制冷机房节能智控技术

冷冻水供回水温差、冷却水温度、冷冻水温度、冷冻水流量、冷却流量、冷水主机负荷分配均对冷源系统的运行能效有影响，但目前的研究多集中于局部参数的优化，而实际中央空调冷源系统的运行能效受多个参数的影响且参数之间互相关联，因此有必要从全局角度出发，综合考虑所有可调节运行参数对运行能耗的影响，提出随冷负荷变化且能满足室内舒适性需求的全局优化策略，最大限度地降低中央空调冷源系统的能耗。

在此基础上，目前市面的暖通空调制冷机房节能智控技术有模型优化和非模型优化。

制冷机房节能智控技术
2.1 模型优化

目前市面上模型优化应用范围较广的有群智能系统优化、负荷预测优化以及数字孪生优化这三种方法。

群智能系统优化

群智能系统通过内置并行计算运行库和建筑标准单元信息模型的自组织操作系统，在保证信息安全和不同时间/空间内多任务调度的前提下，根据软件功能的不同满足使用者不同的节能需求。

这里面比较信树碳汇科技科技的XinshuOS群控系统，其原理如图3.1所示，将建筑按照所见即所得的规则划分为若干个相邻的基本空间单元，在每个基本空间单元及主要机电设备内放置一个植入了XinshuOS操作系统的智能计算节点（CPN），所有的CPN之间相连形成一个能够进行分布式计算的网络，从而通过节点间的协商通讯完成各种控制管理任务。

数字孪生”优化

“数字孪生”，即基于某一物理实体的物理信息和运行数据，结合领域积累的理论模型，构建出一个能够快速、动态和准确仿真这一实体全生命周期过程的虚拟模型。

中央空调系统“数字孪生”模型是中央空调系统物理对象的“孪生体”，通过实时接收来自物理对象的数据，进而不断更新模型以实现与物理对象运行状态保持一致。中央空调系统“数字孪生”模型能够实现系统运行“透明化”，面向系统全生命周期过程可以辅助系统优化设计、优化运行和故障诊断。

这里面比较有代表性的是叠腾科技，其原理如图3.3所示，针对复杂暖通空调系统，通过建立暖通空调系统“数字孪生”模型，可以对其进行全生命周期管理，例如优化设计、优化运行和故障诊断，从而帮助实现自动化和智能化的能效管理。但是，目前数字孪生技术在实际应用过程中仍然存在诸如其在虚拟模型维度，如何保证虚拟空间模型与物理空间实体对象的一致性、真实性、有效性以及可靠性这样的问题。

2.2 无模型优化

尽管无模型优化比有模型优化需要更多的学习时间以及通常稍差的优化效果，但是无模型优化不依赖众多的传感器数据以及负荷预测，而有模型优化依赖于良好的数据质量以及一定数量的传感器便于设备建模，同时还需要准确的负荷预测，因此无模型优化在空调冷却水系统优化中有着比有模型优化更加优秀的适应能力。

无模型优化主要基于强化学习的发展，强化学习的方法有很多，基础的Q-learning、由此发展的深度Q神经网络（DQN）等都是在多种领域被验证过的稳定而优秀的方法。这里面比较有代表性的是同济大学机械与能源工程学院见微知筑工作室。

同济目前核心的Q-learning算法之一，是以湿球温度和系统冷负荷为状态，冷却塔风机和冷却水泵的频率为动作，奖励为系统COP及室内舒适度的综合效用函数。

该方法基于Q-learning，以实际系统的实测数据，原理图如图3.4所示，进行验证，在基本控制器、局部反馈控制器、基于模型的控制器和提出的无模型控制器四种控制器的控制下进行为期三个月的基于实测数据的仿真。

得到结论与基本控制器相比，无模型控制器在第一个应用制冷季节能11%，大于局部反馈控制器（7%），但小于基于模型控制器（14%）。无模型控制器在第二个应用制冷季的节能率可达 12%，之后的节能率趋于稳定。

尽管无模型控制器的节能性能不如基于模型的控制器，但无模型控制器对先验知识和传感器的要求更少，因此在缺乏准确的系统性能模型或传感器的建筑中具有广阔的应用前景。

此外，研究结果表明，对于设计峰值冷负荷接近2000kW的冷冻水系统，在制冷季学习 3 个月就足以开发出性能良好的无模型控制器。