面向异构多机组冷源厂站监控控制的场景驱动边际效率图搜索(Scenario-Driven Marginal-Efficiency Graph Search, S-ME-GS)方法

《Energies》：Scenario-Driven Marginal-Efficiency Graph Search for Supervisory Control of Heterogeneous Multi-Unit Cooling Plants

　　

摘要：异构多机组冷源厂站(heterogeneous multi-unit cooling plant)的监控控制(supervisory control)应协调机组投切(staging)、负荷分配(load allocation)、切换稳定性(switching stability)及供水温度可靠性(supply-water temperature reliability)。传统的基于规则的控制(rule-based control, RBC)易于实现，但阈值触发的投切与固定分配规则限制了其在负荷快速变化下的协调能力。本研究提出一种场景驱动边际效率图搜索方法(scenario-driven marginal-efficiency graph search method, S-ME-GS)，将监控控制重新表述为滚动时域(receding-horizon)机组组合路径选择问题。研究人员采用时序卷积网络(temporal convolutional network, TCN)预测器根据运行历史生成短期负荷轨迹，利用残差分位数带(residual quantile band)表征预测不确定性，并通过四场景分类器调整路径代价偏好。边际效率分配(marginal-efficiency allocation)评估各候选激活机组集的最小功率负荷分布，分层动态规划图搜索(layered dynamic-programming graph search)结合能耗、备用裕度(reserve)及切换代价比较可行路径。场景相关激活裕度(activation margin)筛选选中路径后仅执行首步动作。在62天TRNSYS–Python联合仿真(co-simulation)中，S-ME-GS较RBC-A和RBC-B分别节电9.61%和6.59%，且供水温度越限次数为零；相比仅采用边际效率优化(ME-only)，切换次数由每日29.2次降至10.5次，能耗仅增加0.50%。规划器每步平均求解时间85.3 ms，支持实时部署。结果表明S-ME-GS在可解释、计算可行的框架内协调了能效、备用充足性与投切稳定性。

论文解读——面向异构多机组冷源厂站监控控制的场景驱动边际效率图搜索(S-ME-GS)方法

该论文发表于《Energies》期刊，研究对象为大型商业建筑中由大、小容量机组并联组成的异构多机组冷源厂站(heterogeneous multi-unit cooling plant)，研究内容为该类系统的监控级控制(supervisory control)——即决定哪些机组投入运行(机组组合/unit combination或staging)以及如何将冷负荷分配至在线机组(负荷分配/load allocation)。

传统工程实践中普遍采用ASHRAE Guideline 36推荐的基于规则控制(rule-based control, RBC)，通过阈值触发投切、滞环及最小启停时间防止频繁切换，负荷分配多采用等负荷(equal-load)、等流量或按比例(capacity-proportional)规则。此类方法存在五个操作性缺陷：(D1)反馈延迟导致负荷上升期供水温度升高；(D2)静态分配忽略异构机组部分负荷率(part–load ratio, PLR)–部分负荷功率分数(fraction of full-load power, FFLP)曲线差异，偏离最小功率点；(D3)固定投切序列限制可用机组组合空间，无法随负荷选取最优匹配组合；(D4)保守减机逻辑致冗余机组在线、PLR过低、效率下降；(D5)仅依据当前步能效做投切决策(myopic staging)，忽视短时轨迹后果，引发频繁启停或短时反复开关。最优机组加载(optimal chiller loading, OCL)可优化给定激活集内的负荷分配但未解决组合选择；模型预测控制(model predictive control, MPC)引入预测但离散–连续耦合难以调试；强化学习(reinforcement learning, RL)缺乏硬约束保障与可解释性。因此需一种融合组合优选、边际效率分配与短时轨迹评估且保持工程可解释性的监控控制框架。

为此研究人员提出场景驱动边际效率图搜索(scenario-driven marginal-efficiency graph search, S-ME-GS)方法，将监控控制重构为滚动有限时域(finite-horizon)机组组合路径选择问题：先由TCN预测短期负荷及残差分位数不确定包络，识别四种运行场景(低负荷/上升负荷/下降负荷/高负荷)调节代价权重；再对每个候选激活机组集做边际效率负荷分配求最小总功率；最后建分层有向图以节点(组合)存能耗+备用风险(node cost)、边(启/停/保持/置换)存切换惩罚(transition cost)，用束剪枝(beam width=8)分层动态规划求累积代价最小路径，仅下发首步动作，并以场景相关激活裕度(activation margin)抑制微利切换。参数经贝叶斯优化离线标定，不参与闭环评价调参。

---

主要关键技术方法：

研究人员基于TRNSYS 18–Python 3.11联合仿真平台搭建含3台大容量+3台小容量风冷热泵并联冷源系统模型。采用时序卷积网络(temporal convolutional network, TCN)以近期2 h历史运行变量(冷负荷、供/回水温度、总流量、室外气温)输入，输出未来60 min逐点负荷预测及基于留出集残差的p分位数轨迹(低/基准/高三条)，依近期均值负荷比、平均斜率、波动强度聚类判定四类运行场景调整不确定包络放大系数与路径代价权重。对每个候选机组组合，以机组PLR–FFLP凸分段函数建约束凸优化问题，用拉格朗日乘子法求解边际电能成本相等条件得最优负荷分配(marginal-efficiency allocation)。构造分层动作图(layered action graph)，节点为可行组合经边际效率分配得节点能耗与备用缺额惩罚，边赋启/停/一对一置换代价，沿预测时域做分层动态规划累积折扣节点代价加边代价，束宽8剪枝，选最优路径后经场景相关激活裕度ΔJ_act与保持当前路径比较决定是否执行首步切换。权重借Optuna树结构Parzen估计器对独立标定段(约7 d历史数据)多指标(能耗、切换次数、备用不足、低PLR暴露)贝叶斯优化获得并冻结。对照策略包括两种固定序列RBC(RBC-A大机优先、RBC-B大小交替)、仅当前步边际效率优化(ME-only)及离线RL策略，评价周期62 d。

---

研究结果

4.1 Experimental Platform and Strategies Design

通过TRNSYS模拟水路动态响应，Python实现五种控制策略，定义评价指标：总电耗、PLR分布(高效区0.6≤PLR≤0.9)、单机启停次数(切换密度)、供水温度越限(设定7.0 °C，允许5%容差即7.35 °C上限)及累计超温K·h。

4.2.1 Electricity Consumption and Combination Coverage

62天总电耗：RBC-A 426.6 MWh、RBC-B 412.8 MWh(仅因序列不同节能3.23%)、ME-only最低383.7 MWh(较RBC-A降10.06%但切换频繁)、Offline RL 396.5 MWh、S-ME-GS 385.6 MWh(较RBC-A降9.61%、较RBC-B降6.59%，仅比ME-only高0.50%)。S-ME-GS同时降低冷冻泵电耗。组合覆盖分析显示S-ME-GS在低中负荷跨邻组合分布、高负荷自然移向大容量组，突破固定序列局限。

4.2.2 Unit PLR Distribution

RBC策略大、小机组PLR分布宽且低PLR段占比高(低于0.5 PLR达35.8%)，表明冗余在线。ME-only高效区(0.6–0.9)占比最高73.6%但仍有11.9%低PLR。S-ME-GS大机组更多集中于高效区上部，小机组多处于中高PLR，低于0.5 PLR仅占9.2%，高效区占69.5%——说明组合选择与负荷分配共同改善单元利用率。

4.2.3 Unit Switching Stability

RBC-A/B切换密度5.6/6.8次/天但能耗最高；ME-only 29.2次/天能耗最低；Offline RL 9.0次/天居中；S-ME-GS 10.5次/天(共654次)，能耗仅高于ME-only 0.50%，位于基线Pareto前沿之外(更低切换+相近能效)。典型日调度显示S-ME-GS启停集中在负荷明显转折处，峰段与夜间保持组合稳定。

4.2.4 Thermal Reliability Under Load Variations

RBC-A/B累计超温21.9与28.1 K·h，Offline RL 22.2 K·h，源于反馈延迟或训练未显式约束备用。ME-only与S-ME-GS均为零越限(最大供水温7.15 °C与7.17 °C)。S-ME-GS继承边际效率分配的可行性筛选与备用评估，加以路径层保留裕度，既保零越限又大幅削减切换。

---

讨论与结论翻译

研究人员指出S-ME-GS平衡表现来自三模块互补：图搜索放开固定序列限制使组合随近未来负荷演进；边际效率分配按异质机组FFLP曲线均化边际电能成本优化内部分配；场景相关激活裕度筛除微利易反转动作、升/高负荷期收紧防过早减机、降负荷期允许安全卸载。与ME-only对比证实有限时域图搜索与切换惩罚是降切换的主因而非预报模块。分层动态规划平均每步85.3 ms(最大227.5 ms)，远低于5 min监控周期，具实时可行性。方法框架可迁移但设备性能曲线、容量限值、水力约束、备用比、切换罚因子及场景权重需按目标厂站重新标定。局限含单案例TRNSYS–Python验证、残差分位数包络非全随机优化、未做跨气候年敏感性分析。

结论(翻译)：本研究提出S-ME-GS用于异构多机组冷源厂站监控控制。通过集成短期负荷表征、残差分位数不确定带、边际效率负荷分配与分层有限时域图搜索，提供了协调激活机组选择、负荷分布、备用充足性与切换代价的可解释决策框架，解决了传统监控控制中固定投切序列、冗余低PLR运行及负荷波动下短视切换等关键局限。62天TRNSYS–Python联合仿真表明：相较两种基于规则控制分别节能9.61%和6.59%且消除固定序列导致的受限组合使用与冗余在线容量；相较仅边际效率优化(ME-only)能耗仅高0.50%而切换密度由29.2降至10.5次/天，证明路径层评估抑制短视切换且几乎不损失能效收益；S-ME-GS维持零供水温度越限而RBC与Offline RL在快速负荷变化下出现超温。分层图搜索每控制步平均求解85.3 ms、最大227.5 ms，远低于5 min监控间隔，表明S-ME-GS为异构冷源厂站平衡能效、切换稳定性与供水温度可靠性提供了计算可行且可解释的监控控制框架。未来工作将聚焦季节性自适应重标定、现场试验验证及拓展至更多元设备配置的大型冷源厂站。