基于机器学习方法预测生物质锅炉耦合混合式热泵系统在农村住宅中的性能表现

《Applied Sciences》：Performance Prediction of a Hybrid Heat Pump System Integrated with a Biomass Boiler for Rural Dwellings by Means of Machine Learning Techniques

　　

鉴于不同制造商热泵性能曲线数据存在异质性，为详细研究选择合适的数据较为复杂。机器学习（Machine Learning, ML）技术在此方面可提供有力支持。本研究采用了四种技术：人工神经网络（Artificial Neural Network, ANN）、支持向量机（Support Vector Machine, SVM）、高斯过程（Gaussian Process, GP）和决策树（Decision Tree, DT），用于预测热泵（Heat Pump, HP）性能图谱。随后，将这四种技术应用于一个混合装置系统，该系统由串联连接的空气源热泵（Air-Water Heat Pump, AWHP）锅炉和生物质锅炉（Biomass Boiler, BB）组成，并通过TRNSYS软件进行建模。性能图谱通过TRNSYS Type 581生成。研究分析了整体效率、排放、全生命周期成本以及设计与控制参数等关键方面。研究发现，均方根误差变异系数（Coefficient of Variation of Root-Mean-Square Error, CVRMSE）在DT模型中为14.9%，ANN模型为11.4%，SVM模型为11.1%，GP模型为10.7%。GP模型因其最高精度最终被用于开发热泵性能图谱，与基准数据比较显示，在效率、运行成本和排放等方面存在显著差异。

## 研究背景与问题提出

建筑部门是全球最大的能源消费领域之一，同时也是主要的CO₂排放源，这加剧了气候变化和有限自然资源的枯竭。其中，供暖和制冷占据了能源消耗的相当大份额；预计到2050年，三分之二的家庭将需要空调系统。在此背景下，引入热泵（Heat Pump, HP）等高效系统能够通过利用潜在可再生电力来源，显著降低空调能耗和排放。特别是空气-水热泵（Air-to-Water Heat Pump, AWHP），从空气或其他可再生来源提取热量方面具有高效率。此外，在混合配置中，例如与燃气（冷凝）锅炉作为备用组合，可以设计为不完全满足供暖需求，从而在其最优季节性效率范围内运行。

混合系统（Hybrid Heat Pump, HHP）利用多种能源以适应室外温度和能源价格等变化条件，这些因素会影响效率和系统优化。然而，现有文献中关于热泵-生物质混合系统的研究相对匮乏，这构成了显著的研究空白。原因之一在于，尽管生物质锅炉（Biomass Boiler, BB）具有巨大的环境效益并允许使用本地资源，但在农村地区替代燃油锅炉比在拥有燃气主管网的地区替代燃气锅炉更为困难。

前期研究中，研究人员曾比较了单值系统（纯AWHP或纯BB）与AWHP承担50%峰值需求的HHP系统。该HHP采用串联配置，AWHP优先运行，并包含逆循环除霜功能。后续研究测试了六种HHP系统配置，发现串联运行比并联布局更有效，且HHP的能源性能强烈受到热泵容量、切止温度和控制算法等关键参数的影响。

上述研究使用的性能图谱基于公司目录数据。若AWHP容量相同但来自不同制造商，其性能图谱通常存在差异；即便来自同一制造商但容量不同，由于共享某些更适合特定容量的通用元件，也会导致不同行为。因此，基于AWHP和BB的HHP模拟结果对该图谱的准确性高度敏感。本研究旨在利用机器学习方法开发准确的性能图谱，以实现独立于特定AWHP模型的可靠模拟。

## 研究方法与关键技术

本研究发表在《Applied Sciences》期刊，研究人员开展了以下工作：首先，应用四种机器学习技术（ANN、SVM、GP和DT）预测热泵性能图谱，并基于预测精度选择最优方法；随后，开发新型动态模拟框架，考察包含机器学习生成AWHP和BB的HHP的季节性能源性能，特别关注储热罐容积和AWHP切止温度对系统效率、环境影响和运行成本的影响。模拟在TRNSYS v18中进行，采用先前研究确定的最优系统布局。

研究人员用到的主要关键技术方法包括：利用从西班牙多家公司商业目录采集的1432个运行点建立数据库，经预处理后以室外空气温度、供水温度和压缩机频率为输入变量，以性能系数（Coefficient of Performance, COP）和制热容量为输出变量；采用多元线性回归（Multiple Linear Regression, MLR）作为基准模型；通过迭代网格搜索优化超参数，运用MAE、RMSE、CVRMSE和R²等指标评估模型性能；最终选用最优的GP回归模型生成连续性能曲面，转换为TRNSYS Type 581兼容的查找表，用于后续动态仿真。

## 研究结果

**机器学习模型预测精度**

四种机器学习方法的预测精度比较显示，GP回归表现最优，误差低于其他方法。预测COP值与实测值高度吻合，表明模型具有良好的准确性和可靠性。GP方法被用于生成新技术数据以供动态模拟使用，可提供完整运行范围内AWHP的性能预测。

**热负荷供给与需求覆盖**

各模拟情景（包括公司基础数据和MLR预测数据）均能满足建筑全年供暖需求并有效运行。预测AWHP向建筑输送的热量与真实数据相当，但在季节性系统效率（η_S）、启停循环次数、环境加权影响指数（Environmental Weighted Impact, EWI）和运行成本等关键特征方面存在差异。

**季节性能源效率与启停循环比较**

在切止温度T_cut-off = 0°C条件下，两个数据集的η_S值相差约5%，而基于ML的AWHP性能介于两者之间。启停循环结果显示约55%的显著差异，ML AWHP再次起到缩小差距的作用。

**环境影响与运行成本**

EWI考虑资源消耗的温室气体排放，ML AWHP具有最低值。纳入BB降低了HHP系统的EWI，ML AWHP的最低值使BB的重要性更为突出。运行成本方面两个数据集存在轻微差异，ML AWHP数值介于两者之间且更接近数据集2，这可由数据集2较高的η_S导致较低运行成本来解释。这一比较揭示了重要发现：在相同条件和相同热泵容量下，不同制造商的热泵虽均能满足供暖需求，但性能表现并不相同，选择不同的热泵会得出不同的性能解释。

**切止温度效应**

基于真实本地气象条件分析，切止温度T_cut-off在-7°C至7°C范围内变化。随着T_cut-off升高，热泵对供暖需求的贡献减少，备用锅炉承担更大负荷。季节性效率η_S随T_cut-off降低而升高，而季节性能效比（Seasonal Performance Factor, SPF_H）呈现相反趋势。这可归因于AWHP除霜循环减少以及在温和室外温度下更长时间的运行，此时可获得更高COP值。相反，较高切止温度增加了对BB的依赖，导致更低η_S值和更高运行成本。运行成本随切止温度升高而增加，因为HHP系统整体效率降低；而EWI则因BB贡献增加而降低，反映了生物质供热较低的环境负担。较高切止温度下除霜事件减少在物理上也是一致的，因为霜冻形成主要发生在低温室外条件下，而较高切止温度下热泵停机恰好避免了这些条件。然而，较少除霜循环带来的节能不足以抵消对辅助锅炉依赖增加的损失。

**储热罐容积效应**

储热容积在0.1至1 m3范围内、切止温度为0°C条件下的模拟显示，增大储热罐容积减少了AWHP和BB的启停循环次数，这是因为更大的热存储容量允许更长时间的能量储存，延缓温度降至设定值以下的时间。增大储热罐容积通过减少热泵启停损失和循环频率改善了η_S和SPF_H，较低的循环率也可能通过减少机械应力提高系统可靠性。然而，SPF_SYS随罐体增大而降低，这种差异源于性能指标的不同定义：η_S基于一次能源消费，而SPF_SYS反映最终能源效率。更大储热罐改善了一次能源利用，但也增加了热损失和锅炉运行，导致SPF_SYS值下降。运行成本和EWI随罐体增大均略有增加，SPF_SYS的降低表明系统需要更多能源输入（电力+生物质）来产生相同热量，从而导致运行成本上升和CO₂排放增加。

## 讨论与结论

本研究的主要发现可总结如下：GP回归在精度方面优于其他方法，误差最低，因此采用GP回归预测的AWHP性能图谱能够全面覆盖所有频率范围、出口温度和室外条件。不同制造商的热泵即使容量相同也表现出不同性能，虽然均能满足建筑供暖需求，但其效率和运行特性存在差异，导致根据不同选择得出不同性能解释。提高切止温度会减少热泵对供暖需求的贡献，需要更多依赖锅炉；AWHP除霜循环次数减少，改善了热泵效率（η_S），但SPF_H呈现下降趋势。较大储热罐尺寸减少了AWHP和BB的启停循环，从而提高其效率，但罐体热损失增加对SPF_SYS参数产生负面影响——该参数基于最终能源消费，关注热泵和锅炉供热的效率。

研究局限性包括：MATLAB回归学习器的使用，其他机器学习方法可能提高精度；经济分析采用的本地和国家能源价格及一次能源因子受市场波动和地缘政治不稳定影响；整合光伏供应可显著降低HHP运行成本并影响最优AWHP容量；未深入分析差动控制器中的温度死区等其他TRNSYS参数。

作为未来工作，研究人员将进一步研究储热罐容积对负荷转移的影响，整合潜热储热罐可能是农村建筑的最优解决方案。通过实施储热罐充电管理策略，可以有效管理除霜循环和峰值负荷需求相关问题，从而降低运行成本和排放。