摘要
 
       通過建立人工神經(jīng)網(wǎng)絡(luò)模型來預(yù)測(cè)溶液調(diào)濕新風(fēng)系統(tǒng)的濕負(fù)荷及冷負(fù)荷，考慮使用熱感區(qū)域劃分來提高預(yù)測(cè)精度；引入了一種系統(tǒng)控制優(yōu)化模型，并結(jié)合神經(jīng)網(wǎng)絡(luò)模型的負(fù)荷預(yù)測(cè)結(jié)果對(duì)新風(fēng)系統(tǒng)的運(yùn)行控制進(jìn)行了優(yōu)化，在潛能蓄能和分時(shí)電價(jià)情況下制定了優(yōu)化控制策略，提高了系統(tǒng)靈活性。結(jié)果表明，分區(qū)神經(jīng)網(wǎng)絡(luò)模型具有較高的預(yù)測(cè)精度，濕負(fù)荷及冷負(fù)荷預(yù)測(cè)結(jié)果對(duì)應(yīng)的均方根誤差變異系數(shù)分別為8.72%和9.98%，優(yōu)化結(jié)果可使系統(tǒng)在整個(gè)空調(diào)季的運(yùn)行能耗和費(fèi)用分別降低27.2%和29.2%。該結(jié)果可為住宅獨(dú)立新風(fēng)調(diào)濕系統(tǒng)的運(yùn)行優(yōu)化提供參考。

       負(fù)荷預(yù)測(cè)；新風(fēng)；分區(qū)人工神經(jīng)網(wǎng)絡(luò)；溶液調(diào)濕；蓄熱

作者

霍雅超 殷勇高

 
       為了保證我國國民經(jīng)濟(jì)的可持續(xù)發(fā)展，在2030年之前實(shí)現(xiàn)碳達(dá)峰，在2060年之前實(shí)現(xiàn)碳中和，各個(gè)領(lǐng)域的節(jié)能減排勢(shì)在必行。全球每年約有40%的能源被建筑所消耗，同時(shí)建筑能耗的一半以上被暖通空調(diào)系統(tǒng)所消耗，因此提出建筑空調(diào)系統(tǒng)的綜合節(jié)能減排措施迫在眉睫。
 
       輻射冷暖與新風(fēng)系統(tǒng)是一種具有高舒適性、節(jié)能高效的新型暖通空調(diào)系統(tǒng)，該類系統(tǒng)由于其高性能和高舒適性的特點(diǎn)在住宅中被積極推廣和布局，目前正處于實(shí)際應(yīng)用推廣的初步階段。在實(shí)際工程應(yīng)用中，由于針對(duì)此類系統(tǒng)能耗水平及運(yùn)行特性的研究尚不充分、系統(tǒng)運(yùn)行維護(hù)經(jīng)驗(yàn)尚不成熟，實(shí)際應(yīng)用中還存在一些不確定性問題，如新風(fēng)系統(tǒng)能耗占比高和運(yùn)行特性不匹配等，此類系統(tǒng)還存在較大的優(yōu)化空間。
 
       輻射冷暖與新風(fēng)系統(tǒng)作為一種綜合供冷、供熱、除濕、新風(fēng)的一體化空調(diào)系統(tǒng)具有一定復(fù)雜性。在實(shí)際應(yīng)用中，解決除濕問題是避免結(jié)露、提高舒適性的關(guān)鍵。通常采用獨(dú)立新風(fēng)系統(tǒng)解決輻射空調(diào)的除濕問題，利用新風(fēng)系統(tǒng)承擔(dān)建筑全部濕負(fù)荷和部分冷負(fù)荷。因此，新風(fēng)系統(tǒng)負(fù)荷的處理通常是此類系統(tǒng)能耗和運(yùn)行分析的關(guān)鍵，而新風(fēng)系統(tǒng)的冷濕負(fù)荷通常受到多種因素的影響。熱泵型溶液調(diào)濕機(jī)組作為一種全年通用、高效節(jié)能的調(diào)濕設(shè)備，應(yīng)用于新風(fēng)系統(tǒng)中有較好的調(diào)濕效果。而在工程應(yīng)用中，機(jī)組是否能保持較高的能效水平和良好的運(yùn)行特性存在不確定性。
 
       為了降低建筑能耗和運(yùn)行成本，有必要制定更加匹配建筑特性和負(fù)荷特性的新風(fēng)系統(tǒng)運(yùn)行策略，以準(zhǔn)確、快速地預(yù)測(cè)新風(fēng)系統(tǒng)的負(fù)荷需求和能耗。人工神經(jīng)網(wǎng)絡(luò)（ANN）作為一種典型的黑箱模型在負(fù)荷預(yù)測(cè)方面得到了廣泛的應(yīng)用和研究。Luo等人使用廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）對(duì)公共建筑的冷負(fù)荷進(jìn)行了預(yù)測(cè)，結(jié)果表明，GRNN用于預(yù)測(cè)冷負(fù)荷是準(zhǔn)確的。González等人采用反向傳播ANN模型，以室外溫度、室外相對(duì)濕度和太陽輻射為模型輸入，預(yù)測(cè)建筑冷負(fù)荷需求，模型的平均相對(duì)誤差為2.024%。
 
       實(shí)現(xiàn)暖通空調(diào)系統(tǒng)的負(fù)荷預(yù)測(cè)通常采用室外氣象參數(shù)等作為人工神經(jīng)網(wǎng)絡(luò)的輸入，然而僅利用室外氣象參數(shù)進(jìn)行預(yù)測(cè)不能涵蓋負(fù)荷的所有影響因素，人為因素對(duì)于負(fù)荷預(yù)測(cè)的精度影響也很大。Li等人提出，將入住率作為輸入?yún)?shù)來建立預(yù)測(cè)模型可以提高模型的預(yù)測(cè)精度，結(jié)果表明，ANN模型的均方根誤差變異系數(shù)為26%，預(yù)測(cè)精度得到提高。人為因素對(duì)負(fù)荷的影響除了體現(xiàn)在入住率上，還體現(xiàn)在建筑內(nèi)部不同區(qū)域的差異上，不同區(qū)域居住者使用習(xí)慣和舒適需求差異對(duì)預(yù)測(cè)精度有很大影響。因此，采用分區(qū)域的人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行暖通空調(diào)系統(tǒng)負(fù)荷預(yù)測(cè)對(duì)提高預(yù)測(cè)精度有重要意義。Hu等人使用分區(qū)ANN模型來預(yù)測(cè)辦公樓的負(fù)荷需求及能耗，結(jié)果表明分區(qū)模型對(duì)于預(yù)測(cè)精度有顯著提高，對(duì)應(yīng)負(fù)荷和能耗預(yù)測(cè)的均方根誤差變異系數(shù)分別為10.76%和15.59%。
 
       基于負(fù)荷預(yù)測(cè)結(jié)果進(jìn)行暖通空調(diào)系統(tǒng)優(yōu)化運(yùn)行是必要的，徐新華等人利用灰色預(yù)測(cè)方法對(duì)某辦公建筑不同時(shí)期早晨需求冷量進(jìn)行預(yù)測(cè)，為空調(diào)系統(tǒng)啟動(dòng)控制提供優(yōu)化策略。Hu等人運(yùn)用負(fù)荷預(yù)測(cè)結(jié)果得到熱泵蓄冷優(yōu)化控制方法，優(yōu)化結(jié)果使系統(tǒng)全年運(yùn)行成本降低40%。根據(jù)負(fù)荷預(yù)測(cè)結(jié)果制定優(yōu)化運(yùn)行策略，可滿足保障高效運(yùn)行、控制運(yùn)行成本的需求，為未來實(shí)現(xiàn)綜合能源管理系統(tǒng)平臺(tái)搭建和數(shù)據(jù)機(jī)房無人值守提供技術(shù)支持。
 
       本文以某住宅區(qū)輻射冷暖空調(diào)的新風(fēng)系統(tǒng)為研究對(duì)象，采集并分析了新風(fēng)處理系統(tǒng)的歷史數(shù)據(jù)，計(jì)算分析了新風(fēng)機(jī)組能效水平；建立了人工神經(jīng)網(wǎng)絡(luò)模型，對(duì)新風(fēng)機(jī)組冷濕負(fù)荷進(jìn)行預(yù)測(cè)，并通過區(qū)域劃分和輸入優(yōu)化提高了模型預(yù)測(cè)精度；基于負(fù)荷預(yù)測(cè)結(jié)果，在潛能蓄能和分時(shí)電價(jià)的情況下制定了系統(tǒng)優(yōu)化運(yùn)行策略，為實(shí)際運(yùn)維中降本提效、提高建筑能源系統(tǒng)的靈活適應(yīng)性提供了有效的解決方案。
 

 

能源及新風(fēng)系統(tǒng)概況

 
       1.1 能源系統(tǒng)概況及數(shù)據(jù)處理方法
 
       本研究選取蘇州市一個(gè)住宅小區(qū)為案例，該小區(qū)采用集中式輻射冷暖與新風(fēng)空調(diào)系統(tǒng)。系統(tǒng)的冷熱源由地源熱泵和熱泵式溶液調(diào)濕新風(fēng)機(jī)組組成，末端采用輻射毛細(xì)管與風(fēng)機(jī)盤管。夏季輻射末端承擔(dān)大部分的顯熱負(fù)荷，由地源熱泵提供冷量，新風(fēng)系統(tǒng)承擔(dān)全部的潛熱負(fù)荷和部分顯熱負(fù)荷。
 
       新風(fēng)系統(tǒng)夏季采用先預(yù)冷再進(jìn)行溶液除濕的處理方式，如圖1所示。室外新風(fēng)通過表冷器預(yù)冷達(dá)到狀態(tài)點(diǎn)（2），再通過溶液調(diào)濕機(jī)組處理到送風(fēng)狀態(tài)點(diǎn)（3）送入室內(nèi)，其中預(yù)冷段的冷量由地源熱泵提供。為分析此類系統(tǒng)的新風(fēng)負(fù)荷和能耗水平，并為新風(fēng)機(jī)組調(diào)控提供指導(dǎo)，需要對(duì)溶液調(diào)濕機(jī)組段的負(fù)荷及能耗進(jìn)行分析。
 
 
       了解溶液調(diào)濕機(jī)組承擔(dān)負(fù)荷的動(dòng)態(tài)變化情況有助于對(duì)此類系統(tǒng)能效進(jìn)行評(píng)估，并制定優(yōu)化運(yùn)行策略，提高能源利用效率。本文主要針對(duì)夏季溶液調(diào)濕機(jī)組所承擔(dān)的冷濕負(fù)荷進(jìn)行預(yù)測(cè)和分析。其中冷負(fù)荷（即全熱負(fù)荷）由實(shí)時(shí)狀態(tài)點(diǎn)（2）、（3）之間的比焓差與新風(fēng)量得到，濕負(fù)荷（即潛熱負(fù)荷）由實(shí)時(shí)狀態(tài)點(diǎn)（2）、（3）之間的含濕量差與新風(fēng)量得到。狀態(tài)點(diǎn)（1）、（3）的空氣狀態(tài)由溫濕度傳感器直接測(cè)得，狀態(tài)點(diǎn)（2）的空氣狀態(tài)由預(yù)冷段表冷器進(jìn)出口水溫及狀態(tài)點(diǎn)（1）得到。
 
       選取該小區(qū)中一幢典型樓宇作為研究對(duì)象，該建筑共33層，建筑冷暖面積共計(jì)14 843.54 m2。該建筑新風(fēng)系統(tǒng)共使用溶液調(diào)濕新風(fēng)機(jī)組4臺(tái)，分別布置于頂樓東西側(cè)和底層?xùn)|西側(cè)。
 
       2019年以來，樓宇智能化數(shù)據(jù)采集系統(tǒng)被用于監(jiān)測(cè)新風(fēng)系統(tǒng)的運(yùn)行，監(jiān)測(cè)數(shù)據(jù)包括室外空氣參數(shù)、送風(fēng)參數(shù)、室內(nèi)空氣參數(shù)、預(yù)冷段表冷器進(jìn)出口參數(shù)、風(fēng)量、用電量等。該系統(tǒng)自2019年開始運(yùn)行，本研究以2019、2020年實(shí)際運(yùn)行數(shù)據(jù)為基礎(chǔ)開展分析和優(yōu)化工作，首先在原始數(shù)據(jù)基礎(chǔ)上進(jìn)行數(shù)據(jù)處理，數(shù)據(jù)處理方法見圖2。
 
 
       蘇州市不同時(shí)段電價(jià)見表1，分時(shí)電價(jià)情況反映了電網(wǎng)對(duì)于提高用電效率的需求，用戶側(cè)的削峰填谷對(duì)于電網(wǎng)的綜合能源效率的提升作用較大。采用蓄能的方式有助于暖通空調(diào)系統(tǒng)用電負(fù)荷由高峰轉(zhuǎn)向低谷，基于本研究對(duì)象溶液調(diào)濕新風(fēng)系統(tǒng)的特點(diǎn)，采用潛能蓄能的方式。在低電價(jià)時(shí)段以高能效運(yùn)行系統(tǒng)，提高建筑能源系統(tǒng)靈活性，降低運(yùn)行成本。
 
 
1.2 新風(fēng)系統(tǒng)能效分析
 
       對(duì)案例建筑的輻射冷暖與新風(fēng)空調(diào)系統(tǒng)進(jìn)行連續(xù)2年的空調(diào)季數(shù)據(jù)監(jiān)測(cè)。基于歷史數(shù)據(jù)，系統(tǒng)在空調(diào)季的能耗分布情況見圖3，分為冷源能耗、新風(fēng)能耗和輸配系統(tǒng)能耗三部分。其中冷源能耗包括熱泵機(jī)組和單臺(tái)冷水機(jī)組的用電量，新風(fēng)能耗包括所有溶液調(diào)濕新風(fēng)機(jī)組的用電量，輸配系統(tǒng)能耗包括所有空調(diào)泵組、冷水泵和換熱泵組的用電量。系統(tǒng)的新風(fēng)能耗占比較高，在空調(diào)季高達(dá)42%。
 
 
       在系統(tǒng)綜合能耗水平的評(píng)估中，空調(diào)季新風(fēng)系統(tǒng)能耗水平較高，有較大的優(yōu)化空間。新風(fēng)系統(tǒng)中采用溶液機(jī)組處理新風(fēng)，在新風(fēng)預(yù)冷后利用高濃度溶液處理新風(fēng)濕負(fù)荷。對(duì)空調(diào)季新風(fēng)機(jī)組實(shí)際運(yùn)行中的能耗數(shù)據(jù)及運(yùn)行數(shù)據(jù)進(jìn)行分析，得到新風(fēng)系統(tǒng)能效水平情況。
 
       新風(fēng)機(jī)組在空調(diào)季的能耗有很大的優(yōu)化空間，如圖4、5所示，新風(fēng)機(jī)組除濕COPD集中在1.2~1.6之間，制冷COPC集中在1.1~1.8之間，與額定COP比較相差較大。能效較低的原因主要是新風(fēng)機(jī)組長期處于部分負(fù)荷下運(yùn)行，機(jī)組除濕能力與大部分新風(fēng)負(fù)荷不匹配，導(dǎo)致新風(fēng)機(jī)組運(yùn)行性能不佳，能效較低。新風(fēng)機(jī)組在部分負(fù)荷下運(yùn)行的主要原因有2個(gè)方面。一方面是園區(qū)入住率的問題，另一方面是氣候變化原因?？照{(diào)季新風(fēng)負(fù)荷存在較大波動(dòng)，因此確定負(fù)荷波動(dòng)情況對(duì)系統(tǒng)的運(yùn)行優(yōu)化有較大作用。
 

 

       分區(qū)ANN模型負(fù)荷預(yù)測(cè)

 
       2.1 ANN模型的原理結(jié)構(gòu)
        
       神經(jīng)網(wǎng)絡(luò)作為一種學(xué)習(xí)能力很強(qiáng)的黑箱模型，具有預(yù)測(cè)精度高、計(jì)算速度快的優(yōu)點(diǎn)，在建筑負(fù)荷和能耗預(yù)測(cè)方面具有優(yōu)勢(shì)。ANN由模擬人腦工作機(jī)理的神經(jīng)元組成，作為神經(jīng)網(wǎng)絡(luò)模型的基本元素，信號(hào)的傳遞依賴神經(jīng)元的工作，單個(gè)神經(jīng)元可以看作是多個(gè)輸入和一個(gè)輸出的信號(hào)處理單元。
 
       神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)包括輸入層、隱藏層和輸出層。輸入層和輸出層神經(jīng)元的數(shù)量分別由輸入和輸出參數(shù)的數(shù)量決定，而隱藏層的神經(jīng)元數(shù)量需要反復(fù)調(diào)試才能達(dá)到最高的模型預(yù)測(cè)精度。
2.2 ANN模型的輸入輸出及參數(shù)設(shè)置
 
       ANN模型輸入?yún)?shù)的相關(guān)性對(duì)于模型的預(yù)測(cè)精度有著至關(guān)重要的作用，此外，輸入?yún)?shù)還應(yīng)滿足工程實(shí)際中易于測(cè)得的要求。暖通空調(diào)系統(tǒng)負(fù)荷影響因素通常有室外氣象參數(shù)、室內(nèi)環(huán)境參數(shù)和暖通空調(diào)系統(tǒng)運(yùn)行參數(shù)，具體包括室外溫度、室外相對(duì)濕度、太陽輻照度、入住率、朝向、室內(nèi)溫度及建筑的外墻保溫系數(shù)等。
 
       其中，建筑入住率、朝向等因素在同一建筑的不同區(qū)域中有著不同體現(xiàn)，因此，將整棟建筑視為負(fù)荷預(yù)測(cè)獨(dú)立研究對(duì)象有局限性；同時(shí)，不同區(qū)域的人員對(duì)于環(huán)境的熱需求也不同，這體現(xiàn)在他們對(duì)環(huán)境溫濕度的控制調(diào)節(jié)。因此，為提升ANN模型預(yù)測(cè)精度，對(duì)建筑進(jìn)行熱區(qū)劃分，將不同區(qū)域的室內(nèi)溫度作為模型的獨(dú)立輸入，建立預(yù)測(cè)精度更高的分區(qū)ANN模型。分區(qū)輸入室內(nèi)溫度參數(shù)可體現(xiàn)建筑不同區(qū)域的朝向、入住率及熱感調(diào)控對(duì)于負(fù)荷的影響效果。
 
       為驗(yàn)證分區(qū)ANN模型具有更高的預(yù)測(cè)精度，本研究將整棟建筑按照1個(gè)熱區(qū)、2個(gè)熱區(qū)和4個(gè)熱區(qū)劃分，分別對(duì)應(yīng)訓(xùn)練模型ANN1、ANN2和ANN3，進(jìn)而比較3個(gè)模型的預(yù)測(cè)精度。
 
       根據(jù)未來24 h新風(fēng)機(jī)組負(fù)荷預(yù)測(cè)的目標(biāo)及系統(tǒng)監(jiān)測(cè)情況，選取ANN模型輸入?yún)?shù)為室外溫度、室外相對(duì)濕度、分區(qū)室內(nèi)溫度和時(shí)間。未來室外氣象參數(shù)可由氣象預(yù)報(bào)獲得，室內(nèi)溫度可以通過ANN預(yù)測(cè)獲得。ANN模型輸出參數(shù)為新風(fēng)系統(tǒng)濕負(fù)荷及冷負(fù)荷，其中濕負(fù)荷是由溶液調(diào)濕機(jī)組的除濕量表示，冷負(fù)荷是由機(jī)組提供的制冷量表示。ANN1、ANN2、ANN3模型的熱區(qū)根據(jù)朝向和樓層劃分，3個(gè)ANN模型的輸入個(gè)數(shù)分別為4、5、7個(gè)，輸出均為2個(gè)，模型輸入輸出參數(shù)情況見表2。
 
 
       ANN模型的參數(shù)設(shè)置主要包括隱藏層數(shù)、隱藏神經(jīng)元數(shù)、學(xué)習(xí)速率等，本研究采用單隱藏層ANN模型，神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)見圖6。訓(xùn)練結(jié)果表明，當(dāng)隱藏神經(jīng)元數(shù)量為12時(shí)，神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率最高。與隱藏神經(jīng)元相似，學(xué)習(xí)率需要反復(fù)訓(xùn)練才能得到合適的值。經(jīng)過訓(xùn)練和比較，設(shè)置學(xué)習(xí)率為0.3，其他參數(shù)設(shè)置如下：最大訓(xùn)練次數(shù)為1 000 次，性能函數(shù)為均方誤差(MSE)，訓(xùn)練性能目標(biāo)為10-3，訓(xùn)練函數(shù)為trainlm，最大驗(yàn)證失敗次數(shù)為6次。
 
 
       2.3 ANN模型的訓(xùn)練
 
       本研究采用該系統(tǒng)2020年空調(diào)季（6月11日至9月10日）逐時(shí)實(shí)測(cè)數(shù)據(jù)進(jìn)行ANN模型的訓(xùn)練，并采用典型日數(shù)據(jù)對(duì)模型預(yù)測(cè)精度進(jìn)行測(cè)試，訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)總數(shù)分別為13 260、864個(gè)?？紤]到不同類型數(shù)據(jù)的維度不同，數(shù)據(jù)集應(yīng)在0~1之間歸一化，以提高精度和收斂速度。計(jì)算公式如下：
 
 
       式中 x′為處理后數(shù)據(jù)；x為待處理數(shù)據(jù)。
 
       ANN模型的訓(xùn)練過程是不斷調(diào)整偏差，使輸出與目標(biāo)之間的誤差最小化的過程。采用MSE作為性能函數(shù)，同時(shí)引入相關(guān)系數(shù)（R）、均方根誤差（RMSE）、均方根誤差的變異系數(shù)（CV-RMSE）和平均絕對(duì)誤差（MAE）4個(gè)統(tǒng)計(jì)指標(biāo)綜合評(píng)價(jià)人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度。各項(xiàng)指標(biāo)計(jì)算公式如下：
 
 
       式（2）~（6）中 M為均方誤差；m為樣本總數(shù)；p為預(yù)測(cè)值；t為實(shí)測(cè)值；角標(biāo)i為第i個(gè)數(shù)據(jù)；圖片為所有實(shí)測(cè)值t的平均值；S為均方根誤差；C為均方根誤差的變異系數(shù)；A為平均絕對(duì)誤差。
 
       2.4 ANN模型預(yù)測(cè)結(jié)果與分析
 
       考慮分區(qū)的ANN模型預(yù)測(cè)精度評(píng)價(jià)結(jié)果見表3。根據(jù)ASHRAE指南的要求，CV-RMSE應(yīng)在30%以下，本研究的ANN模型預(yù)測(cè)結(jié)果能很好地滿足標(biāo)準(zhǔn)要求。從評(píng)價(jià)結(jié)果來看，2個(gè)分區(qū)的ANN2模型和4個(gè)分區(qū)的ANN3模型預(yù)測(cè)精度與未分區(qū)的ANN1模型相比均有明顯提升。ANN3模型濕負(fù)荷、冷負(fù)荷預(yù)測(cè)結(jié)果的CV-RMSE分別為8.72%和9.98%，較ANN1模型預(yù)測(cè)結(jié)果分別降低了14.27%和14.61%，說明考慮建筑分區(qū)對(duì)于神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)精度的提高效果顯著。
 
 
 
       此外，綜合比較發(fā)現(xiàn)，濕負(fù)荷預(yù)測(cè)結(jié)果的精確度略高于冷負(fù)荷，原因是新風(fēng)系統(tǒng)在運(yùn)行過程中以濕負(fù)荷為主要處理目標(biāo)，承擔(dān)全部室內(nèi)濕負(fù)荷，濕負(fù)荷的波動(dòng)規(guī)律性更穩(wěn)定，而冷負(fù)荷的波動(dòng)范圍更大。
 

 新風(fēng)系統(tǒng)的控制優(yōu)化策略

 
       3.1 基于負(fù)荷預(yù)測(cè)的控制優(yōu)化策略
 
       為了提高新風(fēng)系統(tǒng)的綜合效率和降低運(yùn)行成本，有必要對(duì)其運(yùn)行進(jìn)行優(yōu)化?；跐撃苄钅芊椒ń⒘艘粋€(gè)優(yōu)化模型，根據(jù)ANN模型預(yù)測(cè)結(jié)果，制定了匹配的控制策略。
 
       潛能蓄能作為一種與傳統(tǒng)蓄能技術(shù)不同的儲(chǔ)能手段，通過儲(chǔ)存溶液的除濕潛能達(dá)到蓄能目標(biāo)，在能量緊缺時(shí)利用儲(chǔ)存溶液的再生進(jìn)行潛能釋能。本研究中新風(fēng)系統(tǒng)的優(yōu)化運(yùn)行采用潛能蓄能的方式，在系統(tǒng)中配置溶液儲(chǔ)液罐，通過儲(chǔ)存濃溶液，即儲(chǔ)存除濕潛能的方式進(jìn)行蓄能。同時(shí)結(jié)合當(dāng)?shù)胤謺r(shí)電價(jià)情況，根據(jù)未來1 d內(nèi)的負(fù)荷預(yù)測(cè)結(jié)果進(jìn)行運(yùn)行策略優(yōu)化。
 
       基于節(jié)能提效的運(yùn)行目標(biāo)制定了新風(fēng)系統(tǒng)蓄能控制策略，其中需要進(jìn)行判斷和決策的變量如表4所示，蓄能量和釋能量用溶液的除濕潛力（濕負(fù)荷）來表示。為了確保運(yùn)行策略的可行性，給出了相應(yīng)邊界條件，見式（7）~（9）。
 
       式中圖片為逐時(shí)蓄能速率，kg/h；圖片為最大蓄能速率，kg/h；圖片為逐時(shí)釋能速率，kg/h；圖片為最大釋能速率，kg/h。
 
       溶液機(jī)組的優(yōu)化控制流程如下：在谷電時(shí)期滿負(fù)荷運(yùn)行，在滿足逐時(shí)負(fù)荷之后以逐時(shí)蓄能速率uc,n向儲(chǔ)液罐儲(chǔ)存濃溶液積累除濕能力，直至最大蓄能總量Qt。儲(chǔ)液罐充滿后關(guān)閉機(jī)組，根據(jù)ANN模型的負(fù)荷預(yù)測(cè)結(jié)果計(jì)算機(jī)組逐時(shí)能效，當(dāng)能效較低時(shí)，優(yōu)先釋放蓄能，以逐時(shí)釋能速率ud,n釋放除濕潛能；當(dāng)能效較高時(shí)，利用機(jī)組冷卻除濕匹配逐時(shí)負(fù)荷，系統(tǒng)控制優(yōu)化流程見圖9。其中，對(duì)于Qt、Qn及n的判斷，均根據(jù)所述負(fù)荷預(yù)測(cè)結(jié)果及機(jī)組能效情況得到。
 
 
       3.2 空調(diào)季負(fù)荷模式及優(yōu)化結(jié)果
 
       根據(jù)ANN模型的負(fù)荷預(yù)測(cè)結(jié)果，選取典型負(fù)荷日進(jìn)行分析和優(yōu)化。在分時(shí)電價(jià)情況下，以無蓄能的新風(fēng)系統(tǒng)為基準(zhǔn)，分析蓄能優(yōu)化運(yùn)行策略降低運(yùn)行成本的效果。
        
       根據(jù)ANN模型的預(yù)測(cè)結(jié)果，應(yīng)用該優(yōu)化模型改進(jìn)新風(fēng)機(jī)組的運(yùn)行策略，選取整個(gè)空調(diào)季負(fù)荷較高的典型日作為案例進(jìn)行分析，優(yōu)化后的單日負(fù)荷分布見圖10。優(yōu)化后的負(fù)荷分配可充分體現(xiàn)基于負(fù)荷預(yù)測(cè)的蓄能效果?？梢钥闯觯涸诠入姇r(shí)期，機(jī)組除滿足逐時(shí)需求外向儲(chǔ)液罐蓄能已達(dá)到umax，所蓄能量在負(fù)荷較小、機(jī)組運(yùn)行COP較低時(shí)釋放；負(fù)荷達(dá)到峰值附近時(shí)，逐時(shí)負(fù)荷仍由機(jī)組正常運(yùn)行滿足。
 
 
       空調(diào)季新風(fēng)系統(tǒng)濕負(fù)荷情況見圖11，在夏熱冬冷地區(qū)，新風(fēng)系統(tǒng)空調(diào)季濕負(fù)荷很高，對(duì)整個(gè)空調(diào)季應(yīng)用基于負(fù)荷預(yù)測(cè)的控制優(yōu)化模型，可得到優(yōu)化后的空調(diào)季濕負(fù)荷分布?；跉v史數(shù)據(jù)對(duì)新風(fēng)系統(tǒng)負(fù)荷-能效水平進(jìn)行擬合，利用優(yōu)化后的負(fù)荷分布情況，可以得到系統(tǒng)基于控制策略優(yōu)化后的能耗水平，再利用分時(shí)電價(jià)結(jié)果計(jì)算該策略的經(jīng)濟(jì)效益。
 
 
       表5列出了空調(diào)季理論優(yōu)化結(jié)果與原始結(jié)果之間的比較，優(yōu)化后可使建筑空調(diào)系統(tǒng)在整個(gè)空調(diào)季的運(yùn)行能耗和運(yùn)行成本分別降低27.2%和29.2%。此外，考慮到夏熱冬冷地區(qū)夏季濕負(fù)荷高的特征，可以進(jìn)一步通過擴(kuò)大儲(chǔ)液罐容量的方式提高新風(fēng)系統(tǒng)在空調(diào)季的節(jié)能潛力。
 

 

       結(jié)論

 
       1） 基于2019—2020年歷史數(shù)據(jù)，空調(diào)季新風(fēng)能耗占暖通空調(diào)系統(tǒng)總能耗的比例為42%，新風(fēng)能耗占比較高。新風(fēng)機(jī)組除濕COPD集中在1.2~1.6之間，制冷COPC集中在1.1~1.8之間，與額定COP相差較大，此類方案的新風(fēng)系統(tǒng)能效和運(yùn)行方式均有較大的優(yōu)化空間。
 
       2） 建立了分區(qū)ANN模型用于預(yù)測(cè)新風(fēng)系統(tǒng)的濕負(fù)荷和冷負(fù)荷，通過增加建筑熱感區(qū)域劃分和優(yōu)化輸入?yún)?shù)的方法提高了ANN模型預(yù)測(cè)精度，結(jié)果表明有4個(gè)熱區(qū)劃分的ANN3模型濕負(fù)荷及冷負(fù)荷預(yù)測(cè)結(jié)果的CV-RMSE分別為8.72%和9.98%，較不考慮分區(qū)的ANN1模型分別降低了14.27%和14.61%，分區(qū)ANN模型預(yù)測(cè)和優(yōu)化輸入?yún)?shù)方法對(duì)于預(yù)測(cè)精度的提高效果十分顯著。
 
       3） 基于負(fù)荷預(yù)測(cè)結(jié)果和潛能蓄能方法，制定了新風(fēng)系統(tǒng)蓄能優(yōu)化控制策略，針對(duì)典型負(fù)荷日和整個(gè)空調(diào)季應(yīng)用新的優(yōu)化控制策略，
并分析了優(yōu)化后的負(fù)荷分布情況。計(jì)算出整個(gè)空調(diào)季應(yīng)用該控制策略的理論優(yōu)化結(jié)果，該結(jié)果較原始結(jié)果運(yùn)行能耗和運(yùn)行成本分別降
低了27.2%和29.2%，該優(yōu)化控制策略節(jié)能效果顯著。