基于AI Brain的暖通系统优化控制.pdf

-69-CHINA SCIENCE AND TECHNOLOGY INFORMATION Feb.2024中国科技信息 2024 年第 4 期两星推荐节能产业的发展。现状分析面临的问题能源消耗巨大科学计算表明，在制冷工况时，空调的设定值每降低1，能耗会上升 8%；在制热工况时，空调的设定值每上升 1，能耗会上升 12%。常规暖通空调系统是根据建筑物在所处地区的极端气候条件下所需的最大负荷量进行设计的。实际上建筑物处在极端气候条件下的时间极少，因此绝大多数情况下只需要在部分负荷条件下运行就能够满足需求，很少以最大负荷量运行。同时影响暖通空调系统能耗的因素有许多，例如：室外环境条件、室内热源、人流量以及控制系统精度等，暖通系统供应的负荷量也必须根据环境的变化而做出对应的调整，否则将造成大量的能源浪费。由于目前国内关于节能减排的相关理论体系还不够完善，且受到多方面因素的影响和制约，使得国内的暖通空调系统虽然在设计和研究时将环保作为重要标准之一，但是节能限度仍然有限。通过近年来的不断研究发现，在空调运行时可以采用变频技术实现对水泵转速的控制，使水泵的耗电量与空调负荷更好的匹配，从而节约能耗。暖通与控制结合问题暖通系统所消耗的能源约占建筑所有能耗的 60%左右，实际过程中，往往有相关设计人员不重视节能设计需求，其中有大量的浪费是由于人为使用不当和管理不到位导致的。建筑不同区域的暖通系统在运行时，彼此之间没有能源调配且运行数据不共享，不利于整个暖通系统的能源结构和节能管理。暖通专业和自控专业的完美结合才能让暖通系统在满足人体舒适性的前提下实现节能，但两者的紧密结合有许多注意事项：（1）因为大部分自控专业的工作人员对于暖通空调系统的运行缺乏基本的了解，故自动控制在暖通空调系统上的应用对自控专业的工作人员要求较高；（2）暖通专业的工作人员有电力和计算机方面的基础知识，比较容易掌握自控方面的知识；（3）暖通空调自控系统面临的问题之一就是难以在排除干扰因素的前提下对控制对象实现远程精准控制；（4）在暖通空调自控系统设计上，暖通空调系统是自控的服务对象，是设计中更加重要的部分。技术发展自动控制在暖通空调系统中的发展目前我国关于空调自动化控制方面的研究方兴未艾，但行业曲线开放度创新度生态度互交度持续度可替代度影响力可实现度行业关联度真实度基于 AIBrain 的暖通系统优化控制张海松 章 轩 刘 澜 徐黎东 刘玉平张海松1 章 轩2 刘 澜3 徐黎东1 刘玉平11.金碧物业有限公司2.湖南大学3.深圳起风智能科技有限公司随着我国经济的不断发展，在城镇化的发展进程中大量的住宅建筑物得以兴建，人们对室内居住环境有了更高的要求。为了满足人们的热舒适需求，建筑物通常需要配备额定功率的暖通空调系统。根据相关统计，我国在 2019 年的水冷系统保有量为 248 万台，在国际保有量中占据 30；拥有暖通设备房超 80 万间，总共能源消耗达 11 250 亿kWh。暖通空调系统在建筑领域应用更加普及的同时也衍生出空调能耗过大的问题。因此减少建筑暖通空调系统的能耗，不仅能达到能源综合利用最大化的目的，也有利于暖通空调中国科技信息 2024 年第 4 期CHINA SCIENCE AND TECHNOLOGY INFORMATION Feb.2024-70-两星推荐是在实际运用方面还需要更深入探索。自动化控制在暖通空调系统中的应用大致可以分为以下三个阶段：（1）20 世纪80 年代左右，中央空调的控制系统只用一个简单的开关键，利用继电器来控制设备。（2）随着工业技术的迅猛发展，自动控制领域开始广泛应用 PID 控制器，或者在此基础上改造控制设备。（3）目前人工智能技术的蓬勃发展使得空调系统的智能控制变得更加精密，也逐渐将新的智能控制系统应用于暖通空调系统。人工智能AI 技术是通过对以往用户的历史使用数据进行分析，利用机器学习、深度学习等 AI 算法结合用能特点，建立相应能够根据实时变化的数据不断进行优化的模型，最后制定出科学、适配的节能策略。通过给每个机房的末端空调、水冷机组的调控输出定制化节能策略，对其时间以及空间上的节能配置进行优化，实现“千房千面、一房一策”，有效解决了用户服务质量和节能要求之间的矛盾。AI 与物联网技术的结合如图 1 所示，与传统的暖通空调系统区别之处在于利用了物联网，实现建筑信息及建筑大数据的实时交互分享。例如将建筑室外天气参数、室内环境参数、设备运行状态以及暖通空调系统各部分能耗等数据传输到信息共享平台，利用数据实现控制算法的快速优化。物联网系统另一特点就是数据流转换形式的多样化，不仅有无线传输与有线传输的混合，同时存在本地与云之间的数据双向流传输。现阶段，物联网技术在暖通空调应用中最明显的优势是对暖通空调数据可以实现实时传输和诊断。物联网技术的应用意味着机房运维人员也应充分学习物联网技术，通过对空调运行数据的监控和管理，将发现空调运行过程中经常出现的问题进行汇总，并预防空调系统出现类似故障造成停机，保证空调系统的正常运行。如图2所示，是引入物联网和AI Brain技术的系统架构。暖通空调运行过程中能源消耗较高，导致居民在使用家用暖通空调的过程中往往非常重视节能环保，而引入物联网与 AI Brain 技术的智能家居不仅能够有效降低空调能耗，还能让空调在使用过程中突破时间、空间的限制。通过小程序就可以实现对空调的启停控制，还可以添加定时开关、自动调节温湿度等智能化功能，不仅让居民生活实现智能化，而且 AI Brain 技术在一定程度上实现了能耗最小化，达到了便捷、高效和节能的目的。案例研究案例基本信息本文选取广东省汕头市某商场为案例。其主要性质为住宅小区附带的商场，功能有购物、观影、休闲娱乐等。建筑地面共四层，地下一层。暖通系统说明及优化该建筑暖通系统配有三台冷水机组、对应设置三台冷冻水泵、三台冷却水泵和三台冷却塔，其最大负荷时运行两台冷水主机即可满足需求，且该建筑原有的控制以手动控制为主，水泵均未安装变频器。为了达到节能控制的要求，在综合考虑建筑本身有冷、热缓冲蓄热作用的情况下，通过物联网和 AI Brain 的优化控制方法，实现对主机系统的冷冻水出水温度控制，在冷冻水泵侧加装两台变频器并带有切换功能，并且加装了多功能电表连接物联网数据传输模块，使得建筑物联网的设备数据接入，实现整个建筑楼宇的节能优化控制。通过在 PLC 自控控制系统侧增加了 BMS 网关服务器，从而建立和现有机房自控系统连接的通道。数据可以实现双向流动，将从自控系统内获取众多数据，包括温度、压力、流量、电流、功率、频率、状态等各种重要参数至人工智能大脑 Facility AI Brain（FAB），FAB 对数据进行预处理后，通过 AI 机器学习采用神经网络对关键数据参数建模，从几百万甚至几千万运行组合内，快速选择出最优的运行方案，并反馈给自控系统执行该方案。人工智能大脑将实时“看”新运行策略的执行情况，并会根据执行后的效果，不断选择更优的执行策略。如图 3 所示为 AI 神经网络图，在数据检测和积累过程中，并非所有监测的数据都能使用，数据质量对结果影响较大，因此选择并获取有效数据，随着数据量持续增长对后续AI Brain 变得越来越“聪明”非常重要。技术应用主机性能优化在商场这种人流量有显著特征的公共建筑，供冷负荷在一天内也有显著变化的。AI Brain 会学习商场以往的人流量图 3 AI 神经网络图图 2 系统架构图 1 AI 暖通空调节能系统-71-CHINA SCIENCE AND TECHNOLOGY INFORMATION Feb.2024中国科技信息 2024 年第 4 期两星推荐数据，再根据数据在保证室内舒适度的前提下，有步骤地调整冷水机组冷冻水出水温度。例如，8：46 之前，设定温度为13；8：4611：29之间，设定温度为10；11：29之后，大部分时段设定为 9，非常小的时段设定为常规的 7。因此 AI Brain 都是在不牺牲室内舒适度的情况下，尽可能提高冷冻水出水温度，并且使制冷主机在高效区运行，实现按需供冷供热，以此来达到 AI 暖通空调节能系统高效节能的效果。变频设备在大型公共建筑的暖通空调系统中，输送和分配冷热量的风机、水泵所消耗电量占总电力能耗的 60%70%，而这部分的能耗有降低 60%70%的可能，具有巨大的节能潜力。商场空调系统中水泵和冷却塔在进行节能改造前均以工频模式运行，使得空调系统的输送能耗存在大量的浪费。本次空调系统的改造措施为在冷冻水泵侧加装了两台变频器，实现对冷冻水泵转速的控制进而节约能耗。冷却塔逼近度在其他参数已经确定的情况下，冷却塔出口水温越低越好。冷却塔逼近度是指经过冷却塔冷却后的出口水温与环境湿球温度的差值。冷却塔运行过程中，一般用逼近度来衡量冷却塔的冷却能力。逼近度小，冷却能力大；逼近度大，冷却能力小。AI Brain 利用逼近度实现主机、冷却泵与冷却塔功率和的最小值。节能量测量测量方法在进行节能分析前，考虑到现场环境相似度、运行工况相似度，天气相似度，以及测量和验证的准确性、直观性和公平性，GB/T 31349-2014 中的直接比较法采用相似日比较法。相似日比较法是典型的中央空调系统节能量测量和验证直接比较方法。相似日比较法是在项目报告期内选取两个或多个的测试日作为相似日。首先，在关闭节能措施的情况下测量一个或多个测试日的系统能耗，并以此状态下的系统能耗作为对应时间长度内的改造前中央空调系统能耗；其次，在开启节能措施的情况下测量一个或多个测试日的系统能耗，并以此状态下的系统能耗作为对应时间长度内的改造后中央空调系统能耗，通过比较有无节能措施时的中央空调系统能耗进行节能量的测试和验证。节能量分析中央空调冷系统本身是一个多工况、多变量、动态运行的系统，能耗受到很多因素的影响，如果简单的采用前 12个月的电耗作为基准线，会有很大的误差，而量化这些影响因素对能耗的影响是比较复杂的过程，且量化影响因素本身也存在较大误差。该建筑前期运行都是在传统的手动控制方法下运行，静态、少变的运维方式使暖通空调系统在实际运行过程中会有较大的节能空间，因此加入建筑物联网数据进行节能控制及分析。为了满足 GB/T 31349-2014 相似日比较法要求，选取了 2023 年 6 月 14 日和 6 月 15 日、2023 年 7 月 6 日和7 月 7 日平均温度较为接近的天气进行节能量测量。如图 4所示为天实验条件下的室外温度曲线图。其中，进行了两次传统 BA 控制方法和 AI Brain 算法的耗能对比分析。如图 5 所示为 2023 年 6 月 14 日和 6 月15 日两天的能耗数据对比图。从图中可知，传统控制方法和 AI Brain 优化控制方法的暖通空调系统全天用电量分别为2 443.82kWh 和 1 704.41kWh，节能量为 739.41kWh，节约率达到 30.26%。第二次节能量测量时间为 2023 年7 月 6 日和 7 月 7 日，传统控制方法和 AI Brain 优化控制方法的暖通空调系统全天用电量分别为 3 177.61kWh和 2 398.96kWh，节能量为 778.65kWh，节约率达到24.50%。经济性分析本项目在原有建筑暖通空调系统的基础上增加了建筑物联网设备、AI Brain 控制算法以及楼宇自控系统的升级改造，因此增加了初始投资。通过前后数次原 BA 系统与 AI Brain算法控制下的建筑能耗对比测试，预计以物联网技术为基础的 AI Brain 算法暖通系统优化控制能够实现节省电量 15%的节省目标。该项目控制系统初始投资的投资回报期较短。结语以广东省汕头市某商场为研究对象，针对暖通空调系统在传统运维方式下能耗巨大的问题，本文在建筑物联网大数据背景下对暖通空调系统的运行进行优化。通过对运行设备数据的采集和筛选并结合 AI Brain 控制算法，提出了优化控制策略的建议，为暖通空调系统节能运行提供依据并使平均节约率达到 15以上，具有实际应用价值。在物联网和建筑大数据背景下，通过对楼宇暖通系统的优化控制，实现空调运行能耗的降低是建筑节能的重要措施之一。该商场暖通设备基于 AI Brain 智能化的控制方案，在技术上也验证了暖通系统多学科交叉应用的可行性，能在保证舒适的室内环境的前提下节约更多的能耗。展望未来，AI Brain节能技术将通过进一步的创新，同时提高人力效率和运维安全，高度的智能化使得对末端空调的控制更加人性化和精密化，能够在保障系统安全的前提下高效运行，实现节能的可持续。图 5 6 月 14 日与 6 月 15 日能耗对比图 4 实验日室外温度对比