卷烟厂储丝房空调系统优化策略概述

罗军，贺曦，高金良，曹子涵，陈璐瑶

（1. 湖南中烟工业有限责任公司郴州卷烟厂；2. 北京康孚科技股份有限公司；3. 华中科技大学中欧清洁与可再生能源学院）

0 储丝房空调系统现状

卷烟厂车间的生产工艺和产品质量需要高精度的温湿度环境来保证，各企业将车间温湿度控制精度的保证作为动力车间相关岗位的重要考核指标［1］。空调系统为满足车间全年的温湿度精度指标，配备了众多的热湿处理手段，常见的有表冷器（降温除湿）、加热器（升温）、干蒸汽加湿器、高压喷雾（冷却加湿）、新风/回风/排风阀、风机变频等。同时空调系统的温度、相对湿度是两个相互关联的参数，卷烟厂各车间需要将两者均恒定在一定精度的范围内。

储丝房温湿度控制是一个多变量复杂的时变系统［2］［3］，环境温湿度的控制受季节变化、气候条件、环境状况、设备系统能力等因素影响，其稳定性有待提升。使烟丝含水率、温度、香精充分的吸收平衡，烟丝内各种组分进一步混合均匀。

某卷烟厂储丝房温湿度控制由2台组合式空调机组（K6、K7）及配套的控制系统共同实现，组合式空调结构如图1所示。当前虽可满足温、湿度允差工艺要求，但存在控制系统响应性不够、室外新风需要人工干预调节，设备设施无法形成全自动控制节能模式等问题。同时空调运行冷热风掺混问题严重，在实际运行过程中，K6机组时常会发生抵消K7机组产生的冷量的情况。通过读取空调智能控制系统2019年全年记录的逐时历史运行数据，发现相当一部分时间内存在一台机组制冷，另一台机组制热的情况，如图2所示。

图1 卷烟厂组合式空调示意图

图2 冷热风掺混情况数据条数占比

1 负荷预测大数据仿真模型

大数据建模方法，主要利用现代统计学中的数据分析、数据挖掘、统计方法和机器学习等方法，以历史运行数据为基础建立相应模型。大数据建模方法模型搭建容易、精度高，目前已经被成功应用于建筑能源需求预测。但其对数据质量要求较高，需要有足够的能耗和能耗相关变量的历史数据。可通过大数据建模方法建立空调用量预测模型。

目前的大数据建模算法可大致分为机器学习和深度学习两大类［4］。在过去近二十年的时间内，机器学习算法一直占据了这个领域的绝对地位。但随着对预测精度的要求日益增加、训练数据量的指数级增加以及计算能力的快速飞跃，近几年深度学习算法获得了学术界和工业界的广泛关注［5］。虽然不同的大数据算法的内在拟合公式相差很大，但其训练过程大同小异。如图3所示，大数据模型训练过程大致可以分为两步，即数据预处理和模型训练。数据预处理步骤旨在获得高质量的模型训练数据，并构建合适的模型输入数据。通常它包含特征选择、数据清理、数据降维和数据转换四步。特征选择步骤通常用来找到与输出变量最相关的输入变量，即找到与能耗最相关的影响因素作为大数据模型的输入；数据清理步骤旨在清楚原始数据中存在的异常值、空缺值和死值等，从而提高原始数据的质量，保证模型训练结构的可靠；数据降维通常用在输入变量特别丰富的时候，大量的输入变量会导致训练时间大大增加，并且精度往往也会受到影响，因此常用主成分分析等方法对其进行降维，从而降低模型训练的难度；数据转换旨在将输入变量转化成模型训练需要的格式。模型训练过程旨在通过反向传播、梯度下降等算法对大数据模型的权重进行有方向性的训练，从而找到一组较优的权重组合，使得模型的精度在训练数据集上达到要求的精度。

图3 大数据人工智能模型训练过程

实际的大数据建模上存在几个问题。第一，车间的空调负荷用度与多维数据具有相关性，其相关性有较大的权重倾斜，如何确定输入参数以及输入参数的权重，是构建准确大数据模型的前提。第二，测量误差广泛存在于各类传感器中，导致传感器测量值具有较大的不确定性［6］。不确定性的数据导致获得的大数据模型会存在不可避免的预测不确定性，即某些工况下的预测精度显著下降，因此，对大数据模型的不确定性进行定量化的估计，从而获得预测值可能发生偏差的区间，是对大数据模型的有效补充。第三，实际运行中存在设备性能衰减、设备更换、传感器精度下降等不可控因素，导致真空设备能效特性，车间能耗特性发生显著改变［7］，因此，基于模型实时预测结果和实际测试结果，对模型精度进行评价，并实现模型自主修正，是保证模型长期可靠的根本。第四，大数据模型往往有其根本上的不稳定性，针对训练集和测试集的机制往往导致模型刚开始预测的精度远低于90%的要求，因此就需要采用大数据与机理模型相融合的方式进行数据模型仿真预测。

2 基于负荷预测的前馈算法与PID闭环控制相融合的智能控制

制冷空调系统具有非线性、时变、多变量、强耦合等特征，如果只采用传统PID反馈控制，在群控加减机时，或车间负荷巨大波动时，系统会存在较大波动，为保证系统稳定需要较大的P值来保证系统的跟随性。而在车间负荷波动较小时，需要较小的P值来保证系统的稳定性和鲁棒性，同理I值影响系统的稳态误差，D值影响系统的超调。前馈控制是根据系统的扰动量对系统进行控制。即扰动出现时，前馈控制通过检测扰动量的大小发挥校正作用，以抵消扰动。这种控制方法算法和参数选择合适的情况下，控制精度很高，同时系统的波动很小。本文提出一种用于空调系统负荷预测的大数据模型（如图4），将二者的优点用在整个控制系统中，开发基于前馈预测与传统PID反馈控制相结合的智能控制方法，可提高系统的响应速度和控制精度。

图4 负荷预测及预测区间估计大数据模型原理图

以表冷器表冷阀开度-表冷出风温湿度控制回路为例，如图5所示，若只采用传统反馈控制，被控量只有在干扰作用下偏离设定值后才能进行反馈校正，无法避免地将导致送风温湿度存在较大波动。

图5 空调设备前馈+反馈控制流程图

图中：

而采用前馈+反馈控制可以有效减小波动。首先建立基于表冷器仿真模型，例如基于历史数据的自学习型表冷器热工模型。当扰动量发生时，利用仿真模型可以进行前馈预测运算，提前限定设备执行机构动作范围，直接产生校正作用,以抵消扰动的影响。通过以下操作，结合反馈控制，可以有效解决系统的控制精度与稳定性之间的矛盾，提高系统的控制精度。

（1）设备的启停导致车间的冷负荷与湿负荷发生变化，此时利用前馈控制，当系统直接检测到设备启停变化时，前馈预测运算模型可直接计算出改变后送风温湿度设定值，以及表冷器阀门开度的变化值；

（2）室外天气状况的突变会导致室内负荷的变化以及新风参数的变化，此时利用前馈预测运算模型计算出送风温湿度的设定值以及表冷器阀门的开度变化；

（3）冷机系统发生变化将使得表冷器供水温度或者流量发生变化，但是此时室内的负荷不变，为了保持送风参数不变，需要根据前馈预测运算模型计算结果调节表冷器开度。

通过前馈负荷预测运算和反馈控制相结合的控制方法，便可以在室内温湿度变化前抵消一定的扰动作用，可以有效满足烟厂车间温湿度高精度控制要求。

3 结语

针对某烟厂储丝房组合式空调系统存在的控制精度不高，稳定性不足，冷热相消等问题，提出了一种基于大数据能耗预测模型的前馈预测算法与PID闭环控制相融合的控制策略，依托大数据在能耗预测方面的有效性和PID闭环控制在空气调节领域的有效性，以期实现对老旧空调系统控制精度和实际空气调节性能的改良，为实现智能化的组控与群控策略，实现完善优化的监控系统，为安全、高效、无人化运维提供新的思路和理论支撑。