基于退火算法的医院中央空调优化控制研究∗

国 尧

（天津市眼科医院 天津 300020）

1 引言

中央空调的优化节能控制不仅对资源匮乏的我国能源战略方面起到至关重要的作用，而且在使用过程中为室内的温度实时调节提供了新的研究领域［1～3］。中央空调令人们的生产生活变得更加舒适的同时，高耗能的压缩机通过冷冻水系统对空气进行压缩抽取，利用能量转换实现了整个大环境内的温度的降低［4］。医院作为大型的建筑物载体，中央空调的使用是必不可少的，而面对着不同房间因面积大小与环境的不同，如何提高中央空调的节能率，尽可能地减少电能消耗成为了目前研究领域的重点难题［5～6］。本研究针对医院类型的中央空调系统节能优化控制，设计了一套从房间内的数据信息采集到温控调节的优化模型，并利用退火算法对设定参数预测模型的预测值与实际使用的实测值之间实时的计算偏差，将调控数据以控制信号的形式通过总线传输到DDC控制器中，以此完成对中央空调各个设备的实时控制。

2 优化建模

2.1 基本思路

针对医院重要空调在实际部署中收到工况环境的条件约束，建立其优化控制模型以减少中央空调电力消耗和管理人员工时操作。本研究以AI/DI传感器到DDC控制器之间设计了一套面向医院中央空调的优化控制算法模型。具体的优化控制建模基本思路如图1所示。

图1 中央空调优化控制流程图

由图1所示，医院中央空调优化控制分为三个阶段：采集过程、优化过程和控制过程。其中，采集过程所用设置在医院各大厅和具体房间内部的温控传感器对控制度量进行收集。通过总线传输到能源管理控制系统（EMCS）中［7］，整合传感器数据转化为数据信号进入系统管理层进行识别，结合PID调节器对数据参数完成动态调控［8］；优化过程通过建立工艺参数（温度、湿度和气压等）的目标函数计算中央空调的能耗函数［9］，根据操作人员对控制变量组合运用退火算法（SA）构建约束条件计算最有控制过程，根据最优设定值的操作指令通过系统传输反馈调节（PID调节器）输出控制信号，在EMCS中依据总线传输分散到各个DDC控制器以调节各大厅和房间的中央空调运转。

2.2 数学建模

假设某医院中央空调系统分为n个分散的空调设备，若对于第i个空调设备，其运行过程中费用开销为Ji，输入与输出变量分别为xi，yi，对于不可控、连续可控和离散可控变量设定为 fi，ui和Mi，则中央空调的费用开销目标函数为

其中，对于等式与不等式约束条件分别为|g(f，m，u)|=0 和 | h(f，m，u)|≥0。整个医院的中央空调系统中的每一个设备作为分系统收到控制以减少电能消耗，优化的基本原理如图2所示。

图2 优化原理

本研究以构建中央空调电能消耗为目标函数，以运行过程中尽可能地降低运行成本为约束条件，综合中央空调的能源分配方式，假设空调设备的能耗分为外挂机组P1、压缩机组P2、制冷机组P3、冷却机组P4、风扇机组P5。因此，系统总能耗P优化目标函数为

2.3 优化预测

中央空调设备节能的优化控制过程依赖参数设定，则在优化控制前需要预测判断结果是否适应条件函数的约束［10］。因此，我们首先根据中央空调使用的环境，设定参数估计模型并对各分系统的空调设备进行滤定参数，再由系统建模结果对各设备进行电能消耗的计算，最终采用本研究的优化模型对医院中央空调运行系统进行优化控制。预测判断流程如图3所示。

图3 预测判断

由图3的预测判断流程，通过建立自适应函数的方式对空调设备进行系统识别，其具体过程分为两个方面：

1）根据传感器与控制器在每个时刻采集数据样本自适应得到模型参数在系统中参数滤定，为下一时刻的预测判断做准备；

2）根据AI/DI传感器在当前时刻探测到的各房间采集样本测量值与预测判断得出的预测值进行偏差计算，并通过系统传输到过滤器中以判断下一时刻控制条件的校正参数。

将数据送入优化器，进行设备模型的系统辨识和预测校正，并综合形成过程模型的输入数据文件［11］。根据当前的过程约束和控制策略，计算优化操作工况。对优化结果进行合理性判断，并检查是否位于操作可行域内。在该段时间内，操作人员可以采纳全部或部分指导信息，也可以完全拒绝。采纳时则手动修改控制回路设定值。优化结果不经过人的参与或干预，直接送至到下层作为控制回路的设定值，并将约束变量作为控制约束条件，操作人员监视过程的变化。

3 退火算法（SA）

3.1 状态函数

由各设备优化控制过程中预测判断的各个时刻产生状态函数，考虑到中央空调在使用过程中随着外界环境的不断变化［12］，状态函数的解空间是随机产生［13］。候选解的计算结果由AI/DI传感器探测到的采集样本决定，通常当前温度条件紧随上一时刻的结果而产生，以不同的接受概率条件给出参数滤定结果。具体遵循以下两个原则：

1）当医院内部温度在目标函数下降时作为可接受的概率条件时，目标函数值将候选预测值增加以加大与现实系统测量值之间的误差，通过过滤器识别参数为负值并由总线传输到优化控制系统中，系统利用DDC控制器完成升温的调节；

2）当医院内部温度在目标函数上升时作为可接受的概率条件时，目标函数值将候选预测值增加以加大与现实系统测量值之间的误差，通过过滤器识别参数为正值并由总线传输到优化控制系统中，系统利用DDC控制器完成降温的调节；

考虑到状态函数的引入是算法实现全局搜索的最关键因素［14］，因此试验证明状态接受函数的具体形式对算法性能的影响不敏感，算法中通常采用作为状态接受函数。

3.2 温控调节

假设医院室内的初始温度为t0，初温越大，获得高质量解的几率也越大，但花费的计算时间将增加。因此，通过设计的参数以调节初温改变优化质量和效率。具体的算法的温控调节步骤如下：

步骤一：均匀抽样并产生一组状态，以各状态目标值的方差为初温；

步骤二：随机产生一组状态，确定组内两两状态之间的最大目标值 ||Δmax，并依据差值条件；

步骤三：在外循环中修改温度值以更新函数方式，即下一时刻与上一时刻呈现线性的变化，tk+1=λtt，其中 λ∈(0，1)可以不断调整变化。

3.3 算法准则

通过AI/DI传感器对初温的探测传入系统到计算预测模型预测值与现实系统实测值之间的误差，退火算法对误差值的计算存在内外两个循环，具体遵循的准则分别如下：

1）内循环计算目标函数的均值是否已经达到稳定，若连续的目标值变化范围在可接受的概率条件下，按照随时刻样本抽样的方式判断中央空调最终温度是否稳定；

2）外循环终止准则也就是算法终止准则，用于决定算法何时结束。虽然算法的收敛性理论中要求趋于零，但实际实际中并不这样执行。首先设置终值温度阀值和外循环的迭代次数，其次，算法搜索到的最优值是否已经连续若干步保持不变，最后检验系统熵是否已经稳定。

3.4 算法步骤

针对本研究提出的优化控制模拟退火算法的步骤描述如下：

步骤一：给定初温t=t0，随机产生初始状态s=s0，令 k=0；

步骤二：Repeat：

Repeat：

产生新状态sj=Genete(s)；

if min{1，exp[(-C(sj)-

C(s))/tk]}≥random[0，1]s=sj；

until抽样满足算法稳定准则；

退温tk+1=update(tk)并令k=k+1；

步骤三：until满足算法终止准则；

步骤四：输出算法搜索结果。

4 实验模拟

针对类似医院这类大型的中央空调使用过程中的优化控制，本研究利用模拟退火算法对所构建的预测模型的预测值与现实系统的测量值之间构建了实时调控的误差项，用于传输到过滤器对DDC控制器进行动态温控的调整，进而计算中央空调的费用开销。

4.1 实验环境

测试地点为某医院中央空调系统，测试时间是2016年8月15日，实验对象是中央空调系统中的外挂机、压缩机、制冷机、冷却机和风扇机各1组，测试参数包含室内温度、室内相对湿度、外挂机、压缩机、制冷机、冷却机和风扇机能耗等参数。依据本研究所设计的中央空调优化控制，AI/DI传感器将采集到的信息通过数字信号传输到系统进行识别。设定6h内以12min为周期的传感器现场采集操作，从初始时刻到结束时刻共对采集的参数信息31次。假设传感器仪器与医院环境干扰不足以令实验测试出现较大误差项。

4.2 优化控制

利用本研究设计的中央空调优化系统，对预测值与测量值之间的偏差进行退火算法的模拟计算，以外挂机设备在电能消耗过程中的温度为空调设备的测试对象，系统优化前后的采样数据如表1所示。

表1 系统优化前后采样数据对比

由表1可见，中央空调系统在优化前后的外挂机设备温度差异较大，这主要是由于过多的电能消耗为热量表现。运用退火算法可对中央空调系统进行实时的数据采集以及时刻的模拟计算调节系统的控制信号反馈给DDC控制器。在以整个中央空调系统的能耗与节约用电角度分析，选择8：00～10：00h内的11次优化前后用电能耗进行实测，具体的优化前后能耗对比与节能率如图4所示。

图4 能耗对比与节能率

从图4可见，（a）中给出了优化后的中央空调各设备的总能耗明显低于优化前的情况，即采用退火算法对中央空调预测值与测量值之间搭建的偏差数值的实时计算可及时地调节中央空调系统的电能消耗，降低整个系统的能耗且提高综合利用率。由（b）所示，整个中央空调系统的各个设备可节省能耗最大值为86kW，节能率为16.24%，2h内的平均节能率为9.12%。若全天24h使用中央空调可节省电能1257.6kW/h，按照每度电价格0.56元计算，共可节省电费704.26元。通过中央空调的整体优化调控可有效地降低电能的浪费，最终达到节能的目的。

5 结语

本文根据目前医院中央空调系统在使用过程中的存在能量消耗过大的问题，从AI/DI传感器到DDC控制器之间设计了一套面向医院中央空调的优化控制系统，该系统中首先将采集到的参数信息以数字信号的形式传输到系统中已备识别，通过建立各空调设备费用开销与总能耗的目标函数，利用退火算法对模型的样本测量值与预测值之间进行实时的偏差计算以调节最优设定值操作，解决了大型的中央空调设备能耗浪费的问题，实现了对建筑物室内问题的统一化管理。通过实验测试与分析结果表明，退火算法对采集信息的快速计算为中央空调系统的实时优化调控提供了最优参数保证。当然该优化控制还存在一些不足，在今后的工作中还将继续研究改进。最后，希望本研究对医院中央空调的优化控制工作提供一些借鉴。

［1］吴俊峰，张秀平，张朝晖.中央空调系统节能改造方案的节能量测量及验证方法初探［J］.制冷与空调，2013，13（9）：78-83.

WU Junfeng，ZHANG Xiuping，ZHANG Chaohui.Energy Saving Measurement and Verification Method of Energy Saving Reconstruction Scheme for Central Air-condition⁃ing System［J］.Refrigeration and Air Conditioning，2013，13（9）：78-83.

［2］戚野白，王丹，贾宏杰.基于局部终端温度调节的中央空调需求响应控制策略［J］.电力系统自动化，2015（17）：82-88.

QI Yebai，WANG Dan，JIA Hongjie.Central air condition⁃ing demand response control strategy based on local termi⁃nal temperature regulation［J］.Automation of Electric Pow⁃er Systems，2015（17）：82-88.

［3］王蓓蓓，朱峰，嵇文路.中央空调降负荷潜力建模及影响因素分析［J］.电力系统自动化，2016，40（19）：44-52.

WANG Peipei，ZHU Feng，JI Wenlu.Modeling of Central Air Conditioning Load Drop Potential and Analysis of In⁃fluencing Factors［J］.Power System Automatic.2016，40（19）：44-52.

［4］沈宫新，李云明，刘其和.中央空调仿真培训系统的设计与实现［J］.计算机测量与控制，2014，22（5）：1623-1625.

SHEN Gongxin，LI Yunming，LIU Qihe.Design and Real⁃ization of Simulation Training System for Central Air Con⁃ditioning［J］.Computer Measurement&Control.2014，22（5）：1623-1625.

［5］王文谦.论物联网与云计算在中央空调行业方面的应用［J］.电子技术与软件工程，2015（13）：12-13.

WANG Wenqian.Application of Internet of Things and Cloud Computing in Central Air-conditioning Industry［J］.Electronic Technology and Software Engineering.2015（13）：12-13.

［6］张过有.基于物联网技术的建筑电气节能应用研究［J］.通讯世界，2016（16）：20-21.

ZHANG Guoyou.Application of Building Electrical Ener⁃gy-saving Based on Internet of Things［J］.Communica⁃tion World，2016（16）：20-21.

［7］陶维成.面向上下文图形可视化挖掘网络行为与管理［J］.计算机与现代化，2012（3）：143-146.

TAO Weicheng.Context-oriented graph visualization min⁃ing network behavior and management［J］.Computer and Modernization，2012（3）：143-146.

［8］刘晓东，韦燚.基于PID调节器的Buck电路的系统设计与仿真［J］.新型工业化，2015（11）：27-33.

LIU Xiaodong，WEI Yi.System Design and Simulation of Buck Circuit Based on PID Regulator［J］.New Type of In⁃dustrialization.2015（11）：27-33.

［9］罗亮，吴文峻，张飞.面向云计算数据中心的能耗建模方法［J］.软件学报，2014（7）：1371-1387.

LUO Liang，WU Wenjun，ZHANG Fei.Modeling Method for Energy Consumption in Cloud Computing Data Center［J］.Journal of Software，2014（7）：1371-1387.

［10］张法.网络能耗系统模型及能效算法［J］.计算机学报，2012，35（3）：603-615.

ZHANG Fa.twork energy consumption system model and energy efficiency［J］.Chinese Journal of Computers，2012，35（3）：603-615.

［11］陈友明，张楠.基于能耗目标函数的空调新风量寻优控制研究［J］.湖南大学学报（自然科学版），2012，39（2）：25-29.

CHEN Youming，ZHANG Nan.Study on Optimal Con⁃trol of Fresh Air Volume Based on Energy Consumption Objective Function［J］.Journal of Hunan University（Natural Sciences），2012，39（2）：25-29.

［12］朱美强，程玉虎，李明.一类基于谱方法的强化学习混合 迁 移 算 法［J］.自 动 化 学 报 ，2012，38（11）：1765-1776.

ZHU Meiqiang，CHENG Yuhu，LI Ming.A Hybrid Learn⁃ing Algorithm Based on Spectral Method［J］.Journal of Automation，2012，38（11）：1765-1776.

［13］赖雄鸣，张勇，王成.基于OELM重构极限状态函数的可靠度计算方法［J］.浙江大学学报（工学版），2015，49（4）：692-698.

LAI Xiongming，ZHANG Yong，WANG Cheng.Reliabil⁃ity calculation method based on oelm reconstruction limit state function［J］.Journal of Zhejiang University（Engi⁃neering Science），2015，49（4）：692-698.

［14］郑毅，郑苹.基于模糊熵和模拟退火算法的双阈值图像分割［J］.电子测量与仪器学报，2014，28（4）：360-367.

ZHENG Yi，ZHENG Ping.Double threshold image seg⁃mentation based on fuzzy entropy and simulated anneal⁃ing algorithm［J］.Journal of Electronic Measurement and Instrument，2014，28（4）：360-367.