机场能源站智慧管控技术研究

周敏，于军琪，赵安军，宗悦，杨思远，李蕴，陈浩

（1.中国建筑西北设计研究院有限公司；2.西安建筑科技大学建筑设备科学与工程学院；3.西安建筑科技大学信息与控制工程学院）

1 机场航站楼空调系统冷负荷预测

机场航站楼是典型的大型公共建筑，在航空交通方面有很重要的作用[1]。同时，由于航站楼具有用能密度大、运行时间长等特点，导致其能源消耗严重，在机场总能耗中航站楼能耗的占比达40%[2]。而航站楼中央空调系统的能耗在航站楼总能耗中的比重达60%以上[3]，因此对航站楼空调系统进行节能优化研究具有非常重要的现实意义。而航站楼建筑的冷负荷需求预测是制定相关节能优化策略的关键。因此，本文针对机场航站楼空调系统的节能优化，以西安咸阳机场为例，提出一种冷负荷分区预测方法。

1.1 冷负荷区域划分

①根据航站楼的建筑特点，对其空调负荷及影响因素进行综合分析。航站楼建筑高、空间大，具有人流量大、系统复杂等特点，同时，玻璃幕墙和照明设备较多，这些特点使得航站楼室内冷热负荷波较大。此外，航站楼室内的冷热负荷还会受到围护结构、区域功能、人员状态、设备状态等因素的影响，其影响因素具有显著的区域差异。

②基于空调负荷的主要影响因素，按照空间、功能、内外区、空调系统为基本划分原则对航站楼温湿度独立控制空调系统区域进行基础划分，得到航站楼基础分区。

③在基础分区的基础上，考虑室内人员分布、太阳辐射、围护结构等深层影响因素，基于边界条件计算出各种影响因素对于不同的冷负荷区域的影响程度，最终得到更为准确的区域划分结果，并为之后的空调冷负荷分区预测奠定基础。利用此冷负荷分区方法对咸阳机场航站楼进行空调控制区域划分，最终得到11个冷负荷分区，划分结果如图1所示。

图1 航站楼空调冷负荷综合分区结果

1.2 冷负荷分区预测模型建立

准确的冷负荷需求分区预测是实现不同区域负荷分配的前提。因此，本文针对航站楼建筑的分区精准预测，提出一种基于近邻传播(Affinity Propagation，AP)[4]算法的相似日选取，并结合改进人群搜索算法(fusion improvement seeker optimization algorithm，FISOA)优化的径向基函数(radial basis function，RBF)神经网络[6]的预测方法模型(AP-FISOARBF)对航站楼的空调系统冷负荷进行预测，模型具体建立过程如下。

①用皮尔逊系数法分析空调冷负荷影响因素数据，选取对冷负荷影响程度较大的主要影响因素作为AP聚类的输入，以避免其他不相关因素的干扰。

②采用AP 算法对预测日的历史相似日进行筛选，并构建对应的训练数据集。AP相似日的选取原理是利用相似性聚类特征对历史负荷样本的相似日进行聚类。首先利用欧式距离[5]对历史负荷样本之间的相似度S进行计算，公式如下：

式中：Xi和Xj分别为第i和第j个样本。然后对代表度矩阵R和归属度矩阵A进行迭代更新，直至得到聚类中心。为避免数据振荡，引入阻尼因子λ，λ ∈(0,1)[5]。

在AP 相似日选取完成后，采用引入“融合改进策略”的人群搜索算法FISOA对RBF神经网络的参数进行寻优。其中“，FISOA 融合改进策略”主要体现在自适应搜索改进、搜索模式改进和精英杂交策略三个方面。

③将相似日训练集输入优化后的FISOA-RBF模型，得到n个相似日的预测值，再将其进行加权求和，得到最终的预测结果，从而完成航站楼短期冷负荷预测模型的建立，预测流程图如图2所示。

图2 AP-FISOA-RBF预测流程图

本文以咸阳机场为例，将2019年09月01日至2019年10月21日所采集的1224 组用电负荷、日天气和日类型信息数据进行标准化处理后作为模型的训练和测试数据，以2019年10月21日为预测日，利用所建立的预测模型进行冷负荷预测，预测结果如图3 所示。AP-FISOA-RBF 模型的预测值与真实值相差更小，预测精度更高。与其他3 种预测方法相比，AP-FISOA-RBF 的误差均方差（MSE）分别降低了95.30%、87.57%和73.23%，平均绝对百分比误差（MAPE）分别降低了93.05%、83.60%和71.13%，表明本文所提出的预测模型有效地对传统方法进行了改进，具有较高的预测精度，能够适用于机场航站楼的冷负荷预测。

图3 4种预测模型的航站楼总冷负荷预测结果

2 机场能源站多热源供暖系统

本研究主要采用市政供暖系统、中深层地热系统和燃气锅炉系统三种热源对机场能源站进行供暖，其中市政供暖系统和中深层地热系统主要对机场的基础负荷进行供暖，而极端天气下主要由燃气锅炉系统进行调峰。

2.1 供暖系统智能调度数学模型

机场供暖种类多，各种热源之间的关系具有一定的耦合性。本文通过将优化调度问题描述为数学函数寻优过程，建立多目标优化调度函数对多热源供暖系统进行优化调度，并采用智能搜索算法制定多热源供暖系统优化调度策略，提出基于改进多目标烟花优化算法进行寻优求解，将灰熵并行关联分析方法引入多目标烟花算法中，以不同的优化目标为优先级求解得到运行调度策略，以到达机场能源站管理的运行电费和热源费用最低的目地，高效利用机场区域内三种供暖系统。

一次热源由三种热源共同提供，输配由能源站供热管道内的二次泵完成。运用不同热源之间供热差异，通过调整不同供暖子系统的供热量，使其综合热量不小于用户所需热量，以完成多热源供暖系统的优化调度。然而多热源供热系统复杂，因此要根据实际情况，制定合理的调度方案。

2.2 供暖系统智能调度算法

通常采用随机规划和启发式算法两种方法对机场区域供暖系统进行优化调度。启发式算法通过粒子自我更新计算，进而进行自动搜索，在约束条件较多、且问题复杂的情况下，其优化调度能力明显优于数学随机规划方法。烟花算法（Fireworks Algorithm，FWA）[7]具有变异操作简单，在并行搜索和稳定性方面表现出色。

在本文采用的改进烟花算法中，将烟花算法的优化算子设置为不同热源系统的供热量，供热量比例值为算子维度的结果，最后采取一个运行工况下采用烟花算法对目标函数进行分配迭代，得到多目标优化调度结果，如图4所示。

图4 多目标优化调度结果图

从图中可以看出，本文通过采用改进的烟花算法进行优化调度，达到了设备费用和热源费用最低的目标，制定供暖系统多目标优化调度方案。

3 机场能源站冷站群控优化

本文针对机场能源站冷站群控优化问题，首先采用基于群智能控制系统[8]的架构对其进行控制优化。群智能系统的优点在于，它是一种以分布式优化框架为基础的自控系统，具有较强的延展性、稳定性和灵活性等特点，并且此系统的优化框架摒弃了传统系统中采用的中心处理节点，而是建立多个节点用于储存系统中各类控制数据，两个相邻的节点可进行数据信息的传输功能，多个分布式计算节点替代了传统式的中央处理器来分担繁重的计算负荷，这种工作方式能更有效的对中央空调冷却水系统的控制优化问题进行求解，提升系统效能。然后，针对中央空调冷却水系统的优化控制问题，将其分解为两方面，包括设备间运行参数的扩散优化问题和设备内各参数的分配优化问题。

3.1 优化扩散问题

扩散优化问题是在整个系统运转中，若系统中的设备的运行参数产生变化，那么与其相邻的设备中的运行参数同样会产生变化，因此应该通过全面的考虑各个设备间的耦合运行参数值来选择最合适的冷却水系统运行参数，并且确保各个设备运行功耗之和最小。本文采用算子分裂[9]的方法将冷却水系统划分为针对某个设备模块来进行单独优化从而获得每一个设备模块的等价约束最优化公式。通过这种方式最终确定了冷却水出水温度Tcws、冷却水流量mcw和冷却塔风机风量ma为优化变量。然后采用改进的分布式交替方向乘子法(Distributed Alternating Direction Method of Multipliers，D-ADMM)[10]，将各设备运行能耗之和最小作为优化目标来对空调冷却水系统运行参数进行寻优。图5a为机场航站楼制冷站对应的群智能节点拓扑结构图，图5b为冷却系统中各设备模块间的通信机制图，节点1、2、3 分别为对应图5a中相应标号位置的冷水机组、冷却水泵和冷却塔。

图5 空调冷却水系统运行参数优化迭代策略

3.2 分配优化问题

分配优化问题的前提是建立在求解扩散优化问题的基础上，运用其求解得到的耦合运行参数作为各机电设备的部分约束条件，再考虑系统的约束条件对各机电设备模型进行寻优计算，最后确定最佳控制变量组，降低设备运行功耗，因此本文设计了一种分布式算法来解决冷却水系统设备节能优化控制问题。

3.2.1 并联冷却水泵与冷却塔风机的优化运行控制问题

在求解空调的冷却水系统中的冷却水泵的控制优化问题的过程中，首先确定了该问题的优化变量为水泵的流量，其次将并联变频泵的运行能耗最小作为优化目标，最后以系统的总流量需求作为约束条件来进行求解计算。由于以群智能为基础的分布式系统包含多个CPN 节点，并通过相邻节点的信息传递来进行优化控制，本文的研究对象为N台并联变频泵与m 台并联冷却塔风机，将传统的集中式模型分别分解为N、m个子优化问题[11]，同时运行在相应的智能节点并利用相同的分布式算法运行。基于ADMGG双层分布式计算框架的并联水泵的智能控制系统CPN通信机制如图6所示。

图6 基于ADMM-GPF-GBS双层分布式计算框架并联水泵节点通信流程图

上图中Φk+1为边界矩阵，分别设置在系统的各个并联冷却水泵和并联冷却塔风机的CPN 节点中，用于存储各设备的算子变量并在各CPN节点中进行部分信息传递。标准ADMM[12]的算子变量为每一台冷却水泵流量mcw和拉格朗日乘数λ，本文改进的ADMGG算子变量需增加高斯罚函数ρ。

在对并联冷却塔风机频率优化问题进行求解计算中，同样可以运用前面已建立的ADMGG 双层分布式计算框架来解决。对于这个问题，先将并联冷却塔风机转速作为优化变量，以风机频率为优化目标。基于ADMGG双层式分布式框架的并联冷却水泵与冷却塔风机的群智能优化控制系统CPN通信机制相同。

针对两种控制优化问题，本文建立了一种基于高斯罚函数的改进交替方向乘子法[1（3]ADMM-GPFGBS）双层分布式计算框架。其中，带有高斯罚函数项的拉格朗日增广公式如下所示：

式中：ρ(t)为高斯罚函数，β为惩罚函数，σ为邻域大小因子，v为邻域中心，t∈[vd, + ∞)，vd为常数。

首先，由高斯罚函数更新策略改进交替方向乘子法[1（3]ADMM-GPF）预测层分别对并联冷却水泵与冷却塔风机的控制优化问题的预测结果进行计算，使用H台冷却塔风机设备算子进行交替方向乘子法的迭代步骤公式如下所示：

最后由高斯回代校正步骤（BGS）的校正层进行高斯回代校正预测项，保证算法的收敛性和结果的精确性。

3.2.2 冷却水系统优化控制结果分析

在两种不同的优化控制运行模式下，机场空调冷却水系统中各机电设备的全日运行功率变化趋势如下图7所示。

图7 冷却水系统各设备运行功率优化前后全日逐时变化图

由图中可以得到，运用提出的分布式算法控制优化得到的各机电设备的功率在3h～7h 时的节能效果较为突出，设备功率最高可优化346.5kW；当运行时间到达14h～16h时，系统设备功率最高可降低1149.05kW，可节能约为19.07%；当运行时间达到第19h时，本文提出的分布式算法相较于集中式算法的优化效果更为明显。

4 结语

本文以机场能源站和航站楼的节能优化运行为目标，分别在四个方面介绍了具体的相关节能优化策略。同时，通过对西安咸阳机场能源站的冷负荷需求预测、供冷，供暖的优化调度以及对冷站群控优化的研究，提出了基于群智能系统的调控技术和智能优化算法来实现航站楼中央空调系统的节能运行，为机场能源站的节能优化运行提供了一些思考与建议。