羅軍，賀曦，高金良，曹子涵，陳璐瑤

（1. 湖南中煙工業(yè)有限責任公司郴州卷煙廠；2. 北京康孚科技股份有限公司；3. 華中科技大學中歐清潔與可再生能源學院）

0 儲絲房空調(diào)系統(tǒng)現(xiàn)狀

卷煙廠車間的生產(chǎn)工藝和產(chǎn)品質(zhì)量需要高精度的溫濕度環(huán)境來保證，各企業(yè)將車間溫濕度控制精度的保證作為動力車間相關(guān)崗位的重要考核指標［1］?？照{(diào)系統(tǒng)為滿足車間全年的溫濕度精度指標，配備了眾多的熱濕處理手段，常見的有表冷器（降溫除濕）、加熱器（升溫）、干蒸汽加濕器、高壓噴霧（冷卻加濕）、新風/回風/排風閥、風機變頻等。同時空調(diào)系統(tǒng)的溫度、相對濕度是兩個相互關(guān)聯(lián)的參數(shù)，卷煙廠各車間需要將兩者均恒定在一定精度的范圍內(nèi)。

儲絲房溫濕度控制是一個多變量復雜的時變系統(tǒng)［2］［3］，環(huán)境溫濕度的控制受季節(jié)變化、氣候條件、環(huán)境狀況、設備系統(tǒng)能力等因素影響，其穩(wěn)定性有待提升。使煙絲含水率、溫度、香精充分的吸收平衡，煙絲內(nèi)各種組分進一步混合均勻。

某卷煙廠儲絲房溫濕度控制由2臺組合式空調(diào)機組（K6、K7）及配套的控制系統(tǒng)共同實現(xiàn)，組合式空調(diào)結(jié)構(gòu)如圖1所示。當前雖可滿足溫、濕度允差工藝要求，但存在控制系統(tǒng)響應性不夠、室外新風需要人工干預調(diào)節(jié)，設備設施無法形成全自動控制節(jié)能模式等問題。同時空調(diào)運行冷熱風摻混問題嚴重，在實際運行過程中，K6機組時常會發(fā)生抵消K7機組產(chǎn)生的冷量的情況。通過讀取空調(diào)智能控制系統(tǒng)2019年全年記錄的逐時歷史運行數(shù)據(jù)，發(fā)現(xiàn)相當一部分時間內(nèi)存在一臺機組制冷，另一臺機組制熱的情況，如圖2所示。

圖1 卷煙廠組合式空調(diào)示意圖

圖2 冷熱風摻混情況數(shù)據(jù)條數(shù)占比

1 負荷預測大數(shù)據(jù)仿真模型

大數(shù)據(jù)建模方法，主要利用現(xiàn)代統(tǒng)計學中的數(shù)據(jù)分析、數(shù)據(jù)挖掘、統(tǒng)計方法和機器學習等方法，以歷史運行數(shù)據(jù)為基礎(chǔ)建立相應模型。大數(shù)據(jù)建模方法模型搭建容易、精度高，目前已經(jīng)被成功應用于建筑能源需求預測。但其對數(shù)據(jù)質(zhì)量要求較高，需要有足夠的能耗和能耗相關(guān)變量的歷史數(shù)據(jù)?？赏ㄟ^大數(shù)據(jù)建模方法建立空調(diào)用量預測模型。

目前的大數(shù)據(jù)建模算法可大致分為機器學習和深度學習兩大類［4］。在過去近二十年的時間內(nèi)，機器學習算法一直占據(jù)了這個領(lǐng)域的絕對地位。但隨著對預測精度的要求日益增加、訓練數(shù)據(jù)量的指數(shù)級增加以及計算能力的快速飛躍，近幾年深度學習算法獲得了學術(shù)界和工業(yè)界的廣泛關(guān)注［5］。雖然不同的大數(shù)據(jù)算法的內(nèi)在擬合公式相差很大，但其訓練過程大同小異。如圖3所示，大數(shù)據(jù)模型訓練過程大致可以分為兩步，即數(shù)據(jù)預處理和模型訓練。數(shù)據(jù)預處理步驟旨在獲得高質(zhì)量的模型訓練數(shù)據(jù)，并構(gòu)建合適的模型輸入數(shù)據(jù)。通常它包含特征選擇、數(shù)據(jù)清理、數(shù)據(jù)降維和數(shù)據(jù)轉(zhuǎn)換四步。特征選擇步驟通常用來找到與輸出變量最相關(guān)的輸入變量，即找到與能耗最相關(guān)的影響因素作為大數(shù)據(jù)模型的輸入；數(shù)據(jù)清理步驟旨在清楚原始數(shù)據(jù)中存在的異常值、空缺值和死值等，從而提高原始數(shù)據(jù)的質(zhì)量，保證模型訓練結(jié)構(gòu)的可靠；數(shù)據(jù)降維通常用在輸入變量特別豐富的時候，大量的輸入變量會導致訓練時間大大增加，并且精度往往也會受到影響，因此常用主成分分析等方法對其進行降維，從而降低模型訓練的難度；數(shù)據(jù)轉(zhuǎn)換旨在將輸入變量轉(zhuǎn)化成模型訓練需要的格式。模型訓練過程旨在通過反向傳播、梯度下降等算法對大數(shù)據(jù)模型的權(quán)重進行有方向性的訓練，從而找到一組較優(yōu)的權(quán)重組合，使得模型的精度在訓練數(shù)據(jù)集上達到要求的精度。

圖3 大數(shù)據(jù)人工智能模型訓練過程

實際的大數(shù)據(jù)建模上存在幾個問題。第一，車間的空調(diào)負荷用度與多維數(shù)據(jù)具有相關(guān)性，其相關(guān)性有較大的權(quán)重傾斜，如何確定輸入?yún)?shù)以及輸入?yún)?shù)的權(quán)重，是構(gòu)建準確大數(shù)據(jù)模型的前提。第二，測量誤差廣泛存在于各類傳感器中，導致傳感器測量值具有較大的不確定性［6］。不確定性的數(shù)據(jù)導致獲得的大數(shù)據(jù)模型會存在不可避免的預測不確定性，即某些工況下的預測精度顯著下降，因此，對大數(shù)據(jù)模型的不確定性進行定量化的估計，從而獲得預測值可能發(fā)生偏差的區(qū)間，是對大數(shù)據(jù)模型的有效補充。第三，實際運行中存在設備性能衰減、設備更換、傳感器精度下降等不可控因素，導致真空設備能效特性，車間能耗特性發(fā)生顯著改變［7］，因此，基于模型實時預測結(jié)果和實際測試結(jié)果，對模型精度進行評價，并實現(xiàn)模型自主修正，是保證模型長期可靠的根本。第四，大數(shù)據(jù)模型往往有其根本上的不穩(wěn)定性，針對訓練集和測試集的機制往往導致模型剛開始預測的精度遠低于90%的要求，因此就需要采用大數(shù)據(jù)與機理模型相融合的方式進行數(shù)據(jù)模型仿真預測。

2 基于負荷預測的前饋算法與PID閉環(huán)控制相融合的智能控制

制冷空調(diào)系統(tǒng)具有非線性、時變、多變量、強耦合等特征，如果只采用傳統(tǒng)PID反饋控制，在群控加減機時，或車間負荷巨大波動時，系統(tǒng)會存在較大波動，為保證系統(tǒng)穩(wěn)定需要較大的P值來保證系統(tǒng)的跟隨性。而在車間負荷波動較小時，需要較小的P值來保證系統(tǒng)的穩(wěn)定性和魯棒性，同理I值影響系統(tǒng)的穩(wěn)態(tài)誤差，D值影響系統(tǒng)的超調(diào)。前饋控制是根據(jù)系統(tǒng)的擾動量對系統(tǒng)進行控制。即擾動出現(xiàn)時，前饋控制通過檢測擾動量的大小發(fā)揮校正作用，以抵消擾動。這種控制方法算法和參數(shù)選擇合適的情況下，控制精度很高，同時系統(tǒng)的波動很小。本文提出一種用于空調(diào)系統(tǒng)負荷預測的大數(shù)據(jù)模型（如圖4），將二者的優(yōu)點用在整個控制系統(tǒng)中，開發(fā)基于前饋預測與傳統(tǒng)PID反饋控制相結(jié)合的智能控制方法，可提高系統(tǒng)的響應速度和控制精度。

圖4 負荷預測及預測區(qū)間估計大數(shù)據(jù)模型原理圖

以表冷器表冷閥開度-表冷出風溫濕度控制回路為例，如圖5所示，若只采用傳統(tǒng)反饋控制，被控量只有在干擾作用下偏離設定值后才能進行反饋校正，無法避免地將導致送風溫濕度存在較大波動。

圖5 空調(diào)設備前饋+反饋控制流程圖

圖中：

而采用前饋+反饋控制可以有效減小波動。首先建立基于表冷器仿真模型，例如基于歷史數(shù)據(jù)的自學習型表冷器熱工模型。當擾動量發(fā)生時，利用仿真模型可以進行前饋預測運算，提前限定設備執(zhí)行機構(gòu)動作范圍，直接產(chǎn)生校正作用,以抵消擾動的影響。通過以下操作，結(jié)合反饋控制，可以有效解決系統(tǒng)的控制精度與穩(wěn)定性之間的矛盾，提高系統(tǒng)的控制精度。

（1）設備的啟停導致車間的冷負荷與濕負荷發(fā)生變化，此時利用前饋控制，當系統(tǒng)直接檢測到設備啟停變化時，前饋預測運算模型可直接計算出改變后送風溫濕度設定值，以及表冷器閥門開度的變化值；

（2）室外天氣狀況的突變會導致室內(nèi)負荷的變化以及新風參數(shù)的變化，此時利用前饋預測運算模型計算出送風溫濕度的設定值以及表冷器閥門的開度變化；

（3）冷機系統(tǒng)發(fā)生變化將使得表冷器供水溫度或者流量發(fā)生變化，但是此時室內(nèi)的負荷不變，為了保持送風參數(shù)不變，需要根據(jù)前饋預測運算模型計算結(jié)果調(diào)節(jié)表冷器開度。

通過前饋負荷預測運算和反饋控制相結(jié)合的控制方法，便可以在室內(nèi)溫濕度變化前抵消一定的擾動作用，可以有效滿足煙廠車間溫濕度高精度控制要求。

3 結(jié)語

針對某煙廠儲絲房組合式空調(diào)系統(tǒng)存在的控制精度不高，穩(wěn)定性不足，冷熱相消等問題，提出了一種基于大數(shù)據(jù)能耗預測模型的前饋預測算法與PID閉環(huán)控制相融合的控制策略，依托大數(shù)據(jù)在能耗預測方面的有效性和PID閉環(huán)控制在空氣調(diào)節(jié)領(lǐng)域的有效性，以期實現(xiàn)對老舊空調(diào)系統(tǒng)控制精度和實際空氣調(diào)節(jié)性能的改良，為實現(xiàn)智能化的組控與群控策略，實現(xiàn)完善優(yōu)化的監(jiān)控系統(tǒng)，為安全、高效、無人化運維提供新的思路和理論支撐。