基于模型预测控制的智能楼宇暖通空调能量管理策略

分类：电子论文 时间：2021-11-30 热度：438

　　摘要：提出一种基于模型预测控制的智能楼宇暖通空调能量管理策略。首先利用热量瞬态能量平衡方程构建智能楼宇制热/制冷能耗动态模型，以有效表征楼宇围护结构在传热过程中的热对流、热传导和热储能特性;进而构建基于模型预测控制的智能楼宇能量管理策略，结合模型预测和短期控制来最小化智能楼宇能耗，同时保证用户的温度舒适度水平。仿真结果表明，本文基于模型预测控制的智能楼宇能量管理策略不仅有助于降低用户用能成本，且能够有效提升楼宇侧可再生能源的接纳能力。

　　关键词：智能楼宇;模型预测;能量管理;用能成本

　　能源是人类生存发展的物质基础，在国民经济中发挥着重要作用。国际能源署2012年的统计资料显示，楼宇是终端综合能源系统“荷”侧的核心用能主体，其能耗约占总能源消耗量的40%，二氧化碳排放量约占总排放量的30%。伴随着建筑数量的不断增加和居住舒适度水平的不断提升，楼宇能耗呈急剧上升趋势。据统计，到 2020 年我国楼宇能耗将占到全国总能耗的35%[1] 。当前，我国既有建筑达 400 亿平方米，但仅有 1%为节能型智能楼宇。因此，以楼宇为代表的终端用能单元具有巨大的节能减排的潜力。

　　随着分布式清洁能源技术的不断推广，可再生能源发电装置、三联供系统、集中式供热空调、电动汽车充电装置等供能、用能环节，集成在智能楼宇侧，形成了以智能楼宇为核心的供能系统[2] 。暖通空调 HVAC(heating，ventilation and air condition⁃ ing)系统作为楼宇供能系统能源消耗的主体，其能源消耗约占建筑总能耗的33%[3] 。现有研究表明，在不进行大规模投资改造的情况下，通过对HVAC 的优化控制，可以降低楼宇供能系统能耗约20%~ 30%。然而，在 HVAC 的传统控制方法中，楼宇的热动态特性、用户的制冷制热需求、用户温度舒适约束以及室外温度变化之间的关系没有得到充分考虑。

　　近年来在楼宇暖通空调负荷能量管理方面也取得了诸多进展。文献[4]将 PID 控制器用于楼宇 HVAC 控制，但当外界条件改变时，控制器参数调整困难;非线性控制方法可以实现较好控制效果[5] ，但需要对设计的非线性控制器进行复杂数学分析来识别其稳定状态;HVAC的鲁棒控制方法能够处理模型的不确定性、外加干扰以及模型中的时变参数[6] ，但由于 HVAC 系统在不同类别楼宇中有不同的条件，而其系统中的鲁棒性难以保证;由于基于规则的开关控制方法的简单性和易于实施，目前广泛应用于HVAC控制[7] ，然而，HVAC负荷根据智能楼宇设定的室内温度上下边界进行自由调节，并不设定优化目标，在这种情况下，控制方式并不会考虑楼宇运行成本的最小化;与上述HVAC控制方法相比，模型预测控制MPC(model predictive control)方法可以利用HVAC的仿真模型、智能楼宇的热动态模型等预测模型来预测未来的运行状态(如室内温度)，然后，通过使用先进的优化算法，通过设定的约束项来优化若干个目标，进而可以获得HVAC 的最佳控制动作序列，该MPC控制器适用于使用天气和运行信息预测以及其他可用信息来控制 HVAC[8] ，为本文提供了理论依据。

　　实际上，楼宇围护结构作为隔断室内外的直接热交换和维护室内湿热环境的关键因素，对HVAC 的耗能和楼宇散热及储热有着非常重要的影响。当室内温度和室外温度发生变化时，围护结构材料内部的温度也会缓慢变化，伴随着吸收或放出热量。由于围护结构材料存在蓄热特性，导致围护结构在传递热量时存在一定的时间延迟，进而影响室内空气温度。因此在楼宇供能系统中，分析设计 HVAC能量管理策略时，应综合考虑楼宇供能系统分布式电源的随机出力特性以及楼宇的热动态特性。模型预测控制是一种可实时动态调整的控制算法，通过优化预测时域内特定的目标函数进而求取当前时刻系统的控制动作，并且随时间的推移不断地进行滚动在线优化。为此，本文提出了一种模拟楼宇在制热/制冷过程中能耗的动态模型。然后，基于该动态模型，提出了一种考虑热动态特性的 HVAC 模型预测能量管理方法。保证用户温度舒适度范围的前提下，基于模型预测控制，用滚动的有限时间段优化取代一次性的全局优化，对 HVAC进行能源管理，不仅能够降低楼宇供能系统的整体运营成本，而且对于降低建筑能耗，推广分布式新能源在楼宇供能系统的广泛应用均有积极的作用。

　　1 智能楼宇系统结构

　　智能楼宇系统结构如图1所示，其中包括智能楼宇、可再生能源发电单元、MPC控制器以及通信链路。其中，可再生能源发电单元以屋顶光伏发电系统为例，光伏阵列经过光伏逆变器及隔离升压变压器接入楼宇交流母线。楼宇内安装 HVAC 系统 MPC控制器以及已有的温度传感器、控制器、电力负荷测量等装置。

　　相关期刊推荐：《电力系统及其自动化学报》(月刊)创刊于1989年，由全国高等学校电力系统及其自动化专业学术年会和天津大学共同主办，向国内外公开发行的学术刊物。设有：学术论文、科研成果报导等栏目。

　　能量传输方向：智能楼宇与配电网之间存在双向能量流动，本地可再生能源发电优先供给智能楼宇侧电负荷需求。若楼宇供能系统的能量需求超过其内部电源所提供的总能量，系统从配电网吸收电能;若楼宇供能系统的能量需求未达到系统内部电源所提供的总能量，系统将多余能量送入电网。

　　2 智能楼宇预测模型

　　2.1 热动态预测模型

　　智能楼宇的冷热源主要来源于两个方面：一是制冷、制热设备(如HVAC)消耗电功率产生的冷/热流;二是楼宇内部人员活动、照明设备及其他用电器工作时产生的随机热量。智能楼宇与外界环境之间的热交换主要包括热对流、热传导以及传热过程中的热存储。智能楼宇的热动态示意如图 2 所示[9] 。根据傅里叶热传导方程，智能楼宇的热动态模型可以由若干组瞬态能量平衡方程进行描述[10-11] 。本文从工程实用角度出发，提出以下简化假定：

　　(1)由于智能楼宇各房间供冷/供热系统由本地控制室直接管理，因此假定房间区域内各方向的空气温度场分布均匀，并且各区域内的空气温度可以用集总参数 Troom 表示;

　　(2)假定智能楼宇内外表面的温度分布均匀，忽略沿平行于围护结构表面方向的导热，简化为方向沿厚度方向的一维过程;

　　(3)不考虑房间内的缝隙漏风影响，假设 HVAC通风口是房间内唯一的通风口。热对流是冷/ 热能在气体中从一处传递到另一处的过程，包括室内空气向楼宇围护结构内表面方向的强制对流。

　　2.2 负荷预测模型

　　智能楼宇可控负荷是指可根据能量管理需求，在一定程度上改变其用电行为的负荷。对于其他负荷，由于不参与楼宇能量管理系统调度，因而统称为不可控负荷。HVAC、冰箱、热水器等用电器具有一定的储能特性，短时投切对用户影响较小且一般不会明显改变其效用，因此可作为可控负荷参与智能楼宇的调度。由于智能楼宇 HVAC 的大量普遍应用，因此本文将 HVAC 负荷作为可控负荷，其他照明及用电器均归结为不可控负荷。

　　3.1 传统能量管理结果

　　智能楼宇能量管理传统模式下仿真结果如图7 所示，HVAC负荷根据单体智能楼宇设定的室内温度上、下边界进行自由调节，HVAC 控制器在室内温度达到上边界时关闭，当室内温度达到下边界时开启。根据给定的电价(0.55元(/ kW·h))，在单体智能楼宇能量管理传统模式下，48 h总运营成本为 736.1 元，如图 8 所示。当温度达到上边界时， HVAC控制器必须关闭压缩机，此时可控负荷为0，相应的光伏实际被可控负荷消纳的功率为0，而当温度达到下边界时，HVAC 控制器打开压缩机，通过加热来维持智能楼宇室内温度，对应光伏为可控负荷提供电能。由式(19)计算得光伏系统被可控

　　3.2 MPC 能量管理结果

　　以控制时刻 00：00 为起始点，即 tk = 0 ，基于 MPC的智能楼宇能量管理模式下12 h预测仿真结果如图9及表2所示。

　　4 结 语

　　本文首先提出了一种模拟单体智能楼宇制热/ 制冷耗能的动态模型。该模型由若干组热量瞬态能量平衡方程组成，考虑了楼宇围护结构在传热过程中的热对流、热传导和热储能。在 Matlab/Simu⁃ link平台中建立了考虑楼宇热动态特性的预测仿真模型。进而提出了基于模型预测控制的单体智能楼宇能量管理模式，该模式旨在通过结合模型预测和短期控制来最小化智能楼宇的总能耗，同时保证用户的温度舒适度水平。仿真结果表明，基于模型预测控制的单体智能楼宇能量管理模式不仅有助于降低成本，而且能够提升楼宇侧可再生能源的消纳能力。——论文作者：王旭东 1 ，吴莉萍 1 ，戚 艳 1 ，丁 一 1 ，戚冯宇 2，3 ，杜丽佳 2

　　参考文献：

　　[1] Yu Jinghua，Tian Liwei，Xu Xinhua，et al. Evaluation on energy and thermal performance for office building enve⁃ lope in different climate zones of China[J]. Energy and Buildings，2015，86：626-639.

　　[2] 靳小龙，穆云飞，贾宏杰，等(Jin Xiaolong，Mu Yunfei， Jia Hongjie，et al). 融合需求侧虚拟储能系统的冷热电联供楼宇微网优化调度方法(Optimal scheduling meth⁃ od for a combined cooling，heating and power building mi⁃ crogrid considering virtual storage system at demand side)[J]. 中国电机工程学报(Proceedings of the CSEE)， 2017，37(2)：581-590.

　　[3] US DOE. Buildings energy data book[EB/OL]. http：// buildingsdatabook. eren. doe. gov，2009.

　　[4] Wang Ya-Gang，Shi Zhi-Gang，Cai Wen-Jian. PID autotun⁃ er and its application in HVAC systems[C]//American Control Conference. Arlington，USA，2001：2192-2196.

　　[5] Pasgianos G D，Arvanitis K G，Polycarpou P，et al. A non⁃ linear feedback technique for greenhouse environmental control[J]. Computers and Electronics in Agriculture， 2003，40(1/2/3)：153-177.

　　[6] Al-Assadi S A K，Patel R V，Zaheer-Uddin M，et al. Ro⁃ bust decentralized control of HVAC systems using H ∞- performance measures[J]. Journal of the Franklin Insti⁃ tute，2004，341(7)：543-567.

　　[7] 孙丛丛，王致杰，江秀臣，等(Sun Congcong，Wang Zhi⁃ jie，Jiang Xiuchen，et al). 计及需求响应的并网型微电网协同优化策略(Coordinated optimization strategy for grid- connected microgrid considering demand response) [J]. 电力系统及其自动化学报(Proceedings of the CSUEPSA)，2018，30(1)：30-37.

　　[8] Afram A，Janabi- Sharifi F. Theory and applications of HVAC control systems-A review of model predictive con⁃ trol(MPC)[J]. Building and Environment，2014，72：343- 355.

文章名称：基于模型预测控制的智能楼宇暖通空调能量管理策略

文章地址：http://m.sciqk.com/p-12277.html