制冷站雙目標權重自適應非線性預測控制

魏 東閆 畔馮浩東

(1.北京建筑大學電氣與信息工程學院,北京 100032;2.北京市建筑大數據智能處理重點實驗室,北京 100032;3.北京北方華創微電子裝備有限公司,北京 100176)

1 引言

制冷站作為公共建筑中央空調系統的核心,其能耗占整個建筑空調系統能耗的60%左右[1].能效比(energy efficiency ratio,EER)是衡量制冷站能效的標準[2],美國采暖、制冷與空調工程師學會(ASHRAE)指出:EER在4.1以上為高能效制冷站,而國內制冷站EER通常只能達到2.5～3.2 的平均水平[3].控制方法不當是造成這種現象的主要原因.目前制冷站大多采用(proportional-integral-derivative,PID)控制方法實現獨立設備回路的閉環調節,無法滿足系統整體性能優化要求.同時,制冷站非線性和大滯后的特性導致PID參數整定困難,系統極易產生震蕩.因此,研究自適應性強的制冷站節能優化控制策略意義重大.

研究表明,模型預測控制(model predictioncontrol,MPC)能夠通過實時反饋克服干擾等不確定性因素的影響,解決耦合和硬約束問題,擁有較好的動態控制性能[4].Uwe等人[5]提出一種吸附式制冷機預測控制算法,采用序列二次規劃法(sequential quadratic programming,SQP)解決滾動優化問題,使制冷機的冷卻能力比在狀態控制下提高31.1%.Zhao等人[6]提出一種基于動態規劃(dynamic programming,DP)的預測控制方法,將情景分析與預測控制相結合,實現了光伏蓄冰空調系統的經濟運行.

上述策略雖取得了較好的控制效果,但求解優化問題時采用的非線性規劃法(如SQP,DP)計算量較大,占用存儲區空間較多[7],為工程實現帶來了困難.針對上述問題,Seong和Widrow[8]提出了一種基于神經網絡的非線性多輸入多輸出優化求解算法,采用神經網絡計算反饋最優解,降低了時間、空間復雜度.然而,該算法本質上屬于最優控制問題,不適用于制冷站這種時變且易受擾動等不確定因素影響的復雜系統.

另一方面,為滿足系統整體性能優化要求,制冷站預測控制策略優化目標應為在滿足建筑冷量需求的前提下,提高系統整體能效.然而,這兩個優化目標之間存在矛盾關系.為解決多目標優化過程中各子目標相互沖突的問題,許志榮等人[9]采用線性加權方法進行雙目標問題求解,但該方法的權重系數不能實時修正,不適用于場景與變化較為復雜的工業應用.史晨豪等人[10]基于改進的NSGA-Ⅱ算法求解配電網雙目標優化函數,但該算法由于種群收斂分布不均勻,易陷入局部最優,求解結果的優劣程度難以保證.而在能夠充分采集系統運行數據的情況下,采用模糊邏輯(fuzzy logic,FL)基于先驗知識構建權重自適應模塊是一種易于實現的解決方案,因為模糊邏輯作為一種類似于人類推理的決策方式,其特點是無需依賴精確的被控對象模型,僅需基于先驗知識進行推理,易于工程實現[11].

綜上,本文提出制冷站雙目標權重自適應非線性預測控制策略,優化目標分別為滿足建筑冷量需求和提高系統整體能效,為解決非線性規劃算法計算量大、制冷站時變且易受擾動的問題,對文獻[8]所提的方法進行改進,提出基于神經網絡的預測控制算法.該算法結合多步預測、在線滾動優化和反饋校正策略,采用3層前饋神經網絡作為優化反饋控制器,將系統優化目標函數作為神經網絡控制器在線尋優性能指標,基于Euler-Lagrange算法和隨機梯度下降法,對神經網絡控制器權值進行滾動優化.在此基礎上,在控制策略中加入優化目標函數權重自適應模塊,采用模糊邏輯分派策略求解權重因子,對預測控制優化目標函數進行動態調整,以平衡優化目標函數中系統制冷量和制冷站能效比之間的矛盾關系.最后以廣州某公共建筑制冷站為研究對象進行仿真實驗,驗證了所提方法的有效性.

2 系統描述

2.1 制冷站系統描述

制冷站由3部分構成,分別為制冷機組、冷凍水回路和冷卻水回路.其中: 制冷機組是中央空調的制冷源;冷凍水回路由冷凍水泵及冷凍水管道組成,冷凍水流出制冷機后,通過末端空氣處理機組中的冷卻盤管與空氣進行熱交換,帶走空氣中的熱量,再將熱量傳送給制冷機組中的制冷劑;冷卻水回路由冷卻水泵、冷卻水管道及冷卻塔組成,冷卻水在制冷機中帶走制冷劑釋放的熱量,再通過冷卻塔與大氣進行熱交換.

2.2 制冷站能效分析

2.2.1 制冷機組

制冷機組是制冷站中的核心設備,其制冷量由式(1)計算得出,即

其中:Qch表示制冷機組制備的冷量(制冷站提供的冷量),單位kW;c表示水的比熱容,單位J/(kg·K);mchw表示冷凍水流量,單位kg/s;Tchws表示冷凍水供水溫度,單位?C;Tchwr表示冷凍水回水溫度,單位?C.

制冷機組的運行能效比COP(coefficient of performance)是所制備的冷量與制冷機組運行功率之比

其中:Pchiller表示制冷機組的運行總功率,單位kW;Qch表示制冷機組制備冷量,單位kW.

2.2.2 水泵

在制冷站中,冷凍水泵和冷卻水泵是完成冷凍水循環、冷卻水循環所必要的動力設備.一般情況下,水泵的功率由變頻器控制,計算公式為

其中:Ppump表示水泵功率,單位kW;ρ表示冷凍(卻)水密度,單位kg/m3;g為重力加速度,單位m/s2;V表示冷凍(卻)水流量,單位m3/h;H表示水泵揚程,單位m;η表示水泵全效率;ηp為水泵效率;ηm為電機效率;ηVFD為變頻器效率.

2.2.3 冷卻塔

制冷站內的冷卻塔利用風機對帶有熱量的冷卻水進行降溫散熱.冷卻塔風機運行功率可表示為

其中:Ptower表示風機運行功率,單位kW;Ptower,rated表示風機額定功率,單位kW;ft表示風機運行頻率,單位Hz;f0表示風機額定頻率,一般為50 Hz.

2.2.4 制冷站能效比

制冷站能耗指標EER為制冷站在單位時間內的制冷量與其消耗功率的比值,計算公式為

其中:Pchiller為制冷機組運行功率,Ppumpch,Ppumpc分別為冷凍水泵、冷卻水泵運行功率,Ptower表示冷卻塔風機運行功率,上述變量單位均為kW.

制冷機組能耗占制冷站總能耗的一半以上,Tchwr不變時,提高Tchws可以提升制冷機組COP[12].由于制冷機組內部控制器不允許對其進行直接控制,因此求取制冷站能效比最高時的冷凍水供水溫度設定值,并將其傳送給制冷機組內部的控制器,可以實現對Tchws的控制.由式(3)–(4)可知,可以通過調節水泵和風機的運行頻率改變水泵和風機功率.因此,制冷站EER的控制變量分別為Tchws,fpumpch,fpumpc以及冷卻塔風機轉速ftower.同時,由式(1)可知,Tchwr不變時,制冷機組制冷量Qch與mchw,Tchws直接相關,而mchw通過改變fpumpch進行控制,因此制冷量Qch的控制變量為fpumpch和Tchws.

3 預測控制策略

3.1 預測控制優化目標函數

控制目標是在滿足建筑冷量需求的前提下,盡可能提高制冷站整體能效,使得系統EER跟隨其設定值、制冷量跟隨需求負荷值.同時,引入權重因子α平衡制冷量與EER的權重關系,實現優化控制.綜上,制冷站預測控制優化目標函數定義為

式中:J(EER)[k]表示預測控制優化目標目標函數,M為預測時域,t1為預測時域的起始時間,EER[k]和Qch[k]表示當前時刻系統能效比和制冷量,EERset[k]和Qpred[k]表示當前時刻能效比設定值和負荷設定值(將負荷預測結果作為設定值),α是當前時刻權重因子,其定義域在[0,1]之間.

3.2 預測控制系統結構

制冷站預測控制系統由預測控制模塊和權重自適應模塊組成,系統結構如圖1所示.其中,預測控制模塊由負荷預測模型、系統能效比預測模型和神經網絡預測反饋控制器組成,通過多步預測、滾動優化和反饋校正策略,對神經網絡控制器權值和閾值進行在線尋優,求出最佳的控制量;虛線框所代表的權重自適應模塊通過模糊邏輯得到權重因子α,實時更新優化目標函數(6)中兩個目標的權重.

圖1 系統預測控制策略結構圖Fig.1 System predictive control strategy structure diagram

圖1中,狀態變量x[k]包含當前時刻EER值EER[k]和當前時刻制冷量Qch[k];?x[k+i]為EER 預測值;x?[k+i]為EER的期望值和負荷的預測值;y[k]為冷凍水流量、冷凍水供回水溫度等參數的實際值;z[k]為室外溫度、室外濕度等其他變量.

由第2.2.4小節可知,制冷站需要尋優的控制變量u[k]=(Tchws[k],ftower[k],fpumpch[k],fpumpc[k]).

此外,制冷站各設備均受到一定條件的狀態約束,控制量參數的取值范圍為

冷凍水供水溫度:7?C ≤Tchws≤15?C;

冷凍水泵控制頻率:30 Hz ≤fpumpch≤50 Hz;

冷卻水泵控制頻率:30 Hz ≤fpumpc≤50 Hz;

冷卻塔風機控制頻率:30 Hz ≤ftower≤50 Hz.

3.3 權重自適應模塊

權重自適應模塊采用模糊邏輯對權重因子進行尋優,由EER[k]與其設定值EERset[k]得到能效比差值?EER,由系統提供冷量Qch[k]與需求負荷Qpred[k]得到冷量差值?Q,實時調整制冷量與能效比的權重因子α,實現制冷站的節能優化運行.

3.3.1 模糊論域

模糊論域輸入變量為E(?EER)和Q(?Q).對于所研究的制冷站而言,E的取值范圍為[-2.5,1.75],Q的取值范圍為[-380,250],兩者真實值之間的差值過大,因此通過尺度變換得到輸入變量E的論域為[-0.25,0.175],Q的論域為[-0.38,0.25].尺度變換后論域較為精細,因此模糊論域為[-2,-1,0,1,2],模糊子集T=[NB(負大),NS(負小),ZO(零),PS(正小),PB(正大)].

3.3.2 隸屬度函數

在輸入變量E,Q較為密集的區域(如E的ZO區域)使用較平緩的高斯隸屬度函數,而在其他較為分散的區域使用三角隸屬度函數.輸出變量α的隸屬度函數為高斯型.最終確定的E,Q以及α的隸屬度曲線如圖2所示.

圖2 各變量隸屬度函數曲線Fig.2 The membership function curve of each variable

3.3.3 模糊規則

模糊規則設置依據如下: 1)?EER較大,?Q較小時,控制系統的主要任務是消除能效比偏差,α應偏小;2)?EER較小,?Q較大時,控制系統的主要任務是消除冷量偏差,α應偏大.

參照制冷站運行規律和實際控制操作經驗,在仿真過程中不斷調整被控量精度,得到模糊規則表如表1所示.

表1 模糊規則表αTable 1 Fuzzy rule table α

3.4 非線性預測控制

3.4.1 神經網絡非線性預測控制算法

制冷站由制冷機組、水泵、風機等非線性設備組成,非線性系統預測模型的一般表達式為

其中:x[k]=[x1(k)x2(k)x3(k)··· xn(k)]表示n維狀態變量,u[k]=[u1(k)u2(k)u3(k)··· um(k)]表示m維控制變量,k為當前時刻,k+1 為下一時刻.

神經網絡控制器的表達方式如下:

其中:W表示神經網絡權值矩陣(包括閾值);x?[k+1]表示下一時刻狀態變量的期望輸出.神經網絡控制器輸入層有2n+1個神經元,輸入變量為x[k],x?[k+1]和-1,輸出層有m個神經元,輸出變量為控制量u[k].

不失一般性,設預測時域內的優化目標函數為

式中:?t1+M(x[t1+M],t1+M)表示末值優化目標函數,L(x[k],u[k],k)表示過程優化目標函數.

采用拉格朗日乘子法[13],引入待定的拉格朗日乘子向量,構造增廣優化目標函數

其中:λ和q分別為n維和m維拉格朗日乘子向量,f(k)和g(k,W)分別代表預測模型(7)和控制器方程(8)的右側部分,則可得到哈密頓函數

于是增廣優化目標函數可以改寫為

假設狀態變量、控制量和神經網絡控制器權值矩陣(包括閾值)的變分分別為δx[k],δu[k]和δW,為了求取增廣優化目標函數的極值,求取式(12)的一階變分

對于任意變分向量δx[k],δu[k]和δW,最小化增廣優化目標函數Ja的必要條件是δJa=0.由于x[t0]是已知常量,故δx[t0]=0.

則需滿足以下條件,使增廣優化目標函數極小:

其中: 式(14)–(15)為哈密頓正則(伴隨)方程,k=t1,t1+1,···,t1+M -1;式(16)為橫截條件;式(17)為極值條件.

3.4.2 制冷站神經網絡預測控制器設計

在神經網絡控制器中,增加隱含層的數目可以提高網絡的非線性映射能力,但同時會影響網絡的泛化能力.理論研究表明,3層神經網絡能以高精度有效逼近任何一個非線性過程[14],因此,確定神經網絡層數為1個輸入層、1個隱含層和1個輸出層.神經網絡控制器的輸入參數包括制冷站系統EER、影響EER的室外環境參數、負荷以及與閾值有關的-1,具體為以下7個:1)室外溫度Tto[k];2)室外濕度Tho[k];3)當前時刻系統提供冷量Qch[k];4)當前時刻系統能效比EER[k];5)下一時刻負荷預測值Qpred[k+1];6)EER設定值EERset[k];7)-1.輸出參數為冷凍水供水溫度Tchwset[k]、冷卻塔風機頻率ftower[k]、冷凍水泵頻率fpumpch[k]、冷卻水泵頻率fpumpc[k].

采用式(18)的經驗公式法[15]確定神經網絡控制器隱含層神經元個數

其中:l為隱含層單元數,n為輸入單元數,m為輸出單元數,a為[1,10]之間的常數.通過試湊,選擇隱含層神經元數量為10.

3.5 神經網絡預測控制器在線優化

制冷站采樣周期為5分鐘,取預測時域M=6,預測末來半小時系統的狀態,設置學習率μ=0.1.神經網絡預測控制器在線優化按照以下步驟進行:

1)初始化神經網絡控制器的權值,將W設為較小的隨機數(0.01或更小),初始化優化目標函數中?EER,?Q為0;

2)根據制冷站實際輸出反饋值x[t0]確定系統預測時域內的狀態初值x[t1];

3)設當前時刻為k=t1,設置EER期望輸出x?[t1+i](i=1,2,···,M)在預測時域內各時刻的值;

4)根據負荷預測模型得到負荷預測值Qpred[k],由當前能效比EER[k]與設定值EERset[k]得到?EER,由當前時刻系統供冷量Qch[k]與需求冷量Qpred[k]得到?Q,通過權重自適應模塊得到權重因子α[k],更新優化目標函數的權重因子;

5)將x[t1]和x?[t1+1]輸入給神經網絡控制器,得到控制量在預測時域內的初始值u[t1],根據負荷預測模型得到負荷預測值Qpred[t1],再將控制量u[t1]、狀態變量x[t1]和負荷Qch[t1]等作用于能效比預測模型,得到預測值[t1+1];

7)重復上述步驟5)–6),然后根據正則方程(14)–(15),遞推計算拉格朗日乘子向量λ[k]和q[k];

8)根據第7)步計算得到的拉格朗日乘子q[k]的值,基于隨機梯度下降法修正神經網絡控制器權值.權值更新過程如式(19)–(20)所示,即

其中W是神經網絡控制器的權值矩陣;

9)重復上述步驟5)–8),對神經網絡控制器權值進行修正,直至神經網絡收斂,理想情況下?W=0;

10)令t1=k+1,重復上述步驟3)–9),計算出各采樣時刻的最優控制量u,直至控制過程結束.

上述神經網絡在線優化策略通過多步預測,將制冷站時變、大滯后等動態特性完全融進有限時域的滾動優化目標中,增強了系統的魯棒性,同時利用優化過程中測量到的系統信息進行反饋校正,使模型有效克服參數時變特性所帶來的擾動影響.

下面對算法的計算量和占用存儲空間量進行分析.假設狀態變量有n個,控制量有m個,神經網絡控制器權值有nw個,則在預測控制系統尋優過程中,所提出的預測控制滾動優化算法需要進行約(2n(n+m)+nw(m+2))M步迭代計算,占用(n+m)M+2nw個計算機存儲單元,說明算法計算量和占用存儲單元數與n,m,nw呈線性關系,而傳統非線性規劃算法在求解過程中計算量和占用存儲單元數與狀態、控制變量維數指數相關,會導致“維數災”問題,不易工程實現.因此,在進行滾動優化求解時,提出的神經網絡預測控制優化算法具有計算量小、占用存儲空間少的優勢,可以采用低成本的基于ARM(Advanced RISC Machines)內核的現場控制器實現.

4 實驗研究

4.1 研究對象概況

以廣東省某公共建筑制冷站為研究對象,該建筑總面積約66280 m2,空調區域面積約占37544 m2,制冷站各設備詳細信息見表2.

表2 制冷站設備Table 2 The air-conditioning refrigeration equipment

4.2 預測模型構建

制冷站控制目標為在滿足建筑冷負荷需求的前提下,使系統整體能效比達到期望值,因此需要構建準確的負荷預測模型及系統能效比預測模型.制冷站所具有的結構復雜、非線性、強耦合等特點,給機理建模帶來了困難.相比之下,神經網絡算法無需繁冗的建模過程,且模型精度較高,在非線性系統建模方面更具優勢[16].因此,采用神經網絡構建系統負荷預測模型和能效比預測模型.

4.2.1 數據采集與預處理

仿真實驗通過在該公共建筑現場安裝的傳感器采集數據,采樣周期為5 min.選取2020年9–10月的6335條實測樣本數據對負荷預測模型和能效比預測模型進行建模,通過傳感器所測得的供回水溫度計算出建筑冷負荷,通過測得的系統功率、冷凍水泵頻率、冷卻水泵頻率及冷卻塔風機頻率計算出系統能效比.由實測數據計算所得的建筑冷負荷分布情況、系統整體EER分布情況分別如圖3–4所示,可以看出,冷負荷波動幅度較大且具有較為明顯的周期性變化規律.EER大多分布在3.6左右,只有極少數達到4.6,系統整體EER偏低.

圖3 建筑冷負荷分布情況Fig.3 Distribution of building cooling load

圖4 原控制系統EER分布情況Fig.4 EER distribution of the original control system

為了消除尖峰噪聲和各種隨機噪聲的影響,采用滑動平均濾波算法[17]對原始數據進行處理.首先設定滑動隊列長度N,每次獲取一個新數據放入隊尾,并去除原來隊首的一個數據,依次對隊列中的N個數據進行算術平均運算,獲得新的濾波結果.對建筑冷負荷、室外溫濕度、水泵及風機頻率等原始數據進行平滑濾波處理,通過反復實驗設定隊列長度N為24.以室外溫度數據為例的濾波結果如圖5所示.實驗結果表明,該濾波方法可以平滑數據,獲得最具有代表性的數據集合.

圖5 室外溫度濾波結果Fig.5 Outdoor temperature filtering results

4.2.2 神經網絡結構及參數

Elman網絡是具有局部記憶單元和局部反饋連接的遞歸神經網絡,在前饋神經網絡結構的基礎上增加承接層,用來記錄隱含層前一個時刻的輸出值.承接層神經元的輸出經延遲與存儲,再輸入到隱含層,使網絡對歷史數據具有敏感性,增強了動態處理能力[18].選用4層Elman神經網絡建立制冷站預測模型,包含1個輸入層、1個隱含層、1個承接層和1個輸出層.將實測樣本數據劃分為訓練集和測試集,數據占比分別為70%和30%.由于數據的規模較小且周期性強,因此每批次都將所有訓練數據送入神經網絡進行訓練,在保證網絡計算時間的前提下滿足精準的負荷預測及EER預測需求.

建筑冷負荷受多重因素影響,包含由室內人員及電器引起的室內區域溫濕度變化、室外干濕球溫度、太陽輻照程度、風速等[19].另外,歷史負荷表示負荷需求的潛在規律,也會對建筑冷負荷造成影響[20].因此,確定負荷預測模型的輸入參數為室外溫度Tto[k]、室外濕度Tho[k]、當前時刻負荷值Qch[k]、前一天負荷值Qdayago[k]和前一周負荷值Qweekago[k],輸出參數為下一時刻的負荷預測值Qpred[k+1].

系統能效比預測模型的輸入是影響系統EER的狀態變量和控制變量.選取室外溫度Tto[k]、室外濕度Tho[k]和系統當前負荷Qch[k]作為模型狀態變量輸入,選取冷凍水供水溫度設定值Tchwset[k]、冷凍水泵頻率fpumpch[k]、冷卻水泵頻率fpumpc[k]、冷卻塔風機頻率ftower[k]作為模型控制變量輸入.輸出變量為下一時刻系統能效比EER[k+1].

網絡隱含層神經元數目對預測模型的性能有顯著影響.Elman網絡結構中,由于承接層需要對隱含層的輸出進行記錄并存儲,因此其神經元個數與隱含層神經元個數相同.基于式(18)確定隱含層神經元個數,采用不同神經元個數得到的預測模型均方誤差如表3所示,當隱含層神經元個數為8時,負荷預測模型的均方誤差最小,當隱含層神經元個數為9時,EER預測模型均方誤差最小.因此,確定負荷預測模型和EER預測模型隱含層(承接層)神經元個數分別為8和9.

表3 不同情況下預測模型的均方誤差Table 3 MSE of prediction model under different conditions

訓練函數是影響網絡性能的主要因素之一,反向傳播(back propagation,BP)算法是最常用的算法,它使用梯度下降法來尋找極小值,然而其收斂速度較慢[21].Traingdx 為帶自適應學習率和動量因子的梯度遞減法,它根據誤差性能函數來調節學習率大小,解決了一般BP算法中學習率大小選擇不當的問題[22],提高了收斂速度并增加了算法的可靠性.因此,采用Traingdx算法對神經網絡進行訓練,動量因子為0.9.

學習率決定每一次循環訓練中所產生的權值變化量.學習率過大導致系統不穩定,過小將會增加訓練時間.經過實驗發現,學習率取0.1時預測模型訓練結果的均方誤差較小.因此,設定學習率的初始值為0.1,并分別設置學習率增長比、下降比為1.05與0.7,在后續的訓練中自動調節學習率的大小.

傳遞函數又稱激活函數,輸入層到隱含層的激活函數選用tansig正切函數,隱含層到輸出層的激活函數選用Pureline線性函數.

4.2.3 預測模型訓練

利用測試集數據對預測模型建模結果進行驗證,預測結果如圖6 所示,其中,橫坐標為測試樣本編號,實線為經過濾波后的采樣值,虛線為預測值.經計算,負荷預測模型均方誤差為159.087201 kW,相對誤差在±5%之內,EER預測模型均方誤差為0.00124,相對誤差在±3%之內,滿足工程需要.

圖6 預測模型測試結果Fig.6 Predictive model test results

4.3 制冷站預測控制仿真實驗

為了進行控制效果對比實驗,首先只采用所提出的神經網絡預測控制算法對制冷站進行控制,未加入優化目標權重自適應模塊,此時α取固定值0.7.設置EER初始值為3.5,為了探究神經網絡控制器的控制效果,在系統運行至75 min時,將EER設定值改為4.6,EER跟隨情況如圖7(a)所示.可以看出,在滿足負荷需求的前提下,控制器能夠使EER實時跟蹤設定值,提高系統能效.系統提供冷量動態變化過程如圖7(b)所示,可以看出在絕大部分時間范圍內,系統輸出冷量大于需求冷量(負荷).

圖7 預測模型測試結果Fig.7 Predictive model test results

圖8為施加控制策略后設備性能變化.在第75 min提高EER 設定值后,圖8(a)所示的冷凍水供水溫度由8.56?C變為12.25?C,由第2.2.4小節可知在滿足冷量需求時提高冷凍水供水溫度,可提高制冷機組能效比;圖8(b)所示的冷凍水泵頻率由43.56 Hz降至41.52 Hz,水泵能耗減少;圖8(c)所示的冷卻塔風機頻率由35.12 Hz變為43.02 Hz,風機頻率增加使得冷卻水回水溫度下降,制冷機組能效提高;圖8(d)所示的冷卻水泵頻率由42.89 Hz 變為47.62 Hz,此時冷卻水流量增加,制冷機組冷凝壓力、壓縮機吸排氣溫度均降低,功耗下降,達到節能目的[23].

圖8 設備性能變化Fig.8 Equipment performance changes

綜上可知,神經網絡預測控制策略相較于原PID控制系統而言,能效比均值由3.5 提高至4.6,提升約32.5%,能夠用于實際制冷站的節能優化控制.

4.4 基于優化目標權重自適應的預測控制實驗

在系統運行至第48 min時,加入權重自適應模塊對其進行控制,負荷需求量的變化導致權重因子α隨之改變,變化情況如圖9所示.系統能效比也隨之發生改變,能效比均值由48 min前的4.6提高至48 min后的4.919,能效比提升約6.93%,其變化情況如圖10所示.制冷站供給冷量和需求冷量(負荷)變化曲線如圖11所示.與圖7(b)相比,在加入權重自適應模塊后,制冷站制備的冷量變少,制備冷量更貼合需求冷量(負荷),進一步提升了系統能效.

圖9 權重因子α變化曲線Fig.9 The change curve of the weighting factor α

圖10 EER變化曲線Fig.10 EER change curve

圖11 加入權重自適應模塊后負荷變化情況Fig.11 Load change after adding weight adaptive module

5 結論

以滿足建筑冷量需求、提高系統整體能效為目標,提出了一種制冷站雙目標權重自適應非線性預測控制策略.結合多步預測、在線滾動優化和反饋校正策略,采用3層前饋神經網絡作為優化反饋控制器,將系統優化目標函數作為神經網絡控制器在線尋優性能指標,基于變分法和隨機梯度下降法對控制器權值進行在線尋優,提升了系統的魯棒性;且所提出的神經網絡預測控制滾動優化算法與非線性規劃算法相比計算量小、占用存儲空間適中,能夠克服非線性規劃算法的“維數災”問題,易于工程實現.此外,為解決滿足建筑冷量需求和提高系統能效兩個優化目標之間的沖突問題,設計了基于模糊邏輯的優化目標權重自適應模塊.仿真實驗結果表明,采用所提出的雙目標權重自適應非線性預測控制策略后,制冷站能夠在負荷不斷變化的情況下維持高能效比工況,在未加入優化目標函數權重自適應模塊時,非線性預測控制策略的平均能效較PID控制提高約32.5%,在此基礎上,將權重因子引入預測控制優化目標函數,可以將制冷站能效比在PID控制基礎上提高約39.43%.

本文所提出的控制策略在用于制冷站控制時取得了良好的節能效果,但是由于實驗條件和時間方面的限制,還需要在以下方面對控制策略做進一步研究:1)進行模型的可移植性分析,在實際項目中對模型進行在線修正;2)設計變論域模糊邏輯,通過變論域方法實現輸入、輸出論域的動態調整,以進一步增強控制系統自適應能力,提升系統性能.