中央空調(diào)系統(tǒng)優(yōu)化控制與節(jié)能關鍵技術(shù)研究

中央空調(diào)系統(tǒng)是一個非線性、純滯后、大慣性和大干擾的被控對象，其用電量在南方地區(qū)占整個建筑物用電量30%以上，有的高達60~70%。其優(yōu)化控制和節(jié)能一直是業(yè)界研究的重要課題和難題，本課題研究其優(yōu)化控制與節(jié)能的關鍵技術(shù)。通過技術(shù)移植和學習交叉，研究適合中央空調(diào)系統(tǒng)的迭代學習控制算法，克服非線性、純滯后、大慣性和周期干擾對控制性能的影響。研究充分利用中央空調(diào)系統(tǒng)中制冷機組自身的控制系統(tǒng)與迭代學習控制相結(jié)合的控制方法，既能保證制冷機組安全高效地運行，又可以低成本地實現(xiàn)對整個中央空調(diào)系統(tǒng)的控制。研究以氣候條件和建筑物使用方式為輸入的基于模式聚類的中央空調(diào)系統(tǒng)工況劃分方法，使迭代學習控制算法更加有效。最終得到可以低成本實現(xiàn)的，并能克服中央空調(diào)系統(tǒng)的非線性、純滯后、大干擾的中央空調(diào)控制系統(tǒng)結(jié)構(gòu)和控制算法，并初步應用于實際。該課題的成果具有良好的社會效益和可觀的經(jīng)濟效益大。

隨著我國城鎮(zhèn)化建設與人民生活水平的快速發(fā)展，降低建筑能耗、提高室內(nèi)舒適度的需求越來越高。此背景下，建筑環(huán)境與能量系統(tǒng)的精確建模、控制與優(yōu)化研究尚未實現(xiàn)建筑、暖通專業(yè)知識與控制理論的有機結(jié)合。本項目從控制學角度圍繞建筑室內(nèi)熱環(huán)境的降階建模與控制、建筑室內(nèi)多環(huán)境參數(shù)優(yōu)化、建筑能量系統(tǒng)性能優(yōu)化、以及建筑電能耗短時預測等四個方面展開研究。首先，針對建筑熱環(huán)境CFD模型精度與復雜度之間的矛盾以及由此帶來的控制器設計困難，提出基于本征正交分解思想的室內(nèi)熱環(huán)境快速建模方法。在此基礎上，采用多模型切換控制的思路，通過離線-在線方式對室內(nèi)熱環(huán)境實現(xiàn)高分辨率精確調(diào)節(jié)；其次，針對目前建筑室內(nèi)環(huán)境的優(yōu)化策略大都忽視環(huán)境參數(shù)空間分布的問題，我們采用本征正交分解方法，結(jié)合多維插值和遺傳算法，設計一種綜合考慮室內(nèi)熱舒適度、空氣質(zhì)量及空調(diào)能耗的優(yōu)化策略。其中本征正交分解用于重構(gòu)低階的環(huán)境參數(shù)空間，其與多維插值算法的結(jié)合可快速求解目標函數(shù)，確保優(yōu)化算法的實時性；第三，當前建筑能量系統(tǒng)的仿真與優(yōu)化軟件存在算法封閉、擴展性差等缺陷?；诖耍覀冏灾鏖_發(fā)一種用于改善建筑能量性能的通用優(yōu)化工具。其特點在于整合多方軟件組成不同模塊，運用數(shù)據(jù)交互技術(shù)將建筑能量仿真中的多種分布式參數(shù)直接傳遞給優(yōu)化算法，使得優(yōu)化策略能充分考慮空間分布對環(huán)境參數(shù)的影響，相對目前的建筑能量與環(huán)境優(yōu)化策略，具有通用性好、優(yōu)化精度高等優(yōu)點；第四，在前期研究基礎上，我們繼續(xù)開展建筑電能耗預測模型的研究。通過引入遺傳操作機制，將一種改進型微粒群算法用于人工神經(jīng)網(wǎng)絡連接權(quán)值與閾值的優(yōu)化中，提出混合iPSO-ANN建筑電能耗預測模型。預測實驗證明該方法預測精度優(yōu)于廣泛使用的神經(jīng)網(wǎng)絡模型及其它PSO-ANN混合模型。另外，為了驗證POD降階模型對大空間建筑環(huán)境的逼近能力，我們利用一處1500平方米農(nóng)業(yè)生產(chǎn)型溫室，初步開展了實驗方案的設計與驗證工作。 2100433B