方 興　晉欣橋　杜志敏　王逸駿　范 波

(1 上海交通大學(xué)機(jī)械與動力工程學(xué)院　上海　200240； 2 美的中央空調(diào)研發(fā)中心　佛山　528311)

?

方 興1晉欣橋1杜志敏1王逸駿1范 波2

(1 上海交通大學(xué)機(jī)械與動力工程學(xué)院上海200240； 2 美的中央空調(diào)研發(fā)中心佛山528311)

針對空調(diào)系統(tǒng)運行效率低下，且運行過程中子系統(tǒng)之間相互影響、相互制約的問題，本文基于分析方法提出一種空調(diào)系統(tǒng)多目標(biāo)運行優(yōu)化方法，以提高空調(diào)系統(tǒng)整體的運行效率。以某機(jī)場航站樓空調(diào)系統(tǒng)為研究對象，采用分析方法建立了空調(diào)系統(tǒng)的生產(chǎn)結(jié)構(gòu)圖，并根據(jù)生產(chǎn)結(jié)構(gòu)將空調(diào)系統(tǒng)劃分為3個子系統(tǒng)。在建立子系統(tǒng)分析模型的基礎(chǔ)上，以3個子系統(tǒng)的最小損為優(yōu)化目標(biāo)，采用多目標(biāo)粒子群優(yōu)化算法(MOPSO)對空調(diào)系統(tǒng)的運行參數(shù)進(jìn)行優(yōu)化。針對某一典型日的運行工況對空調(diào)系統(tǒng)進(jìn)行多目標(biāo)優(yōu)化，結(jié)果表明：相對于空調(diào)系統(tǒng)的原始控制方式，采用多目標(biāo)運行優(yōu)化方法可以有效減小空調(diào)各個子系統(tǒng)以及整個系統(tǒng)的損，使空調(diào)系統(tǒng)的運行效率明顯提高，達(dá)到了節(jié)能的目的。

空氣調(diào)節(jié)系統(tǒng)；優(yōu)化控制；多目標(biāo)優(yōu)化方法；分析

1 研究對象

本文以中國南方某機(jī)場航站樓的空調(diào)系統(tǒng)為研究對象。該建筑物總建筑面積99300 m2，其中空調(diào)面積67950 m2。圖1所示為航站樓空調(diào)系統(tǒng)示意圖。

圖2 航站樓空調(diào)系統(tǒng)的生產(chǎn)結(jié)構(gòu)圖Fig.2 Productive structure of HVAC system in airport terminal

如圖1所示，航站樓空調(diào)系統(tǒng)的水系統(tǒng)采用一次泵定流量/二次泵變流量系統(tǒng)，其中包括4臺離心式冷水機(jī)組、5臺冷卻塔(其中1臺備用)、4臺冷凍水泵、4臺冷卻水泵以及1臺二次泵。在4臺離心式冷水機(jī)組中：3臺型號相同，單臺功率為470 kW，制冷量為2460 kW；另外1臺功率為836 kW，制冷量為4640 kW。此外，航站樓空調(diào)系統(tǒng)的末端由40個空調(diào)箱(AHU)構(gòu)成，其中包括35個定風(fēng)量空調(diào)箱(CAV)和5個變風(fēng)量空調(diào)箱(VAV)。

圖1 某航站樓空調(diào)系統(tǒng)示意圖Fig.1 Schematic of HVAC system in one airport terminal

該航站樓空調(diào)系統(tǒng)每天的運行時間為7：00—22：00，當(dāng)室外干球溫度高于22 ℃時啟動冷水機(jī)組制冷，否則僅為通風(fēng)運行工況?？照{(diào)系統(tǒng)的原始運行參數(shù)為：冷水機(jī)組冷卻水進(jìn)水溫度設(shè)定值為30 ℃，冷水機(jī)組冷凍水出水溫度設(shè)定值為7 ℃，AHU送風(fēng)溫度設(shè)定值為16 ℃，冷水機(jī)組的運行方式為順序啟停[9](即根據(jù)實際負(fù)荷的大小依次開停冷水機(jī)組)。

為了研究分析空調(diào)系統(tǒng)全年的運行性能，筆者基于TRNSYS 17仿真軟件建立了該空調(diào)系統(tǒng)的仿真模型，其準(zhǔn)確性得到驗證[9]。

2 空調(diào)系統(tǒng)分析模型的建立

2.1 空調(diào)系統(tǒng)生產(chǎn)結(jié)構(gòu)圖

在圖2中，矩形表示物理組件，菱形表示匯集組件，圓形表示分支組件。圖中各符號的含義如表1所示。

表1 空調(diào)系統(tǒng)生產(chǎn)結(jié)構(gòu)圖中符號說明

Ii=Fi-Pi

(1)

(2)

(3)

表2 空調(diào)子系統(tǒng)的燃料和產(chǎn)品

冷卻塔經(jīng)驗?zāi)Ｐ腿绶匠?4)所示[12]：

(4)

式中：QCT為冷卻塔換熱量，kW；Mcta為冷卻塔風(fēng)機(jī)風(fēng)量，kg/s；Mctw為冷卻塔的冷卻水量，kg/s；tctw,in為冷卻塔進(jìn)水溫度， ℃；twb,oa為室外空氣濕球溫度， ℃；b0～b3為擬合系數(shù)。

(5)

冷卻塔的能耗與冷卻塔風(fēng)機(jī)風(fēng)量的關(guān)系可以由以下經(jīng)驗關(guān)系式表達(dá)[12]：

(6)

式中：a0～a3為回歸系數(shù)。

由于冷卻水泵采用的是定頻泵，故冷卻水泵的能耗為定值：WCDP=45 kW。

(7)

(8)

IsubII=IsubII,1+IsubII,2

(9)

冷水機(jī)組能耗的經(jīng)驗關(guān)系式如式(10)～式(12)所示[13]：

(10)

PLRrev=c0+c1×PLR+c2×PLR2

(11)

(12)

式中：Qcap為冷水機(jī)組的額定制冷量，kW；COPnom為冷水機(jī)組的額定COP；PLR為部分負(fù)荷率；PLRrev為部分負(fù)荷率對COP的修正系數(shù)；Temprev為溫度對COP的修正系數(shù)；c0～c2，d0～d5為回歸系數(shù)。

由于冷凍水泵采用的是定頻泵，故冷凍水泵的能耗是個定值：WCHP=35 kW。

EAHUa,in=(cp,a+ωAHUa,incp,v)[(tAHUa,in+273.15)-

(13)

(14)

IsubIII=WAHU+WSCHP+EAHUa,in-EAHUa,out

(15)

(16)

(17)

式中：MAHU,a為AHU的風(fēng)量，kg/s；MAHU,w為AHU的冷凍水流量，kg/s；e0～e3，f0～f3為回歸系數(shù)。

3 空調(diào)系統(tǒng)運行控制的多目標(biāo)優(yōu)化

3.1 MOPSO優(yōu)化算法

多目標(biāo)粒子群優(yōu)化算法[7](Multi-objective particle swarm optimization，MOPSO)是通過尋找Pareto最優(yōu)解集來解決多目標(biāo)之間協(xié)調(diào)與選擇問題的一種優(yōu)化算法。其中，Pareto最優(yōu)解的定義為[8]：若x*是搜索空間中一點，若x*為Pareto最優(yōu)解，當(dāng)且僅當(dāng)搜索空間中不存在i，使fi(x)

vi,j(t+1)=ω×vi,j(t)+c1×rand()×(pbesti,j-xi,j(t))+c2×rand()×(gbesti,j-xi,j(t))

(18)

xi,j(t+1)=xi,j(t)+vi,j(t+1)

(19)

式中：j=1,…,N(N為群體中粒子的總數(shù))；vi,j為粒子的速度；pbest和gbest分別為粒子的最佳位置和種群的最佳位置；rand()是介于(0,1)之間的隨機(jī)數(shù)；xi是粒子的當(dāng)前位置；c1和c2是學(xué)習(xí)因子，通常取c1=c2=2.0[15]；ω為慣性權(quán)重。

3.2 空調(diào)系統(tǒng)多目標(biāo)優(yōu)化函數(shù)的建立與求解

(20)

優(yōu)化變量的約束條件為：

tcdw,in_min≤tcdw,in_set≤tcdw,in_max

(21)

tchw,out_min≤tchw,out_set≤tchw,out_max

(22)

tAHUa,out_min≤tAHUa,out_set≤tAHUa,out_max

(23)

PLRmin≤PLRi≤1.0

(24)

(25)

空調(diào)系統(tǒng)多目標(biāo)優(yōu)化的流程如圖3所示。

圖3 空調(diào)系統(tǒng)多目標(biāo)優(yōu)化控制邏輯Fig.3 The logic graph of multi-objective optimization strategy of HVAC system

4 空調(diào)系統(tǒng)運行控制的多目標(biāo)優(yōu)化結(jié)果與分析

選取全年中某一典型日的運行工況為例，對空調(diào)系統(tǒng)進(jìn)行多目標(biāo)運行優(yōu)化。圖4和圖5分別為典型日室外干濕球溫度和建筑冷負(fù)荷的逐時變化情況。

圖4 典型日室外干濕球溫度Fig.4 Outdoor dry bulb temperature and wet bulb temperature on typical day

圖5 典型日建筑冷負(fù)荷Fig.5 Building′s cooling load on typical day

選取MOPSO優(yōu)化算法的設(shè)置參數(shù)如表3所示。

表3 MOPSO算法的設(shè)置參數(shù)

4.1 典型日某時刻空調(diào)系統(tǒng)多目標(biāo)優(yōu)化結(jié)果與分析

以典型日上午8時的運行工況為例，其工況條件為：室外干球溫度28.5 ℃, 室外濕球溫度26.2 ℃，房間冷負(fù)荷4610 kW。采用MOPSO優(yōu)化算法尋找Pareto最優(yōu)解集的結(jié)果如圖6所示。圖中空心圓點代表經(jīng)100次迭代后種群(包含200個粒子)的計算結(jié)果，實心圓點代表經(jīng)100次迭代后得到的Pareto最優(yōu)解集。

圖6 典型日上午8時MOPSO優(yōu)化算法尋優(yōu)結(jié)果Fig.6 MOPSO searching results at 8:00 on typical day

4.2 典型日全日空調(diào)系統(tǒng)多目標(biāo)優(yōu)化結(jié)果與分析

計算典型日各個子系統(tǒng)及整個空調(diào)系統(tǒng)優(yōu)化前后的總能耗，結(jié)果如表4所示。

圖7 典型日上午8時空調(diào)系統(tǒng)優(yōu)化前后子系統(tǒng)和系統(tǒng)的損比較Fig.7 Exergy losses comparison of HVAC subsystem under original control and multi-objective optimization at 8:00 on typical day

圖8 典型日全日空調(diào)系統(tǒng)優(yōu)化前后子系統(tǒng)和系統(tǒng)的損比較Fig.8 Exergy losses comparison of HVAC subsystem under original control and multi-objective optimization on typical day

項目子系統(tǒng)I子系統(tǒng)II子系統(tǒng)III系統(tǒng)原始控制典型日總能耗/kJ3535.4923211.5610794.4437541.49多目標(biāo)優(yōu)化典型日總能耗/kJ2930.2219980.869438.4032349.48節(jié)能量/kJ605.273230.701356.045192.01節(jié)能率/%17.113.912.613.8

如表4所示，當(dāng)采用空調(diào)系統(tǒng)多目標(biāo)優(yōu)化方法后，空調(diào)各個子系統(tǒng)及整個系統(tǒng)的總能耗都有所減小。其中，子系統(tǒng)I的總能耗減小605.27 kJ，子系統(tǒng)II的總能耗減小3230.70 kJ，子系統(tǒng)III的總能耗減小1356.04 kJ，整個系統(tǒng)的總能耗減小5192.01 kJ，系統(tǒng)的總節(jié)能率為13.8%。

由表4可見，經(jīng)過多目標(biāo)優(yōu)化后，在空調(diào)系統(tǒng)的3個子系統(tǒng)中子系統(tǒng)II的節(jié)能量最多。子系統(tǒng)II主要包括冷水機(jī)組和冷凍水泵，其中冷凍水泵選用的是定頻泵，在運行過程中其能耗是一個定值，所以多目標(biāo)優(yōu)化方法是通過提高冷水機(jī)組的運行效率來減小子系統(tǒng)II的運行能耗?？疾斓湫腿湛照{(diào)系統(tǒng)優(yōu)化前后冷水機(jī)組的逐時COP，如圖9所示。

圖9 典型日空調(diào)系統(tǒng)優(yōu)化前后冷水機(jī)組COP比較Fig.9 COP comparison of chiller under original control and multi-objective optimization on typical day

由圖9可以看出，采用多目標(biāo)優(yōu)化方法使得典型日冷水機(jī)組的逐時COP有明顯的提高，優(yōu)化后使冷水機(jī)組全日平均COP從4.86提高到5.65，冷水機(jī)組的運行效率得以提高，從而減小了子系統(tǒng)II的能耗。

5 結(jié)論

2)多目標(biāo)優(yōu)化方法使得空調(diào)各個子系統(tǒng)及整個系統(tǒng)的能耗都有所減小，系統(tǒng)的總節(jié)能率為13.8%；

3)對于冷水機(jī)組子系統(tǒng)而言，多目標(biāo)優(yōu)化方法提高了典型日冷水機(jī)組的平均COP，從而減小了冷水機(jī)組子系統(tǒng)的能耗。

[3]Sakulpipatsin P, Itard L C M, Van der Kooi H J, et al. An exergy application for analysis of buildings and HVAC systems[J]. Energy and Buildings, 2010, 42(1): 90-99.

[4]王景剛, 馬一太, 魏東, 等. CO2跨臨界雙級壓縮帶膨脹機(jī)制冷循環(huán)研究[J]. 制冷學(xué)報, 2001, 22(2): 6-11. (WANG Jinggang, MA Yitai, WEI Dong, et al. Study of CO2transcritical two stage compression with turbine cycle[J]. Journal of Refrigeration, 2001, 22(2): 6-11.)

[5]Fan B, Jin X, Fang X, et al. The method of evaluating operation performance of HVAC system based on exergy analysis[J]. Energy and Buildings, 2014, 77(7): 332-342.

[6]Razmara M, Maasoumy M, Shahbakhti M, et al. Optimal exergy control of building HVAC system[J]. Applied Energy, 2015, 156: 555-565.

[7]鄭金華. 多目標(biāo)進(jìn)化算法及其應(yīng)用[M]. 北京: 科學(xué)出版社, 2007: 9-10.

[8]曾建潮, 介婧, 崔志華. 微粒群算法[M]. 北京: 科學(xué)出版社, 2004: 9-13.

[9]Fan B, Jin X, Du Z. Optimal control strategies for multi-chiller system based on probability density distribution of cooling load ratio[J]. Energy and Buildings, 2011, 43(10): 2813-2821.

[10] Tsatsaronis G, Pisa J. Exergoeconomic evaluation and optimization of energy systems-application to the CGAM problem[J]. Energy, 1994, 19(3): 287-321.

[11] Uche J. Thermoeconomic analysis and simulation of a combined power and desalination plant[D]. Department of Mechanical Engineering: University of Zaragoza, 2000.

[12] Jin G Y, Cai W J, Lu L, et al. A simplified modeling of mechanical cooling tower for control and optimization of HVAC systems[J]. Energy Conversion and Management, 2007, 48(2): 355-365.

[13] Lu L, Cai W J, Soh Y C, et al. HVAC system optimization-condenser water loop[J]. Energy Conversion and Management, 2004, 45(4): 613-630.

[14] Ren C, Li N, Tang G. Principles of exergy analysis in HVAC and evaluation of evaporative cooling schemes[J]. Building and Environment, 2002, 37(11): 1045-1055.

[15] 周璇, 蔡盼盼, 練斯甄, 等. 基于PSO-SVR的冷水機(jī)組運行能效預(yù)測模型研究[J]. 制冷學(xué)報, 2015, 36(5): 87-93. (ZHOU Xuan, CAI Panpan, LIAN Sizhen, et al. Research on COP prediction model of chiller based on PSO-SVR[J]. Journal of Refrigeration, 2015, 36(5): 87-93.)

[16] Deb K, Pratap A, Agarwal S, et al. A fast and elitist. multi-objective genetic algorithm: NSGA-I1[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2): 182-197.

[17] Coello C A. Evolutionary algorithms for solving multi-objective problems[M]. New York: Kluwer Academic, 2002.

About the corresponding author

Jin Xinqiao, male, Ph.D./Professor, Institute of Refrigeration and Cryogenics, Shanghai Jiao Tong University,+86 21-34206774, E-mail: xqjin@sjtu.edu.cn. Research fields: Simulation and optimal control of HVAC&R systems, FDD of HVAC&R systems.

Multi-objective Optimization Method for HVAC System based on Exergy Analysis

Fang Xing1Jin Xinqiao1Du Zhimin1Wang Yijun1Fan Bo2

(1.School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai, 200240,China；2. Midea Air-conditioner R&D Center, Foshan, 528311,China)

Since the operation efficiency of HVAC system is low and the operation performance of subsystems are commonly affected by each other, a multi-objective optimization method to improve the operation performance of entire HVAC system is proposed based on exergy analysis. The HVAC system of an airport terminal is chosen as the study object. Exergy analysis is applied to set up the productive structure of the HVAC system. According to the productive structure of the HVAC system, the HVAC system can be divided into three subsystems: cooling tower subsystem, chiller subsystem, and AHU subsystem. Based on the exergy models of three subsystems, MOPSO method is employed to search for the lowest exergy losses of three subsystems by optimizing the control sets of the HVAC system. A typical day test results show that the optimization method can obviously reduce the exergy losses of all three subsystems and the entire system compared with the original control. So the operation efficiency of the HVAC system can be improved by the multi-objective optimization method.

HVAC system; optimal control; multi-objective optimization method; exergy analysis

0253- 4339(2016) 04- 0007- 09

10.3969/j.issn.0253- 4339.2016.04.007

國家自然科學(xué)基金(51376126)資助項目。(The project was supported by the National Natural Science Foundation of China (No.51376126).)

2016年1月19日

TU831.3

A

簡介

晉欣橋，男，教授，博士生導(dǎo)師，上海交通大學(xué)制冷與低溫工程研究所，(021)34206774，E-mail: xqjin@sjtu.edu.cn。研究方向: 制冷空調(diào)系統(tǒng)仿真與優(yōu)化控制、建筑空調(diào)系統(tǒng)故障診斷等研究。