地源热泵系统优化控制的综述

郑秀玲，刘耶军

（1.浙江农林大学风景园林与建筑学院，浙江杭州 311300；2.浙江华东测绘与工程安全技术有限公司，浙江杭州 310014）

引言

随着世界人口的不断增长，全球工业水平的提高，随之而来的是能源需求的迅速增长，扩大可再生能源的利用规模、降低可再生能源应用成本至关重要。地热能是可再生能源的一种，地热能的利用主要有土壤热泵、地下水热泵、能源桩三种利用方式。GSHP是依靠地面和空气之间的温差来运行，利用卡诺循环理论，在夏季地下温度比空气温度高，GSHP为建筑提供冷量，带走热量。GSHP也可为温室大棚的地面采暖，温室大棚可种植茶树苗等植物。水泵为地源侧和空调侧循环提供动能。热泵机组与水泵是GSHP系统耗电能最大的部件，因此需要对此部件的运行进行优化控制。

虽然GSHP系统是一种节能减排技术，但是传统系统的设计是基于建筑最大负荷需求，在实际系统运行时，建筑并非总是在最大需求的情况，但水泵仍然保持全功率运行，从而造成电能的浪费。传统系统大都使用ON/OFF控制器、PID控制器，但这两种控制器存在精度不高、时间延迟导致人体热舒适度降低，能耗更高。因此国内外许多研究人员对GSHP系统的优化控制进行研究。

1 智能控制在GSHP系统中的应用

GSHP系统是一个多变量、时变的、有时滞的、复杂的、难以建立精确数学模型的系统。智能控制可以控制该类型的系统。智能控制一般包括模糊控制、神经网络控制、遗传算法、专家控制等。模糊控制是基于熟练操作员的经验与专家知识，操作人员不必了解控制过程中精确的数学模型。模糊控制过程：专家或熟练的操作员将经验写成模糊规则，然后将传感器的测试数据模糊化，将模糊数据作为输入，模糊推理，模糊输出，最后对执行器输入精确值进行模糊化后以完成控制。刘建龙[1]利用模糊控制器控制变频压缩机，通过对数据的采集与分析发现该控制系统具有明显的节能效果。

人工神经网络由构成人类大脑的生物神经网络得到启发的系统。人工神经网络是非线性统计数据建模工具，利用人工神经网络找到输入输出之间复杂的关系模型。神经网络可以从数据中学习，因此可以训练神经网络来辨识系统、数据分类、聚类、预测未来事件。李恒[2]使用BP神经网络与PID控制器相结合，通过控制GSHP空调侧供回水的流量使系统达到最大程度的节能。遗传算法是通过达尔文自然进化论的理论启发搜索的算法，遗传算法反应了自然选择的过程，其中选择最适合的个体进行繁殖以产生下一代后代。

智能控制中模糊控制、人工神经网络控制、遗传算法、专家控制各有各的优缺点，研究人员根据研究工程项目的需要选择不同的控制方法进行组合，最终达到最优的控制策略。

2 模型预测控制在GSHP系统中的应用

国外GSHP的研究主要通过研究HVAC建模技术：数学建模、灰箱子建模、数据驱动建模。数学模型通常具有连续性和确定性，而数据驱动通常具有离散性、不确定性和随机性。数据驱动容易开发，它们不需要理解物理属性，训练数据驱动模型需要全部工作条件下一套输入输出的数据。机器学习是数据驱动模型的一种，各种先进的机器学习和基于深度学习的模型现在越来越受欢迎地应用于优化控制领域。

使用数学模型为每个子系统家建立精确的动态模型，需要花费大量的精力去详细的了解系统的物理特性，因此建立数学模型比较困难。施志钢[3]对土壤换热器的研究采用建立土壤换热器的动态数学模型，在数学模型的基础上通过添加实际的操作可能存在的扰动而辨识模型中的参数，将参数辨识问题与先验知识转换为约束条件，使数学模型接近实际系统。

灰箱子模型根据特定的参数估算而选择不同的算法，最常见的是非线性最小二乘法、简单搜索法和遗传算法。灰箱子模型集成了白箱模型和黑箱模型的优点，与黑箱模型箱比更具有良好的泛化能力，与白箱模型相比具有更高的精度。Tianhao Yuan[4]根据DesignBuilder和TRNSYS建立仿真模型，并与实测数据进行验证提出了一种基于GSHP系统与无孔冷却相结合温差控制策略并以天津办公楼为案例研究，结果表明，GSHP系统的平均冷却效率提高到16.22%。

数据驱动模型可分为：频域模型、数据挖掘算法、模糊逻辑模型、随机模型、统计模型、状态空间模型、基于案例推理模型。其中人工神经网是最流行的方法，因为与其他方法相比，它对非线性系统的建模具有较高的精度。人工神经网络使用多层中的多个神经元来模仿人类的大脑。通常使用监督学习方法训练这些神经元的权重，经过适当的训练人工神经网络可以准确的逼近任何非线性过程。网络结构有径向基函数，递归神经网络和带中子的前馈神经网络，还有一个使用最广泛的多层感知器(MLP)前馈结构。智能控制中的人工神经网络的是用来辨识系统的模型，在模型预测控制器中的人工神经网络是用来预测未来系统的状态。

3 需求响应控制在GSHP优化控制中的应用

国外许多研究提出了应用需求响应控制建筑供暖的解决方案。需求响应控制应用于峰值负荷管理，用户可以通过手动或自动的方式转移电力需求。需求响应控制是提高智慧能源和开发智能建筑的关键技术之一。通过需求响应控制与模型预测控制可使能量存储成本更节省。Abdul Afram[5]利用现场实测数据建立和标定神经网络模型，将神经网络模型应用于住宅暖通空调监测控制MPC的设计，MPC生产了区域空气和缓冲罐的动态温度设定值曲线，与固定设定值相比，MPC能够节省6%至73%。Pedersen[6]等人开发了建筑热量和电力需求的负荷预测模型，可用于规划混合能量分配系统，GSHP系统作为一种高效，环保的建筑供暖系统，已广泛应用于各类建筑。

4 结论

（1）智能控制可对非线性的、时滞的、复杂的GSHP系统优化控制，节能效果明显，智能控制与变频技术相结合使热泵机组与水泵的运行更加灵活应对建筑负荷需求。

（2）需求响应控制需要对应预测模型，通过对热泵机组与水泵长期运行工况的采集建立预测模型可提前对能源的存储分配，避免用电高峰进而减少电能的成本，大都的案例是将模型预测值作为控制系统的监控层，而将简单的ON/OFF控制器作为控制系统的本地层。

综上所述，提出将模型预测控制器作为控制系统的控制层，将智能控制器作为控制系统的本地层，如此扬长避短，系统可达到最大程度的节能。