基于min-plus动态规划的冷水机组设计优化

文秋毅 ,  陈友明 ,  董凯军 ,  孙钦

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13625-13637

PDF (10857KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13625-13637 DOI: 10.12404/j.issn.1671-1815.2508822
论文:建筑科学

基于min-plus动态规划的冷水机组设计优化

作者信息 +

Optimization of Chiller Unit Design Based on Min-plus Dynamic Programming

Author information +
文章历史 +

摘要

针对大型建筑冷水机组能耗高且设计阶段优化不足的问题,提出冷水机组多约束组合优选方法。先穷举生成满足设计负荷约束的可行组合;基于性能系数(coefficient of performance,COP)-部分负荷率(part load ratio,PLR)曲线构造单机离散能耗模型,采用min-plus卷积逐台叠加得到各组合的最小功率-负荷查询函数。将其映射到典型气象年逐时负荷序列,获得每小时耗电量,采用动态规划递推模型在启停次数、切换次数与节能阈值等约束下评估供冷季能耗-切换,构建能效-稳定性帕累托前沿筛选最优组合。算例表明该方法可高效识别兼顾节能与稳定的最优组合,约束参数可改变最优组合选择。

Abstract

To address the high energy consumption of chiller plants in large buildings and the lack of effective design-stage optimization, a multi-constraint method for optimal chiller combination selection was proposed. Feasible combinations satisfying the design cooling load were first generated. Based on the coefficient of performance (COP)-part load ratio (PLR) curve, a discrete energy-consumption model for individual chillers was established, and the minimum power-load query function for each combination was derived through min-plus convolution. The function was then mapped to the hourly cooling-load sequence of a typical meteorological year to obtain hourly electricity consumption. A dynamic programming model was further employed to evaluate cooling-season energy consumption and switching performance under the constraints of start-stop frequency, switching frequency, and energy-saving threshold. An energy-efficiency-stability Pareto front was finally constructed to identify optimal combinations. The results show that combinations balancing energy saving and operational stability can be efficiently identified, and that the optimal selection is significantly affected by the constraint parameters.

Graphical abstract

关键词

冷水机组 / 设计优化 / 动态规划 / Min-plus算法 / 供冷季能耗 / 稳定性

Key words

chiller units / design optimisation / dynamic programming / Min-plus algorithm / cooling season energy consumption / stability

引用本文

引用格式 ▾
文秋毅, 陈友明, 董凯军, 孙钦. 基于min-plus动态规划的冷水机组设计优化[J]. 科学技术与工程, 2026, 26(31): 13625-13637 DOI:10.12404/j.issn.1671-1815.2508822
WEN Qiu-yi, CHEN You-ming, DONG Kai-jun, SUN Qin. Optimization of Chiller Unit Design Based on Min-plus Dynamic Programming[J]. Science Technology and Engineering, 2026, 26(31): 13625-13637 DOI:10.12404/j.issn.1671-1815.2508822

登录浏览全文

4963

注册一个新账户 忘记密码

建筑与建造部门仍是全球能源消耗和碳排放的重要来源。报告表明,2023年建筑部门约占全球最终能源需求的32%,约占全球能源相关二氧化碳排放的34%,因此建筑能源系统的高效化仍是实现“双碳”目标的重要切入点[1]。在建筑运行环节中,暖通空调系统是决定建筑能效水平的核心子系统之一。Hsu等[2]对建筑暖通空调(heating, ventilation and air conditioning,HVAC)系统数据驱动建模的最新进展进行了系统综述,指出HVAC系统正由传统经验控制逐步走向数据驱动与智能优化控制。Jin等[3]进一步指出,在需求响应和灵活调控背景下,HVAC优化控制方法已呈现出由模型驱动向模型自由方法演进的趋势。Al Sayed等[4]对智能建筑中HVAC强化学习控制进行了综述,认为强化学习正在成为复杂暖通系统优化控制的重要发展方向。
对于大型公共建筑,冷水机组及其附属冷站系统是中央空调的主要耗能部分,因此在设计阶段提升冷水机组系统配置水平与负荷适应能力具有重要工程意义。现有研究多集中于冷水机组运行阶段的优化控制。许晓群等[5]基于现场数据建模开展了冷机群控优化研究,验证了基于实测运行数据构建优化控制策略的可行性。杨世忠等[6]针对变风量空调送风温度控制系统存在的非线性、大迟延和参数不确定问题,提出了基于改进灰狼算法的自抗扰控制方法。Li等[7]提出了面向冷机序列控制的动态规划加速方法,在保持优化效果的同时显著降低了求解时间。Li等[8]又进一步在大型商业建筑中进行了冷机序列模型预测控制(model predictive control,MPC)现场示范,说明数据驱动预测控制已具备实际部署潜力。Wang等[9]针对具有复杂水力与热力耦合特性的冷站提出强化学习控制框架,实现了对冷却侧系统的优化控制。张长兴等[10]基于不同气候区条件分析了自然冷却在数据中心空调系统中的应用特性,为空调冷源系统节能运行提供了参考。陈柳等[11]系统综述了低品位热能驱动除湿强化蒸发冷却技术的研究进展,指出低品位热源驱动除湿过程能够有效提升系统冷却效率。Li等[12]还提出多策略改进麻雀搜索算法来优化大规模制冷系统中的冷机负荷分配,表明智能算法在冷机负荷优化方面具有较好的适用性。赵嵩颖等[13]则从设备层面对风冷式热泵机组结构优化设计及散热性能进行了研究,为高效热泵/冷却设备设计提供了依据。总体来看,现有运行阶段研究已从经验控制逐步发展到优化控制、预测控制与智能控制并行推进的阶段,但其研究重点仍主要落在既有系统运行策略优化上。
相比之下,面向设计阶段的冷水机组选型与容量组合优化研究仍然相对不足。Jia等[14]提出了考虑年逐时负荷不确定性的多冷机系统鲁棒容量配置选择方法,从可靠满足年度能源效率比(energy efficiency ratio,EER)要求的角度开展了配置研究。Moghaddas-Zadeh等[15]提出了基于人工神经网络(artificial neural network,ANN)的压缩式冷机网络设计与运行联合优化方法,将能耗、经济和环境目标统一纳入分析框架。Lü等[16]基于负荷高频区与机组高效区的重叠分析,提出了多冷机系统优化配置策略,可直接从候选机组中筛选配置方案。Bai等[17]基于Modelica平台分析了多冷机系统中序列优化、负荷优化和参数优化之间的协同作用,表明系统级综合建模有助于挖掘节能潜力。Jia等[18]进一步提出基于自适应冷机模型与数据增强的负荷分配策略,提升了在有限运行数据条件下的模型适应性。Cao等[19]针对全变速泵与冷却塔风机条件下的冷凝水系统建立了集成建模与优化方法,揭示了冷凝水系统协同优化的重要性。Wan等[20]提出通用负荷调节策略,通过热储能单元和及时负荷调节维持冷站在高性能系数(coefficient of performance,COP)区间运行,说明设计与控制边界的协同考虑具有明显节能潜力。
总体来看,现有研究多聚焦冷站运行阶段优化,而设计阶段“机组选型-容量搭配-组合优选”的系统研究相对不足。已有设计优化研究虽关注容量配置或年性能指标,但对供冷季逐时负荷下的启停、方案切换约束及“节能-稳定性”双目标权衡考虑不足。基于此,提出融合组合生成、min-plus卷积[21-22]与动态规划[7]的冷水机组多约束组合优选框架,在容量可行域内生成候选组合,构建组合最小功率-负荷查询函数,结合供冷季逐时负荷及相关约束进行评价与帕累托筛选,为设计阶段冷水机组组合优选提供定量依据。

1 研究方法

本章围绕冷水机组设计选型阶段的组合优选问题,构建了基于Min-plus卷积与动态规划的求解框架。该框架以候选机组组合生成为基础,通过Min-plus卷积建立组合最小功率-负荷查询函数,并结合供冷季逐时负荷及启停、切换和节能阈值等约束,对各组合进行逐时评价与帕累托筛选。同时,通过与等负荷分配法和等部分负荷率(part load ratio,PLR)分配法的对比,以及约束参数敏感性分析,验证所提方法在设计阶段组合优选中的有效性。

1.1 优化流程

构建的冷水机组组合优选流程如下:首先,输入建筑设计冷负荷、供冷季逐时冷负荷及候选机组型号库,设定容量上浮比例,构建组合容量可行域并生成候选组合。其次,基于各机组COP-PLR关系建立单机离散能耗模型,采用min-plus卷积逐台叠加,形成组合最小功率-负荷查询函数。随后,将查询函数映射至供冷季逐时负荷序列,在启停次数、方案切换次数及相对节能阈值等约束下逐时评价,得到总能耗与总切换次数。最后,构建能耗-切换二维评价矩阵,提取帕累托前沿并识别代表性最优组合,分析不同约束参数对优选结果的影响,优化流程如图1所示。

1.2 数学模型与方法概述

冷水机组设计选型阶段面对多厂家、多型号候选场景时,可行组合规模常以指数增长。若采用传统等负荷/等PLR等按规则分配法或逐时逐组合直接遍历计算,在叠加启停次数n1、方案切换次数n2及相对节能阈值系数Nratio等约束参数后,全局最优性与计算可扩展性常难以满足,重复求解组合内负荷分配与跨时段切换均衡更使得全组合扫描与帕累托前沿构造耗时巨大。已有研究侧面验证了规则/经验策略存在显著非最优空间,如王香兰等[23]通过优化启停与负荷率使机组运行总能耗较原方式降低约12.5%,说明设计阶段仅靠经验规则进行仍存在显著的改进空间。为实现可扩展计算量条件下的全局寻优,引入动态规划作为时间维度的全局寻优机制。为设计阶段实现供冷季逐时冷负荷下的组合优选,引入基于状态记录与逐时筛选的动态规划求解思路:以min-plus构造的组合最小功率-负荷查询函数为基础,在各时段对候选组合进行约束判定与最小功率选取,并结合相对节能阈值系数Nratio对组合序列进行平滑处理。在本文中阶段为时刻t,状态为上一时刻的机组组合,决策为保持/切换,阶段代价由min-plus构造的最小功率-负荷查询函数给出,并受n1、n2、Nratio约束。动态规划用于冷机序列的有效性已在实际工作中得到验证[24],且近期研究已给出速度量级证明。Li等[7]将单步求解耗时165 min压缩至3.61 s,并节约9.73%的能量。为实现冷水机组在设计阶段的组合优选,构建了包括能耗建模、组合生成、逐时优化与全局评价在内的完整优化体系,核心算法围绕min-plus卷积与动态规划,以min-plus在离散负荷域内构造组合最小功率边界,再以动态规划在逐时尺度上统一权衡节能与切换约束,为设计阶段全组合评估与帕累托优选提供可扩展的计算基础。

1.2.1 能耗模拟与优化目标

针对多台冷水机组并联系统,设第i台机组在t时刻的启停状态为ui,t∈{0,1},对应冷量为qi,t∈[0,Qi],额定制冷量为Qi,部分负荷率为ri,t,

冷水机组性能系数COP为εi。则有

${\mathrm{r}}_{\mathit{i},\mathit{t}}=\frac{{\mathit{q}}_{\mathit{i},\mathit{t}}}{{\mathit{Q}}_{\mathit{i}}}$

机组i的ε-r(r为部分负荷率)关系为

${\mathit{\epsilon }}_{\mathit{i}}\left(\mathit{r}\right)={\mathit{a}}_{\mathit{i}}+{\mathit{b}}_{\mathit{i}}\mathit{r}+{\mathit{c}}_{\mathit{i}}{\mathit{r}}^{2}+{\mathit{d}}_{\mathit{i}}{\mathit{r}}^{3}$

式(2)中:ai、bi、ci、di为厂家设备性能数据。以表征不同部分负荷条件下机组性能的变化规律。

机组能耗为

${\mathit{P}}_{\mathit{i}}\left({\mathit{q}}_{\mathit{i},\mathit{t}}\right)=\left\{\begin{array}{ll}0,& \mathit{q}=0\\ \frac{{\mathit{q}}_{\mathit{i},\mathit{t}}}{{\mathit{\epsilon }}_{\mathit{i}}\left({\mathit{r}}_{\mathit{i},\mathit{t}}\right)},& \mathit{q}>0\end{array}\right.$

系统需满足逐时冷负荷约束,即

${\sum }_{\mathit{i}}^{}{\mathit{q}}_{\mathit{i},\mathit{t}}={\mathit{D}}_{\mathit{t}}$

式(4)中:Dt为t时刻建筑的冷负荷。

设计阶段将最小启停时长、每日最大启动/切换次数等约束参数纳入模型。以供冷季总能耗最小为优化目标,优化目标函数为

$\mathrm{m}\mathrm{i}\mathrm{n}{\sum }_{\mathit{t}}^{}{\sum }_{\mathit{i}}^{}\mathit{P}({\mathit{q}}_{\mathit{i},\mathit{t}})$

1.2.2 组合生成与Min-plus卷积建模

根据设计负荷Ldesign和设定上浮比ρmax,定义组合容量可行域W=[Ldesign,(1+ρmax)Ldesign]。在该区间内,通过穷举并剪枝的方式生成所有满足容量约束的机组组合。

对于给定组合中的任一机组,基于其ε-r曲线构建离散能耗函数Pi(q)。设离散步长为ΔQ,离散点为q∈{ΔQ,2ΔQ,3ΔQ,…}。对单台机组而言,其功率值由对应离散负荷点的冷量与COP计算得到;在离散化过程中,仅保留机组允许负荷区间内的可行点。程序中单机功率表严格按dQ离散构造,并将机组已纳入组合但分配负荷为0的情形排除,以保证组合内负荷分配的物理合理性。在此基础上,采用min-plus卷积将多台机组的功率曲线逐台叠加,得到冷水机组组合在给定总负荷Q下的最小功率PC(Q)函数,即

$\begin{array}{l}{\mathit{P}}_{\mathrm{C}}\left(\mathit{Q}\right)=[{\mathit{P}}_{1}\otimes {\mathit{P}}_{2}\otimes \dots \otimes {\mathit{P}}_{\mathit{n}}]\left(\mathit{Q}\right)\\ =\underset{\sum _{\mathit{i}=1}^{\mathit{n}}{\mathit{q}}_{\mathit{i}}=\mathit{Q},{\mathit{q}}_{\mathit{i}}\in {\mathit{D}}_{\mathit{i}}}{\mathrm{m}\mathrm{i}\mathrm{n}}\sum _{\mathit{i}=1}^{\mathit{n}}{\mathit{P}}_{\mathit{i}}\left({\mathit{q}}_{\mathit{i}}\right)\end{array}$

式(6)中:$\otimes$表示min-plus卷积算子;Di为机组i的允许负荷区间。

min-plus卷积算子定义为,对任意两条离散功率函数Pa(·)与Pb(·),其min-plus卷积为

$\left\{\begin{array}{l}({\mathit{P}}_{\mathit{a}}\otimes {\mathit{P}}_{\mathit{b}})\left(\mathit{Q}\right)=\underset{\mathit{q}\in {\mathit{\Omega }}_{\mathit{a}}}{\mathrm{m}\mathrm{i}\mathrm{n}}\left\{{\mathit{P}}_{\mathit{a}}\right(\mathit{q})+{\mathit{P}}_{\mathit{b}}(\mathit{Q}-\mathit{q}\left)\right\}\\ \mathrm{s}.\mathrm{t}.\mathit{ }\mathit{Q}-\mathit{q}\in {\mathit{\Omega }}_{\mathit{b}}\end{array}\right.$

式(7)中:Ωa、Ωb分别为两台机组各自的可行负荷区间。

式(7)的物理意义为,在总负荷为Q时,将Q在两台机组之间进行所有可行拆分,即第一台承担q,第二台承担Q-q。对每一种拆分,计算两台机组功率之和P1(q)+P2(Q-q),并在所有可行q中取最小值,进而得到该组合在负荷Q下的最小功率。将多台机组重复上述最小化过程,可得到该组合在离散负荷域的最小功率-负荷映射(查询函数)。该映射在程序中以组合功率查询表的形式保存,作为后续供冷季逐时评价的基础。

通过离散化计算得到的Pc(Q)形成的最小功率-负荷查询函数,一方面实现组合在空间维度上的最优负荷分配,另一方面为供冷季的逐时动态规划提供了统一的阶段代价基础。需说明的是,上述最小功率-负荷查询函数对应的是给定机组组合在当前总负荷下的最小功率值,而不是某一固定时刻的静态冷量分配结果。因此,在后续供冷季逐时评价中,无论某一组合来源于保持还是更新,其在当前负荷下的功率比较均基于该组合对应的最小功率-负荷函数进行,从而保证不同组合之间的比较基准一致。对于已确定的某一组合,算法将进一步通过组合内分配求解过程得到该组合在当前负荷下的机组冷量分配、PLR、COP和功率明细。

1.2.3 供冷季逐时组合筛选与方案选择

在供冷季逐时评价中,并非直接对单台机组的逐时冷量分配结果进行全局搜索,而是以1.2.2节构造的各机组组合最小功率-负荷查询函数为基础,对每一时刻冷负荷在全部候选组合中进行逐时筛选。设第t时段冷负荷为Lt,组合c的总额定制冷量为Qc,则当前时段的基本候选集合可表示为

${\mathit{C}}_{\mathit{t}}^{\mathrm{*}}=\{\mathit{c}\mid {\mathit{Q}}_{\mathit{c}}\ge {\mathit{L}}_{\mathit{t}},{\mathit{P}}_{\mathit{c}}^{\mathrm{m}\mathrm{i}\mathrm{n}}({\mathit{L}}_{\mathit{t}}\left)\mathrm{存}\mathrm{在}\right\}$

即仅保留总容量能够覆盖当前负荷且在对应负荷点存在最小功率值的组合。在算法实现中,对全部组合将逐一检查其容量覆盖关系和该负荷点是否存在可取功率值,并以此形成当前时刻的基本候选集合。

为了保证供冷季组合序列满足设计选型中的稳定性要求,逐时筛选过程中记录上一时刻组合方案、当日累计启动次数、当日累计方案切换次数以及单机启停状态等状态量。对任一候选组合,若其在当前时刻会导致当日累计启动次数或当日累计方案切换次数超过预设上限,则该组合不进入当前时刻k的约束候选集合。由此,满足当前约束边界的组合集合可写为

${\mathit{C}}_{\mathit{t}}=\{\mathit{c}\in {\mathit{C}}_{\mathit{t}}^{\mathrm{*}}\},\mathit{ }\mathit{c}\mathit{需}\mathit{满}\mathit{足}\mathit{当}\mathit{前}\mathit{时}\mathit{刻}\mathit{的}\mathit{各}\mathit{项}\mathit{约}\mathit{束}\mathit{条}\mathit{件}$

当Ct非空时,当前时段的初始组合取为

${\mathit{c}}_{\mathit{t}}^{\left(0\right)}=\mathrm{a}\mathrm{r}\mathrm{g}\underset{\mathit{c}\in {\mathit{C}}_{\mathit{t}}}{\mathrm{m}\mathrm{i}\mathrm{n}}{\mathit{P}}_{\mathit{c}}^{\mathrm{m}\mathrm{i}\mathrm{n}}\left({\mathit{L}}_{\mathit{t}}\right)$

即在满足当前约束边界的候选组合中选取最小功率值对应的组合。若Ct为空,则退回至基本候选集合,并按最小功率值确定当前时刻组合,以保证供冷季逐时负荷在计算层面始终具有对应的组合方案。

在逐时初始组合序列形成后,进一步引入相对节能阈值系数Nratio对组合序列进行处理。设第t时刻处理前组合为${\mathit{C}}_{\mathit{t}}^{\left(0\right)}$,t-1时刻处理后组合为Ct-1。若Ct-1仍能覆盖当前负荷,则分别记上一时段组合在当前负荷下的功率值为${\mathit{P}}_{{\mathit{C}}_{\mathit{t}-1}}^{\mathrm{m}\mathrm{i}\mathrm{n}}$(Lt),当前候选组合的功率值为${\mathit{P}}_{{\mathit{C}}_{\mathit{t}}^{\left(0\right)}}^{\mathrm{m}\mathrm{i}\mathrm{n}}$(Lt)。当

${\mathit{P}}_{{\mathit{C}}_{\mathit{t}-1}}^{\mathrm{m}\mathrm{i}\mathrm{n}}\left({\mathit{L}}_{\mathit{t}}\right)-{\mathit{P}}_{{\mathit{C}}_{\mathit{t}}^{\left(0\right)}}^{\mathrm{m}\mathrm{i}\mathrm{n}}\left({\mathit{L}}_{\mathit{t}}\right)\le {\mathit{N}}_{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}}{\mathit{P}}_{{\mathit{C}}_{\mathit{t}}^{\left(0\right)}}^{\mathrm{m}\mathrm{i}\mathrm{n}}\left({\mathit{L}}_{\mathit{t}}\right)$

成立时,认为当前候选组合相对于上一时段组合的节能增益不足以支撑组合变更,则保持上一时段组合;否则接受当前候选组合。若上一时段组合已不能覆盖当前负荷,则直接采用当前时段逐时筛选得到的候选组合,而不再执行保持判定。由此可得经平滑处理后的供冷季逐时组合序列。该机制用于抑制负荷小幅波动引起的频繁方案变更,并在能耗与稳定性之间保持合理折中。需说明的是,供冷季逐时评价中的“保持上一组合”仅表示相邻时刻间所选机组组合保持不变,并不表示该组合内部继续沿用上一时段的冷量分配结果及比例,其在当前时段的功率值仍由该组合对应的最小功率-负荷函数确定。因此,当前时段不同组合之间的比较始终建立在统一基准之上,而不是旧分配结果与新分配结果之间的混合比较。

在得到初步组合序列后,结合机组启停限制规则进行修正,进而形成符合工程要求的供冷季组合序列。

1.2.4 全局寻优与对比验证

在设计阶段对所有可行组合均逐一调用前述min-plus动态规划求解流程,执行全年逐时优化,统计各组合对应的年度总能耗E与切换次数S,构建二维能效矩阵J(E,S)。在此基础上,从矩阵中提取帕累托前沿,得到在不同节能-稳定性偏好下具有代表性的最优组合方案。

为进一步验证Min-plus动态规划方法的优势,在相同机组组合空间内,分别采用等负荷分配和等PLR分配两种传统策略进行对比评估,并形成矩阵J'和J″。通过横向比较验证,本文方法以min-plus卷积实现机组组合内部最优分配为基础,并在年度尺度上引入动态规划统一处理启停与切换等约束,从而形成一套适用于设计阶段的有效优化策略,可同时提升系统整体能效和系统稳定性。

2 建筑及冷水机组概况

2.1 建筑工况与基本信息

以待设计的长沙某办公建筑为例,先用OpenStudio建立建筑模型,随后用EnergyPlus模拟出该建筑的全年逐时负荷以及供冷季的逐时冷负荷,该建筑的供冷季为4月30日—9月30日。

2.2 设计负荷与全年逐时负荷

建筑的设计冷负荷为1 100 kW,考虑到极端天气和机组余量,令容量安全系数为0.1,故可选机组组合的容量可行域W为[1 100 kW, 1 210 kW]。长沙地区的办公建筑仅在供冷季进行统一供冷。如图2所示为供冷季逐时负荷。

2.3 冷水机组参数设置

根据建筑工况及冷负荷数据,进行冷水机组系统配置优化设计。为确保实验在统一边界条件下的公平比较,各组合的容量覆盖范围、优化目标与约束条件均如前所述,以评估不同配置方法在相同边界系统约束下的能耗与系统稳定性。除机组本体参数之外的其他系统设置参数均保持一致,如表1所示。

2.4 冷水机组设备参数与性能模型

考虑到实际工程中并联使用多台冷水机组时,多数情况下仅采用同一系列的不同型号冷水机组而不采用不同系列的冷水机组。本文中任一组合下的机组都遵循这一约定。选取某厂商公开的冷水机组型号序列以构建机组集合。各机组的额定制冷量、满载COP、部分负荷区间、COP-PLR关系、高效运行区间等关键参数如表2所示,作为能效基础数据用于机组能耗模拟。

2.5 对照实验设置

为验证所提优化方法在冷水机组组合配置中的节能性与系统稳定性,将构建四组实验,全部实验均采用统一的逐时冷负荷数据与约束参数。

实验一 从集合A中选取一组满足容量要求的机组组合,分别在相对节能阈值系数Nratio=0,0.05,0.1的条件下进行能耗模拟,分析相对节能阈值系数Nratio对供冷季组合序列的影响。

实验二 在集合A中枚举所有可行组合,分别采用min-plus动态规划法与等负荷分配、等PLR、等传统策略进行优化,对比各自最优组合的机组组成与能耗—切换次数二维指标,以此评估本文方法的寻优能力。

实验三 沿用实验一中的固定机组组合,在典型气象年供冷季负荷条件下对三类约束参数进行系统扰动,分析供冷季总能耗与方案切换次数对参数变化的敏感性,揭示约束参数对性能指标的影响机制及其影响程度,为设计阶段代表性参数场景的选取提供依据。

实验四 对实验三提供的三类代表性约束场景,在容量可行域内枚举全部可行机组组合,采用min-plus动态规划求解流程,对供冷季逐时冷负荷进行模拟计算,获得各机组组合在不同场景下的供冷季总能耗E与方案切换次数S,以构建E-S帕累托前沿及三类代表点。对比不同场景下前沿形态与代表解对应的最优组合,验证约束参数在设计阶段改变最优机组组合的能力,并形成场景-组合协同选型依据。

3 结果及讨论

下面依次给出四组实验的年度能耗与切换次数及相关分析结果。

3.1 固定机组组合对照实验

任选三台定频螺杆冷水机组构造组合并进行供冷季逐时模拟,验证相对节能阈值系数Nratio对供冷季能耗-切换均衡的调节作用。该组合使用的三台机组的额定制冷量分别为308、333、462 kW,总额定制冷量为1 103 kW。根据min-plus卷积与动态规划法,在相对节能阈值系数Nratio=0、0.05、0.1的三种情形下,对该组合进行供冷季逐时模拟。如图3所示为Nratio=0、0.05、0.1时,供冷季总能耗与总切换次数差异。

由图3可知,相对节能阈值系数Nratio的出现有效抑制了机组系统在负荷小波动时的频繁切换动作。在Nratio=0的情形中,该组合的总能耗为180 889.61 kWh,全年切换次数高达994次;当Nratio=0.05时,总能耗仅增加0.5%,而切换次数下降约46%。这表明适当提高Nratio可以以略微提高能耗水平的代价,显著抑制方案切换频率,这对系统的稳定性提升有明显效果。

如图4所示为三台机组在Nratio=0.05时的PLR分布及在高效区间中的时间占比。结果显示,有一台机组有超过69%的时间位于高效区间,说明Nratio有效提升了机组运行效率。

3.2 全组合类型寻优

实验二在集合A中枚举所有可行组合,并在相同供冷季逐时冷负荷序列、相同机组性能参数及相同容量可行域条件下,分别采用本文方法、等负荷分配法和等PLR分配法对各组合进行年度评价,计算供冷季总能耗和切换次数,构建能耗—切换矩阵并提取帕累托前沿,完成能效权衡分析并筛选出最优组合。三种方法共享相同的基础数据条件,其差异主要体现在组合内负荷分配规则上,如表3所示。

帕累托前沿分析基于二维指标:总能耗E与总方案切换次数S,为避免量纲偏置,将二者进行归一化,公式分别为

$\mathit{E}\mathit{\text{'}}=\frac{\mathit{E}-{\mathit{E}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{\mathit{E}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{E}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}$
$\mathit{S}\mathit{\text{'}}=\frac{\mathit{S}-{\mathit{S}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{\mathit{S}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{S}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}$

定义帕累托前沿的最优代表点为:等权最优点指在帕累托前沿上令(E'+S')/2取得最小值的点;膝点指归一化空间中距离前沿两端点连线垂直距离最大的点,用于反映能耗与方案切换之间的折中特征,加权最优点指使Jw=wE'+(1-w)S'取得最小值的点。w为能耗指标的权重系数,1-w为方案切换次数指标的权重系数,由于设计阶段通常更关注供冷季总能耗,同时仍需兼顾组合序列稳定性,本文取w=0.7作为节能略优先情形下的代表性偏好,其对应方案作为70/30加权代表解。

需说明的是,70/30加权点用于表征节能略优先条件下的推荐方案,而不将其视为唯一最优解;膝点则作为辅助参考点。三种方法下各代表点对应的组合及其E、S指标汇总如表4所示,帕累托前沿及代表点分布如图5所示。

从三种方法各自生成的帕累托前沿上选取等权最优点、70/30加权最优点与前沿膝点,并将对应的总能耗与机组总切换次数汇总如表4所示。在三类代表点处进行能耗对比,结果如图6所示。

以基于min-plus的动态规划法为基准,在三类代表点处进行的能耗对比结果如图6所示。

在相同代表点选取规则下,基于min-plus的动态规划法在三类代表点上均表现出更好的综合平衡性。具体而言,相较于基于min-plus的动态规划法,等PLR负荷分配法在等权最优点、70/30加权最优点和前沿膝点处的供冷季总能耗变化幅度分别为+0.18%、-1.40%和+0.18%,等负荷量分配法对应分别为+0.23%、-1.34%和+0.23%;而两种传统方法在三类代表点处的供冷季方案切换次数均分别增加+61/67、+65/76和+61/67次/年。这表明,尽管传统方法在70/30加权最优点处呈现出一定的局部能耗优势,但该优势是以更频繁的机组切换为代价获得的;从节能优先、兼顾稳定性的双目标综合寻优角度看,基于Min-plus的动态规划法仍更有利于在设计阶段锁定兼顾低能耗与低切换特征的帕累托优势机组组合,从而体现出更优的整体选型性能。为检验代表解对偏好参数设定的敏感性,进一步取w=0.5、0.6、0.7、0.8、0.9开展加权代表点分析,结果如表5所示。

由表5可知,基于min-plus的动态规划法,在不同权重下选出的代表解保持一致,或仅在邻近帕累托点之间变化,这说明该法选取出的最优/近最优代表点具有较好的稳健性。

3.3 约束参数特性分析

前两节表明,在给定约束参数条件下,Min-plus动态规划法可降低供冷季能耗及运行切换次数。但在设计阶段不应仅确定机组组合容量,还应预先给出合理的约束参数区间,使所选组合在不同节能偏好下均能有良好能效表现。本节在固定机组的前提下,对每日最大启动次数n1,每日方案切换次数n2和相对节能阈值系数Nratio进行敏感性分析,探究其对供冷季总能耗E和供冷季方案切换次数S的影响,并以此提炼具有工程代表性的约束参数组合。

本节在保持建筑负荷工况下冷水机组参数与3.1节一致的前提下,采用拉丁超立方抽样法,在内均匀选取若干样本以构造供冷季仿真实验集。

$\begin{array}{l}\mathit{\Theta }=\left\{\right({\mathit{n}}_{1},{\mathit{n}}_{2},{\mathit{N}}_{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}}\left)\right\},\mathit{ }{\mathit{n}}_{1}\in \left[\mathrm{2,12}\right],\\ {\mathit{n}}_{2}\in \left[\mathrm{2,15}\right],{\mathit{N}}_{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}}\in \left[\mathrm{0.01,0.2}\right]\end{array}$

与简单蒙特卡罗随机抽样相比,拉丁超立方抽样是一种在样本数量相同的情况下能显著提升参数空间覆盖均匀性的抽样法,它将每个参数的取值区间均匀划分,生成与样本数相同的若干子区间。在每个子区间内随机抽样一个点作为样本,以此保证每个参数在其区间内的均匀分布;再通过随机匹配令各个维度上的采样点组合成三维参数(nk1,nk2,Nratio)(k=1, 2,…,200),每组参数配置统一调用Min-plus动态规划进行求解,完成供冷季能耗模拟统计对应的供冷季总能耗E、供冷季方案切换次数S等指标。

通过对200组随机实验得到的E-S进行聚类分析,可在参数空间自然生成节能型、平衡型、稳定型三类运行场景,如图7所示。

基于当前机组组合在200组(n1,n2,Nratio)参数样本下的供冷季逐时评价结果,可将样本在E-S指标空间中自然划分为节能型、平衡型和稳定型三类场景。聚类结果表明,三类场景在能耗与方案切换之间呈现出清晰分层:节能型对应最低总能耗和较高切换次数,稳定型对应最低切换次数和相对较高总能耗,平衡型位于两者之间,体现出能耗与稳定性之间的折中关系,表6所示。

进一步比较三类场景对应的参数中心可知,n1与n2的中心值变化幅度较小,而Nratio呈现出明显分层特征:节能型、平衡型和稳定型的中心值分别约为0.017 4、0.059 7和0.147 4。这表明,相对节能阈值系数Nratio是决定能耗-切换权衡关系的主导参数;相比之下,每日最大启动次数和每日最大方案切换次数更多体现为边界约束和保护作用。

通过自然聚类后的200组数据分别探究n1(次/d)、n2(次/d)、Nratio与E(kWh)和S(次)的相关性及影响程度,结果如图8所示。

由图8可知,三类运行模式下约束参数对供冷季总能耗E与总切换次数S的影响具有较为清晰的分区特征,可大致归纳为节能型、平衡型和稳定型三类参数区域。整体上看,当Nratio取值较小时,系统对微小节能收益也倾向于执行方案调整,因此供冷季总能耗较低,但机组组合切换更为频繁,此类区域可视为节能型,适用于节能目标优先且可接受较高调度频率的场景;当Nratio处于中等水平时,系统既不会过于激进地频繁切换,也不会因过度保守而显著抬升能耗,供冷季总能耗与总切换次数能够保持较好的综合均衡,可视为平衡型,更适合多数公共建筑冷站的常规设计需求;当Nratio进一步增大时,系统仅在节能潜力较为明显时才进行方案调整,切换次数显著下降,但相应地总能耗有所上升,此类区域可视为稳定型,更适用于运行平稳性要求较高、运维管理更强调可控性的机房场景。

进一步结合图8各响应面可以看出,Nratio是影响系统节能性与稳定性权衡关系的主控参数。随着Nratio增大,供冷季总能耗整体呈上升趋势,而总切换次数则明显下降,说明该参数直接决定了系统对“节能收益是否足以触发方案调整”的判别强度。

相比之下,n2主要体现为对组合切换行为的直接约束,其对总切换次数的调节作用较为明显,并在较低Nratio条件下对总能耗也具有一定影响;但当Nratio已较高时,继续增大n2的边际收益趋于减弱,其作用更多体现为对年度切换水平的进一步限定。n1对两项指标的影响相对较弱,响应面起伏总体小于Nratio相关图面,其主要作用在于限制单台机组的频繁启停,更多体现为设备保护约束,而非决定系统全年能耗与切换次数变化趋势的主导因素。总体而言,图8表明,Nratio与n2共同构成了系统“节能—稳定”权衡边界,而n1主要承担辅助性的启停保护功能。

为将参数敏感性分析结果进一步转化为可用于全组合优选的典型场景,依据三类聚类区域的样本中心与参数主分布区间,对n1、n2和Nratio进行代表值提炼,最终形成场景A、B、C三组典型约束参数组合,其结果如表7所示。

3.4 约束参数下的组合优选

对于2.4节中的所有机组生成的2.2节中满足容量可行域W的机组组合,基于与3.1~3.3节中相同的供冷季逐时冷负荷,采用3.3节中标定的三组代表场景并通过min-plus动态规划法进行逐时能耗模拟,可分别得到各自场景中对应的供冷季总能耗Ej与方案总切换次数Sj。可形成(Ej(A),Sj(A))、(Ej(B),Sj(B))、(Ej(C),Sj(C))三组组合——供冷季指标数据集,并进一步形成帕累托散点分布。

如图9所示为三种场景下全部组合的(E,S)散点及帕累托前沿。场景A中,前沿整体偏向低能耗区,切换次数较大,体现出节能为主,切换频率较高的特征。场景B中,前沿集中在中等能耗与中等切换次数区域,呈现能耗与稳定性兼备的特性。场景C中,帕累托前沿向低切换区域平移,整体切换次数下降,能耗普遍略有抬升,少数组合可在严格约束下保持较好的E-S水平。随着约束条件由A向C收紧,帕累托前沿呈现能耗小幅升高,切换显著减少的系统性迁移,说明约束参数直接决定了可接受的节能—稳定权衡边界。表8展示了三种不同场景中各自的帕累托前沿解。

三个场景的代表点结果表明,场景A的等权最优点、70/30加权最优点和前沿膝点均收敛于A1-3,说明该场景更偏向低能耗优先,但切换次数相对较高,具有典型的节能型特征;场景B与场景C的三类代表点分别集中于B1-1和C1-1,说明其更倾向于选择兼顾能耗与切换稳定性的折中方案,其中场景B更接近平衡型,场景C更接近稳定型。总体来看,三类场景反映出最优解会随参数设置由节能优先逐步转向稳定优先,表明该方法能够有效识别不同偏好下的帕累托优势机组组合,并为设计阶段按需选取节能型、平衡型或稳定型机组方案提供依据。

4 结论

针对冷水机组设计选型阶段,构建了组合生成—能耗查表—动态规划评估—帕累托优选的机组一体化优选方法。此方法先在容量可行域内生成候选组合,随后基于Min-plus卷积构造组合最小功率-负荷查询函数,接着在机组启停/切换与相对节能阈值系数等工程约束下,对典型气象年供冷季逐时负荷进行仿真评价,输出机组组合的供冷季总能耗E与总切换次数S,最后通过帕累托前沿给出满足设计偏好的最优组合。该法可实现冷水机组系统能耗与切换稳定性的协同优化,并为冷水机组方案优选提供一个能兼顾节能与稳定性的定量决策手段,可有效解决设计阶段中机组组合多、优选难的问题。通过本文研究,得到以下结论。

(1)对比分析表明,引入的切换相对节能阈值系数Nratio对冷水机组系统具有显著优化作用。该系数可在不影响冷负荷供给的前提下,有效抑制微小功率差引起的频繁切换,提升系统稳定性与机组能效表现,这为后续的组合优化和实际工程部署提供了可量化调参的工程约束手段。

(2)在集合A的可行域算例中,本文方法不仅相较于两种传统负荷分配方法所优选出的机组组合,有着更优的E-S帕累托表现;同时在三类代表点下,均呈现“更低能耗且更少切换”的双重表现,其帕累托前沿整体更接近理想点,表明本文方法在多组合空间中具有更强的全局寻优能力。

(3)敏感性结果表明,约束参数不仅能改变E与S的水平,还能改变帕累托前沿形态与对应的优选组合;整个参数空间可分成节能型-平衡型-稳定型三类区域,该空间可用于指导生成满足不同设计偏好的工程约束参数推荐区间。

(4)在多目标权衡中,设计偏好以系统稳定性为主时,宜在能耗、切换次数的权重配置中提高切换次数的权重,并配合相对节能阈值系数Nratio以及机组最小启停时长,减少非必要切换。若以系统能耗为主,则应提高能耗权重,并辅以切换幅度限制,实现节能与稳定性折中。

(5)设计阶段应输出帕累托候选集及设计偏好对应的推荐组合,而非单一最优解。后续可在本方法的基础上纳入启停磨损与舒适度等约束,并在不同容量配置与气候区条件下开展泛化验证,以提升方法在工程选型中的适用性与完整性。

参考文献

[1]

United Nations Environment Programme, Global Alliance for Buildings and Construction. Global status report for buildings and construction 2024/2025[R]. Nairobi: United Nations Environment Programme, 2025.

[2]

Hsu P C, Gao L, Hwang Y, et al. A review of the state-of-the-art data-driven modeling of building HVAC systems[J]. Energy and Buildings, 2025, 342: 115881.

[3]

Jin R, Xu P, Gu J, et al. Review of optimization control methods for HVAC systems in demand response (DR): transition from model-driven to model-free approaches and challenges[J]. Building and Environment, 2025, 280: 113045.

[4]

Al Sayed K, Boodi A, Broujeny R S, et al. Reinforcement learning for HVAC control in intelligent buildings: a technical and conceptual review[J]. Journal of Building Engineering, 2024, 95: 110085.

[5]

许晓群, 王翠灵, 侯忠平, 等. 基于现场数据建模的冷机群控策略研究[J]. 建筑节能, 2023, 51(4): 56-63.

[6]

Xu Xiaoqun, Wang Cuiling, Hou Zhongping, et al. Research on chiller group control strategy based on field data modeling[J]. Building Energy Efficiency, 2023, 51(4): 56-63.

[7]

杨世忠, 宫钰程, 王伟. 基于改进灰狼算法的空调送风温度自抗扰控制[J]. 科学技术与工程, 2025, 25(13): 5491-5500.

[8]

Yang Shizhong, Gong Yucheng, Wang Wei. Active disturbance rejection control of air-conditioning supply air temperature based on improved grey wolf algorithm[J]. Science Technology and Engineering, 2025, 25(13): 5491-5500.

[9]

Li S, Li S, Wang Z. Accelerating chiller sequencing using dynamic programming[J]. Energy and Buildings, 2024, 325: 115037.

[10]

Li S, Li S, Mohebi P, et al. Field demonstration of model predictive control for chiller sequencing in large-scale commercial buildings[J]. Energy and Buildings, 2025, 344: 116021.

[11]

Wang X, Xu H, Fan C, et al. Leveraging reinforcement learning for optimal control of chiller plant with complex hydraulic and thermodynamic characteristics[J]. Energy and Buildings, 2025, 344: 116037.

[12]

张长兴, 赵光磊, 丁卫科, 等. 基于自然冷却的数据中心空调系统应用特性[J]. 科学技术与工程, 2025, 25(15): 6324-6331.

[13]

Zhang Changxing, Zhao Guanglei, Ding Weike, et al. Application characteristics of data center air-conditioning system based on natural cooling[J]. Science Technology and Engineering, 2025, 25(15): 6324-6331.

[14]

陈柳, 郭镇源, 刘悦, 等. 低品位热能驱动除湿强化蒸发冷却技术研究进展[J]. 科学技术与工程, 2025, 25(36): 15355-15368.

[15]

Chen Liu, Guo Zhenyuan, Liu Yue, et al. Research progress of dehumidification-enhanced evaporative cooling technology driven by low-grade thermal energy[J]. Science Technology and Engineering, 2025, 25(36): 15355-15368.

[16]

Li Z, Guo J, Gao X, et al. A multi-strategy improved sparrow search algorithm of large-scale refrigeration system: optimal loading distribution of chillers[J]. Applied Energy, 2023, 349: 121623.

[17]

赵嵩颖, 王冬冬, 陈永, 等. 风冷式热泵机组结构优化设计及散热性能研究[J]. 科学技术与工程, 2023, 23(6): 2411-2418.

[18]

Zhao Songying, Wang Dongdong, Chen Yong, et al. Structural optimization design and heat dissipation performance of air-cooled heat pump units[J]. Science Technology and Engineering, 2023, 23(6): 2411-2418.

[19]

Jia Z, Jin X, Lyu Y, et al. A robust capacity configuration selection method of multiple-chiller system concerned with the uncertainty of annual hourly load profile[J]. Energy, 2023, 282: 129000.

[20]

Moghaddas-Zadeh N, Farzaneh-Gord M, Ebrahimi-Moghadam A, et al. ANN-based procedure to obtain the optimal design and operation of the compression chiller network—energy, economic and environmental analysis[J]. Journal of Building Engineering, 2023, 72: 106711.

[21]

Lü Y, Jin X, Xue Q, et al. An optimal configuration strategy of multi-chiller system based on overlap analysis and improved GA[J]. Building and Environment, 2024, 266: 112117.

[22]

Bai X, Tang Q, Luo J, et al. Optimizing energy efficiency in multi-chiller systems: a comprehensive modelica-based approach[J]. Journal of Building Engineering, 2024, 95: 110087.

[23]

Jia Z, Jin X, Lyu Y, et al. A novel load allocation strategy based on the adaptive chiller model with data augmentation[J]. Energy, 2024, 309: 133064.

[24]

Cao Y, Wang C, Wang S, et al. Energy modeling and optimization of building condenser water systems with all-variable speed pumps and tower fans: a case study[J]. Building Simulation, 2024, 17(7): 1085-1111.

[25]

Wan H, Gong Y, Wang S, et al. Generic load regulation strategy for enhancing energy efficiency of chiller plants[J]. Building Simulation, 2024, 17(8): 1273-1287.

[26]

Bouazza S, Amari S, Hassine H. Design of control laws to guarantee mutual exclusion constraints in a network of linear Min-Plus systems with disturbance inputs[J]. Information Sciences, 2025, 712: 122107.

[27]

Grage K, Jansen K, Schumacher B. Convolution and knapsack in higher dimensions[C]//19th International Symposium on Algorithms and Data Structures (WADS 2025). Dagstuhl: Schloss Dagstuhl-Leibniz-Zentrum für Informatik, 2025: 30.

[28]

王香兰, 晋欣桥, 吕远, 等. 基于关联规则的多冷水机组系统负荷优化分配[J]. 制冷学报, 2022, 43(1): 35-45.

[29]

Wang Xianglan, Jin Xinqiao, Lü Yuan, et al. Optimal load allocation of multiple chiller system based on association rules[J]. Journal of Refrigeration, 2022, 43(1): 35-45.

[30]

Chang Y C. An outstanding method for saving energy—optimal chiller operation[J]. IEEE Transactions on Energy Conversion, 2006, 21(2): 527-532.

基金资助

国家重点研发计划(2023YFC3806403)

PDF (10857KB)

0

访问

0

被引

详细

导航
相关文章

/

〈 〉