基于深度学习预测模型的吸收式冷机系统全局优化控制系统

《Applied Thermal Engineering》：Global optimization control system for absorption chiller plant based on deep learning predictive model

　　

- 开发了一种基于深度学习的近实时监督模型预测控制框架，用于吸收式冷机群。
- 基于注意力机制的Seq2Seq和Transformer模型实现了多步负荷与能耗预测。
- 在滚动时域模型预测控制中嵌入深度学习代理模型，以优化冷冻水/冷却水设定值与流量。
- 闭环学习提升了系统在动态负荷、峰值及扰动下的鲁棒性。
- EnergyPlus联合仿真验证了相较于规则控制，该框架在能耗和成本方面的节约效果。

引言

目前建筑物约占全球电力消费的40%，而由于气候变化和生活水平提高，能源需求持续增长[1]，[2]。吸收式冷机群已被广泛采用作为电动蒸气压缩系统的替代方案，以满足不断增长的制冷需求，同时减少高峰时段的电力消耗。吸收式冷机群以水为制冷剂、以溴化锂为吸收剂，最大限度地减少了对氯氟烃制冷剂的使用，并避免了润滑相关的问题[3]，[4]。与常规蒸气压缩循环不同，吸收循环采用由热能驱动的发电机来产生所需的压差，热能来源可为蒸汽等。在商业建筑中，制冷约占总能耗的10%–13%[5]，而不断上涨的能源价格可能导致年运营成本增加高达12%[6]。这些因素推动了旨在优化冷机群运行性能的控制策略的研究与发展，此类策略可大致分为三类：基于规则的控制（RBC）、基于模型的控制和免模型控制。

吸收式冷机的最优控制策略已从简单的基于规则的控制发展到更先进的预测方法。基于其透明性、简单性和可靠性，基于规则的控制仍是实际应用中最受欢迎的选择。它采用条件逻辑来维持冷冻水供水温度、防止溴化锂结晶并降低总体能耗[7]。控制规则通常调节吸收器和发生器的运行工况，同时调整发电机热输入和冷却塔运行以提高系统效率[8]，[9]，[10]。尽管具有这些优势，基于规则的控制仍存在若干固有局限性。Pintaldi等人[11]和Mort等人[12]指出，基于规则的控制依赖于预设规则和固定阈值，无法预判未来系统状态或外部扰动。因此，其表现出保守且反应式的控制行为。这一特性降低了在变化的冷机和系统负荷条件下的效率，并阻碍了真正意义上的最优运行。Drgoňa等人[13]和Fob等人[14]强调，缺乏显式系统模型的基于规则的方法无法充分捕获多变量之间的相互作用，可能导致规则冲突和控制不稳定。具体而言，现代建筑越来越多地依赖波动剧烈的可再生能源，更容易遇到静态控制策略的固有局限性[15]。为克服这些局限，需要更具动态性和基于预测的控制策略。

线性规划（LP）和比例-积分-微分控制等扩展控制方案已被引入作为传统基于规则控制的改进方法。尽管基于LP控制在计算效率和实现简便性方面具有优势[16]，但它无法纳入预测信息且依赖于静态控制策略[17]，[18]。这些局限促使了模型预测控制（MPC）的采用——一种更为先进的框架，将负荷预测整合到滚动时域优化方案中[19]。最优监督控制旨在针对时变控制设定值（例如冷冻水和送风温度）最小化成本函数（例如能耗成本），同时满足制冷需求满足和冷冻水供应等约束[20]，[21]，[22]。为满足这些要求，MPC可作为代表性的监督控制框架，基于预测信息优化控制输入。与传统的静态控制策略不同，MPC通过滚动时域优化增强了能效和控制性能，该优化显式地考虑了未来系统动态。

MPC起源于最优控制理论；其基本概念是利用动态模型预测系统行为，并优化预测轨迹以确定当前时刻的最优控制动作。因此，MPC可以最小化聚合成本（如日能耗或日成本），并通过采用建筑和设备模型作为关键要素，针对时变输入和扰动实现自适应和预测控制。Yao等人[23]报道，MPC通过整合负荷预测和运行约束，可有效优化冷机系统运行，从而缓解高峰需求。类似地，Wang等人[24]证明MPC在能耗最小化和效率提升方面优于传统的基于温度的控制策略。Taheri等人[25]在教育建筑中部署了基于云的暖通空调MPC框架，相比传统控制策略，能耗降低约15%–20%，高峰需求也有显著降低。尽管具有这些优势，MPC因开发特定建筑动态模型以及制定适当约束和成本函数所需的大量专业知识、时间和成本，在实际应用中面临诸多挑战，限制了其可扩展性和实际适用性[26]。具体而言，复杂的建模流程和较高的计算负荷阻碍了实时控制和大规模部署，从而需要轻量级预测控制方法或MPC领域的进一步技术突破[27]，[28]，[29]。

基于数据和深度学习（DL）的方法可作为传统静态控制方法或基于物理模型的MPC框架的可扩展替代方案[30]。通过从历史运行数据中学习非线性和高维关系，深度学习显著降低了对复杂系统进行人工物理建模的依赖。具体而言，Fan等人[31]和Ludolfinger等人[32]强调，对状态变量（如冷负荷）的预测精度是影响MPC性能的关键因素。虽然传统基于回归的预测方法在稳态运行条件下可实现合理性能，但其捕捉强非线性和时变依赖关系的能力有限。

长短期记忆网络（LSTM）等深度学习架构已被提出以缓解上述长期依赖问题，因为它们能够利用大规模数据集有效建模复杂的时序和上下文关系[33]，[34]，[35]。此外，包括Transformer架构在内的近期深度学习结构，因其不依赖递归结构即可学习全局时序依赖的能力而日益受到关注。这一特性使得高效并行计算成为可能，并能同时捕捉时间序列数据中的短期和长期模式。Nayak等人[36]和Santos等人[37]报道，Transformer的注意力机制为捕捉全局时序依赖提供了结构性优势，同时显著提升了训练和推理效率。此外，Yu等人[38]和Zheng等人[39]证明，基于Transformer的模型通过学习多变量时间序列模式，在建筑占用率估计、暖通空调系统运行和能源需求预测等应用中实现了高精度预测，凸显了相较于递归模型的优势。

近年来，在建筑能源管理与控制领域，深度学习已越来越多地整合到各种优化和控制框架中，超出了其传统的负荷和需求预测角色。Zhang等人[40]提出了一种能源运行优化框架，利用基于深度学习的负荷预测来同时最小化能耗和室内不适感，从而展示了深度学习模型在建筑系统实时多目标控制方面的潜力。Cui等人[41]开发了一种基于深度学习的MPC策略，将预测模型与优化算法相结合，在暖通空调系统中实现了相较于传统基于规则控制更好的能效和运行性能。此外，Jang等人[42]提出了一种基于Transformer的能源需求预测框架，用于住宅综合能源系统，证明其可在复杂暖通空调应用中增强能效和系统稳定性。然而，迄今为止基于深度学习的研究主要集中于系统级能源管理与优化，对群级复杂热力学行为和多变量相互作用进行整体性考虑的研究较少。具体而言，吸收式冷机群的特点是多个子系统之间存在复杂的能量交换，属于多输入-多输出系统，包含多个相互关联的控制回路。因此，传统的单模型预测方法或传统MPC框架往往难以充分捕获相关依赖性和外部扰动。为应对这些挑战，本文提出了一种集成预测控制方法，在同时实现预测精度和控制最优性的同时，捕获非线性多变量系统的动态行为。与将深度学习模型作为控制器外部辅助模块的做法不同，所提出的框架旨在充当一种先进的MPC架构，在结构上将预测模型与控制算法相集成，从而增强和拓展传统控制策略的能力。

基于深度学习的预测模型的开发通常包含四个阶段：(1) 数据预处理阶段，处理缺失数据并对输入变量进行归一化；(2) 特征选择阶段，识别与目标预测相关的变量；(3) 模型构建阶段，涉及架构设计和超参数调优；(4) 模型训练阶段，基于迭代验证以确保泛化性能。值得注意的是，深度学习尤其适用于控制应用，因为它能够实现闭环学习。Sch?ning等人[43]和Eini等人[44]证明，基于深度学习的预测模型可被整合到监督级控制架构中，由此，学习模型持续更新的预测结果可支持闭环运行。在控制问题中（包括暖通空调系统相关问题），闭环结构使模型能够基于预测误差持续更新，从而实现对时变系统动态和外部扰动的更有效响应[45]。通过这一机制，预测模型基于历史预测误差逐步优化，从而随着时间推移提升其精度和适应性。这些特性使深度学习成为提升MPC预测性能的关键推动力，从而促进复杂高动态能源系统的自适应和可扩展控制。此外，将基于深度学习的预测模型纳入MPC框架，有助于开发具有增强不确定性鲁棒性和改善长期运行可持续性的冷机群控制策略。

在基于预测的预测控制方法中，未来的负荷、室内状态或环境条件被预测并用于在MPC框架内确定最优控制动作[19]，[21]，[24]，[25]，[26]。近期研究进一步展示了利用时间序列预测和基于学习的控制进行数据驱动预测控制[55]、使用DNN模型进行实时MPC制冷控制[56]、用于现有暖通空调系统的数据驱动MPC改造与现场实施[57]，以及基于冷负荷预测和能效模型的冷机运行MPC系统性优化[58]。因此，本研究聚焦于将此成熟的MPC结构适配于吸收式冷机系统的群级监督优化。所提出的框架将基于Transformer的多步冷负荷预测与基于MPC的冷冻水和冷却水温度及流量设定值协调相结合。由此，优化在群级进行表述，以反映吸收式冷机、冷却塔、水泵、水回路和基于蒸汽的热能消耗的运行特性。

本研究对吸收式冷机系统控制与能源优化的主要贡献总结如下：

- 提出并实施了一种面向吸收式冷机系统的近实时基于深度学习的预测控制框架。该框架在监督级执行优化和控制更新，控制间隔为15分钟。此间隔专门选定以匹配吸收循环热动力学和建筑水回路的主导时间常数，后者具有高热惯性特征。该频率提供了足够的时序分辨率以捕获短期负荷波动，同时避免机械执行器（水泵和风机）的高频波动。通过将高分辨率负荷预测与滚动时域优化方案相结合，框架确保总计算运行时间（预测加优化）充分保持在运行窗口内，从而在不影响系统稳定性的前提下实现主动式能源管理。

- 开发并评估了用于多步群负荷预测的深度学习序列模型。构建了基于注意力机制的Seq2Seq和Transformer模型并进行了比较，以预测MPC实施所需的未来制冷需求。模型利用历史气象、群状态、流量、功耗和冷负荷数据进行训练，其预测性能从预测精度、峰值跟踪和时序响应特性方面进行了评估。该比较为选择适合吸收式冷机群滚动时域控制的预测模型提供了依据。

- 在显式运行约束下联合优化关键监督变量。所提出的MPC同时优化冷冻水和冷却水温度设定值及对应的质量流量，同时执行设备和运行约束。该表述使控制器能够考虑温升、热排放、水泵功率、冷却塔风机功率和水回路运行等耦合效应。

这一方法超越了传统的单变量调参或基于时序的策略，为人工启发式调参提供了一种可重复的替代方案。本文提出的深度学习的模型预测控制框架基于能源模拟器开发的吸收式冷水机组实验平台进行了验证。该框架通过基于能源模拟器的联合仿真平台进行评估，并在相同的天气数据、建筑负荷、内部增益和运行调度条件下与传统基于规则的控制策略进行了对比。性能以机组层面的能耗进行量化，同时考虑了冷却负荷、室内热环境和预定义的设备约束。预测和控制轨迹在1小时的预测和优化时间范围内被离散化为四个15分钟的步长，证明了所提出框架在所考虑仿真环境中的计算可行性。本文其余部分组织如下：第2节介绍了针对吸收式冷水机组提出的基于深度学习的模型预测控制框架。该节定义了目标系统架构、关键监督控制变量和运行约束，随后描述了用于多步冷却负荷和机组响应预测的深度学习的模型的配置、训练和评估。该节还给出了模型预测控制问题的公式表述，并详细说明了用于基于代理预测最小化机组层面能耗和运行费用的滚动时域控制算法。第3节描述了用于验证所提出控制策略的基于能源模拟器的仿真平台。该节概述了吸收式冷水机组的建模和建筑冷却负荷仿真，以及仿真条件和运行场景，这些提供了一个具有代表性的虚拟实验环境，能够反映真实建筑运行状况。第4节展示了结果并将提出的深度学习模型预测控制框架与传统基于规则的控制策略进行了对比。该节解释了性能评估，包括总能耗（电力和蒸汽）、峰值需求行为和室内条件，随后讨论了节能潜力和运行鲁棒性。最后，第5节对本文进行了总结。章节片段 特征选择 特征选择旨在识别用于深度学习模型的最佳输入变量组合。各种环境和运行因素会影响电力消耗、蒸汽消耗和负荷特性。特征选择使深度学习模型受益，因为去除不重要的变量可以防止过拟合并有助于维持预测性能。在本研究中，采用随机森林方法评估了目标变量与输入变量之间的关系。仿真环境 本节描述了为评估所提出的基于深度学习的模型预测控制算法的性能而开发的基于仿真的实验平台的配置与实现。为了准确再现吸收式冷水机组在真实建筑中运行的热行为和能耗，在能源模拟器的建筑能源仿真工具中建立了一个集成仿真环境。以下小节概述了吸收式冷水机组的系统配置和关键内容。 基于规则控制下的吸收式冷水机组仿真 本节基于能源模拟器的仿真展示了基准策略与基于规则的控制策略之间的性能对比。基准代表一种固定控制策略，其中冷冻水和冷却水以恒定设定值运行。两种策略在控制冷冻水出口温度和冷却水出口温度的方法上有所不同，这使得吸收式冷水机组表现出不同的热行为和能耗特性。分析在整个冷却运行期间进行。 结论 吸收式冷水机组由于非线性的、耦合的热水力行为以及相对较慢的动力学特性，难以高效运行，这限制了传统反馈和基于规则的控制策略在时变负荷和环境条件下的有效性。本研究开发了一种近实时的监督控制方法，将深度学习序列预测器与滚动时域模型预测控制优化器相结合。深度学习代理模型捕捉了机组的输入-输出行为。利益冲突声明 作者声明，他们没有已知的财务利益冲突或个人关系，这些利益冲突或个人关系可能影响本文所报告的工作。致谢 本研究得到了由大韩民国教育部和光州广域市资助的大光州创新系统中心区域创新系统教育广域大学30计划的支持。（项目编号：2026-RISE-Glocal University 30-05-011） 张大根|朴善宇|金宇贤