性规划模型和求解框架, 对设备模型进行分段近似, 使用一个非对称公式来增强模型求解, 实现优化节能控制目标[28] 。 Xie等为降低中央空调能耗, 采用序贯最小二乘法对中央空调模型的能耗进行优化[29] 。 Zhang等基于水泵连续和离散特征进行中央空调冷水系统混合建模, 提出以最小功耗为性能函数的最优化方法, 实现水泵的变量控制和室内温度的精确调节[30] 。

此外, 模糊控制、分布式控制、最优控制、学习控制等都已应用于中央空调的节能领域。模糊控制是自动控制领域非常活跃的一个分支, 它以模糊数学为基础, 常与神经网络、人工智能、自适应控制等结合, 在生产和生活中得到了广泛的应用。模糊控制本质上是一种非线性控制, 一般包含模糊化、知识库、模糊推理及解模糊等部分, 是不依赖于被控对象的数学模型, 特别适合应用在非线性、时变、滞后及模型不完全系统。因此, 模糊控制用于空调控制有其自身的优势。Li等提出一种模糊比例积分微分 ( Proportion Integration Differentia-tion, PID) 控制冷冻泵频率的方法, 根据负荷变化来改变冷冻泵的频率, 达到节能的目的[31] 。 Zhao等针对中央空调冷却水系统, 对冷却水系统比例积分 ( Proportion Integration, PI) 控制算法和模糊控制算法进行了比较, PI控制算法不能适应不同的工况; 模糊控制算法虽然控制精度不高, 但动态性能好、调节曲线平滑、波动小[32] 。

分布式控制采用分体自治和综合协调的设计原则, 控制器间交互通信, 共同来完成同一个任务, 适合应用于中央空调系统控制。Wang等设计了基于分布式的变频空调器通用控制策略, 该策略用于研究区域的可再生能源整合, 将每个空调作为独立个体接收、传递信息和执行操作, 以期充分发挥负荷侧空调资源的作用[33] 。Radhakrishnan等提出基于令牌调度策略的分布式结构系统, 用于商业建筑暖通空调系统的节能运行控制[34] 。 Tang等提出了一种适用于晨间启动的最优控制策略, 确定预冷运行的冷水机组的数量和时间表, 实现各分区/房间之间的最佳冷却分配, 从而缩短预冷时间, 降低峰值功率需求[38] 。

最优控制是确定优化目标, 建立优化目标函数, 在一定约束条件下通过控制使得系统性能指标达到最优。 Gao等提出地源热泵集成空调系统的优化策略, 通过最小化系统总功率来优化系统设置, 在节能的同时显著提高了空间温度控制的鲁棒性[36] 。 Wang等提出空调系统基于事件驱动的最优控制方法, 该方法确定事件/动作空间和事件/动作图, 而不需要对给定事件/动作的所有决策变量进行优化[37] 。Asad等采用自由度值重置来代替传统的阶跃变化设定值重置, 从而提高多路实时优化系统的稳定性[38] 。 Wang等提出了一种事件空间建立的方法, 通过适当选择事件阈值来改进事件的定义, 克服中央空调系统运行条件明显不规则时效率不高的缺陷[39] 。

学习控制理论可用于估计未知信息的优化控制器, 在学习过程中获取系统的更多未知信息, 随之更新控制律, 使控制器逐渐逼近最优控制器。因此, 基于强化学习、数据挖掘、深度学习的控制方法越来越受到人们的关注。 Wang 等通过数据挖掘方法挖掘建筑空调系统EDO数据中隐藏的知识, 利用一种新的决策变量——欧几里得距离来估计优化报酬[40] 。 Qiu 等提出基于强化学习的模型优化控制方法[41]，该方法以湿球温度和系统冷负荷为状态, 以系统COP (即冷水机组、冷却水泵和冷却塔的COP) 作为奖励, 在基本控制器、局部反馈控制器、基于模型的控制器和无模型控制器的监督下, 进行了为期3个月的仿真, 仿真结果表明该方法可用于中央空调控制。