必赢242net官网

#1制冷机房节能技术概述

最初，中央空调冷源系统多采用恒定或人工修改设定值的方法来手动控制设备的运行，后来渐渐采用PID控制、模糊控制，但中央空调冷源系统是一个大时滞、多变量、高度非线性的系统，传统控制方法难以实现系统整体的节能。随着变频技术和控制技术的发展，建筑能源管理控制系统（EMCS）在大型建筑中的应用逐渐增多，目前对于中央空调系统的优化控制主要为局部优化和全局优化，局部优化即针对系统中的单个或几个设备的参数进行调节控制，全局优化即考虑中央空调系统整体的能耗最低，根据实际工况调节各个设备的运行。综合局部优化与全局优化的研究，制冷机房节能技术目前可以分为三类，分别是基于应用的制冷机房节能技术、基于平台的制冷机房节能技术和基于集成或渠道的制冷机房节能技术。

1.1 基于应用的制冷机房节能技术

基于应用的制冷机房节能技术主要为三类，分别是基于机制模型+AI的纯软件技术、与人工智能功能集成的软硬件兼备的技术和通用应用程序技术。

机制模型+AI的纯软件技术

其优势在于此类技术为纯粹的效果导向、安装后有明显的节能效果，但其需要现场配置，这就对现场对接的工程师有着通信、暖通、弱点等有着较高的技术综合度要求；同时，这种技术在使用时高度依赖现场的运行管理人员，这造成了其在EMCs下可能会存在如何界定收款的问题，因为一个具备丰富运行管理经验的制冷机房管理员工，同样可以达到节能的效果。目前市场上使用这类技术的公司有深度智控、叠腾科技和首拓信息等。

人工智能功能集成的软硬件兼备的技术

其优势在于，比起纯软件技术，他的使用模式更加地标准化，这给了该技术取代PLC（可编程逻辑控制器）的机会；同时，人工智能技术的持续突破与在市面上的广泛应用也帮助该技术打破了PID技术过于广泛应用的壁垒。可以预见的是，随着技术的成熟化，越来越多的公司会参与到市场中去。目前市场上使用这类技术的公司有华为云、云创远景和云栋科技等。

通用应用程序技术

其主要产品是具有交叉销售应用的PLC，优势在于具有较多的项目案例，应用效果可以保证，缺点是具有较弱的AI能力，其节能上限较低。目前市场上使用这类技术的公司最多，有西门子、江森自控、霍尼韦尔、施耐德电气等。

1.2 基于平台的制冷机房节能技术

基于平台的制冷机房节能技术主要是在物联网操作系统上实现的数字化、智能化运维，这种方式的优势在于可以与各类日常运维客户绑定，基于平台的应用收费或会员充值服务可以培养客户粘性。其缺点在于对业主的体量有较高的要求，盈利的前提为必须能够长期合作；同时其应用周期较长，这点不以客户的需求所改变。目前市场上使用这类技术的公司有蘑菇物联、指令集、优也信息和邻元科技等。

1.3 基于集成或渠道的制冷机房节能技术

基于集成或渠道的制冷机房节能技术主要是由系统集成商作为项目渠道直接面向业主，基于业主设备进行优化的节能技术。其优势在于可以通过冷机等设备的采购渠道加装节能采购，无需额外的商业投入，同时减少了双方的商务成本；但这种技术应用主要依靠设备运维人员的经验和技术水平，节能效果波动较大，且存在了硬性的节能上限。目前市场上使用这类技术的公司同质化竞争较明显，有霍尼韦尔、施耐德电气、西门子、江森自控、博锐尚格、清华同方、延华智能、天纳节能。

#2制冷机房节能智控技术

冷冻水供回水温差、冷却水温度、冷冻水温度、冷冻水流量、冷却流量、冷水主机负荷分配均对冷源系统的运行能效有影响，但目前的研究多集中于局部参数的优化，而实际中央空调冷源系统的运行能效受多个参数的影响且参数之间互相关联，因此有必要从全局角度出发，综合考虑所有可调节运行参数对运行能耗的影响，提出随冷负荷变化且能满足室内舒适性需求的全局优化策略，最大限度地降低中央空调冷源系统的能耗。在此基础上，目前市面的暖通空调制冷机房节能智控技术有模型优化和非模型优化。

2.1 模型优化

目前市面上模型优化应用范围较广的有群智能系统优化、负荷预测优化以及数字孪生优化这三种方法。

群智能系统优化

群智能系统通过内置并行计算运行库和建筑标准单元信息模型的自组织操作系统，在保证信息安全和不同时间/空间内多任务调度的前提下，根据软件功能的不同满足使用者不同的节能需求。这里面比较有代表性的是邻元科技的LynkrOS群控系统，其原理如图3.1所示，将建筑按照所见即所得的规则划分为若干个相邻的基本空间单元，在每个基本空间单元及主要机电设备内放置一个植入了LynkrOS操作系统的智能计算节点（CPN），所有的CPN之间相连形成一个能够进行分布式计算的网络，从而通过节点间的协商通讯完成各种控制管理任务。

2.1 LynkrOS系统原理

负荷预测优化

负荷预测优化建立在中央空调冷源系统模型的基础上，运用不同的运行优化算法，提出相对应的运行优化策略，如图3.2所示，并进行寻优计算，模拟优化后的参数对应的运行能耗。即在建筑冷负荷一定时，以制冷机房能耗最低为目标，在保证建筑室内温度满足用户舒适性的前提下，通过定义自变量、设定约束条件、确定目标函数，对制冷机组蒸发器出水设定温度、冷冻水泵频率、冷却水泵频率、冷却水塔风机频率等设定耦合变量进行寻优，得到不同负荷率下设备最佳运行设定参数表。这里面比较有代表性的是云栋科技，基于数据中台生长型数据特点，以策略控制器落地动态自调节的节能策略，实现建筑自动节能运营。即利用源端及末端的边缘控制计算器，基于该建筑模型下的负荷预测以及最佳运行设定参数表，通过智能策略柜进行调节。图2.2 负荷预测优化原理

“数字孪生”优化

“数字孪生”，即基于某一物理实体的物理信息和运行数据，结合领域积累的理论模型，构建出一个能够快速、动态和准确仿真这一实体全生命周期过程的虚拟模型。中央空调系统“数字孪生”模型是中央空调系统物理对象的“孪生体”，通过实时接收来自物理对象的数据，进而不断更新模型以实现与物理对象运行状态保持一致。中央空调系统“数字孪生”模型能够实现系统运行“透明化”，面向系统全生命周期过程可以辅助系统优化设计、优化运行和故障诊断。这里面比较有代表性的是叠腾科技，其原理如图3.3所示，针对复杂暖通空调系统，通过建立暖通空调系统“数字孪生”模型，可以对其进行全生命周期管理，例如优化设计、优化运行和故障诊断，从而帮助实现自动化和智能化的能效管理。但是，目前数字孪生技术在实际应用过程中仍然存在诸如其在虚拟模型维度，如何保证虚拟空间模型与物理空间实体对象的一致性、真实性、有效性以及可靠性这样的问题。

图2.3 数字孪生优化原理

2.2 无模型优化

尽管无模型优化比有模型优化需要更多的学习时间以及通常稍差的优化效果，但是无模型优化不依赖众多的传感器数据以及负荷预测，而有模型优化依赖于良好的数据质量以及一定数量的传感器便于设备建模，同时还需要准确的负荷预测，因此无模型优化在空调冷却水系统优化中有着比有模型优化更加优秀的适应能力。无模型优化主要基于强化学习的发展，强化学习的方法有很多，基础的Q-learning、由此发展的深度Q神经网络（DQN）等都是在多种领域被验证过的稳定而优秀的方法。这里面比较有代表性的是同济大学机械与能源工程学院见微知筑工作室。

Q-learning

同济目前核心的Q-learning算法之一，是以湿球温度和系统冷负荷为状态，冷却塔风机和冷却水泵的频率为动作，奖励为系统COP及室内舒适度的综合效用函数。该方法基于Q-learning，以实际系统的实测数据，原理图如图3.4所示，进行验证，在基本控制器、局部反馈控制器、基于模型的控制器和提出的无模型控制器四种控制器的控制下进行为期三个月的基于实测数据的仿真。得到结论与基本控制器相比，无模型控制器在第一个应用制冷季节能11%，大于局部反馈控制器（7%），但小于基于模型控制器（14%）。无模型控制器在第二个应用制冷季的节能率可达 12%，之后的节能率趋于稳定。尽管无模型控制器的节能性能不如基于模型的控制器，但无模型控制器对先验知识和传感器的要求更少，因此在缺乏准确的系统性能模型或传感器的建筑中具有广阔的应用前景。此外，研究结果表明，对于设计峰值冷负荷接近2000kW的冷冻水系统，在制冷季学习 3 个月就足以开发出性能良好的无模型控制器。

图2.4 Q-learning优化原理

DQN

在最新的DQN算法研究中，使用神经网络来拟合Q-learning中的Q表，与Q-learning相比能够处理连续状态，同时又在DQN中引入记忆库，在学习时随机抽取，既有效率，又能打乱记忆之间相关性。因为有着记忆库的存在，DQN能学习当前的经历，也能学习过去的经历，甚至是学习其他的经历。DQN还使用了两个结构相同但参数不同的神经网络，其中实时更新的网络用于预测Q估计，而不实时更新的网络用于预测Q现实，这种方法能够让DQN同时兼顾过去与当下。在空调水系统冷却侧中，一般状态（例如负荷、湿球温度等）是连续的，而动作是离散的（例如冷却水泵频率、冷却塔风机频率，虽然频率可以连续设定，但是系统控制精度很难达到真正的连续控制，故可视作离散），且DQN性能比Q-learning更强，原理图如图3.5所示，故空调水系统冷却侧更加适合使用DQN进行优化。

图3.5 DQN优化原理

#3对比分析

目前的三类制冷机房节能技术，应用较为广泛的是基于集成或渠道的制冷机房节能技术和通用应用程序技术，应用前景最好的是机制模型+AI的纯软件技术和人工智能功能集成的软硬件兼备的技术。其中，模型预测方法和数字孪生模型是同一类技术，且AI模型及AI结合机理模型优化技术已经有若干公司在应用。在制冷机房智控节能技术中，模型优化与无模型优化各有优劣，但强化学习技术有比较高的灵活性和适用范围，可以更好地应用于工程实际。在模拟环境中，如果给与足够的寻优时间，有模型算法能够在每个状态点下逼近该模拟环境的优化上限，而无模型优化相应的需要一定的学习时间，同时是否能够达到优化上限取决于优化算法的性能以及相应状态空间、动作空间与奖赏的设定；而在实际环境中，无模型优化对传感器的依赖小，不依赖模型，直接与实际环境读取的数据交互，有模型优化则依赖系统模型以及负荷预测模型，同时需要定期重新训练设备模型，避免优化结果因设备性能曲线发生改变而改变。故在实际环境中无模型算法更加适用。在计算速度方面，无模型优化在学习与更新的过程中主要更新神经网络，该过程学习周期长；而输出优化结果则是直接将状态输入神经网络及算法输出，故实时输出优化结果速度快。有模型优化的计算速度则是与系统复杂度（包括模型复杂度）以及优化变量的多少有关，系统越复杂，计算开销呈几何倍数的增长，因此在需要实时输出优化结果的复杂系统中难以适用。在收敛速度上则相反，无模型优化的收敛速度与系统复杂度以及优化变量的多少有关，而有模型优化没有优化收敛速度的问题，优化效果在寻优时间保证的前提下稳定。