預約熱線：400 6115 208
據最新的統計，我國建筑能源消費總量約22.7億噸標準煤，占全國能源消費總量的45.5%，而建筑運行能耗消費總量約10.6億標準煤，占全國能源消費總量的21.3%。同時，大型公共建筑中央空調夏季運行能耗約占建筑能耗的50%-70%，因此對中央空調系統進行節能研究，有效降低空調系統的能耗，是當前建筑節能減碳的重點。
中央空調系統的設計通常是以滿足建筑所需的最大負荷為目標設計的，且留有10%~20%的設計負荷余量，因此在實際運行時空調系統常常是處于部分負荷的狀態，空調系統的設計負荷與實際運行時的負荷極度不匹配。建筑負荷是一個逐時多變的參數，受到人員流動、氣象參數、建筑圍護結構等多種因素的影響，實際運行過程往往缺少對空調系統有效的運行管理方法，難以根據實際的負荷相應地調節空調系統的運行狀態，導致空調系統綜合運行能效低，造成能源白白浪費。因此需要根據末端用戶的實時冷負荷情況給出優化控制策略，動態地調節系統各設備的運行參數，使得空調系統時刻處于高能效運行狀態。
中央空調冷源系統作為大型建筑中央空調系統的主要耗能部分，其能耗約占空調總能耗的一半以上，且設備較為集中，易于管理和控制，存在較大的節能潛力，對其進行節能優化對于節約建筑能耗具有重要意義。由于中央空調冷源系統是一個運行參數眾多、各參數之間相互耦合影響的高度非線性系統，僅調節單臺設備的某一運行參數可能會引起其他設備運行狀態的改變。因此需要建立各運行參數與設備能耗及冷源系統能耗之間的內在聯系，從總體運行能效出發，對設備可控參數進行優化，使設備運行狀態能夠隨著末端用戶負荷需求動態改變，最大限度地實現中央空調系統的節能運行。
最初，中央空調冷源系統多采用恒定或人工修改設定值的方法來手動控制設備的運行，后來漸漸采用PID控制、模糊控制，但中央空調冷源系統是一個大時滯、多變量、高度非線性的系統，傳統控制方法難以實現系統整體的節能。隨著變頻技術和控制技術的發展，建筑能源管理控制系統（EMCS）在大型建筑中的應用逐漸增多，目前對于中央空調系統的優化控制主要為局部優化和全局優化，局部優化即針對系統中的單個或幾個設備的參數進行調節控制，全局優化即考慮中央空調系統整體的能耗最低，根據實際工況調節各個設備的運行。綜合局部優化與全局優化的研究，制冷機房節能技術目前可以分為三類，分別是基于應用的制冷機房節能技術、基于平臺的制冷機房節能技術和基于集成或渠道的制冷機房節能技術。
基于應用的制冷機房節能技術主要為三類，分別是基于機制模型+AI的純軟件技術、與人工智能功能集成的軟硬件兼備的技術和通用應用程序技術。
機制模型+AI的純軟件技術，其優勢在于此類技術為純粹的效果導向、安裝后有明顯的節能效果，但其需要現場配置，這就對現場對接的工程師有著通信、暖通、弱點等有著較高的技術綜合度要求；同時，這種技術在使用時高度依賴現場的運行管理人員，這造成了其在EMCs下可能會存在如何界定收款的問題，因為一個具備豐富運行管理經驗的制冷機房管理員工，同樣可以達到節能的效果。目前市場上使用這類技術的公司有深度智控、疊騰科技和首拓信息等。
人工智能功能集成的軟硬件兼備的技術，其優勢在于比起純軟件技術他的使用模式更加地標準化，這給了該術取代PLC（可編程邏輯控制器）的機會；同時，人工智能技術的持續突破與在市面上的廣泛應用也幫助該技術打破了PID技術過于廣泛應用的壁壘。可以預見的是，隨著技術的成熟化，越來越多的公司會參與到市場中去。目前市場上使用這類技術的公司有華為云、云創遠景和云棟科技等。
通用應用程序技術，其主要產品是具有交叉銷售應用的PLC，優勢在于具有較多的項目案例，應用效果可以保證，缺點是具有較弱的AI能力，其節能上限較低。目前市場上使用這類技術的公司最多，有西門子、江森自控、霍尼韋爾、施耐德電氣等。
基于平臺的制冷機房節能技術主要是在物聯網操作系統上實現的數字化、智能化運維，這種方式的優勢在于可以與各類日常運維客戶綁定，基于平臺的應用收費或會員充值服務可以培養客戶粘性。其缺點在于對業主的體量有較高的要求，盈利的前提為必須能夠長期合作；同時其應用周期較長，這點不以客戶的需求所改變。目前市場上使用這類技術的公司有蘑菇物聯、指令集、優也信息和鄰元科技等。
基于集成或渠道的制冷機房節能技術主要是由系統集成商作為項目渠道直接面向業主，基于業主設備進行優化的節能技術。其優勢在于可以通過冷機等設備的采購渠道加裝節能采購，無需額外的商業投入，同時減少了雙方的商務成本；但這種技術應用主要依靠設備運維人員的經驗和技術水平，節能效果波動較大，且存在了硬性的節能上限。目前市場上使用這類技術的公司同質化競爭較明顯，有霍尼韋爾、施耐德電氣、西門子、江森自控、博銳尚格、清華同方、延華智能、天納節能。
冷凍水供回水溫差、冷卻水溫度、冷凍水溫度、冷凍水流量、冷卻流量、冷水主機負荷分配均對冷源系統的運行能效有影響，但目前的研究多集中于局部參數的優化，而實際中央空調冷源系統的運行能效受多個參數的影響且參數之間互相關聯，因此有必要從全局角度出發，綜合考慮所有可調節運行參數對運行能耗的影響，提出隨冷負荷變化且能滿足室內舒適性需求的全局優化策略，最大限度地降低中央空調冷源系統的能耗。在此基礎上，目前市面的暖通空調制冷機房節能智控技術有模型優化和非模型優化。
目前市面上模型優化應用范圍較廣的有群智能系統優化、負荷預測優化以及數字孿生優化這三種方法。
群智能系統通過內置并行計算運行庫和建筑標準單元信息模型的自組織操作系統，在保證信息安全和不同時間/空間內多任務調度的前提下，根據軟件功能的不同滿足使用者不同的節能需求。這里面比較有代表性的是鄰元科技的LynkrOS群控系統，其原理如圖3.1所示，將建筑按照所見即所得的規則劃分為若干個相鄰的基本空間單元，在每個基本空間單元及主要機電設備內放置一個植入了LynkrOS操作系統的智能計算節點（CPN），所有的CPN之間相連形成一個能夠進行分布式計算的網絡，從而通過節點間的協商通訊完成各種控制管理任務。
圖3.1 LynkrOS系統原理
負荷預測優化建立在中央空調冷源系統模型的基礎上，運用不同的運行優化算法，提出相對應的運行優化策略，
如圖3.2所示，并進行尋優計算，模擬優化后的參數對應的運行能耗。即在建筑冷負荷一定時，以制冷機房能耗最低為目標，在保證建筑室內溫度滿足用戶舒適性的前提下，通過定義自變量、設定約束條件、確定目標函數，對制冷機組蒸發器出水設定溫度、冷凍水泵頻率、冷卻水泵頻率、冷卻水塔風機頻率等設定耦合變量進行尋優，得到不同負荷率下設備最佳運行設定參數表。這里面比較有代表性的是云棟科技，基于數據中臺生長型數據特點，以策略控制器落地動態自調節的節能策略，實現建筑自動節能運營。即利用源端及末端的邊緣控制計算器，基于該建筑模型下的負荷預測以及最佳運行設定參數表，通過智能策略柜進行調節。
圖3.2 負荷預測優化原理
“數字孿生”，即基于某一物理實體的物理信息和運行數據，結合領域積累的理論模型，構建出一個能夠快速、動態和準確仿真這一實體全生命周期過程的虛擬模型。中央空調系統“數字孿生”模型是中央空調系統物理對象的“孿生體”，通過實時接收來自物理對象的數據，進而不斷更新模型以實現與物理對象運行狀態保持一致。中央空調系統“數字孿生”模型能夠實現系統運行“透明化”，面向系統全生命周期過程可以輔助系統優化設計、優化運行和故障診斷。這里面比較有代表性的是疊騰科技，其原理如圖3.3所示，針對復雜暖通空調系統，通過建立暖通空調系統“數字孿生”模型，可以對其進行全生命周期管理，例如優化設計、優化運行和故障診斷，從而幫助實現自動化和智能化的能效管理。但是，目前數字孿生技術在實際應用過程中仍然存在諸如其在虛擬模型維度，如何保證虛擬空間模型與物理空間實體對象的一致性、真實性、有效性以及可靠性這樣的問題。
盡管無模型優化比有模型優化需要更多的學習時間以及通常稍差的優化效果，但是無模型優化不依賴眾多的傳感器數據以及負荷預測，而有模型優化依賴于良好的數據質量以及一定數量的傳感器便于設備建模，同時還需要準確的負荷預測，因此無模型優化在空調冷卻水系統優化中有著比有模型優化更加優秀的適應能力。無模型優化主要基于強化學習的發展，強化學習的方法有很多，基礎的Q-learning、由此發展的深度Q神經網絡（DQN）等都是在多種領域被驗證過的穩定而優秀的方法。這里面比較有代表性的是同濟大學機械與能源工程學院見微知筑工作室。
同濟目前核心的Q-learning算法之一，是以濕球溫度和系統冷負荷為狀態，冷卻塔風機和冷卻水泵的頻率為動作，獎勵為系統COP及室內舒適度的綜合效用函數。該方法基于Q-learning，以實際系統的實測數據，原理圖如圖3.4所示，進行驗證，在基本控制器、局部反饋控制器、基于模型的控制器和提出的無模型控制器四種控制器的控制下進行為期三個月的基于實測數據的仿真。得到結論與基本控制器相比，無模型控制器在第一個應用制冷季節能11%，大于局部反饋控制器（7%），但小于基于模型控制器（14%）。無模型控制器在第二個應用制冷季的節能率可達 12%，之后的節能率趨于穩定。盡管無模型控制器的節能性能不如基于模型的控制器，但無模型控制器對先驗知識和傳感器的要求更少，因此在缺乏準確的系統性能模型或傳感器的建筑中具有廣闊的應用前景。此外，研究結果表明，對于設計峰值冷負荷接近2000kW的冷凍水系統，在制冷季學習 3 個月就足以開發出性能良好的無模型控制器。
圖3.4 Q-learning優化原理
在最新的DQN算法研究中，使用神經網絡來擬合Q-learning中的Q表，與Q-learning相比能夠處理連續狀態，同時又在DQN中引入記憶庫，在學習時隨機抽取，既有效率，又能打亂記憶之間相關性。因為有著記憶庫的存在，DQN能學習當前的經歷，也能學習過去的經歷，甚至是學習其他的經歷。DQN還使用了兩個結構相同但參數不同的神經網絡，其中實時更新的網絡用于預測Q估計，而不實時更新的網絡用于預測Q現實，這種方法能夠讓DQN同時兼顧過去與當下。在空調水系統冷卻側中，一般狀態（例如負荷、濕球溫度等）是連續的，而動作是離散的（例如冷卻水泵頻率、冷卻塔風機頻率，雖然頻率可以連續設定，但是系統控制精度很難達到真正的連續控制，故可視作離散），且DQN性能比Q-learning更強，原理圖如圖3.5所示，故空調水系統冷卻側更加適合使用DQN進行優化。
圖3.5 DQN優化原理
目前的三類制冷機房節能技術，應用較為廣泛的是基于集成或渠道的制冷機房節能技術和通用應用程序技術，應用前景最好的是機制模型+AI的純軟件技術和人工智能功能集成的軟硬件兼備的技術。其中，模型預測方法和數字孿生模型是同一類技術，且AI模型及AI結合機理模型優化技術已經有若干公司在應用。
在制冷機房智控節能技術中，模型優化與無模型優化各有優劣，但強化學習技術有比較高的靈活性和適用范圍，可以更好地應用于工程實際。
在模擬環境中，如果給與足夠的尋優時間，有模型算法能夠在每個狀態點下逼近該模擬環境的優化上線，而無模型優化相應的需要一定的學習時間，同時是否能夠達到優化上限取決于優化算法的性能以及相應狀態空間、動作空間與獎賞的設定；而在實際環境中，無模型優化對傳感器的依賴小，不依賴模型，直接與實際環境讀取的數據交互，有模型優化則依賴系統模型以及負荷預測模型，同時需要定期重新訓練設備模型，避免優化結果因設備性能曲線發生改變而改變。故在實際環境中無模型算法更加適用。
在計算速度方面，無模型優化在學習與更新的過程中主要更新神經網絡，該過程學習周期長；而輸出優化結果則是直接將狀態輸入神經網絡及算法輸出，故實時輸出優化結果速度快。有模型優化的計算速度則是與系統復雜度（包括模型復雜度）以及優化變量的多少有關，系統越復雜，計算開銷呈幾何倍數的增長，因此在需要實時輸出優化結果的復雜系統中難以適用。在收斂速度上則相反，無模型優化的收斂速度與系統復雜度以及優化變量的多少有關，而有模型優化沒有優化收斂速度的問題，優化效果在尋優時間保證的前提下穩定。
