基于ResNet-GWO的冷源系统节能优化 [PDF全文]
(1东南大学能源与环境学院, 南京 210096)

针对中央空调冷源系统运行能耗高、设备之间高度耦合机理建模困难、参数众多难以随环境变化动态调节的问题,引入智能化算法进行建模优化.以某经过初步节能改造且冷水主机并联运行的地铁站空调冷源系统实测运行数据为基础,结合冷源系统运行原理建立能耗预测残差神经网络(ResNet)模型. 采用灰狼优化算法(GWO)对某典型夏季制冷日运行工况进行寻优计算.仿真结果表明,冷源系统ResNet模型在测试集上的平均相对误差、平均绝对误差值分别为1.548 5%、2.239 4,预测精度高于BP神经网络模型和支持向量回归机模型; 优化结果显示,GWO优化后的能耗值相比遗传算法(GA)、粒子群优化(PSO)更低,较实际运行平均节能10.45%,其中冷水主机能耗降低8.14%,而各主机冷冻水供水温度相等时冷机节能率仅为5.37%.因此,基于ResNet-GWO的仿真优化策略可用于实现中央空调冷源系统的高能效运行.

Energy-saving optimization of cooling system based on ResNet-GWO
Du Jiamin1,Li Shuhong1,Li Xinmei2
(1School of Energy and Environment, Southeast University, Nanjing 210096, China)(2Nanjing Fuca Automation Technology Co., Ltd., Nanjing 210046, China)

To solve the problem that the central air-conditioning system parameters are difficult to dynamically adjust with the environment and cause high energy consumption, an intelligent algorithm for modeling and optimization was introduced. Based on the measured operating data of an air-conditioning cooling system with chillers operating in parallel in a subway station by preliminary energy-saving transformation, a ResNet(residual neural network)energy consumption model was established according to the operating characteristics. Combined with the ResNet model, a grey wolf optimizer(GWO)was used to optimize the operating parameters of operational conditions in central air-conditioning cooling system at one summer day. The verification results show that the ResNet model has an average relative prediction error of 1.548 5% and the mean absolute error of 2.239 4. The prediction accuracies of ResNet model are higher than that of BP neural network model and support vector regression(SVR)model. The optimization results show that the optimized energy consumption of GWO is lower than that of the genetic algorithm(GA)and the particle swarm optimization(PSO), and the simulation energy consumption after optimization decreases 10.45% on average, which the energy consumption of the chillers is reduced by 8.14%, while the energy saving rate of the chillers is only 5.37% when the chilled water supply temperature of each chiller is equal. Thus, therefore, the proposed simulation and optimization strategy based on ResNet-GWO can be used to realize high energy efficiency operation of cooling systems.

引言

随着人们对环境舒适性要求的提高,中央空调系统在大型建筑中的应用逐渐广泛,冷源系统作为最主要的耗能设备,其运行能耗约占中央空调总能耗的60%[1].中央空调冷源系统运行过程中大多处于部分负荷状态,然而各设备未能随环境参数和负荷需求的逐时变化而动态调节,导致设备运行效率较低,因而存在较大的节能空间[2].传统的控制方案(PID控制、经验控制等)因其设计简单被广泛用于实际工程中,然而,中央空调系统是一个设备之间互相耦合的高度非线性系统,仅对部分参数进行优化难以实现系统的整体节能运行,借助模型仿真的方法能够很好地对运行参数优化进行指导.目前,空调系统模型仿真主要有机理建模[3]、参数辨识建模[4]和机器学习建模.其中,基于机器学习的神经网络模型因其较传统模型高效、精确等优势逐渐成为空调系统建模的重要方法.Chen等[5]采用BP神经网络建立了冷冻水供水温度、冷却水回水温度、负荷率与冷水机组能耗之间的变化关系,与参数辨识模型相比精度明显提高.Nabil[6]分部件建立了中央空调系统设备的人工神经网络模型,测试结果显示各部件模型误差变异系数为2%~8%.然而当BP神经网络到达一定深度时,模型的表征能力趋于饱和,伴随梯度爆炸或梯度消失现象导致无法训练.残差神经网络(ResNet)在BP神经网络的基础上提出以残差单元为基本模块[7],通过堆叠残差模块,每个模块的输入信息可以跨层传递,将传统的恒等映射转化为残差学习,可以缓解层数加深时网络表征能力下降的问题,目前已在影像识别、故障诊断、疾病检测等多个领域广泛应用.随着大数据技术的发展,空调系统实测运行数据库逐渐扩大,具备了构建更为复杂的深度学习模型条件,可将ResNet用于空调设备建模,进一步增强模型泛化能力、提高预测精度.仿真模型可以模拟不同运行参数组合下的系统运行能耗,但要找出给定冷负荷、室外温、湿度条件下最优的运行参数组合仍十分困难,且求得的运行参数需符合实际运行情况,而群智能优化算法能够迅速在众多的运行参数组合中找到最接近最优解的组合[8],适用于高维多约束的非线性优化问题.空调系统节能优化中常用的优化算法包括遗传算法(GA)[9]、粒子群优化(PSO)[10]、差分进化(DE)[11]等.灰狼优化算法(GWO)是一种受灰狼捕食行为启发的新型群智能算法,该算法参数少、稳定性强、具有自适应调节收敛因子的机制,能够跳出局部最优,在函数优化方面,已经证明其求解精度和收敛速度超过PSO[12].

综上,本文从冷源系统全局节能角度出发,以某地铁站空调冷源系统为研究对象建立能耗仿真模型,以模型可控输入变量为优化参数,引入智能化算法对空调系统运行参数进行优化,在满足基本运行条件的同时实现冷源系统整体的高能效运行.

1 研究对象

本文的研究对象为南方某城市地铁站中央空调冷源系统,该系统主要设备包括2台离心式冷水机组、4台冷冻水泵、4台冷却水泵和4台冷却塔,相关参数如表1所示.冷源系统形式如图1所示,该系统采用一次泵变流量形式,且冷水机组与水泵之间采用先并联后串联的连接形式.该冷源系统已配备一套完整的中央空调分布式节能控制设备,控制柜通过传感器采集运行参数,基于变频调速技术和系统集成技术对中央空调冷源系统实施动态检测和实时闭环优化运行控制.该系统投入运行初期针对部分运行参数进行了优化控制:冷冻水供回水温度根据用户末端系统压差进行调节,冷却水进水温度结合室外湿球温度和冷却塔逼近度自动优化.经测量计算,4月份制冷机房综合能效为5.92,经过初步优化,6月份制冷机房综合能效达到6.09,能效提升率为2.9%.

表1 设备参数表

表1 设备参数表

图1 冷源系统运行原理图

图1 冷源系统运行原理图

本研究采集了该冷源系统的中央空调监测设备存储的夏季制冷时段(6—8月)的设备运行数据及能耗数据,由于夏季冷量需求较大,运行时一般开启2台冷水主机,冷却水泵和冷冻水泵均开启2台(一大一小),冷却塔开启4台.冷源系统实时冷负荷则通过下式计算:

Qe=3 600ρCMchw(Tchwb-Tchws)(1)

式中,Qe为冷源系统冷负荷,kW; ρ为冷冻水的密度,kg/m3; C为冷冻水比热容,kJ/(kg·℃); Mchw为总管冷冻水流量,m3/h; Tchws为总管冷冻水供水温度,℃; Tchwb为总管冷冻水回水温度,℃.相关样本参数及其变化范围见表2.本文在已经过初步优化的基础上研究运行参数对设备能耗的影响,模拟不同参数组合下的能源消耗情况,进一步挖掘节能潜力.

表2 样本参数及其变化范围

表2 样本参数及其变化范围

2 冷源系统仿真模型2.1 控制变量选择

中央空调冷源系统的可控变量包括冷冻水流量、冷却水流量、冷却水进水温度、单台冷水主机冷冻水供水温度、冷冻水供回水温差、冷却水进出温差及各设备的运行台数等,应选取其中对冷源系统能耗影响较大的变量作为模型输入.本文利用相关性分析法对控制变量进行筛选,各运行参数的相关性大小可通过Pearson(皮尔逊)相关系数[13]和GBDT[14]特征重要度确定.Pearson相关系数是一种统计学上考察2个变量之间相关程度的度量性方法,2个变量X、Y之间的Pearson相关系数可由下式计算:

ρ(X,Y)=(cov(X,Y))/(σXσY)=

(∑XY-(∑X∑Y)/N)/(((∑X2-((∑X)2)/N)(∑Y2-((∑Y)2)/N))1/2)(2)

式中,cov表示协方差; σXY分别为2个变量的标准差; N为变量的取值个数.相关系数的绝对值在0~1之间,越接近于1相关性越强,越接近0相关性越弱,正值表示正相关,负值则表示负相关; 梯度提升决策树(gradient boosting decision tree,GBDT)是最具有代表性的集成学习算法之一,该算法预测精度高,能在模型训练后输出模型各个特征的相对重要度.各变量的重要度计算结果见表3,考虑到控制变量需满足易调节、对运行能耗影响大,本研究将冷冻水流量Mchw、冷却水流量Mcw、冷却水进冷水机组的温度Tcwi、单台冷水主机的冷冻水供水温度Tchws,j及设备运行台数作为冷源系统能耗仿真模型的控制变量,并将环境变量室外温度Tair、相对湿度RH、末端用户冷负荷需求Qe作为模型输入.

表3 各因素对冷源系统运行能耗的影响程度

表3 各因素对冷源系统运行能耗的影响程度

2.2 冷源系统的残差神经网络模型2.2.1 残差神经网络模型

He等[7]在BP神经网络的基础上提出残差网络,引入了输入输出之间的跨层连接,将网络划分成若干个相同结构的残差单元.设F(X)为原始网络输出,引入Shortcut结构后实际输出为H(X)=F(X)+X,即原始输出与输入相加,这样既不增加新参数,还能够保留较多的原始信息,解决了传统神经网络层数较深时无法训练的问题.

本文采用的残差神经网络结构如图2所示,每个模块均堆叠了2层神经元.输入先经过一个全连接(fully connected,FC)层,再经过标准化(batch normalization,BN)层[15]和激活函数(Relu)[16]处理后输出F1(X),经过第2个具有相同神经元个数的全连接层和标准化处理后与输入相加传递到激活函数层得到残差模块的最终输出F2(X),即

F1(X)=R(B(XW1+B1))(3)

B(x)=γ/((V[x]+ε)1/2)x+(β-(γE[x])/((V[x])1/2+ε))(4)

R(x)={x x>0

0 x≤0(5)

F2(X)=R(B(F1(X)W2+B2)+X)(6)

式中,R(·)、B(·)分别为激活函数和标准化函数; W1、B1分别为第1层全连接层网络的权重和偏置参数; W2、B2分别为第2层全连接层网络的权重和偏置参数; E[x]、V[x]分别为x的均值和方差; γ、β、ε为标准化过程的可学习重构参数.

图2 残差神经网络结构

图2 残差神经网络结构

2.2.2 模型建立

冷源系统的能耗来源于系统内所有单个设备,直接建立运行参数与系统能耗之间的模型难以反映系统内众多设备之间互相耦合的关系,从而造成模型过拟合,因此应分别建立单个设备能耗与运行参数(或与运行参数有间接联系的中间参数)之间的关系模型,再按照冷源系统运行原理串联得到完整的系统能耗模型.考虑到冷水主机与冷冻水泵、冷却水泵之间采用先并联后串联连接,根据流体力学可知每台冷水主机蒸发器(冷凝器)的冷冻水(冷却水)相对流量仅与其支路阻抗有关[17-18],当总管流量确定时,各冷水机组冷冻水供水温度之间的差异决定其负荷分配[19],可通过单台冷水机组的冷冻水流量计算得出其负荷分配,计算式如下:

Qe=∑nj=1Qj(7)

Tchws=(∑nj=1Mchw,jTchws,j)/(∑nj=1Mchw,j)(8)

Tchwb=(Qe)/(CMchw)+Tchws(9)

Qj=CMchw,j(Tchwb-Tchws,j)(10)

式中,n为冷水主机台数; Qj为第j台冷水主机承担的冷负荷,kW; Mchw,j为第j台冷水主机支路的冷冻水流量,m3/h; Tchws,j是第j台冷水主机支路的冷冻水供水温度.为了便于计算各冷水机组支管的冷冻水流量,本文同时利用残差神经网络建立干管冷冻水流量与冷水主机支路流量之间的关系模型,各子模型相关参数如表4所示.表中,Qc为冷凝热量,取主机输入功率与冷负荷之和为其近似值,Pchiller、Pchwp、Pcwp、Pct分别为冷水主机能耗、冷冻水泵能耗、冷却水泵能耗、冷却塔能耗,残差模块数、神经元个数均通过试验确定,图3为各子模型之间的串联关系图.由图可得控制参数、环境参数与设备能耗之间的内在关系.以上仿真模型程序均借助python编写完成,其中ResNet模型基于Keras深度学习框架搭建.

表4 子模型输入变量和网络结构

表4 子模型输入变量和网络结构

图3 各模型串联关系图

图3 各模型串联关系图

2.2.3 模型验证

剔除部分缺失值、异常值数据后,收集的样本数据集共为25 000组,按照7:3的比例划分为训练样本和测试样本,分别用于训练和验证模型.并采用平均绝对误差(MAE)、平均相对误差(MAPE)、拟合优度(R2)指标对建立的冷源系统能耗模型预测精度进行评价,即

MAPE=1/m∑mi=1|((^overy)i-yi)/(yi)|×100%(11)

MAE=1/m∑mi=1〖JB>1|〗(^overy)i-yi〖JB>1|〗(12)

R2=1-(∑mi=1(yi-(^overy)i)2)/(∑mi=1(yi-(-overy))2)(13)

式中,yi为实测值; (^overy)i为预测值; (-overy)为实测值的平均值; mi为样本数.

冷冻水流量ResNet预测模型在测试集上的预测结果如图4所示.由图可知,2台主机的冷冻水流量预测误差小于±6%,能够满足能耗预测的精度要求.各部件模型在7 500组测试样本的预测结果如图5所示,预测值与实测值十分接近.由表5数据可知,设备模型在测试集上的平均相对误差在1.4%~9.7%之间,能够较好地反映各运行参数与

图4 冷冻水流量预测结果

图4 冷冻水流量预测结果

图5 ResNet模型冷源系统总能耗预测相对误差

图5 ResNet模型冷源系统总能耗预测相对误差

表5 设备能耗模型预测误差

表5 设备能耗模型预测误差

设备能耗之间的内在关系.

图5为冷源系统能耗模型在测试集上的预测相对误差(APE)变化情况,APE最大值不超过6%,且大部分不超过3%,平均绝对误差为2.239 4,平均预测相对误差为1.548 5%,拟合优度为0.987 6.此外,本研究采用相同方法建立了冷源系统的BP神经网络(BPNN)模型、支持向量回归机(SVR)模型,各模型在测试集、训练集上的预测结果如表6所示.由评价指标值分析可知,ResNet模型的拟合效果最佳,SVR次之,BP神经网络最差.

表6 不同模型预测精度比较

表6 不同模型预测精度比较

3 运行参数优化3.1 优化目标及约束条件

中央空调冷源系统的节能优化是针对不断变化的末端冷负荷、室外温湿度等环境参数,借助中央空调冷源系统能耗仿真模型,模拟不同控制参数组合对应冷源系统的能耗情况,找出对应环境参数下使得冷源系统运行能耗最低的参数组合,保证系统时刻以最优能效运行:

min(Ptotal)→optimal(Mchw,Mcw,Tcwi,Tchws,j)

Ptotal=∑2j=1P(j)chiller+∑2k=1P(k)chwp+∑2l=1P(l)cwp+∑4q=1P(q)ct

式中,Ptotal为总能耗.

为使计算出的最优参数组合符合冷源系统设备的实际运行规律,寻优过程应满足以下约束条件:

1)为保证冷水机组正常运行,各主机冷冻水供水温度应满足:

7≤Tchws≤12 ℃

2)为了冷却塔正常运行,冷却水进入冷水机组的温度应满足:

max(27,Twb)≤Tcwi≤32 ℃

3)为保证水系统的正常运行,干管及支管的冷却水、冷冻水流量应在如下范围内变化:

55≤Mchw≤180 m3/h

90≤Mcw≤300 m3/h

50≤Mcw,1,Mcw,2≤190 m3/h

55≤Mchw,1,Mchw,2≤130 m3/h

4)为保证室内舒适性,干管冷冻水供水温度应满足[20]:

Tchws≤(23.8-17(Qe)/(Qdesign))℃

式中,Qdesign为额定冷量或最大设计冷量.

5)冷却水系统、冷冻水系统换热条件为

Qc=Qe+Pchiller=CMcw(Tcwb-Tcwi)

Qe=CMchw(Tchwb-Tchws)

3.2 基于ResNet-GWO的运行参数优化

由于控制参数的样本空间较大,采用遍历寻优法寻找最优参数耗时较长,本文利用模拟灰狼捕猎行为的新型群智能优化算法——灰狼优化算法(grey wolf optimizer,GWO)并结合冷源系统ResNet模型进行寻优计算.灰狼群体具有非常严格的社会层次等级制度,由每一代种群中前3匹狼(对应前3个最优解)的位置指导其余狼进行搜索,每头灰狼的位置均对应一个优化参数组合,具体实现步骤如下:

① 输入优化工况的环境参数(室外温、湿度,末端冷负荷),根据约束条件设置控制参数的变化范围,由于参数调节精度和寻优时间有限,需对参数空间进行离散化,其中冷冻水、冷却水温度的离散化步长设置为0.1 ℃,冷冻水、冷却水流量的离散化步长设置为5 m3/h.

② 初始化灰狼算法的相关参数(本研究中种群个体数和迭代代数分别设置为50、200),并随机生成灰狼种群.

③ 计算灰狼个体的适应度值,灰狼种群按其适应度由低到高分为α、β、δ和ω四种个体,适应度值对应运行能耗值的大小,由冷源系统ResNet模型模拟计算得到.为保证灰狼个体对应的控制参数组合符合实际运行情况,引入外点罚函数法将约束条件3)和约束条件4)转化为惩罚项,惩罚项与系统总能耗之和为最终的适应度值,即

Ffitness=Ptotal+Ppunish(14)

式中,Ffitness为灰狼个体的适应度; Ptotal为灰狼个体对应运行参数组合模拟计算得到的冷源系统总能耗值; Ppunish为惩罚项.

④ 灰狼个体按照下式进行位置更新,重新计算其适应度值,并选出最优的三匹狼α、β、δ,即

Dα=〖JB>1|〗C1·Xα-X〖JB>1|〗

Dβ=〖JB>1|〗C2·Xβ-X〖JB>1|〗

Dδ=〖JB>1|〗C3·Xδ-X〖JB>1|〗}(15)

X1=Xα-A1·(Dα)

X2=Xβ-A2·(Dβ)

X3=Xδ-A3·(Dδ)}(16)

X(t+1)=(X1+X2+X3)/3(17)

式中,Xα、Xβ、Xδ分别为种群中α、β、δ的当前位置; Dα、Dβ、Dδ分别为当前候选灰狼与最优3条狼之间的距离; X为灰狼个体的位置; X1、X2、X3分别为α、β、δ决定下一步移动的方向向量; t为当前迭代代数; A1~A3和C1 ~C3为协同系数向量.

⑤ 若迭代次数已达到最大循环代数,则输出最优灰狼个体位置解(最优运行参数组合); 否则返回步骤③继续进行迭代寻优.

3.3 优化结果

本研究选取了某典型夏季制冷日空调运行时段(7:00—23:00)内的30组工况进行优化,各工况对应的环境参数如图6所示,末端冷负荷在额定容量的60%~90%范围内变化,需同时开启2台冷水机组.优化过程中部分工况的适应度值变化如图7所示,在迭代次数为200时均达到收敛; 图8

图6 优化工况的环境参数变化图

图6 优化工况的环境参数变化图

图7 适应度随迭代次数变化图

图7 适应度随迭代次数变化图

图8 基于GWO的20次优化试验适应度变化图

图8 基于GWO的20次优化试验适应度变化图

为工况20的20次优化试验的适应度变化情况,无论初始值是否相同,最终都收敛至同一水平.本文还采用遗传算法(GA)和粒子群优化(PSO)结合能耗模型进行了寻优计算,且每组工况各重复计算20次,表7统计了其优化结果对应的模拟能耗,3种算法在各工况的最小值均十分接近,但GA、PSO比GWO偏差大.综上,GWO在冷源系统运行参数优化问题上表现出良好的收敛性和较高的计算精度.

经过优化后的控制参数值如图9所示,由ResNet能耗模型模拟得到的对应能耗值如图 10所示(实测值为该工况实际运行能耗,预测值为能耗模

表7 各算法能耗优化结果对比

表7 各算法能耗优化结果对比

型根据实际运行参数的模拟值).对于冷却水泵、冷冻水泵、冷却塔等能耗占比较小的辅助设备,优化后的冷却水泵能耗随冷却水流量的降低明显减小; 然而冷冻水流量与室内舒适性相关联,流量过低会使得回水温度升高,因此优化后的冷冻水流量无明显降低或升高的趋势,冷冻水泵能耗与其变化一致; 影响冷却塔能耗的因素较多,其能耗整体呈降低趋势,另外由于冷却塔能耗占比较小,在某些工况点可能会牺牲其节能空间来获得冷源系统整体的最优运行能效.

冷水机组作为冷源系统主要的耗能设备,从图 10图 11中可以看出,系统总能耗的变化趋势与其几乎一致,因此降低冷水机组的能耗十分关键.优化后的冷却水温度呈降低趋势,总管上的冷冻水温度呈升高趋势,2台冷水主机的负荷分配也由于各自冷冻水供水温度的差异发生变化,这几种因素同时作用使得冷水机组能耗下降.为分析负荷分配对冷水主机能耗的影响,提出等温度优化策略:保持各冷水主机的冷冻水供水温度相等,其承担的冷负荷按各自容量自动平衡,以同样方法对可控参数进行优化.从图 10图 11表8中的优化结果可以看出,按照等温度优化策略优化后的辅助设备能耗与考虑负荷分配时接近,但冷水主机群能耗明显升高,30组工况的冷水主机平均节能率由8.14%降至5.37%,冷源系统平均节能率由10.45%降至7.9%.

图9 控制参数优化结果

图9 控制参数优化结果

图 10 各设备优化前后能耗情况

图 10 各设备优化前后能耗情况

图 11 冷源系统优化前后能耗对比

图 11 冷源系统优化前后能耗对比

表8 2种优化策略的平均节能率对比

表8 2种优化策略的平均节能率对比

4 结论

1)冷源系统能耗预测ResNet模型在测试集上的MAPE、MAE值分别为1.548 5%、2.239 4,拟合优度为0.987 6,预测精度高于BP神经网络模型和SVR模型,具有良好的泛化能力.

2)基于ResNet能耗模型,采用GWO对冷源系统中的可控运行参数进行寻优计算,选取6个工况进行重复性收敛试验,与GA、PSO的试验结果相比,GWO优化后的运行参数对应的能耗值更低,且计算偏差较小,表明GWO在冷源系统运行参数优化问题上具有较好的鲁棒性和全局寻优能力.

3)在典型夏季制冷工况上的优化结果显示,冷水主机能耗经优化后降低8.14%,而等冷冻水供水温度优化策略仅为5.37%,因而合理分配各主机承担的冷负荷对降低主机能耗十分重要,优化后的总能耗较实际运行平均节能10.45%,在经过初步优化的基础上仍有较高节能率,基于ResNet-GWO的参数优化策略可用于指导中央空调冷源系统的节能运行.

参考文献