基于人工智能的中央空调能源管理优化控制系统的设计

叶水国彭彦卿杨永通陈李清

（ 1. 国药控股星鲨制药（厦门）有限公司，福建厦门 361026；2. 厦门理工学院电气工程与自动化学院，福建厦门 361024）

基于人工智能的中央空调能源管理优化控制系统的设计

叶水国1彭彦卿2*杨永通2陈李清1

（ 1. 国药控股星鲨制药（厦门）有限公司，福建厦门 361026；2. 厦门理工学院电气工程与自动化学院，福建厦门 361024）

基于人工智能的中央空调能源管理优化控制系统是针对中央空调节能所设计的能源管理系统，通过全面的系统参数监测和非线性动态预测人工智能分析判断，预测和推断下一时段系统的冷负荷工况、系统能耗及其能效优化运行控制参量，对系统载冷剂实施调节控制。针对不同地点的空调负荷设置不同的权重，充分利用负荷信息，提高预测精度。系统依据极端天气、季节、生产周期、人员流动等因素导致的系统冷负荷变化而提前实现系统能耗的实时调节，从而实现系统的高效运行，达到节能减排的目的。经过系统长期运行表明，中央空调系统综合利用率达到43.05 %。

中央空调；节能；非线性动态预测；人工智能

能源是经济、社会发展和提高人民生活水平的重要物质基础。我国国民经济持续快速发展，带动了能源消费长期高速增长。目前我国能源供给已呈现出紧张局面，大力推进节约降耗，缓解资源瓶颈制约，实现能源环境和经济社会的可持续发展是我国用能工作的核心。中央空调是大厦里的耗电大户，每年的电费中空调耗电占60 %左右，空调系统在运行中需要消耗大量的能量。在世界范围内，自1945年以来，空调所消耗的能量每年平均以4% ～ 5%的速度增长，部分企业用于空调冷冻的用电量占全厂用电量的三分之一，甚至更高[1]。因此在中央空调使用方面有效地利用能源和降低能量的消耗是我们面临的重要任务。

当今中央空调系统运行的能源管理优化控制技术多采用分区多工况调节方式或者通过变频变压来达到经济运行，此外神经网络或者模糊控制结合PID算法在空调能源管理优化控制系统中得到了广泛的应用[2]。以灰色系统模型GM（1, 1）为基础的各类灰色系统模型得到了广泛的应用，但是单纯的灰色模型GM（1, 1）对空调系统负荷进行灰色预测时，只能给出相应的变化范围，预测精度不高[3]。由于空调负荷受天气、季节、生产周期、人员流动等多因素的影响，因此空调负荷是典型的非线性问题。所以本文运用非线性动态GM（1, 1）模型，即NLDGM（1, 1）模型进行空调负荷的预测。预测结果表明该模型具有较强的应用性和优越性。

1 中央空调能源管理优化控制系统的总体设计

本文来源于某公司软胶囊车间及液体制剂车间中央空调的改造设计，由于生产车间的温湿度对软胶囊药丸的生产质量有重要的影响，因此人工智能的能源管理优化控制系统的设计关键在于能源管理优化的基础上保证车间温湿度的精确度。通过表1分析可以看出，鱼肝油大楼生产用“冷冻及空调”用电量占整个生产的电量的约64 %，是全公司的用电大户。目前空调系统是定流量系统，完全靠人工操作，不能随负荷变化而自动调节，造成能源不能充分利用而浪费，节能改造意义重大。

基于人工智能的中央空调能源管理优化控制系统，通过全面的系统参数监测和非线性动态预测分析判断，预测和推断下一时段系统的冷负荷工况、系统能耗及其能效优化运行控制参量，对系统载冷剂实施调节控制。同时针对不同地点的空调负荷设置不同的权重，充分利用负荷信息，提高预测精度，以求系统依据极端天气、季节、生产周期、人员流动等因素导致的系统冷负荷变化而提前实现系统能耗的实时调节，从而实现系统的高效运行，达到节能减排的目的。影响中央空调系统能耗的因素有多种，而且每日都会不断变化，但系统运行之前可以确定的因素有室内外温度、湿度条件和每个房间的负荷情况，包括设备使用情况、照明和人员的数量。将无法确定的因素作为计算条件单独设置，由操作人员随时调整，例如节假日或者临时安排导致空调负荷变化比较大的因素。

通过对系统多过程参量（压力、压差、温度、温差、流量、环境温湿度、二氧化碳含量、电压、电流、频率、功率因数及设备能耗等）的监测，采用人工智能非线性动态预测提前主动产生控制信号对载冷剂实施调节，实现系统高效运行。中央空调制冷站节能控制系统原理如图1所示。

表1 公司用电量情况统计Tab.1 The Statistics of electricity situation in the company

图1 中央空调制冷站节能控制系统Fig. 1 The schematic of energy saving control system of central air-conditioning refrigeration station

中央空调能源管理优化控制系统通过对多过程参量的实时采集，根据预测的负荷情况变化，实时调节冷冻水循环系统、冷却水循环系统以及冷却塔的风量。

（1）对冷冻水循环系统的控制

中央控制系统采用了非线性动态预测NLDGM（1, 1）算法，当外界环境温度或者空调末端负荷发生变化时，将导致冷冻水各个回路的供回水温度、压力、温差、压差和流量随之变化，各传感器将采集到的实时数据传送至数据采集模块，中央控制系统依据这些实时数据和系统运行的历史数据进行实时预测计算，根据实时预测的末端空调负荷所需的制冷量，以及各路冷冻水供回水温度、温差、压差和流量的最佳值，并以此调节各变频器的输出频率，从而控制冷冻水泵的转速，改变其流量，使冷冻水系统的供回水温度、温差、压差和流量运行在最优值。

（2）对冷却水循环系统及冷却塔风量的控制

当外界环境温度或者空调末端负荷发生变化时，导致中央空调主机的负荷率将随之变化，进而系统的最佳转换效率也随之变化。控制单元在动态预测控制冷媒循环的前提下，依据各类传感器所采集的空调系统实时数据及系统的运行历史数据，实时预测计算出冷却水最佳进口和出口温度，并与检测到的实际温度进行比较，动态调节冷却水的流量和冷却塔风量，使系统转换效率逼进不同负荷状态下的最佳值，保证中央空调系统在各种负荷条件下，均处于最佳工作状态，从而实现最大限度地降低中央空调系统的能耗。

2 中央空调能源管理优化控制系统的硬件设计

此中央空调系统原本为定流量系统，通过对冷却水泵及冷冻水泵加变频器，末端加温度、压力传感器和电动调节阀，冷水主管加流量计，同时增设一套中央控制系统等措施，实现对多过程参量（压力、压差、温度、温差、流量、室温、频率等）的实时监测和处理，采用人工智能非线性动态预测提前主动产生控制信号对载冷剂实施调节，实现系统的高效运行，达到节能减排的目的。

车间中央空调主要配置如表2所示。

表2 车间中央空调主要配置Tab.2 The main conf i guration of central air-conditioning in workshop

中央空调能源管理优化控制系统主要由水泵机组、变频器、可编程逻辑控制器PLC、切换控制器和机械连锁控制器等组成。设定冷冻水出水温度为7 ℃、回水温度12 ℃，设定温差是回水温度与出水温度之差即5 ℃，PLC检测实际温度差与设定温差做比较进行PID控制，经D / A模块输出电流信号控制变频器的频率，使冷却水泵或者冷冻水泵中的任一电机处于变频工作状态下，来控制变频和工频的组合达到节能的目的。当实际温差大于系统设定误差时，表明实际的供冷量不能满足空调房间的需要，需要增加冷量。由于检测的实际温差在信号传输时存在滞后性，因此非线性动态预测的输出结果提前调节电动调节阀的开度，使系统趋于最优值状态下工作，随后PLC输出信号使D / A模块输出的电流信号增加，增加变频器的输出频率，从而提高了冷冻泵的转速，增加了实际供冷量。如果先启动的1号泵已经达到额定功率时，供冷量还达不到系统要求，则启动2号泵变频运行，增加供冷量以达到系统的要求。当实际温差小于设定温差时，表明系统供冷量已经出现富余的现象，需要减少制冷量，由于检测的实际温差在信号传输时存在滞后性，因此非线性动态预测的输出结果提前调节电动调节阀的开度，使系统趋于最优值状态下工作，PLC输出信号使D / A模块输出的电流信号减小，减少变频器的输出频率，从而降低了冷冻泵的转速，减小了实际的供冷量。如果2号泵的频率已经降低至下限频率仍达不到系统要求，则使2号泵停止，1号泵仍处于变频运行，最终实现系统的控制要求。水泵机组在变频器的作用下可以实现软启动，减小了启动电流，转速缓慢上升有效的减少了水泵机组的机械磨损。中央空调能源管理优化控制系统的硬件构成如图2所示。

中央控制系统的数据采集模块通过温度传感器、压力传感器和流量计等对各回路的供回水温度、压力及流量进行实时采集，同时对末端室内温度和室外温度进行精确采集，然后通过A / D模块将温度、压力模拟量转换为数字量送入PLC，PLC的输入信号有运行方式选择信号，冷冻泵和冷却泵的起、停信号和冷却塔和主机的起、停信号等。输入信号经过中央控制系统的计算，并对系统历史运行数据进行分析，根据对空调负荷的预测，发出相应的动作信号，通过D / A模块将PLC输出的开关量转换为模拟量，以控制变频器根据负荷情况的变化进行调速。实现并对空调负荷的实时调节。中央控制系统的数据采集及控制单元功能如图3所示。

3 中央空调能源管理优化控制系统的软件设计

常规PID控制器在纯滞后系统中有一定的限制，控制效果不理想，中央空调具有一定的时滞性，反馈量不能及时反应对象模型的变化。此外PID控制器只有在系统模型参数不随时间变化的情况下才能达到最佳的运行状态，在应用于时变的参数模型时，系统的控制效果就不会理想，稳定性下降。而空调系统的高度非线性以及受外界因素影响比较大，使得常规的PID控制器在空调系统上应用范围受到限制。采用非线性动态GM（1, 1）模型，即NLDGM（1, 1）模型进行空调负荷的预测，结合PID控制器预测和推断下一时段系统的冷负荷工况、系统能耗及其能效优化运行控制参量，反馈量实时反应对象模型的变化，对系统载冷剂提前实施调节控制，在控制性能上不受外界因素变化的影响，从而实现系统的高效运行，达到节能减排的目的。

非线性动态预测NLDGM（1, 1）模型是在灰色模型GM（1, 1）基础上建立起来的，灰色模型就是将无规律、信息不完全的原始数据序列变换成一种有规律数列的指数模型。从预测方面看，模型拟合值实质上为一等比级数（从第二个拟合值开始），在进行长期预测时预测结果往往与实际情况差异很大。

已知原始数据序列x(0)= {x(0)(1)，x(0)(2)，…，x(0)(n-1)，x(0)(n)}，对x(0)进行一次累加得到序列

图2 中央空调能源管理优化控制系统Fig. 2 The hardware conf i guration ofcentral air-conditioning energy management optimization control system

图3 中央控制系统的数据采集及控制单元功能Fig. 3 Data acquisition and control unit function of the central control system

经过累加的作用，弱化了原始数据的随机性，使原始数据呈现出一定的规律[4]。

非线性预测NLDGM ( 1， 1 )模型就是在GM ( 1， 1 )模型的基础上加入了灰元S使拟合值的变化呈非线性，从而取得较高的拟合精度和预测效果。它是一个包含单变量的一阶非线性常微分方程构成的模型，其表达式为：

设原式序列为x(0)= {x(0)(1)，x(0)(2)，…，x(0)(n-1)，x(0)(n)}，对x(0)进行一次累加得到序列x(1)= {x(1)(1)，x(1)(2)，…，x(1)(n-1)，x(1)(n)}，以此类推直至x(n)= {x(n)(1)，

由最小二乘法可得

其中，

非线性动态预测NLDGM ( 1， 1 )模型就是将NLDGM ( 1， 1 )模型预测的一个值补充到原始数列后，同时去掉最早的一个原始数据，保持数列等维，即在不断补充新信息的同时，去掉意义不大的旧信息，再建立新的NLDGM ( 1， 1 )模型并预测下一个值，进一步更新原始数据， 这样循环下去直到获得所需要的预测结果，实现了原始数据的不断更新，使得预测结果更加精确[5]。

为了充分利用负荷信息，在其他影响因素不变的基础上分别对各房间的负荷设置权重，不同的权重对预测结果有不同的影响。例如针对生产车间设置的权重要比办公室的大，表明预测结果受生产车间负荷的影响比较大，提高了非线性动态预测的精度，充分保障了重要生产车间有适宜的温湿度。

中央空调能源管理优化控制系统软件设计与实时显示各过程参量的上位机采用C语言和3D MAX发出操控命令，下位机采用 PLC获取设备状况，控制软件基于VB组态软件和PLC语言进行设计。主机自动记录运行时间，实现多台主机群控，延长机组群使用寿命。运行数据自动存储，实现打印报表，减轻操作人员工作强度，提高工作效率。系统分为两级工作站，操作员级工作站独立完成空调系统数据采集、后台数据分析与数学模型寻优、远程控制等工作，以完成对现场设备的控制；数台操作员级工作站由网络交换机连接成工业以太网，由工程师级工作站对所有操作员级工作站以Web站点访问的方式进行远程监控和数据共享。在局域网外围接入路由器可将控制系统与internet广域网连接，实现局域网以外的远程监控和数据共享。

4 中央空调能源管理优化控制系统运行后节能分析

中央空调系统控制的软胶囊剂车间及液体制剂车间，生产区域面积约5 400 m2，此中央空调系统原本为定流量系统，经过改造，增设一套中央控制系统，冷水泵及冷冻水泵加变频器，末端加温度、压力传感器、电动调节阀以及冷水主管加流量计。经测试，日节电约1 100 kWh，以年运行300天计算，年节电约3.3×105kWh，折标准煤约40.557 t。电费按0.85元 / kWh计算，年节约人民币28万元，该项目总投资80万元，3年内能收回全部投资。在系统运行后分别在工频和节能工况下共18天的运行耗能情况。如表3项目实施前、后能源消耗情况所示。

表3 项目实施前、后能源消耗情况Tab.3 The statistics of energy consumption before and after the project

表3列出了在系统运行后前2天的的功耗情况，剩下16天的实耗电量如表4所示。

表4 后16天实耗电量Tab.4 The statistics of energy consumption 16 days after

节能率计算如下：

改造前工况下耗电量为：

4 300+4 633+5 141+5 136+4 699+5 177+5 987+ 5 064+5 857 = 45 994 kWh

改造后工况下耗电量为：

2 140+1 519+2 823+2 775+3 264+3 778+3 505+ 3 270+3 120 = 26 194 kWh

改造前后两工况耗电量差值为：45 994 -26 194 = 19 800 kWh

节能率为：19 800÷45 994×100 % = 43.05 %

基于人工智能的中央空调能源管理优化控制系统的节能率为43.05 %。

5 结论

基于人工智能的中央空调能源管理优化控制系统通过全面的系统参数监测和非线性动态预测人工智能分析判断，使系统工作在最优化的状态下，实现系统的高效运行，达到节能减排的目的。该系统大大减轻了中央空调系统操作人员劳动强度，提高了机组管理水平，节约人力开支。此外，此项目还可以推广到不同的工业企业、大楼空调等相关领域的节能技术改造项目，经济效益和社会效益都十分可观。

[1]李令言.中央空调节能控制系统的研究与开发[D].安徽：中国科学技术大学，2011.1-22.

[2]高尚飞，沙立民，林天柱.神经网络算法在中央空调控制系统中的应用[J].仪表技术，2011，39（2）：52-56.

[3]王四清，王先民，李元旦，等.系统负荷的灰色区间预测[J].系统工程，1999，17（3）：60-65.

[4] 许宏赟，王慧.非线性模型在交通量数据分析中的应用[J].工程与建设，2007，21（4）：514-515.

[5]江伟民，徐得潜.非线性动态模型在电力负荷预测中的应用[J].浙江电力，2007，28（3）：5-8.

Design of Optimum Control System Based on Artif i cial Intelligence for Managing Central Air Conditioning System

Ye Shuiguo, Peng Yanqing, Yang Yongtong, Chen Liqing
（SINOPHARM Xingsha Pharmaceutical (Xiamen) Co., Ltd, Xiamen 361026）

Artif i cial intelligence based central air conditioning optimum energy management control system is an energy management system designed for central air conditioning system with good characteristics of energy saving. In this system, through system parameters monitoring and nonlinear dynamic analysis using artificial intelligence, the cold load in next stage, energy consume in system and optimum control parameters were forecasted, and the adjustment of refrigerant was then carried out. With respect to different zones, different weights were set to loads in air conditioning system, so that load information can be fully utilized and forecast can be more precisely. Based on the factors of seasons, production period and person flowing which may affect the change in cold load, real adjustment for energy consumption in the system can be realized. Then the objectives of effective performance of the system with energy saving and emission reduction can be reached. After long term operation of this system, the comprehensive utilization of central air conditioning system has reached 43.05 %.

central air conditioning system; energy saving; nonlinear dynamic forecast; artif i cial intelligence

TU 831.3

A

2095-817X（2017）01-0048-006

2016-06-27

叶水国（1972—），男，工程师，主要研究方向：医药工程。