基于人工神经网络的住宅新风系统负荷预测与运行优化

霍雅超 殷勇高

(东南大学,南京)

0 引言

为了保证我国国民经济的可持续发展,在2030年之前实现碳达峰,在2060年之前实现碳中和,各个领域的节能减排势在必行。全球每年约有40%的能源被建筑所消耗,同时建筑能耗的一半以上被暖通空调系统所消耗[1],因此提出建筑空调系统的综合节能减排措施迫在眉睫。

辐射冷暖与新风系统是一种具有高舒适性、节能高效的新型暖通空调系统,该类系统由于其高性能和高舒适性的特点在住宅中被积极推广和布局,目前正处于实际应用推广的初步阶段。在实际工程应用中,由于针对此类系统能耗水平及运行特性的研究尚不充分、系统运行维护经验尚不成熟,实际应用中还存在一些不确定性问题,如新风系统能耗占比高和运行特性不匹配等[2],此类系统还存在较大的优化空间。

辐射冷暖与新风系统作为一种综合供冷、供热、除湿、新风的一体化空调系统具有一定复杂性。在实际应用中,解决除湿问题是避免结露、提高舒适性的关键[3]。通常采用独立新风系统解决辐射空调的除湿问题,利用新风系统承担建筑全部湿负荷和部分冷负荷。因此,新风系统负荷的处理通常是此类系统能耗和运行分析的关键,而新风系统的冷湿负荷通常受到多种因素的影响。热泵型溶液调湿机组[4]作为一种全年通用、高效节能的调湿设备,应用于新风系统中有较好的调湿效果。而在工程应用中,机组是否能保持较高的能效水平和良好的运行特性存在不确定性。

为了降低建筑能耗和运行成本,有必要制定更加匹配建筑特性和负荷特性的新风系统运行策略,以准确、快速地预测新风系统的负荷需求和能耗。人工神经网络(ANN)[5-6]作为一种典型的黑箱模型在负荷预测方面得到了广泛的应用和研究。Luo等人使用广义回归神经网络(GRNN)对公共建筑的冷负荷进行了预测,结果表明,GRNN用于预测冷负荷是准确的[5]。González等人采用反向传播ANN模型,以室外温度、室外相对湿度和太阳辐射为模型输入,预测建筑冷负荷需求,模型的平均相对误差为2.024%[7]。

实现暖通空调系统的负荷预测通常采用室外气象参数等作为人工神经网络的输入,然而仅利用室外气象参数进行预测不能涵盖负荷的所有影响因素,人为因素对于负荷预测的精度影响也很大。Li等人提出,将入住率作为输入参数来建立预测模型可以提高模型的预测精度,结果表明,ANN模型的均方根误差变异系数为26%,预测精度得到提高[8]。人为因素对负荷的影响除了体现在入住率上,还体现在建筑内部不同区域的差异上,不同区域居住者使用习惯和舒适需求差异对预测精度有很大影响。因此,采用分区域的人工神经网络模型进行暖通空调系统负荷预测对提高预测精度有重要意义。Hu等人使用分区ANN模型来预测办公楼的负荷需求及能耗,结果表明分区模型对于预测精度有显著提高,对应负荷和能耗预测的均方根误差变异系数分别为10.76%和15.59%[9]。

基于负荷预测结果进行暖通空调系统优化运行是必要的,徐新华等人利用灰色预测方法对某办公建筑不同时期早晨需求冷量进行预测,为空调系统启动控制提供优化策略[10]。Hu等人运用负荷预测结果得到热泵蓄冷优化控制方法,优化结果使系统全年运行成本降低40%[9]。根据负荷预测结果制定优化运行策略,可满足保障高效运行、控制运行成本的需求,为未来实现综合能源管理系统平台搭建和数据机房无人值守提供技术支持。

本文以某住宅区辐射冷暖空调的新风系统为研究对象,采集并分析了新风处理系统的历史数据,计算分析了新风机组能效水平;建立了人工神经网络模型,对新风机组冷湿负荷进行预测,并通过区域划分和输入优化提高了模型预测精度;基于负荷预测结果,在潜能蓄能和分时电价的情况下制定了系统优化运行策略,为实际运维中降本提效、提高建筑能源系统的灵活适应性提供了有效的解决方案。

1 能源及新风系统概况

1.1 能源系统概况及数据处理方法

本研究选取苏州市一个住宅小区为案例,该小区采用集中式辐射冷暖与新风空调系统。系统的冷热源由地源热泵和热泵式溶液调湿新风机组组成,末端采用辐射毛细管与风机盘管。夏季辐射末端承担大部分的显热负荷,由地源热泵提供冷量,新风系统承担全部的潜热负荷和部分显热负荷。

新风系统夏季采用先预冷再进行溶液除湿的处理方式,如图1所示。室外新风通过表冷器预冷达到状态点(2),再通过溶液调湿机组处理到送风状态点(3)送入室内,其中预冷段的冷量由地源热泵提供。为分析此类系统的新风负荷和能耗水平,并为新风机组调控提供指导,需要对溶液调湿机组段的负荷及能耗进行分析。

1.表冷器;2.压缩机;3.溶液除湿单元;4,10.溶液泵;5.蒸发器;6.换热器;7.膨胀阀;8.溶液再生单元;9.冷凝器。

了解溶液调湿机组承担负荷的动态变化情况有助于对此类系统能效进行评估,并制定优化运行策略,提高能源利用效率。本文主要针对夏季溶液调湿机组所承担的冷湿负荷进行预测和分析。其中冷负荷(即全热负荷)由实时状态点(2)、(3)之间的比焓差与新风量得到,湿负荷(即潜热负荷)由实时状态点(2)、(3)之间的含湿量差与新风量得到。状态点(1)、(3)的空气状态由温湿度传感器直接测得,状态点(2)的空气状态由预冷段表冷器进出口水温及状态点(1)得到。

选取该小区中一幢典型楼宇作为研究对象,该建筑共33层,建筑冷暖面积共计14 843.54 m2。该建筑新风系统共使用溶液调湿新风机组4台,分别布置于顶楼东西侧和底层东西侧。

2019年以来,楼宇智能化数据采集系统被用于监测新风系统的运行,监测数据包括室外空气参数、送风参数、室内空气参数、预冷段表冷器进出口参数、风量、用电量等。该系统自2019年开始运行,本研究以2019、2020年实际运行数据为基础开展分析和优化工作,首先在原始数据基础上进行数据处理,数据处理方法见图2。

图2 数据处理方法

苏州市不同时段电价见表1,分时电价情况反映了电网对于提高用电效率的需求,用户侧的削峰填谷对于电网的综合能源效率的提升作用较大。采用蓄能的方式有助于暖通空调系统用电负荷由高峰转向低谷,基于本研究对象溶液调湿新风系统的特点,采用潜能蓄能的方式。在低电价时段以高能效运行系统,提高建筑能源系统灵活性,降低运行成本。

1.2 新风系统能效分析

表1 苏州市不同时段电价 元/(kW·h)

对案例建筑的辐射冷暖与新风空调系统进行连续2年的空调季数据监测。基于历史数据,系统在空调季的能耗分布情况见图3,分为冷源能耗、新风能耗和输配系统能耗三部分。其中冷源能耗包括热泵机组和单台冷水机组的用电量,新风能耗包括所有溶液调湿新风机组的用电量,输配系统能耗包括所有空调泵组、冷水泵和换热泵组的用电量。系统的新风能耗占比较高,在空调季高达42%。

图3 空调季系统综合能耗分布情况

在系统综合能耗水平的评估中,空调季新风系统能耗水平较高,有较大的优化空间。新风系统中采用溶液机组处理新风,在新风预冷后利用高浓度溶液处理新风湿负荷。对空调季新风机组实际运行中的能耗数据及运行数据进行分析,得到新风系统能效水平情况。

新风机组在空调季的能耗有很大的优化空间,如图4、5所示,新风机组除湿COPD集中在1.2～1.6之间,制冷COPC集中在1.1～1.8之间,与额定COP比较相差较大。能效较低的原因主要是新风机组长期处于部分负荷下运行,机组除湿能力与大部分新风负荷不匹配,导致新风机组运行性能不佳,能效较低。新风机组在部分负荷下运行的主要原因有2个方面。一方面是园区入住率的问题,另一方面是气候变化原因。空调季新风负荷存在较大波动,因此确定负荷波动情况对系统的运行优化有较大作用。

图4 空调季新风机组除湿性能系数

图5 空调季新风机组制冷性能系数

2 分区ANN模型负荷预测

2.1 ANN模型的原理结构

神经网络作为一种学习能力很强的黑箱模型,具有预测精度高、计算速度快的优点,在建筑负荷和能耗预测方面具有优势。ANN由模拟人脑工作机理的神经元组成,作为神经网络模型的基本元素,信号的传递依赖神经元的工作,单个神经元可以看作是多个输入和一个输出的信号处理单元。

神经网络模型的结构包括输入层、隐藏层和输出层。输入层和输出层神经元的数量分别由输入和输出参数的数量决定,而隐藏层的神经元数量需要反复调试才能达到最高的模型预测精度。

2.2 ANN模型的输入输出及参数设置

ANN模型输入参数的相关性对于模型的预测精度有着至关重要的作用,此外,输入参数还应满足工程实际中易于测得的要求[11]。暖通空调系统负荷影响因素通常有室外气象参数、室内环境参数和暖通空调系统运行参数,具体包括室外温度、室外相对湿度、太阳辐照度、入住率、朝向、室内温度及建筑的外墙保温系数等[12-14]。

其中,建筑入住率、朝向等因素在同一建筑的不同区域中有着不同体现,因此,将整栋建筑视为负荷预测独立研究对象有局限性;同时,不同区域的人员对于环境的热需求也不同,这体现在他们对环境温湿度的控制调节。因此,为提升ANN模型预测精度,对建筑进行热区划分,将不同区域的室内温度作为模型的独立输入,建立预测精度更高的分区ANN模型。分区输入室内温度参数可体现建筑不同区域的朝向、入住率及热感调控对于负荷的影响效果。

为验证分区ANN模型具有更高的预测精度,本研究将整栋建筑按照1个热区、2个热区和4个热区划分,分别对应训练模型ANN1、ANN2和ANN3,进而比较3个模型的预测精度。

根据未来24 h新风机组负荷预测的目标及系统监测情况,选取ANN模型输入参数为室外温度、室外相对湿度、分区室内温度和时间。未来室外气象参数可由气象预报获得,室内温度可以通过ANN预测获得。ANN模型输出参数为新风系统湿负荷及冷负荷,其中湿负荷是由溶液调湿机组的除湿量表示,冷负荷是由机组提供的制冷量表示。ANN1、ANN2、ANN3模型的热区根据朝向和楼层划分,3个ANN模型的输入个数分别为4、5、7个,输出均为2个,模型输入输出参数情况见表2。

表2 ANN模型输入输出参数

ANN模型的参数设置主要包括隐藏层数、隐藏神经元数、学习速率等,本研究采用单隐藏层ANN模型,神经网络模型结构见图6。训练结果表明,当隐藏神经元数量为12时,神经网络模型的准确率最高。与隐藏神经元相似,学习率需要反复训练才能得到合适的值。经过训练和比较,设置学习率为0.3,其他参数设置如下:最大训练次数为1 000 次,性能函数为均方误差(MSE),训练性能目标为10-3,训练函数为trainlm,最大验证失败次数为6次。

图6 神经网络模型结构

2.3 ANN模型的训练

本研究采用该系统2020年空调季(6月11日至9月10日)逐时实测数据进行ANN模型的训练,并采用典型日数据对模型预测精度进行测试,训练数据与测试数据总数分别为13 260、864个。考虑到不同类型数据的维度不同,数据集应在0～1之间归一化,以提高精度和收敛速度[15]。计算公式如下:

(1)

式中x′为处理后数据;x为待处理数据。

ANN模型的训练过程是不断调整偏差,使输出与目标之间的误差最小化的过程。采用MSE作为性能函数,同时引入相关系数(R)、均方根误差(RMSE)、均方根误差的变异系数(CV-RMSE)和平均绝对误差(MAE)4个统计指标综合评价人工神经网络模型的预测精度。各项指标计算公式如下:

(2)

(3)

(4)

(5)

(6)

2.4 ANN模型预测结果与分析

考虑分区的ANN模型预测精度评价结果见表3。根据ASHRAE指南[16]的要求,CV-RMSE应在30%以下,本研究的ANN模型预测结果能很好地满足标准要求。从评价结果来看,2个分区的ANN2模型和4个分区的ANN3模型预测精度与未分区的ANN1模型相比均有明显提升。ANN3模型湿负荷、冷负荷预测结果的CV-RMSE分别为8.72%和9.98%,较ANN1模型预测结果分别降低了14.27%和14.61%,说明考虑建筑分区对于神经网络负荷预测精度的提高效果显著。

表3 ANN模型预测精度评价

为了直观地表现模型预测结果,将预测值和实测值进行比较,各湿负荷预测结果比较见图7,冷负荷预测结果比较见图8。从图7、8可以看出,预测值与实测值吻合程度较好,尤其是考虑4个分区的ANN3模型,其预测值可以较精确地与实测值相匹配,相比而言,未考虑分区的ANN1模型预测结果有一定偏差。

此外,综合比较发现,湿负荷预测结果的精确度略高于冷负荷,原因是新风系统在运行过程中以湿负荷为主要处理目标,承担全部室内湿负荷,湿负荷的波动规律性更稳定,而冷负荷的波动范围更大。

3 新风系统的控制优化策略

3.1 基于负荷预测的控制优化策略

为了提高新风系统的综合效率和降低运行成本,有必要对其运行进行优化。基于潜能蓄能方法建立了一个优化模型,根据ANN模型预测结果,制定了匹配的控制策略。

潜能蓄能[17]作为一种与传统蓄能技术不同的储能手段,通过储存溶液的除湿潜能达到蓄能目标,在能量紧缺时利用储存溶液的再生进行潜能释能。本研究中新风系统的优化运行采用潜能蓄能的方式,在系统中配置溶液储液罐,通过储存浓溶液,即储存除湿潜能的方式进行蓄能。同时结合当地分时电价情况,根据未来1 d内的负荷预测结果进行运行策略优化。

基于节能提效的运行目标制定了新风系统蓄能控制策略,其中需要进行判断和决策的变量如表4所示,蓄能量和释能量用溶液的除湿潜力(湿负荷)来表示。为了确保运行策略的可行性,给出了相应边界条件,见式(7)～(9)。

表4 蓄能控制优化变量

0≤uc,n≤uc,max

(7)

0≤ud,n≤ud,max

(8)

∑ud,n≤Qt

(9)

ud,n+wn=Wn

(10)

式中uc,n为逐时蓄能速率,kg/h;uc,max为最大蓄能速率,kg/h;ud,n为逐时释能速率,kg/h;ud,max为最大释能速率,kg/h。

溶液机组的优化控制流程如下:在谷电时期满负荷运行,在满足逐时负荷之后以逐时蓄能速率uc,n向储液罐储存浓溶液积累除湿能力,直至最大蓄能总量Qt。储液罐充满后关闭机组,根据ANN模型的负荷预测结果计算机组逐时能效,当能效较低时,优先释放蓄能,以逐时释能速率ud,n释放除湿潜能;当能效较高时,利用机组冷却除湿匹配逐时负荷,系统控制优化流程见图9。其中,对于Qt、Qn及n的判断,均根据所述负荷预测结果及机组能效情况得到。

图9 系统优化控制流程

3.2 空调季负荷模式及优化结果

根据ANN模型的负荷预测结果,选取典型负荷日进行分析和优化。在分时电价情况下,以无蓄能的新风系统为基准,分析蓄能优化运行策略降低运行成本的效果。

根据ANN模型的预测结果,应用该优化模型改进新风机组的运行策略,选取整个空调季负荷较高的典型日作为案例进行分析,优化后的单日负荷分布见图10。优化后的负荷分配可充分体现基于负荷预测的蓄能效果。可以看出:在谷电时期,机组除满足逐时需求外向储液罐蓄能已达到umax,所蓄能量在负荷较小、机组运行COP较低时释放;负荷达到峰值附近时,逐时负荷仍由机组正常运行满足。

图10 典型日运行优化后湿负荷分布

空调季新风系统湿负荷情况见图11,在夏热冬冷地区,新风系统空调季湿负荷很高,对整个空调季应用基于负荷预测的控制优化模型,可得到优化后的空调季湿负荷分布。基于历史数据对新风系统负荷-能效水平进行拟合,利用优化后的负荷分布情况,可以得到系统基于控制策略优化后的能耗水平,再利用分时电价结果计算该策略的经济效益。

图11 空调季新风系统湿负荷

表5列出了空调季理论优化结果与原始结果之间的比较,优化后可使建筑空调系统在整个空调季的运行能耗和运行成本分别降低27.2%和29.2%。此外,考虑到夏热冬冷地区夏季湿负荷高的特征,可以进一步通过扩大储液罐容量的方式提高新风系统在空调季的节能潜力。

表5 空调季理论优化结果与原始结果对比

4 结论

1) 基于2019—2020年历史数据,空调季新风能耗占暖通空调系统总能耗的比例为42%,新风能耗占比较高。新风机组除湿COPD集中在1.2～1.6之间,制冷COPC集中在1.1～1.8之间,与额定COP相差较大,此类方案的新风系统能效和运行方式均有较大的优化空间。

2) 建立了分区ANN模型用于预测新风系统的湿负荷和冷负荷,通过增加建筑热感区域划分和优化输入参数的方法提高了ANN模型预测精度,结果表明有4个热区划分的ANN3模型湿负荷及冷负荷预测结果的CV-RMSE分别为8.72%和9.98%,较不考虑分区的ANN1模型分别降低了14.27%和14.61%,分区ANN模型预测和优化输入参数方法对于预测精度的提高效果十分显著。

3) 基于负荷预测结果和潜能蓄能方法,制定了新风系统蓄能优化控制策略,针对典型负荷日和整个空调季应用新的优化控制策略,并分析了优化后的负荷分布情况。计算出整个空调季应用该控制策略的理论优化结果,该结果较原始结果运行能耗和运行成本分别降低了27.2%和29.2%,该优化控制策略节能效果显著。