CN103912966B - 一种地源热泵制冷***优化控制方法 - Google Patents

Abstract

本发明涉及一种地源热泵制冷***节能优化方法，属于建筑空调***的节能优化控制领域。本发明将几种模型进行优化组合，即使一个效果不佳的预测模型，只要它含有***的对立信息，当其与一个和几个较好的预测模型进行联合预测后，仍然能够改善***的预测特性，为提高最终的预测精度，控制***运用组合预测方法综合利用各种方法所提供的信息，避免单一预测模型丢失有用的信息，减少随机性，提高预测精度。本发明的最优值在确保满足末端负荷需求的前提下，使***的能耗最小。当最优设定值确定后，控制***中央制冷***运行在最优设定工况。

Description

一种地源热泵制冷***优化控制方法

技术领域

本发明涉及一种地源热泵制冷***节能优化方法，属于建筑空调***的节能优化控制领域。

背景技术

国民经济能源消耗构成主要有工业能耗、交通能耗和建筑能耗，随着我国小康社会的稳步推进，城市化建设的步伐也在不断加大于此带来的建筑能耗问题不容忽视，而建筑能耗的三分之二的为空调***耗能，在建筑能耗占整个能源消耗的比例不断增加的现状下，建筑中的空调***节能已经成为节能领域中的一个重点和热点。在大力提倡绿色低碳生活的今天，加大空调节能的力度对节约能源无疑有着巨大的实际意义，地源热泵技术是近几十年来国家大力推广的建筑节能技术，与传统的空调***相比用地埋管替换冷却塔设备，可以充分利用地热资源，实现夏季取冷冬季取热，是一种真正的绿色空调技术。

随着楼宇自动化***和变频调速技术的应用与发展，自动控制技术逐渐在暖通空调领域推广开来，但是中央空调***是一个具有时滞、时变、非线性和大惰性的复杂***，其复杂性导致中央空调***难以用精确地数学模型或方法来描述，这给控制***实现精确控制带来不小的困难，在实际工程中仍然很大程度上依赖于人工管理；同时由于缺乏先进的控制技术手段和装备，中央空调***大多仍采用传统的人工管理方式和简易的开关控制设备，不能实现空调制冷跟随末端负荷的变化而动态调节，在部分负荷运行时造成能源浪费很大，使建筑用能效率低下，空调***自动化程度不高，直接影响到暖通空调管理水平。

另一方面，实现制冷***运行工况点与制冷量的匹配对于控制***是至关重要的，做到这一点，要求控制***必须采取一套切实可行的控制算法作为指导；然而大多数情况下暖通空调控制***是利用一定的经验或半经验公式进行调节，这种方法仅仅是基于数据拟合的思想，进一步考虑可以发现仅仅利用曲线回归获取制冷***能效比与各影响因素的系数是一组静态参数，实际上制冷***能效比不仅与某一个参数有关还与其他参数有关，因此拟合关系式中的参数实际上并不是固定不变的而是一组慢时变系数，即在不同的运行状态下系数是不同的，从自适应控制的角度来讲，拟合的半经验公式并不适用于控制***的在线诊断。另外，这种经验公式是否能够很好地揭示影响热泵***能效比的作用机理，其准确度尚未有科学的依据加以验证，因此实际运行中热泵***的调节存在很大的粗糙性，如果***不能在一个较好的工况点下运行，必然导致其能效比大打折扣，不利于节能。

综上所述，由于中央空调***的时变动态特征，传统的节能控制策略不能在制冷***运行过程中实时的在线积累和综合有关的信息，进行即时的修正或调节***的控制参数，更不能使空调***始终处于最优或接近最优的工作状态。

一、空调实时负荷确定的背景

实现地源热泵***的优化运行的前提是控制***能够较高精度地预测下一时刻建筑物的空调负荷，以保证***供冷和负荷用冷在数量上相等，时间上同步。然而建筑物空调负荷变化具有动态性、时变性、多扰量性、不确定性等随机特性的典型非线性特征，为便于控制***提前动作，必须得到下一时刻建筑物的预测负荷值，所以寻求一种有效准确的负荷预测方法对空调***的优化运行和控制具有重大的意义。在实际运行中，空调逐时负荷如果按照设备选型时负荷计算的方法确定，必然浪费较大的人力物力，因此在工程运行管理中没被采用。目前来看，空调负荷的确定实际上是一种“补救”的方法，没有从建筑物的围护结构和室内得热量、人员散湿量的角度考虑，而是从冷源侧制冷量考虑，控制***通过温湿度传感器测得室内逐时温湿度，由于空调房间的温湿度有一定的允许波动范围，只要室内实际温湿度与设定温湿度偏差不大，就可以认为制冷量基本满足该时刻的空调负荷，然后控制***作用于泵与主机的压缩机等调节制冷量使得制冷量满足室内空调负荷，这种补救方法虽然在一定程度上满足工程的要求，但是由于这种时滞性的存在，并不排除某一时刻由于冷站制冷量不能满足空调负荷而导致室内温湿度波动较大的现象存在，这样一来要么室内温度过高不能满足舒适度的要求，要么温度太低浪费能量，不利于建筑节能。进一步考虑，这种补救措施实际上还存在以下3个方面的缺陷：

1)、制冷量测试的准确性

现行的冷站制冷量确定采用下式计算：Q＝c_pρq_VΔt，但是如果某一时刻需要开启一台泵或停一台泵，导致流量突然加大或突然减小很多，必然导致温度有较大的波动，温度测试的时刻如果在这个较大波动的范围内，必然导致冷量的计算不合理存在较大的误差，另外流量传感器相对于温度传感器而言可靠性也较差，利用这种方法计算的负荷在某种情况下可能偏离实际值很大。

2)、冷机的制冷量与末端的需冷量的平衡问题

即使冷量测试的结果比较准确，冷机的制冷量与需冷量的匹配也是一个很大的问题：如果供水温度定在设定值，冷冻水流量足够大，这就表明当前的制冷量能够满足建筑物末端的要求，因此实际测出的冷量即为需冷量，当供水温度高于设定值或者供回水温差偏大，流量较低时很有可能当前提供的冷量低于需要的冷量，建筑物并没有达到需要的工况，但也可能是***正处在合适的运行状态，怎样区分够与不够，仅根据冷站测试的水温和流量往往很难做出判断。

3)、“补救”调节缺少理论依据

控制***通过测试室内温湿度，决定冷量的加大或减少，目前来说由于缺少一定的调节依据，往往人为因素较大，通过手控泵的开启或主机的启停等来调节，由于控制算法不明确，控制比较粗糙。

二、制冷***运行参数优化调节的背景

中央制冷***包括三个子***，即制冷机***、冷却水***和冷冻水***。这三个子***在运行时都消耗一定的能量，它们之间相互影响，相互作用。通常当一个子***的能耗减小时，另一个子***的能耗就会增加。而且，一个子***能耗的增加量通常也不等于另一个子***能耗的减少量。二者之间的关系随运行工况的变化而不断变化。因此，对整个中央制冷***进行优化的目标不是使其中某一个单一子***的功耗最小，而是使整个***的总功耗最小。当采用***优化方法时，必须将整个中央制冷***的运行视作一个整体的协调过程。***优化的基本思想就是在满足给定工况(所有的末端负荷需求的前提)下，使上述三个子***的总能耗最小，

在实际应用中，对各个子***进行性能评估比较困难。这是因为各个子***是耦合的而不是独立的，因此对制冷***运行参数进行优化控制的任务包括以下几点：

1)、确定建筑物冷负荷及相关外部环境；

2)、确定制冷机组的性能；

3)、识别和确定控制变量的最优设定值，这些最优设定值应使整个***的能耗最小；

4)、控制***和子***运行在优化设定值的调节；

对某一特定的***而言，进行***优化的主要任务包括找到最优的冷却水入水温度，冷冻水温度，冷却水流量、冷冻水流量、输送设备的负荷分配率等。这些最优值在确保满足末端负荷需求的前提下，使***的能耗最小。当最优设定值确定后，控制***中央制冷***运行在最优设定工况。

必须说明的是，这些最优设定值并不是恒定不变的，而是随着建筑负荷和运行工况(如室外温湿度和各子***的性能等)的变化而实现优化匹配。所有这些因素将使在线优化控制在实际中变得比较困难。

另外由于整个制冷***是相互耦合的，对制冷***进行优化就必须将整个***闭环分析，不能将某一个子***脱离整体单独进行分析，正是这种强耦合性使得优化控制工作的第一步难以找到突破口，从而给制冷***的优化控制带来了很大的难度。但是制冷***中机组的耗电量占绝大部分，冷源***的能效比与机组的相关性最大，因此机组的运行能效比达到最优，整个***的能效比基本上也达到最优，故可以从制冷机组出发，得到优化工作的突破口。

发明内容

针对现有制冷***节能控制方法存在的不足，本发明提出一种针对地源热泵制冷***的智能优化控制方法。本发明的基本思想是，在楼宇自控***Lon-works平台上进行二次开发实现单片机Lon-works的集成，单片机控制语言采用MATLAB编写，单片机作为一级控制单元，包括空调负荷预测模块和制冷***运行参数优化设置模块，Lon-works作为二级控制单元实现制冷***实时运行状态数据的采集和一级控制信号的传输与制冷***相关硬件设备的实时控制，一方面保证***供冷和负荷用冷在数量上相等，时间上同步，另一方面使得控制***能够提前对制冷***的各参数变量进行动态调节，确保制冷***始终处于最优或接近最优的工作状态。

实现制冷***最优控制是在用空调负荷给定的情况下，控制***给出一组最优参数即***运行最优工况点，在这组参数下***运行的能效比COP值最大。在实际运行中，由于建筑物的热惰性、室外气温的非周期变化以及日照影响等因素并不是立即发生，而是滞后一段时间，因此为保证空调***要求的温湿度，热源(冷源)逐时的供热(冷)量是一种动态变化的量，为了更好地实现按需热(冷)，必须用动态的方法分析热力状况，并用预测参数的方法对供冷***进行动态调节。因此，控制***实现最优控制的前提是预测空调负荷以便在线诊断。然后完成制冷***运行状态参数的优化调节。

在空调负荷预测方面，由于空调负荷的变化与外界环境、内扰以及建筑物的热惰性等因素相关，但是难以找到影响机理。建筑负荷预测方法很多，而且各自适用的条件和特点不同，一段时期内建筑负荷有时具有这一种模型的特点，有时具有另一种模型的特点，有时两者兼备，那么就可以将几种模型进行优化组合，即使一个效果不佳的预测模型，只要它含有***的对立信息，当其与一个和几个较好的预测模型进行联合预测后，仍然能够改善***的预测特性，为提高最终的预测精度，控制***运用组合预测方法综合利用各种方法所提供的信息，避免单一预测模型丢失有用的信息，减少随机性，提高预测精度。基于各种预测模型的优缺点，选用智能预测方法：灰色预测方法、GRNN神经网络预测方法与LSSVM预测方法，最后将这三种预测模型的预测结果运用最优组合预测的方法—灰色数据融合技术进行融合得到最终空调负荷预测值。

在制冷***运行参数优化调节方面，由于制冷***运行性能参数的因素主要有以下6个：冷水机组的制冷量、冷冻水出口温度、冷却水入口温度、冷却水流量、冷冻水流量，设备组的负荷分配率；对于地源热泵整个制冷***而言这里的设备组除了机组之外，还有冷却水泵，冷冻水泵等设备；负荷分配率的确定与设备的样本特性曲线有很大的关联，对于机组而言，负荷分配的意义是在总制冷量一定时其总耗电量最小，对于水泵，由于它们负责的是水量的输送，而影响它们的耗电量的因素只是流量这一个因素，这样一来，对这些设备优化控制的前提是得到输送的总流量大小，当流量确定之后，可根据设备的样本曲线确定各设备的负荷分配率，实现完成一定流量输送的任务而设备总耗电量最小。

因此在对整个制冷***优化时，可以分两步进行：

①、根据空调总负荷，在满足制冷机组最优COP前提下确定对应的冷却水(冷冻水)流量和(冷却水入口、冷冻水出口)温度，完成第一步优化。

②、根据总的制冷量完成制冷机组的负荷分配率，根据总流量由水泵的特性曲线确定其负荷分配率，进而完成***最终的优化。

本发明的技术方案是：一种地源热泵制冷***优化控制方法，具体实现步骤如下：

第一步，随着制冷***的运行，Lon-works控制平台不断采集制冷机组的运行参数，根据吉田函数模型采用的无量纲数据处理形式，将制冷机组能效比、制冷量、冷却水流量、冷冻水流量、冷却水入口温度、冷冻水出口温度分别进行无量纲化处理，不断扩充制冷机组运行数据库；

第二步，运用三种智能预测方法：灰度预测、广义回归神经网络预测、最小二乘支持向量机预测分别预测空调负荷，针对三种预测模型的优势互补特点，运用灰色数据融合模型整合三种模型的预测结果得到空调负荷的预测值，达到空调负荷相对准确预测的目的。

第三步，运用带指数遗忘的最小二乘方法对基于吉田函数模型的制冷机组能效比经验公式进行系数的自适应拟合，实现经验公式系数动态调整的目的，根据制冷量与空调负荷在时间上同步数量上相等的原则，将吉田函数模型中的制冷量用预测的空调负荷替代，以期在一定制冷量下准确描述制冷机组能效比与冷却水流量、冷冻水流量、冷却水入口温度、冷冻水出口温度4个参数的关系。

第四步，利用极值原理，将吉田函数模型对4个参数(冷却水流量、冷冻水流量、冷却水入口温度、冷冻水出口温度)进行偏导数计算，联立得到的4个方程组得到下一时刻制冷机组接近最优的4个运行参数工况点。

第五步，运用单纯形方法进行制冷机组4个参数的最优组合搜索，单纯形法中采用的评价函数用广义回归神经网络(GRNN)计算，GRNN神经网络的输入为三个主因子(冷却水流量和冷却水入口温度合并为一个主因子，冷冻水流量为一个主因子，冷冻水出口温度为一个主因子)，神经网络的输出为制冷机组能效比。

第六步，进行制冷***其他运行参数的优化：制冷机组、冷却水泵以及冷却水泵的开启台数和负荷率分配。

第七步，根据下一时刻制冷***的最优运行参数组合，对各参数变量提前进行控制，以保证待测时刻到来时，制冷***处于最优的工作状态。

附图说明

图1是地源热泵制冷***中Lon-works与单片机集成控制原理图；

图2是Lon-works监控平台数据采集与控制信号传输***图；

图3是地源热泵制冷***控制流程图；

图4是地源热泵***流量单片机控制原理电路图(该图注：若优化后的流量大于实测流量则流量指示器为红色，并加大总水流量；否则为绿色，减少总水流量)；

图5是地源热泵***设备负荷率分配单片机控制原理电路图(该图注：这里的设备组指的是主机和冷却水泵、冷冻水泵。当设备为水泵时继电器驱动的是主机和水泵之间的分水器；当设备为主机时，继电器驱动的是主机的压缩机)；

图6是基于GRNN神经网络空调负荷预测原理图(该图注：一小时内采样时间间隔为10分钟，相关参数序列为6个)；

图7是制冷机组四个运行参数主成分分析流程图；

图8是基于GRNN神经网络计算制冷机组能效比原理图；

图9是基于单纯形法的制冷机组4个运行参数优化流程图；

图10是遗传算法原理图；

图11是遗传算法染色体编码方式；

图12是遗传算法染色体码段数据搜索区间；

图13是基于模拟退火遗传算法的制冷设备运行台数和负荷率分配整体优化流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行***详细地说明。

参照附图1，本发明的一种地源热泵制冷***优化控制方法主要包括以下几个步骤：

步骤一、随着制冷***的运行，Lon-works控制平台不断采集制冷机组的运行参数：制冷机组能效比、制冷量、冷却水流量、冷冻水流量、冷却水入口温度、冷冻水出口温度、制冷机组开启台数和负荷率、冷冻水泵开启台数和负荷率、冷却水泵开启台数和负荷率。

将制冷机组能效比、制冷量、冷却水流量、冷冻水流量、冷却水入口温度、冷冻水出口温度分别进行无量纲化处理，不断扩充制冷机组运行数据库；

$r_{cop}=\frac{cop}{{\mathrm{cop}}_r},r_Q=\frac{Q_e-Q_{er}}{Q_{er}},r_{Tci}=\frac{T_{ci}-T_{ci,r}}{T_{ci,r}-T_{eo,r}},r_{Teo}=\frac{T_{eo}-T_{eo,r}}{T_{ci,r}-T_{eo,r}},r_{ew}=\frac{w_e-w_{e,r}}{w_{e,r}},r_{cw}=\frac{w_c-w_{c,r}}{w_{c,r}}$

T_eo-冷冻水出口温度，T_ci-冷却水入口温度；w_e-冷冻水流量；Q_e-冷负荷，w_c-冷却水流量,下标r表示该参数额定工况时的值；

步骤二、运用三种智能预测方法：灰度预测、广义回归神经网络预测、最小二乘支持向量机预测分别预测空调负荷，最后运用灰色数据融合模型整合三种模型的预测结果得到空调负荷的预测值，达到相对准确预测空调负荷的目的。

(1)、采用广义回归神经网络(GRNN)进行空调负荷预测如附图6所示，具体说明如下：

1)、GRNN神经网络结构为输入层、模式层、求和层、输出层：

2)、网络的第一层为输入层，神经元数目等于学习样本的输入向量的维数8，各神经元是简单的分布单元，直接将输入变量传递给模式层。

3)、输入参数X为上一小时室内温、湿度序列、上一小时室外温湿度序列、上一小时室内人数序列、该时刻在一天中的时间编号、季节类型、星期几共8个参数，其输出Y为预测时刻的空调负荷，计算公式为：

$\hat{Y}\left(X\right)=\frac{\underset{i=1}{\overset{n}{\Σ}}{Y}_i\exp \[-\frac{{(X-X_i)}^T(X-X_i)}{2{\mathrm{\σ}}^2}\]}{\underset{i=1}{\overset{n}{\Σ}}\exp \[-\frac{{(X-X_i)}^T(X-X_i)}{2{\mathrm{\σ}}^2}\]}$

4)、为了消除不同参数物理量纲的不一致性，所有的参数均进行归一化处理。

5)、网络的第二层为模式层，神经元个数等于训练样本数(本发明取为500)，该层的权值函数为欧氏距离函数(||dist||)，其作用是计算网络输入与第一层的权值IW_1,i之间的距离，b¹为模式层阈值。模式层的传递函数为径向基函数作为网络的传递函数，σ_i为光滑因子。

6)、光滑因子σ的确定方法是：令参数σ以增量Δσ在一定范围[σ_min,σ_max]内递增变化，这里：

${\mathrm{\σ}}_{min}={(-\frac{D_{\min }^2}{2ln\mathrm{\ξ}})}^{\frac{1}{2}},{\mathrm{\σ}}_{max}=1$

其中D_min为学习样本中各输入样本之间Euclid距离的最小值；ξ＞0为计算机能识别的最小正数。在学习样本中，除去一个样本，用剩余的样本构造广义回归神经网络对该样本进行估计，得到估计值与样本值之间的误差；对每一样本重复该过程，得到误差序列，将误差序列的均方值：

作为网络性能的评价指标，将最小的误差对应的平滑参数用于最后的GRNN神经网络。

7)、网络的第三层为求和层，求和层中包含两种类型的神经元，其中一种神经元计算式的分母，对所有模式层神经元的输出进行算术求和，模式层各神经元与该神经元的连接权值为1，其传递函数为：

$S_D=\underset{i=1}{\overset{n}{\Σ}}{p}_i$

分子求和神经元的传递函数为

$S_{Nj}=\underset{i=1}{\overset{n}{\Σ}}{y}_{ij}{p}_i,j=1,2...p$

其权函数为规范化点积权函数，计算网络的向量n³，它的每个元素是由向量α²和权值矩阵IW_2,i中每行元素的点积再除以向量α²的各元素之和得到，

8)、网络的最后一层为线性输出层，将结果n³提供给线性传递函数α⁴＝purelin(n³)，计算网络的输出。

9)、GRNN神经网络网络训练样本数目确定方法：

训练样本数目初步确定方法是：

$n=\left\{\begin{array}{cc}N/6& N=20~40\\ N/\ln N& N=40~100\\ N/2& N=100~400\end{array}\right.$

这里N为总的样本数目，初步确定网络训练样本数目之后，接下来在n值附近进行搜索，对于每一个n值确定平滑参数以后，根据BIC准则评价指标的最小值确定网络训练样本数目：

BIC(n)＝NlnE+nlnN

10)、GRNN网络连接权值的修正采用BP算法。

11)、完成了GRNN神经网络训练后便可以利用训练成熟的神经网络进行空调负荷的预测。

(2)、采用灰度预测的具体方法是：

1)、灰度预测采用灰色***理论GM(1,1)预测模型，取预测时刻前一小时的空调负荷时间序列(每隔10分钟采样一次共6组数据)：x⁽⁰⁾＝[x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3),x⁽⁰⁾(4),x⁽⁰⁾(5),x⁽⁰⁾(6)]，及其累加时间序列：x⁽¹⁾＝[x⁽¹⁾(1),x⁽¹⁾(2),x⁽¹⁾(3),x⁽¹⁾(4),x⁽¹⁾(5),x⁽¹⁾(6)]，累加时间序列元素

2)、预测时刻空调负荷由下式得到：

$x^{\left(0\right)}\left(7\right)=\[x^{\left(0\right)}\left(1\right)-\frac{u}{a}\]e^{-6a}+\frac{u}{a}-x^{\left(1\right)}---\left(6\right)$

其中，参数向量y＝[x⁽⁰⁾(2),x⁽⁰⁾(3),x⁽⁰⁾(4),x⁽⁰⁾(5),x⁽⁰⁾(6)]，

$B={\left[\begin{array}{ccccc}-\frac{1}{2}\left(x^{\left(1\right)}\right(1)+x^{\left(1\right)}(2\left)\right)& -\frac{1}{2}\left(x^{\left(1\right)}\right(2)+x^{\left(1\right)}(3\left)\right)& -\frac{1}{2}\left(x^{\left(1\right)}\right(3)+x^{\left(1\right)}(4\left)\right)& -\frac{1}{2}\left(x^{\left(1\right)}\right(4)+x^{\left(1\right)}(5\left)\right)& -\frac{1}{2}\left(x^{\left(1\right)}\right(5)+x^{\left(1\right)}(6\left)\right)\\ 1& 1& 1& 1& 1\end{array}\right]}^T$

(3)、采用最小二乘支持向量机预测的具体方法是：

1)、取预测时刻前一小时的空调负荷时间序列(每隔10分钟采样一次共6组数据)：

2)、求解如下的矩阵方程：

${\left[\begin{array}{cc}0& e^T\\ e& \mathrm{\Ω}+C^{-1}I\end{array}\right]}_{7\×7}\left[\begin{array}{c}b\\ \mathrm{\α}\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]$

其中,

3)、核函数取为高斯核：

$K(x_i,x_j)=\exp (-\frac{\left|\right|x_i-x_j|{|}^2}{2{\mathrm{\σ}}^2})$

4)、最小二乘支持向量机空调负荷预测计算公式为：

$f\left(x\right)=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i\exp (-\frac{\left|\right|x_i-x|{|}^2}{2{\mathrm{\σ}}^2})+b$

这里σ为核参数取为1，C为惩罚因子取为50，x_i为前一小时空调负荷采样时刻在一天中的时间编号，x为预测时刻在一天中的时间编号。

(4)、灰色数据融合方法的实施方法是：

1)、a₁,a₂,a₃为由上述3个预测模型得到的预测时刻的空调负荷值，定义任意两个值之间的距离如下：

d_ij＝|a_i-a_j|，i,j∈{1,2,3}

2)、构造两个数据间的支持度函数：

$r_{ij}=cos\left(\frac{{\mathrm{\πd}}_{ij}}{2\×max\left\{d_{ij}\right\}}\right);i,j\∈\{1,2,3\}$

3)、求得矩阵R＝{r_ij}的最大特征值λ，与其对应的特证向量取：融合后得到：即为灰色数据融合预测值。

步骤三、运用带指数遗忘的最小二乘方法对基于吉田函数模型的制冷机组能效比经验公式进行系数的自适应拟合。

(1)、吉田函数是一个具有良好回归特性的用于描述制冷机组能效比COP与制冷量、冷却水流量、冷冻水流量、冷却水入口温度、冷冻水出口温度的经验模型，其表达式为：

$\begin{array}{c}{r}_{cop}=a_1(a_2{r}_{T_{ci}}^2+a_3{r}_{T_{ci}}+1)(a_4{r}_Q^4+a_5{r}_Q^3+a_6{r}_Q^2+a_7{r}_Q+1)(a_8{r}_{T_{eo}}^2+a_9{r}_{T_{eo}}+1)(a_{10}{r}_{ew}^2+a_{11}{r}_{ew}+1)\\ (a_{12}{r}_{cw}^2+a_{13}{r}_{cw}+1)+a_{14}\end{array}$

其中，a₁～a_i为拟合常数。

(2)、基于带指数遗忘的最小二乘法定义残差V(a,t)为：

λ-遗忘因子，0＜λ≤1,a＝[a₁,a₂,...a₁₄]

其中，遗忘因子取为0.75，r_cop(i)为无量纲化的制冷机组实际能效比大小，为运用吉田函数模型拟合的无量纲化的制冷机组实际能效比。

(3)、通过残差V(a,t)对a₁～a₁₄分别进行偏导数计算便可确定不同时刻t，吉田函数模型中的14个拟合常数：

$\frac{\∂V(a,t)}{\∂a_i}=0,(i=1~14)$

步骤四，将预测时刻空调负荷作为制冷***制冷量代入吉田函数模型，根据极值原理，通过吉田函数模型对4个参数(冷却水流量、冷冻水流量、冷却水入口温度、冷冻水出口温度)进行偏导数计算：

$\frac{{\∂}_{r_{cop}}}{\∂r_{T_{ci}}}=0,\frac{{\∂}_{r_{cop}}}{\∂r_{T_{eo}}}=0,\frac{{\∂}_{r_{cop}}}{\∂r_{ew}}=0,\frac{{\∂}_{r_{cop}}}{\∂r_{cw}}=0$

联立得到的4个方程组得到下一时刻制冷机组近似最优的4个运行参数工况点：

$({\tilde{r}}_{T_{ci}}^{opti},{\tilde{r}}_{T_{eo}}^{opti},{\tilde{r}}_{ew}^{opti},{\tilde{r}}_{cw}^{opti})$

步骤五，运用单纯形方法进行制冷机组4个参数的最优组合搜索；

具体包括：

(1)、运用主成分分析方法对4个参数(冷却水流量、冷冻水流量、冷却水入口温度、冷冻水出口温度)进行分析找到主因子；

本发明中将与制冷机组能效比相关的4个参数进行主成分分析，得到主因子，参照附图7，主成分分析的具体方法是：

1)、对4个参数(冷却水流量、冷冻水流量、冷却水入口温度、冷冻水出口温度)样本进行标准化处理，计算公式为：n为样本总数；

2)、对标准化后的样本变量矩阵X再进行对应变换：

按行求和 $X_{.j}=\underset{i=1}{\overset{n}{\Σ}}{x}_{ij},j=1,2,3,4,$ 按列求和 $X_{i.}=\underset{j=1}{\overset{4}{\Σ}}{x}_{ij},i=1,2...n,$ 总和 $T=\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{4}{\Σ}}{x}_{ij}.$

根据上述计算，得到对应变换后新矩阵Z中的元素：

$z_{ij}=\frac{x_{ij}-\frac{x_{i.}{x}_{.j}}{T}}{\sqrt{x_{i.}{x}_{.j}}},(i=1,2...n,j=1,2,3,4)$

式中，x_ij为原始数据矩阵中的元素；z_ij为变换后的新矩阵中的元素；

3)、计算矩阵Z的协方差矩阵R

R＝z^Tz＝(r_ij)_4×4，式中矩阵R中的元素

4)、确定矩阵R的特征值及其对应的特征向量

按雅可比算法求得的特征值和特征向量，将特征值按由大到小的顺序排列:λ₁≥λ₂≥λ₃≥λ₄≥0，其对应的特征向量为

e_i＝(e_1i,e_2i,e_3i,e_4i)^T,(i＝1,2...n,j＝1,2,3,4)

5)、计算因子载荷矩阵A

首先计算主分量的累积贡献率，累积率大于85％时，取前面的k个成分为主分量，累积贡献率的计算如下：

$\frac{\underset{i=1}{\overset{k}{\Σ}}{\mathrm{\λ}}_i}{\underset{i=1}{\overset{4}{\Σ}}{\mathrm{\λ}}_i}\≥85\%$

由此计算R型因子载荷矩阵；

$A=\left[\begin{array}{cccc}{e}_{11}\sqrt{{\mathrm{\λ}}_1}& e_{12}\sqrt{{\mathrm{\λ}}_2}& ...& e_{1k}\sqrt{{\mathrm{\λ}}_k}\\ e_{21}\sqrt{{\mathrm{\λ}}_1}& e_{22}\sqrt{{\mathrm{\λ}}_2}& ...& e_{2k}\sqrt{{\mathrm{\λ}}_k}\\ e_{31}\sqrt{{\mathrm{\λ}}_1}& e_{32}\sqrt{{\mathrm{\λ}}_1}& ...& e_{3k}\sqrt{{\mathrm{\λ}}_1}\\ e_{41}\sqrt{{\mathrm{\λ}}_1}& e_{42}\sqrt{{\mathrm{\λ}}_2}& ...& e_{4k}\sqrt{{\mathrm{\λ}}_k}\end{array}\right]$

矩阵中的每一列就是相应的特征向量和特征值平方根的乘积。

6)、作图分类：

选取R型的最大和次大的两个特征值λ₁,λ₂及其相应的特征向量e₁,e₂，在R^m空间中以分别构造出两个坐标轴，并记为F₁和F₂。这样，每一个影响因子在平面F₁-F₂上对应一个点，将邻近的影响因子归为一类，表示它们可合并为一个综合影响因子。

7)、本发明利用工程项目实测数据，对4个参数进行主成分分析，得到前三个主因子即可解释全部数据样本的94％的信息，第一主成分主要反映了冷冻水流量的信息,第二主成分主要反映了冷冻水出口温度的信息，第三主成分反映了冷却水流量、冷却水入口温度的关系。

8)、这4个参数在三个主因子中的解释信比重设为：α_ij(i＝1,2,3；j＝1,2,3,4)，根据主成分分析得出的结论，将这4个参数在主因子中的解释信息量作为各自无量纲数的权重，得到三个主因子λ₁、λ₂、λ₃计算公式：

(2)、单纯形法寻优的具体过程；

1)、初始单纯形的构造

构造一个有4个顶点的单纯形，初始点：X⁽⁰⁾＝(x₁,x₂,x₃)，其余3个点选为：X⁽¹⁾＝(x₁+p,x₂+q,x₃+q),X⁽²⁾＝(x₁+q,x₂+p,x₃+q)，X⁽³⁾＝(x₁+q,x₂+q,x₃+p)，其中选取：p＝0.94a,q＝0.24a，a为单纯形的边长，设定为搜索时的步长。然后逐个计算在搜索变量为X⁽⁰⁾，X⁽¹⁾，X⁽²⁾，X⁽³⁾的评价函数f(X)，并进行比较。

2)、初始点：X⁽⁰⁾＝(x₁,x₂,x₃)的计算公式为：

$x_1=\underset{j=1}{\overset{4}{\Σ}}{\mathrm{\α}}_{1j}{r}_j,x_2=\underset{j=1}{\overset{4}{\Σ}}{\mathrm{\α}}_{2j}{r}_j,x_3=\underset{j=1}{\overset{4}{\Σ}}{\mathrm{\α}}_{3j}{r}_j$

其中 $r=(r_1,r_2,r_3,r_4)=({\tilde{r}}_{T_{ci}}^{opti},{\tilde{r}}_{T_{eo}}^{opti},{\tilde{r}}_{ew}^{opti},{\tilde{r}}_{cw}^{opti}).$

3)、单纯形的边长a的确定方法是：

a＝max{abs(x₁-x₂),abs(x₁-x₃),abs(x₂-x₃)}

4)、评价函数f(X)采用广义回归神经网络：

广义回归神经网络(GRNN神经网络)拓扑结构如附图8所示，神经网络的输入为3个主因子(冷却水流量和冷却水入口温度合并为一个主因子，冷冻水流量为一个主因子，冷冻水出口温度为一个主因子)，输出为对应的制冷机组能效比COP，其余说明与进行空调负荷预测采用的GRNN神经网络相同，不再赘述。

5)、单纯形法的迭代过程

其流程如附图9所示，包括以下操作：

①、反射

求最坏点X^(h)的反射点，即令X^(R)＝X_c+α(X_c-X^(h))，其中X_c是单纯形的顶点中除去X^(h)以外的3个顶点组成的三角形的重心即：

$X_c=\frac{1}{3}\[\underset{i=0}{\overset{3}{\Σ}}(X^{\left(i\right)}-X^{\left(h\right)})\]+X^{\left(h\right)}$

所以X^(R)是X^(h)关于形心X_c的反射点，该点的函数值为f(X^(R))。其中α为给定的反射系数取为0.3。

②、延伸

比较函数值f(X^(R))和f(X^(L))，若f(X^(R))≤f(X^(L))，即表示新选的反射点比原来的最好点还好，则可以在原来的搜索方向上再适当延伸以寻找更好的点，即将X^(R)-X_C延伸得：

X^(E)＝X_C+γ(X^(R)-X_C)

其中γ为给定的延伸系数，取为1.5，如果f(X^(E))≤f(X^(L))则以X^(E)代替X^(h)，否则以X^(R)代替X^(h)。

③、收缩

如果对于所有除去最坏点X^(h)以外的其他点(X⁽ⁱ⁾≠X^(h))上的目标值都有f(X⁽ⁱ⁾)＜f(X^(R))＜f(X^(h))或者f(X^(G))≤f(X^(R))(f(X^(G))为f(X^(R))之外的3个函数值中的次大值，即为次坏值点)，说明所选的反射点并不太好，则将向量收缩，可令：

X^(N)＝X_c+β(X^(h)-X_c)

其中0＜β＜1为给定的收缩系数，取为0.8，在f(X^(R))＜f(X^(h))的情况下，以X^(R)代替X^(h)后再收缩。当f(X^(N))＜f(X^(h))时，以X^(N)代替X^(h)。

④、压缩整个单纯形

如果f(X^(N))≥f(X^(h))，说明即使做了上述的收缩后，目标函数值并没有改善，则可以把原先的单纯形向最好的点缩小一半，即将所有的向量X⁽ⁱ⁾-X^(h)减小一半,令：

$X^{\left(i\right)}=X^{\left(L\right)}+\frac{1}{2}(X^{\left(i\right)}-X^{\left(L\right)})=\frac{1}{2}(X^{\left(i\right)}+X^{\left(L\right)}),i=1,2,3,$

⑤、得到新的单纯形，不断重复上述迭代过程，直至满足一定的终结条件：

max{f(X⁽ⁱ⁾)-f(X^(C))}＜ε

ε为设定的精度取为0.001。

步骤六，进行制冷***其他运行参数的优化：制冷机组、冷却水泵以及冷却水泵的开启台数和负荷率分配，主要包括以下内容：

(1)、在空调总负荷一定的情况下，得到整个制冷***中机组的负荷率使得所有机组总耗电量最小：

由于制冷机组性能图通常为能效比随负荷率的样本曲线f(α)，当空调总负荷一定时可以根据其样本特性曲线确定机组的负荷分配率使得其耗电量最小。设总制冷量为Q，单台制冷机组的额定制冷量为Q_r，***中制冷机组台数共计为N台，其负荷分配率的数学描述为：

$min\mathrm{\Σ}\frac{x_i{\mathrm{\α}}_i}{f\left(x_i{\mathrm{\α}}_i\right)}$

$\begin{array}{cc}s.t& {\mathrm{\Σx}}_i{\mathrm{\α}}_i=\frac{Q}{Q_r}\end{array}$

x_i＝0，1i＝1,2...N

0<α_i≤1

(2)、给定泵的耗电量随负荷率的样本曲线f(α)，当总流量一定时根据其样本特性曲线确定输送设备的负荷分配率使得其耗电量最小：

总流量为w，单台泵的额定流量为w_r，***中泵台数共计为N台，则输送设备的优化即为在一定流量下，泵的耗电量最少，其数学描述为：

$min\underset{i=1}{\overset{N}{\&Sigma;}}f\left(x_i{\mathrm{\&alpha;}}_i\right)$

s.tx_i＝0，1i＝1,2...N

0<α_i≤1

$\underset{i=1}{\overset{N}{\&Sigma;}}{x}_i{\mathrm{\&alpha;}}_i=\frac{w}{w_{e,r}}$

(3)、制冷机组以及冷却水泵、冷冻水泵的开启台数和负荷率的二次优化方法：

制冷***的设备(机组和水泵)的时序控制包括开启的台数和开启台数的负荷率的分配，将(1)和(2)中的非线性规划问题通过二次优化完成。

1)、一次优化是为了确定启停的台数，机组和水泵均采用基于性能图的优化方法，对于制冷机组(输送设备)而言，在总制冷量Q(总流量w)一定的情况下，通过制冷机组(水泵)性能曲线得到最大效率(对于制冷机组而言最大效率即为能效比COP最大；对于输送设备而言，最大效率是输送流量与耗电量的比值最大)运行下对应的制冷量Q_op(流量w_op)，一次优化中考虑制冷量(流量)平均分配，制冷机组(水泵)的开启台数n初步确定为：

对于制冷机组： $n=\left\{\begin{array}{cc}\&lsqb;\frac{Q}{Q_{op}}\&rsqb;+1& \frac{Q}{Q_{op}}-\&lsqb;\frac{Q}{Q_{op}}\&rsqb;>0.5\\ \&lsqb;\frac{Q}{Q_{op}}\&rsqb;& \frac{Q}{Q_{op}}-\&lsqb;\frac{Q}{Q_{op}}\&rsqb;<0.5\end{array}\right.,$ 对于水泵： $n=\left\{\begin{array}{cc}\&lsqb;\frac{w}{w_{op}}\&rsqb;+1& \frac{w}{w_{op}}-\&lsqb;\frac{w}{w_{op}}\&rsqb;>0.5\\ \&lsqb;\frac{w}{w_{op}}\&rsqb;& \frac{w}{w_{op}}-\&lsqb;\frac{w}{w_{op}}\&rsqb;<0.5\end{array}\right.,$

2)、二次优化是为了完成最终的优化分配，通过一次优化得到较优的开启台数之后，二次优化是一个有约束的非线性规划问题，

①、对于制冷机组而言有：

$min\mathrm{\&Sigma;}\frac{{\mathrm{\&alpha;}}_i}{f\left({\mathrm{\&alpha;}}_i\right)}$

$\begin{array}{cc}s.t& {\mathrm{\&Sigma;\&alpha;}}_i=\frac{Q}{Q_r}\end{array}$

0<α_i≤1i＝1,2.....m

为了将有约束的规划问题转化为无约束规划，考虑优化函数：

$\begin{array}{cc}f\left(\mathrm{\&alpha;}\right)=min\mathrm{\&Sigma;}\frac{{\mathrm{\&alpha;}}_i}{f\left({\mathrm{\&alpha;}}_i\right)}+\mathrm{\&lambda;}{({\mathrm{\&Sigma;\&alpha;}}_i-\frac{Q}{Q_r})}^2& i=1,\mathrm{2....}m\end{array}$

②、对于泵，无约束规划优化函数为：

$\begin{array}{cc}f\left(\mathrm{\&alpha;}\right)=min\mathrm{\&Sigma;}f\left({\mathrm{\&alpha;}}_i\right)+\mathrm{\&lambda;}{({\mathrm{\&Sigma;\&alpha;}}_i-\frac{w}{w_r})}^2& i=1,2....m\end{array}$

其中m为开启台数，λ是权重因子取为0.8～1.2，α是负荷率分配向量(m维)，台数m分别取为n-1,n,n+1进行f(α)值的对比。

3)、为了确定最终的优化结果，负荷率α_i的确定采用基于模拟退火的遗传算法如附图13，其中基于模拟退火的遗传算法主要包括以下几个关键技术：

①，染色体编码，如附图11，采用二进制编码方式,染色体共m段(制冷***中的制冷机组(水泵)的开启台数)。

②，如附图12，α_i的搜索区间确定为：[α_op-Δα,α_op+Δα]，其中

对于制冷机组而言

$\mathrm{\&Delta;}\mathrm{\&alpha;}=max\{\left|{\mathrm{\&alpha;}}_{op}-\frac{Q}{(n+1)Q_r}\right|,\left|{\mathrm{\&alpha;}}_{op}-\frac{Q}{(n-1)Q_r}\right|\},{\mathrm{\&alpha;}}_{op}=\frac{Q_{op}}{Q_r}$

对于水泵而言

$\mathrm{\&Delta;}\mathrm{\&alpha;}=max\{\left|{\mathrm{\&alpha;}}_{op}-\frac{w}{(n+1)w_r}\right|,\left|{\mathrm{\&alpha;}}_{op}-\frac{w}{(n-1)w_r}\right|\},{\mathrm{\&alpha;}}_{op}=\frac{w_{op}}{w_r}$

③，适应度函数的构造，

遗传算法寻优的原理如附图10，其目标就是找到最合适的m个参数组合，但是遗传算法在早期进化时容易出现种群早熟陷入局部最优的情况，为了避免这一情况基于模拟退火算法Metropolis判别准则，子代群中随机选取个体i和j，个体i竞争进入下一代的入选概率为：

$\left\{\begin{array}{cc}f\left(i\right)\&le;f\left(j\right)& p\left(i\right)=1\\ f\left(i\right)\&GreaterEqual;f\left(j\right)& \left\{\begin{array}{cc}p\left(i\right)=1& \exp \left(\frac{f\left(j\right)-f\left(i\right)}{T}\right)\&GreaterEqual;\mathrm{\&alpha;}\\ p\left(i\right)=0& \exp \left(\frac{f\left(j\right)-f\left(i\right)}{T}\right)<\mathrm{\&alpha;}\end{array}\right.\end{array}\right.$

其中T为退火温度，α＝0.5。

④，退火温度区间的设置：

如三中构造的适应度函数，这里退火温度区间取为T＝300～0，每次循环温度变化为T＝αT,α＝0.95。

⑤，遗传算法中每一代种群个数和进化代数的设置：

每一代种群个体设为500个，进化代数设为200代。

⑥、遗传算法中的3个循环，如附图13：

第一层循环(最里一层循环)是每一代种群个体之间的寻优过程，第二层循环是模拟退火过程，这一层循环伴随着模拟退火温度的不断降低，第三层循环是变更染色体长度m(即台数m分别取为n-1,n,n+1)，实现具有不同染色体长度的种群进化完毕后的最优个体之间进一步优化的过程。

步骤七，根据下一时刻制冷***的最优运行参数组合，参照附图3，控制***对各参数变量提前进行控制，以保证待测时刻到来时，制冷***处于最优的工作状态。

本发明在楼宇自控***Lon-works平台上进行二次开发实现单片机Lon-works的集成，单片机作为一级控制单元，包括空调负荷预测模块和制冷***运行参数优化设置模块，Lon-works作为二级控制单元实现制冷***实时运行状态数据的采集和一级控制信号的传输与制冷***相关硬件设备的实时控制，一方面保证***供冷和负荷用冷在数量上相等，时间上同步，另一方面使得控制***能够提前对制冷***的各参数变量进行动态调节，确保制冷***始终处于最优或接近最优的工作状态。

Claims (4)

1.一种地源热泵制冷***优化控制方法，包括以下步骤：

步骤一、采集制冷机组的运行参数，包括制冷机组能效比、制冷量、冷却水流量、冷冻水流量、冷却水入口温度、冷冻水出口温度、制冷机组开启台数和负荷率、冷冻水泵开启台数和负荷率、冷却水泵开启台数和负荷率；

步骤二、运用三种智能预测方法：灰度预测、广义回归神经网络预测、最小二乘支持向量机预测分别预测空调负荷，最后运用灰色数据融合模型整合三种模型的预测结果得到空调负荷的预测值；

步骤三、运用带指数遗忘的最小二乘方法对基于吉田函数模型的制冷机组能效比经验公式进行系数的自适应拟合；

步骤四，将预测时刻空调负荷作为制冷***制冷量代入吉田函数模型，根据极值原理，通过吉田函数模型对冷却水流量、冷冻水流量、冷却水入口温度、冷冻水出口温度4个参数进行偏导数计算，得到下一时刻制冷机组接近最优的4个运行参数工况点；

步骤五，运用单纯形方法进行制冷机组冷却水流量、冷冻水流量、冷却水入口温度、冷冻水出口温度4个参数的最优组合搜索；

步骤六，进行制冷***其他运行参数的优化，包括制冷机组、冷却水泵以及冷却水泵的开启台数和负荷率分配；

步骤七，根据下一时刻制冷***的最优运行参数组合，控制***对各参数变量提前进行控制，以保证待测时刻到来时，制冷***处于最优的工作状态。

2.如权利要求1所述的地源热泵制冷***优化控制方法，其特征在于：所述的步骤二中广义回归神经网络预测的神经网络结构为输入层、模式层、求和层、输出层。

3.如权利要求1所述的地源热泵制冷***优化控制方法，其特征在于：所述的灰色数据融合方法的实施方法是：

a)、为灰度预测、广义回归神经网络预测、最小二乘支持向量机预测这3个预测模型得到的预测时刻的空调负荷值，定义任意两个值之间的距离如下：d_ij＝|a_i-a_j|，i,j∈{1,2,3}

b)、构造两个数据间的支持度函数： $r_{ij}=cos\left(\frac{{\mathrm{\&pi;d}}_{ij}}{2\&times;max\left\{d_{ij}\right\}}\right),i,j\&Element;\{1,2,3\};$

c)、求得矩阵R＝{r_ij}的最大特征值λ，与其对应的特证向量取：融合后得到：即为灰色数据融合预测值。

4.如权利要求1所述的地源热泵制冷***优化控制方法，其特征在于：所述的步骤六的优化步骤为：

a)、在空调总负荷一定的情况下，得到整个制冷***中机组的负荷率使得所有机组总耗电量最小；

b)、给定泵的耗电量随负荷率的样本曲线，当总流量一定时根据其样本特性曲线确定输送设备的负荷分配率使得其耗电量最小；

c)、制冷机组以及冷却水泵、冷冻水泵的开启台数和负荷率的二次优化方法。