地铁通风空调系统的能耗预测和节能措施研究

曹虎

（兰州市轨道交通建设有限公司，甘肃 兰州 730000）

1 地铁通风空调系统的能耗现状及研究必要性

与其他地面交通工具（如公共汽车和电车）相比，地铁可以有效地利用地下空间，分担主要城市的交通负担。地铁站是乘客进入地铁服务的基本入口，是一种特殊的地下建筑。这些车站建在地下，因此其室内环境和能源效率比传统建筑更难维护。尽管地铁交通系统有好处，但是室内空气污染物对通勤者具有潜在的健康风险。城市地铁系统是受限且通风不良的微环境，具有独特的颗粒物排放源（轨道-车轮-制动器相互作用中的摩擦产生）。为了给地铁乘客提供健康、舒适和安全的环境，所有用于调节室内环境参数的地下地铁站都配备了通风空调系统，包含空气温度、湿度、风速和颗粒浓度等检测系统。然而，在做这项工作时，它们也在消耗高能量。城市地铁系统的室内空气质量水平取决于湿度、内部温度、拥挤程度和通风条件等因素。在这种情况下，机械通风系统通常用于向室内空间供应来自外部的新鲜空气来改善室内空气质量。机械通风系统有助于稀释污染物，但它增加了建筑能耗。空调和通风系统消耗建筑空间总电量的35%～50%。尽管如此，地下车站的通风系统被认为具有最大的节能潜力[1]。

随着我国经济增长和城市化发展，城市交通压力增大，这导致更高的能源消耗和相应的环境挑战。城市交通节能是我国低碳生态城市建设的重要因素，它决定了我国城市的可持续发展。作为城市公共交通的骨干，地铁系统为现代城市提供了更便捷高效的交通条件。然而，地铁网络是一个复杂的系统，也是一个巨大的能源消耗者。据报道，我国城市轨道交通线路长度超过5 500 km，2018年耗电72.3亿kW·h，占我国总用电量的1.06%。此外，地铁站通风空调系统消耗的电力约占总能耗的31%，仅次于机车电力牵引系统。因此，分析地铁站通风空调系统的能耗和负荷特性，提出节能建议具有重要意义。由于地下地铁站对暖通空调能源的高需求，有必要为其制定节能策略。ZHANG等[2]研究了地下地铁站中创新环境控制系统的能源性能，并确定了在不同情况下其具有20.6%～60.4%的节能潜力。YANG等[3]尝试将变频技术用于地下地铁站中泵和风机的运行，并建议总节电率在59.5%～73.4%。除此之外，部分学者研究表明，将节能解决方案应用于现有系统时，节能潜力超过30%。尽管各种研究已经证明了暖通空调系统的节能潜力，但是维持在可接受的环境的同时，通过采用一种特定的技术或单独的解决方案（如站台屏蔽门系统、变频装置、直接膨胀空调、人工智能通风等），表明了暖通空调系统具有节能潜力。此外，地下地铁站中暖通空调系统的能量需求和性能受到不同因素的影响，找到最合适的节能策略，以正确处理各种因素并实现地下地铁站中整个暖通空调系统的整体优化，是当前业内面临的一项持续挑战。

2 国内正在运行的地铁站空调系统存在的问题

本研究的某地铁站通风空调系统运行和管理中存在的问题。

（1）通风空调系统利用站台屏蔽门的平均漏风量确定最小机械新风量，这不仅无法维持车站内的“正压”，还大大增加了新风负荷和耗电量。地铁站通风空调系统的通风量全年稳定，但发现一些房间的热负荷在运行和停运期间表现出明显的峰谷变化，实际通风量和热负荷不匹配。

（2）地铁站的温度通常低于设定设备启动或运行要求的温度，这可以通过负荷或功耗预测及空调机组的调整频率来控制。地铁站的通风空调系统在温度控制方面有一定的滞后，将室内温度调节到稳定状态需要大约30min。

（3）强电室通风和空调系统的开启过于主观，有时温度过低。在计算能耗负荷时存在误差，而且通常还要照顾到某些冗余系数，导致在选择设备过程中出现过大的冷却能力、风扇功率、泵电流和冷却剂水头，从而降低了设备实际运行效率。

（4）地下通风空调系统舒适度差。地铁站作为乘客停留在室外空间和列车的过渡场所，其设计标准比民用建筑中舒适的室内空调设计标准更为全面。

此外，在设计过程中没有使用计算机模拟技术来研究乘客的舒适度，存在降低乘客舒适度的可能性，并且，当前对地铁通风空调系统的舒适性和节能性的综合评估较少，对地铁空调系统的研究已从能耗研究转向舒适性研究。然而，运营商的运营成本和乘客的舒适度在建筑运营后期阶段是共存的，因此需要进行交叉研究分析[4]。

3 地铁通风空调系统能耗预测模型构建

通过对地铁通风空调系统的能耗现状分析、研究必要性分析及针对国内正在运行的地铁站空调系统存在的问题探讨后发现，地铁车站的通风空调系统是一个随时间变化的复杂非线性系统，并且，地铁站通风空调系统的能耗受客流量、新风机性能、室内外温度、湿度等多种因素的强烈影响。其数学模型烦琐且难以建立，因此有必要选择合理的预测模型预测空调能耗[5]。BP神经网络预测模型具有很强的非线性映射能力。通过问题输入和变量输出，就可以在它们之间建立预测模型，然后模拟预测数据以获得准确的预测结果。该网络具有较高的计算速度和较强的容错能力。BP神经网络模型普遍为3层式，分别是输入层、输出层和隐含层。由于BP神经元信号关系的非线性特点，它一般由多个输入与单一输出构成。BP神经网络拓扑结构如图1所示，计算如下式：

图1 BP神经网络拓扑结构

其中，Xa为输入层的神经元；Wab为神经元赋值强度关系；θb为阈值；f（-）为模型计算中的激活函数。

一般的BP神经网络预测模型会采用粒子群算法，但其在迭代前期过程中有时会出现收敛过快的情况，这导致粒子分布不均，最终导致总体收敛速度降低。针对以上问题，基于遗传算法、粒子群算法结合的混合算法将BP神经网络预测模型进行优化。把遗传算法中的变异性和交叉操作引入粒子群算法形成混合算法，这种混合将遗传算法全局寻优的特点融合至粒子群算法中，从而扩展粒子的搜索轨迹，减少其出现搜索僵局的情况。混合算法的流程如图2所示。粒子群算如下法：

图2 混合算法流程图

式中，Vi代表的是粒子的速度；Xi为粒子的位置；pibest为粒子的局部最优解；pgbest为粒子的全局最优解；k为进化代数；w为惯性权系数，代表局部和全局寻优能力的强弱。c1、c2为算法中的学习因子；r1、r2为[0，1]的随机数。

在粒子群算法中引入遗传算法，对适应度排序前部的粒子进行交叉操作，交叉概率为Pc，粒子的位置、速度交叉过程如下：

其中，α1、α2为[0，1]之间的随机数。对适应度排序后的粒子进行变异操作，从而生成下一代粒子，变异概率为Pm，重新对所有粒子的适应度进行排序并重新组合，算式如下：

式中，Gmax为最大进化代数。

4 基于BP神经网络优化模型的地铁通风空调系统能耗预测计算分析

对地铁空调负荷搭建BP神经网络模型，采用粒子群、遗传算法相混合的算法对其权值和阈值进行了优化，并对比了传统BP神经网络及优化后的神经网络预测结果的相关参数。数据选取某地铁车站2022年7月12日至7月29日中工作日地铁站运营时间共493组相关数据，随机选取470组数据作为训练数据，剩余23组数据作为测试数据。设置BP隐含层节点数为10，学习速率值为0.01，训练误差值为0.001，最大迭代次数为500。设置惯性权系数w=0.8，学习因子c1=2、c2=2，进化代数k=100，粒子种群数目m=30，变异概率Pm=0.01，交叉概率Pc=0.4。其中，基于BP神经网络优化模型的地铁通风空调系统能耗预测结果见表1。

表1 基于BP神经网络优化模型的地铁通风空调系统能耗预测结果

比较分析优化前后两种预测模型表现出的预测效果，两种方法的测试集相对误差分析见表1和表2。由表1和表2可知，优化前的神经网络预测模型最大绝对误差为42.84 kW。优化后的预测模型最大绝对误差为13.11 kW，预测结果更为精确。采用优化后的BP神经网络预测模型对地铁车站中央空调负荷的预测误差更小，具有更高的预测精度，在实际工程中可行性更高。通过建立BP神经网络空调负荷预测模型，使用粒子群、遗传算法的混合算法对BP神经网络空调负荷预测模型进行优化，将其权值和阈值优化后，得到精度高、速度快的地铁通风空调系统预测模型。由以上结果得知，神经网络法对地铁空调负荷模型的预测较为精确，认为可以广泛使用。经过算法优化的BP神经网络模型能够满足地铁车站空调负荷的要求，相较于基本的BP模型具有更好的预测精度。

表2 优化前后两种预测算法结果

5 地铁通风空调系统的节能措施

5.1 通过变频控制策略调控温度和调整用电达到舒适节能效果

地铁站的通风空调系统要达到节能的目的，必须降低地铁站的通风空调系统能耗。目前主要技术方式是在地铁正常运行时，根据站内负荷的变化控制空调的变频。其在某一时间段站内温度过低时表明此时站内温度控制在理想范围。利用BP神经网络算法，反推这一时期地铁站的通风和空调系统能耗可以节省近3.5%的电力。通过回排风机的回风温度调整组合式空调的频率时，当回风温度较高时，要增大空调频率，加大送风量；当回风温度较低时，需要降低空调频率，降低送风量。该方法适用于地铁站内温度相对较低或某一时间段内客流量较小的情况下，对地铁站通风空调系统的预测。这种方法不仅能手动调节地铁站空调系统的频率，还能调节控制器，使其能够智能调节地铁站空调系统的频率，从而达到节能的目的。

5.2 利用气流形成活塞效应减少通风工况下空调器的运行能耗

通过列车诱导气流形成活塞效应，能够使地铁车站通风空调系统达到节能的目的，大大减少对系统的能耗。利用列车进站和出站时的不同气流条件，当列车移动时，正压力通过推动空气在前方产生，负压则由于缺少空气而在后方产生。当列车进入车站时，隧道中的空气将被推入车站，当列车离开车站时，车站中的空气会被吸入隧道，以填充列车后面的真空区。由此减少了通风工况下空调器的运行能耗，进而可以达到节能的目的。

6 结语

地铁系统正在迅速发展，其能源消耗也在大幅增长。在地铁中使用的地下车站通风空调系统是主要的能源消耗者，因此受到研究人员越来越多的关注。采用先进的节能策略被认为是针对地铁通风空调系统最有前途的解决方案。目前，这些策略不断被提出是因为它们在长期运行中具有减少地下车站通风空调系统能耗的重要能力。其中，基于BP神经网络算法的预测方法对地铁通风空调系统的精心设计和维护是非常有效的。此外，减少机械新鲜空气供应已被证明是一种易于操作且成本适当的控制策略。根据已证明的现有策略的节能潜力可以推断，暖通空调节能策略的不断改进将对不断扩大的城市地铁网络的能耗和碳排放的减少做出更大贡献。