基于多传感器信息融合的空调系统变风量优化控制研究

葛宣鸣，杜志敏，晋欣桥

（上海交通大学制冷与低温工程研究所，上海 200240）

基于多传感器信息融合的空调系统变风量优化控制研究

葛宣鸣*，杜志敏**，晋欣桥

（上海交通大学制冷与低温工程研究所，上海 200240）

利用TRNSYS和FLUENT协同仿真平台，本文对变风量空调系统提出了基于多传感器的送风控制策略。本文还对比了基于多传感器控制策略及传统基于单传感器控制策略下的能耗及热舒适性情况。研究结果表明，基于多传感器控制策略可以有效提升人员热舒适性并且不会增加能耗。

变风量空调系统；多传感器；舒适性；能耗

0 引言

目前，很多研究者通过TRNSYS对空调系统进行监测与能耗分析[1-2]，有研究者针对住宅建筑利用TRNSYS对送风预冷策略进行能耗评价[3]；利用TRNSYS实现空调系统不同控制策略，例如在TRNSYS仿真平台上针对冷冻水系统对比了采用定频泵和变频泵对能耗的影响[4]。有研究者基于TRNSYS平台，针对低能耗建筑设计并评价带有预热处理的混合通风系统的效果[5-7]；也有不少研究者使用CFD软件对空调室内环境的舒适性进行分析[8-9]。例如，利用了CFD技术研究不同户外气象条件是如何影响密闭空调区域内的空气流速分布[10]；又如在一篇文献中，研究者利用CFD研究了置换通风对室内温度场分布的影响，验证了室内温度场存在分层的情况[11]。然而TRNSYS的缺点在于将室内环境视为一个单一节点，忽略了室内温度分布存在不均匀性；CFD缺点在于无法实时更新边界条件从而无法实现在线控制。为了将TRNSYS与FLUENT优势相结合，通过搭建接口程序实现在研究能耗的同时关注室内热舒适性情况[12]，从而提出了TRNSYS-CFD协同仿真的研究方式，并在协同仿真平台上实现基于多传感器的送风控制。

1 协同仿真建模及必要性分析

本次的研究对象是位于上海地区的某幢商务大楼，楼层使用面积为2,332 m2，南北两半各采用一相同AHU，其中每个AHU带有8个相同的不受静压的VAV末端。根据末端的位置将空调区域分为8块，本次对于空调区域6进行研究。图1为空调系统及控制示意图[13]。

图1 空调系统及其控制系统示意图

由于TRNSYS与CFD两款软件存在较大差异，比如仿真步长的不同、使用模型的不同、所需要的参数不同等等，因而要实现CFD-TRNSYS协同仿真就必须搭建接口程序以完成数据的传递。

1.1 协同仿真平台搭建

首先，搭建协同仿真平台，完成能耗分析与舒适性分析的协同仿真[14-15]。接口程序逻辑如图2(a)。为了研究室内热舒适性状况，针对空调区域6在Gambit中建立三维立体模型，示意图如图2(b)。东墙为外墙，其余三面墙为内墙，采用上送上回的送回风方式，房间尺寸为12.8 m×8.6 m×3.9 m，室内包含人员、桌椅、电脑，为方便建模将其简化为立方体并假设人员处于静坐状态[16]。点1～10表示高度为1.3 m平面上温度传感器采样点，11～19表示对应位置处高度为0.1 m平面温度传感器采样点。完成立体模型搭建后进行网格绘制并导入FLUENT进行计算，具体FLUENT边界条件设置如表1。

图2 空调系统协同仿真建模示意图

表1 FLUENT边界条件设置

1.2 CFD-能耗协同仿真与传统能耗仿真的对比

1.2.1 传统能耗（TRNSYS）仿真的结果

仿真日选取上海7月夏季某典型日，图3展示了户外空气温度、空气含湿量在内的实验日户外工况，以及室内负荷和太阳辐射得热情况。

图3 实验日工况

房间设定温度值取24 ℃，送风温度设定值为13 ℃，空调系统工作时间是8:00～20:00，在TRNSYS仿真平台基础上对VAV空调系统进行模拟。图4(a)表示了基于TRNSYS独立仿真的温度情况，T_sup是送风温度变化情况，Tsensor是TRNSYS单节点计算时的房间6平均温度结果，可以看出房间平均温度可以较好地控制在24 ℃附近，送风温度稳定在13 ℃左右。仿真日内的送风量变化情况如图4(b)所示。

图4 区域6的VAV末端PID控制结果

1.2.2 CFD-能耗协同仿真必要性分析

本次研究将回风口附近的传感器作为采样传感器[12]。取高度为1.3 m处平面（人员静坐时头部高度）进行舒适性分析。图5展示了空调区域6的送回风温度、房间平均温度和采样传感器温度值变化以及送风量的变化情况。对比TRNSYS仿真结果，位于回风口的传感器可以较好控制在设定值24 ℃±1 ℃，而此时室内平均温度最高却可以达到26 ℃左右。这是由于位于回风口附近的采样温度传感器检测到温度较低时，系统送风量减小，从而导致室内平均温度会偏高，人员舒适性较差。此例证明了基于单传感器送风控制的不足之处，从而基于多传感器的控制就显得尤为必要。

图5 基于协同仿真的区域6末端控制结果

2 基于多传感器信息融合的变风量优化控制

对于变风量空调系统，送风量随着室内负荷变化而变化，不合理的送风量很容易引起室内空气分布的不均匀，从而引起室内温度、速度场分布产生梯度变化。因此，本文提出了通过控制室内两测点之间的温差从而确定较为合理的送风量的优化策略[17]，如图6所示。T2和T3布置在人员工作区域，通过采集T2和T3，获得温差ΔT=T2-T3，并将其作为送风控制回路的变量，通过对送风温度设定的实时优化，使其维持在设定范围内，从而获得最佳的气流分布。测点传感器T2及T3放置于图3中9、10所在位置，T1仍放置于回风口位置。

图6 基于多传感器控制送风示意图

2.1 基于多传感器控制与基于单传感器控制对比

针对单传感器（控制策略A）和多传感器（控制策略B）控制策略进行舒适性与能耗的比较。本文使用PMV-PPD（Predicted Mean Vote - Prsdicted Percentage Of Dissatisfied）评价指标[18]。PMV（Predicted Mean Vote）是一种表征人体热反应（冷热感）的评价指标，一般当PMV处于±0.5之间表示人员感受较为舒适，不同PMV值代表的含义如表2所示。但由于人与人之间存在生理差别，因此PMV难以代表所有人的感觉。即使在PMV=0处，也会有人对该热环境不满意，因而提出配以预测不满意百分比（PPD）来表示人群对热环境不满意百分数的评价指标。一般当PPD＜10%时表示人群对热环境较为满意[19]。

PMV根据文献[12]进行计算，PPD计算式如下：

表2 PMV值含义

2.1.1 工况Ⅰ下舒适性比较

图7(a)展示了基于多传感器信息融合控制的室温以及传感器所在位置温度，图7(b)展示了对应工况下的房间送风量变化。

图7 基于多传感器控制的区域6末端控制结果

图8～图10为10:00、14:00和16:00这3个时刻的两种控制策略的对比图。将单传感器控制策略记为控制策略A（左图），多传感器控制策略记为控制策略B（右图）。

图8 10:00时刻房间舒适性分析云图

图9 14:00时刻房间舒适性分析云图

图10 16:00时刻房间舒适性分析云图

图11 基于两种控制策略的PMV

2.1.2 能耗比较

对两种不同控制策略进行能耗分析，如表3。

由上面的云图可以看出，控制策略B即基于多传感器信息融合的控制策略较之前的控制策略A，送风量增加，因而风机能耗有所升高，然而由于送风温度提高导致机组能耗下降，总体能耗也有所减少。

表3 两种控制策略能耗对比

2.2 工况Ⅱ下舒适性比较

更换天气工况Ⅱ，选取北京7月工况进行仿真。图12是两种控制下的传感器及房间平均温度情况，图13是两种控制策略下的PMV情况。

图12 基于两种控制策略下的温度情况

图13 基于两种控制策略下的PMV

在经过24 h的仿真之后发现，在北京7月典型日工况下基于多传感器控制能耗为417.7 kW·h，比基于单传感器控制少了4.4%。

通过以上对比可以发现：1）基于多传感器的送风控制可以明显改善室内温度分布以及风速分布；2）基于多传感器的送风控制可以有效提升室内热环境的舒适性；3）基于多传感器的送风控制不仅没有增加系统能耗，反而由于优化使得系统的能耗有所降低。

3 结论

1）基于TRNSYS的仿真由于将室内空气作为单一工况点进行计算处理与实际过程是有较大差别的。

2）基于协同仿真的结果展示了传统基于单传感器控制的不足之处，即当传感器附近温度控制较好时，室内热舒适性反而可能会较差。

3）基于多传感器控制可以优化室内空气温度场以及速度场分布情况，较好地改善人体热舒适性环境且系统能耗会因为优化作用而降低。

[1] SIBILIO S, ROSATO A, CIAMPI G, et al. Building-integrated trigeneration system: Energy, environmental and economic dynamic performance assessment for Italian residential applications[J]. Renewable and Sustainable Energy Reviews, 2016, 68(2): 920-933.

[2] PERNIGOTTO G, GASPARELLA A. Extensive comparative analysis of building energy simulation codes: Heating and cooling energy needs and peak loads calculation in TRNSYS and energy plus for southern Europe climates[J]. HVAC&R Research, 2013, 19(5): 481-492.

[3] CHO W H, LEE T Y, CHO K, et al. Energy consumption rate of air conditioner and panel heater with ventilation for a residential apartment using TRNSYS[J]. Asian Conference on Refrigeration and Air-conditioning, 2004: 8(2): 669-675.

[4] SHIRAZI A, PINTALDI S, WHITE S D, et al. Solar-assisted absorption air-conditioning systems in buildings: control strategies and operational modes[J]. Applied Thermal Engineering, 2016, 92: 246-260.

[5] DAVIDSSON H, BERNARDO L R, LARSSON S. Design and performance of a hybrid ventilation system with heat recovery for low energy buildings[J]. Journal of Environment and Engineering, 2011, 6(2): 469-477.

[6] 李斌, 马光柏, 翟晓强. 基于TRNSYS软件的大型太阳能集热阵列的性能模拟与分析[J]. 制冷技术, 2016,36(1): 14-19.

[7] 王喜春. 夏热冬冷地区居住建筑围护结构节能技术气候适应性研究[J]. 制冷技术, 2016, 36(2): 26-29.

[8] 赵爱国, 祝用华, 晋欣桥. 多联机与新风机复合空调系统优化控制研究[J]. 制冷技术, 2015, 35(1): 6-10.

[9] LI K, SU H, CHU J. A CFD-based test method for control of indoor environment in air-conditioned rooms[C]// Control Conference (CCC), 31stChinese IEEE, Hefei, 2012: 6933-6937.

[10] NARDECCHIA F, GUGLIERMETTI F, BISEGNA F. How temperature affects the airflow around a single-block isolated building[J]. Energy and Buildings, 2016, 118: 142-151.

[11] GILANI S, MONTAZERI H, BLOCKEN B. CFD simulation of stratified indoor environment in displacement ventilation: Validation and sensitivity analysis[J]. Building and Environment, 2016, 95: 299-313.

[12] DU Z, XU P, JIN X, et al. Temperature sensor placement optimization for VAV control using CFD-BES co-simulation strategy[J]. Building and Environment, 2015, 85: 104-113.

[13] 刘巧玲, 杜志敏, 晋欣桥. VAV 空调系统室内温度传感器位置的影响研究[J]. 建筑热能通风空调, 2013, 32(1): 11-14.

[14] 晋欣桥. 变风量空调系统的仿真及其实时优化控制研究[D]. 上海: 上海交通大学, 1999.

[15] 晋欣桥, 柴小峰, 杜志敏. 过渡季节VAV空调系统送风温度的优化控制策略[J]. 天津大学学报, 2009, 42(7): 587-590.

[16] 任晓利, 陈小砖, 袁东升. 办公室空调房间不同送风速度的数值模拟[J]. 制冷与空调, 2008, 22(1): 80-83.

[17] POURSHAGHAGHY A, OMIDVARI M. Examination of thermal comfort in a hospital using PMV-PPD model[J]. Applied Ergonomics, 2012, 43(6): 1089-1095.

[18] 赵军, 狄育慧, 李健, 等. 建筑节能热舒适的发展现状[J]. 洁净与空调技术, 2009(3): 51-55.

[19] FANGER P O. Thermal Comfort-Analysis and Applications in Environment Engineering[M]. New York: McGraw-Hill, 1972.

Investigation of Variable Air Volume Optimal Control for Air Conditioning System Based on Multi-sensor Data Fusion

GE Xuan-ming*, DU Zhi-min**, JIN Xin-qiao
(Institute of Refrigeration and Cryogenics, Shanghai Jiao Tong University, Shanghai 200240, China)

Using TRNSYS-FLUENT co-simulation platform, a control strategy of supply air based on multi-sensor for Variable Air Volume (VAV) system was proposed. The energy consumption and thermal comfort for the system based on the proposed strategy was compared with that based on the traditional single-sensor control strategy. The results show that, the proposed multi-sensor control strategy can effectively improve thermal comfort of occupants without raising energy consumption.

VAV air conditioning system; Multi-sensor; Thermal comfort; Energy consumption

10.3969/j.issn.2095-4468.2016.06.107

*葛宣鸣（1993-），男，硕士研究生。研究方向：空调系统仿真与模拟。

**杜志敏（通讯作者），男，副教授。联系地址：上海市东川路800号上海交通大学制冷与低温工程研究所，邮编200240。联系电话：021-34206533。E-mail：duzhimin@sjtu.edu.cn。

国家自然科学基金（No.51376125）。