基于大数据分析的制冷站运行预测及节能优化

2021-03-16苏州大学文正学院张桂炉

暖通空调 2021年1期

苏州大学文正学院张桂炉

济中节能技术(苏州)有限公司居剑亮△ 段飞

0 引言

空调能耗作为建筑能耗的大户，占建筑总能耗的比例达30%～50%[1]。制冷站作为空调系统的“心脏”，负责为系统提供冷源，运行能耗占整个空调系统能耗的比例较高，是建筑中的重点耗能设备。但长期以来，制冷站设备都是根据运维人员对冷负荷的预估和系统运行结果进行调节，严重依赖操作人员的经验，对于系统稳定运行非常不利。因此，合理的负荷预测和控制策略对于冷源系统的稳定、节能运行具有重要意义。当前对于空调冷源系统的群控研究多集中在反馈控制和计算机模拟方面，依靠末端神经网络的反馈调节，反映冷源侧制冷量的变化，调整机组的运行[2]。由于存在一定的系统循环周期，该种调节方式会造成线性滞后，不能根据当量的变化及时有效调节；另外，由于是通过能耗模拟软件建立的负荷计算模型，通过输入变量进行模拟计算[3]，存在模拟软件占用比较大的运行内存弊端，且存在与其他软件的数据对接问题，需要专业的工程师进行操作，推广应用困难。本文结合工程实例，利用大数据分析手段，将对历史数据的分析与建筑物理模型相结合，应用算法工具预测实际制冷量的变化，结合R语言形成的专家规则库，以目标函数最优解指导制冷站设备的群控，消除了单纯依靠反馈控制的滞后性和模拟软件难推广的不利因素，具有简单、直观、有效、准确的优势。

1 项目背景

项目位于深圳一研究基地内，共有4栋建筑物，包括3栋办公建筑和1栋餐饮楼，共用1个制冷站。建筑内办公人员约1 500人，每个工作日都有外来访客。建筑区域总面积约42 500 m2，其中空调面积35 000 m2。制冷系统几乎全年运行，能耗占建筑总能耗的45%。各建筑内均配备楼宇自控(BA)系统，可在中控室查看冷源及末端的运行状况，制冷站设备和大部分末端风机都可进行远程控制。

项目制冷站设备参数如表1～3所示，所有设备由物业公司负责维保和运行管理，除2#冷水机组最大负荷只能达到额定负荷的80%外，其余设备均运转正常，保养良好。

表1 冷水机组

表2 冷却塔

表3 水泵

业主对该项目提出的改造要求如下：默认冷源系统的制冷量为建筑冷负荷需求，在不改变硬件设备的条件下，根据系统运行历史数据，寻找适应全年负荷变化的开机策略，将系统能效提升5%或将系统电耗降低5%以上。

2 系统分析

2.1 运行分析

现有的数据包括各设备用电量、功率，以及冷水机组的各项参数，其中4#冷水机组因对应的流量计损坏，其冷水流量数据缺失。根据数据分析要求，选择2017年1月至2019年6月的冷源系统数据进行分析，数据采集间隔为5 min。表4给出了制冷站系统2018年运行电耗。

表4 制冷站系统2018年运行电耗 kW·h

由表4可知，空调电耗呈明显的季节性特点，其中，冷水机组用电占比为66.9%，冷水泵用电占比为16.5%，冷却水泵用电占比为12.8%，冷却塔用电占比为3.8%。选取BA系统里夏季运行数据，查看2018年7月下半月的制冷量变化情况，结果如图1所示。

由图1可以看出，制冷量变化有明显的周期性特点，工作日的负荷较高，一般需要运行2～3台冷水机组，非工作日负荷偏低，一般只需运行1台冷水机组。

分析根据已有数据计算得到的冷水机组COP发现，较高负荷下，冷水机组的COP在4.9～5.5之间，和额定值相当，但部分负荷时机组出口水温在7 ℃以下，低于额定出口温度，冷水温差平均为4.2 ℃，冷却水温差平均为3.7 ℃，还存在一定的提升空间。

通过对全年运行数据的分析发现，夏季高温时段单位面积负荷峰值为217 W/m2，均值为173 W/m2，全年单位面积累计负荷为112 kW·h/m2，在深圳地区办公建筑中属于较高能耗水平[4]，存在较大的能源浪费。

综合考虑设备运行特点，选择使冷源系统运行能耗最低为目标，对系统运行进行优化，优化策略集中在以下几个方面：1) 减少设备运行时长，使开关机时间更合理；2) 优化加减机操作，避免人工错误判断造成浪费；3) 优化主机、泵、塔之间的运行组合方式；4) 通过性能寻优，优先选择性能好的设备运行。

优化策略需要通过以下方式实现：1) 准确预测全天制冷需求，指导设备运行；2) 通过设备运行的专家规则库，寻找各工况下最佳的设备组合；3) 通过历史数据的分析研究，得到各设备性能特点和运行规律。

所有的预测分析和策略，都依赖于数据的准确性和有效性，需要对数据进行整理分析，才能得到有效的信息。

2.2 数据分析

数据分析流程如图2所示。

图2 数据分析流程

历史数据为业主提供的近2年来BA系统记录的数据。笔者对数据进行了查看，发现数据质量并不高，缺失了很多数据和混杂了许多离群值。对数据进行整理和筛选后，保留了约50%的原始数据，同时补充了少量缺失数据。对最终的数据进行分析，得到制冷机的性能曲线和冷量变化曲线。

2.3 结果分析

数据分析结果分两部分：制冷机性能比较和逐时冷量变化。根据已有的历史数据(1#和3#冷水机组的数据较为完整)，对1#和3#冷水机组的制冷量、冷却水温度、冷水温度与COP值的对应关系用k-means聚类算法进行了分析，得到如图3～6所示结果。

图3 1#冷水机组制冷量、冷却水温度与COP聚类结果

图4 3#冷水机组制冷量、冷却水温度与COP聚类结果

图5 1#冷水机组制冷量、冷水温度与COP聚类结果

图6 3#冷水机组制冷量、冷水温度与COP聚类结果

由图3～6可以看出:在相同的冷却水和冷水出水温度下，3#冷水机组的聚类结果更集中，COP比1#冷水机组高0.5～0.7，但1#冷水机组的制冷能力比3#冷水机组要高300 kW；冷却水温度越低，对机组能效值的提升越明显，较低的冷水温度虽然会带来制冷量的提升，但从能效方面考虑，出水温度设定在7.0～7.4 ℃之间最为高效。所以，单机组运行且负荷低于3 000 kW工况下，优先考虑运行3#冷水机组，设备运行初期，尽量获得较低的冷却水温来提升机组性能。

图7、8分别显示了制冷量的日、周变化。由于篇幅限制，各冷水机组的制冷量变化和不同冷水机组运行对应的制冷量未给出。根据从历史数据中习得的数据变化，结合天气、人流等其他信息参数，可以进行一天之内的冷量预测，从而指导系统的运行。

图7 制冷量日变化

图8 制冷量周变化

3 系统优化

系统优化的前提是能够得到准确的冷量预测结果，而后根据负荷变化，制定出系统设备的运行策略，指导操作人员，达到节能目标。制冷站系统调优模型结构如图9所示。

图9 制冷站系统调优模型结构图

3.1 冷量预测

冷量预测结合了历史数据分析和物理模型预测2种方法，在已有实际制冷量数据的基础上，结合天气数据(温湿度、日照条件等)、建筑信息、人流量、工作日历等实时数据，对一天之内的负荷变化进行预测，同时根据输入参数的变化周期性地更新预测结果。冷量预测流程如图10所示。

图10 冷量预测流程

由图10可见，预测模型分为匹配历史数据预测(主要为了解决历史数据中过量供冷的问题)和物理模型预测(建筑需求侧负荷)，通过相关数据的采集，调用算法得出各自的预测值，通过是否为工作日的判定，取不同条件下的不同权重值(根据各实际运行工况的数据测算，工作日权重各为50%，非工作日历史模型权重为70%、物理模型权重为30%)计算，得出冷量预测的综合值，而后根据天气预报的更新结果，刷新预测值，同时与系统运行的冷量实时值进行对比，当2种结果偏差超过10%时，启动修正算法，重新调整预测结果，继续比较修正值与实时值，直至偏差低于设定限值。

3.2 优化策略

得到冷量预测结果后，系统会根据全天的冷量值寻找最优的设备组合，指导设备运行，优化流程如图11所示。

图11 优化流程

优化控制模型以系统能耗最少为目标函数，引入系统运行专家规则库，对各冷量条件下的设备运行组合进行寻优，给出设备的开关机时间、切换时间、机组运行顺序，冷水出水温度设置、温差设置、水泵跨天运行时间等信息，以图形界面或任务列表的形式展示给运维人员。

4 效益对比

系统上线后进行了为期4周的测试，对比优化情况下和非优化情况下系统的COP与总能耗(含冷水机组、冷水泵、冷却水泵、冷却塔)，确定是否达到预定目标。

为了去除天气差异和非工作日影响，引入工况相似度概念，只有在工况相似程度高的条件下，能效对比分析才有意义。通过对历史运行数据和业主提供的建筑空调使用中的相关信息的分析，选取室外温度、人流量、工作日历这3个维度进行工况相似度比较,并根据历史数据中的运行状况和室内工况分配相应的权重，根据数据的相似程度进行评分，结果见表5。

表5 工况相似度权重

工况相似度大于80%认为是近似相似工况；大于85%为高度相似工况，运行条件基本一致，对比分析结果较客观；低于70%则为较不相似，失去对比意义；70%～80%为部分相似，结果仅作参考。

去除测试期间数据中断的7天，统计了24天的运行数据，验证系统的调优效果。

表6显示了测试期运行效果对比数据。从表6可以看出，24天中，仅1天策略失效，策略有效性达到96%，其中有效日的COP平均提升4%，平均节能率达9.8%，日均节能量为2 231 kW·h，超出业主的预期目标5%。测试在最为炎热的夏季进行，本身节能空间有限，操作也偏保守，若是在负荷波动较大的过渡季进行，系统的节能率将会进一步提升。按当前的节能率和有效性，全年冷源系统的节能量将达到36.7万kW·h，将会明显降低业主的能源成本。