广州风机价格虚拟社区

小型建筑温湿度同时控制的前世今生(下)

浙大CSE2018-04-15 16:35:59

前情提要

对于建筑而言,湿度控制和温度控制同样重要。而基于硬件解耦的温湿度控制方法,常常需要增加额外的设备,或者需要扩大空调系统的体积,但目前中小型建筑大多数采用直膨式空调系统,其结构紧凑,往往无法结合湿度独立控制设备。而研究表明,无需外加设备,通过算法(软解耦)恰当调节压缩机转速和风机转速同样有可能实现温湿度独立控制。

本节将首先说明直膨式空调系统的热湿耦合机理,然后对利用控制算法进行温湿度同时控制的研究进行介绍,这些控制算法分成两种类型,分别是基于模型的控制算法和模糊逻辑控制算法。

01

直膨式空调系统的热湿耦合

要通过算法实现温湿度独立控制,首先要研究直膨式空调是否具有实现温湿度独立控制的能力,这就涉及到发生在直膨式空调蒸发器表面的热湿耦合过程。


两个原因造成了直膨式空调系统的热湿耦合。首先,湿空气的降温和除湿过程都发生在蒸发器内,而湿空气和蒸发器表面的传热与传质机理是相似的,传质系数可以通过传热系数推导得出[35]。当流经蒸发器的空气流速改变,传热系数和传质系数同时发生改变,因此降温和除湿的速率也随之变化。其次,湿空气在蒸发器表面的降温和凝水的驱动力是相同的,即蒸发器表面温度。这个表面温度一方面决定了湿空气和蒸发器表面的温度差,从而影响传热速率,另一方面决定了蒸发器表面的水蒸汽蒸发压力,这又会影响凝水速率,因此改变蒸发器表面温度也会同时影响降温和除湿过程。从控制角度看,改变风机转速会同时影响显热制冷量和潜热制冷量,改变压缩机亦然,因此温度控制和湿度控制是耦合的。


如果传热和传质速率的变化是强线性的,那么这个空调系统就只能某个特定的热湿比下实现温湿度的同时控制。但是流速的变化对湿空气的传热系数和传质系数的影响并不相同,同时翅片表面温度与对应的蒸汽压之间的关系也是非线性的,这就使得空调系统可输出不同组合的总冷量和显热比。总冷量是指空调系统输出的显热冷量和潜热冷量之和,而显热比则是显热冷量占总冷量的比值,显热比能够反映空调系统的除湿能力,显热比越小,则显热冷量占比越少,除湿能力越强。有些文献使用显热冷量和潜热冷量来表示空调系统内在的热湿耦合,而另一些文献则使用总冷量和显热比来表示,这两组概念实际上是等价的,下文不再进行区分。


综上所述,由于蒸发器内传热和传质速率的强非线性,改变压缩机转速和风机转速,空调系统输出的总冷量-显热比不会一直落在一条直线上,而是会形成一个平面,文献[36, 37]都通过实验给出了其空调系统的总冷量-热湿比的关系平面。如果建筑在某个温湿度设定值下的总负荷和负荷显热比落在这个平面内,使空调系统输出的总冷量和显热比与负荷相匹配,那么室内的温度和湿度将可以稳定在其设定值。下面通过文献[38]给出的关系平面对这个原理进行阐释。

图1 直膨式空调系统总冷量与显热比的内在关系


在图1中,四边形ABCD表示了某个空调系统在不同的压缩机转速-风机转速组合下,输出总冷量和显热比的关系平面。压缩机和风机转速范围都是30%-90%。A点表示30%压缩机转速和90%风机转速,B点表示30%压缩机转速和30%风机转速,C点表示90%压缩机转速和90%风机转速,D点表示90%压缩机转速和30%风机转速。当压缩机和风机转速在各自范围内变化的时候,输出总冷量和显热比将会落在四边形ABCD内,只有当室内总负荷和负荷热湿比也落在四边形ABCD内,才有可能找到对应的压缩机转速和风机转速,使空调系统输出相应的总冷量和显热比,从而将室内的温湿度同时稳定在各自的设定值。


温湿度同时控制和只控制温度或只控制湿度有本质的不同。如图1所示,四边形WXYZ表示空调系统在30%-90%压缩机和风机转速下,能够输出的最大的制冷量范围与显热比范围。如果只控制温度或湿度,那么只需负荷落在四边形WXYZ之内,那么显热冷量或者潜热冷量即可满足对应负荷需求。例如,H点表示的室内总负荷和负荷显热比下,单独控温或单独控湿都是可以实现的,但是因为找不到对应的压缩机和风机转速组合下输出的总冷量和显热比能够同时满足H点的负荷与显热比,因此H点无法实现温湿度的同时控制。


通过算法解耦的温湿度同时控制,其前提是空调系统自身的显热冷量和潜热冷量输出能够覆盖室内的显热与潜热负荷,这是其局限性。本文先就在可控范围内讲解温湿度软解偶控制的原理,然后再分析硬件解耦和软解偶相互结合的可能性,来进一步拓展两种方法的优势,避免彼此的劣势。


02

基于模型的温湿度同时控制算法

利用空调模型,反算出当前负荷下达到设定温湿度所需的压缩机转速和风机转速,这种控制方法即基于模型的温湿度同时控制。目前大多数空调模型都可以分为物理模型和经验模型两种类型。物理模型是通过控制方程对空调系统中的物理现象进行精确描述的模型。物理模型可以适用于不同的工况,但较高的精度要求会带来很大的计算量,求解速度常常无法满足控制的需求。经验模型通过数据训练的方法,以实验数据为基础训练出空调系统输入参数-输出参数的对应关系,训练得到的经验模型,运行速度非常快,且在训练数据的范围内,精度很高,但是经验模型训练数据范围以外的精度无法保证。


Li[39, 40]建立了基于物理模型的直接数值控制器(direct digital control, DDC),利用空调系统的集总参数模型与实时采样得到的蒸发器进出口温湿度,计算出对应总负荷和显热比下的压缩机与风机转速,实验结果表明该控制器可以将温湿度稳定在设定值,但是响应速度比较慢。


Qi [41, 42] 通过状态空间法建立了直膨式空调模型,该模型在实验数据的基础上进行了线性化,因此可以认为是一个经验模型。该模型应用与空调控制器中,也能够实现温湿度的同时控制,但设定点需要在线性化所在温湿度点附近,模型才具有较好的控制效果,当设定点偏离线性化所在的温湿度点时会出现较大的误差。近年来有学者尝试利用人工智能神经网络(artificial network, ANN)建模方法来建立空调模型,如Li[43, 44]等基于实验数据,利用BP训练法训练了ANN模型。图2所示的静态ANN模型采用了2输入,2个含有6个可变参量的隐藏层,以及2输出,即2-6-6-2结构。压缩机和风机转速作为输入量,显热和潜热冷量作为输出量。训练数据为固定回风温湿度下,不同压缩机和风机转速对应得到显热与潜热冷量输出值。模型在训练数据范围内具有很高的精度,但是当回风温湿度发生改变,模型精度会显著变差。若要将ANN模型应用在解耦控制器[43]中,需要建立动态ANN模型[43],实验结果显示该控制器具有较好的响应速度和控制精度,但同样地,当室内设定温度发生改变,蒸发器入口状态偏离训练数据范围时,控制精度会变差。

图2 直膨式空调系统ANN模型2-6-6-2结构


为使ANN模型能够在更宽的温湿度范围内使用,Li[45]开发了在线训练的动态ANN模型控制器,当室内的温湿度设定点发生改变时,在线训练的ANN模型会停止控制模式,转而采样新设定点下所需的训练数据,并基于该数据训练新的ANN模型,再将新的ANN模型用于控制器中。由于训练新的ANN模型时控制器处于停止运行的状态,若此时有较大的负荷扰动引入,或者室内的热湿惯性较小,那么温湿度会产生很大的偏移,因此该控制器不适合在上述两种情况下使用。对于实时采样、实时训练的神经网络模型,则可以解决上述问题,如Munoz[46]等建立的高阶时间递归神经网络(recurrent high order neural network,RHONN)直膨式空调模型,利用EKF(Extend Kalman Filter)方法可以实现实时训练。Munoz的控制器基于该模型,利用以误差作为目标函数的逆最优控制(inverse optimal control)算法来实时求解出所需的压缩机和风机转速。但该控制器中部分参数还需要手动调整。


近年来有学者提出结合两种建模方法建立直膨式空调的混合模型[47-50],使模型同时具有物理模型和经验模型的优点——计算速度快,精度较高,可适用于较宽的工况范围。当前的研究仍是基于静态模型,要将其应用于直膨式空调的解耦控制,需开发相应的动态模型。


03

基于模糊逻辑的温湿度同时控制

模糊逻辑控制是一种黑箱控制。Lee [51, 52]对模糊逻辑控制的原理和应用进行了系统的阐述。模糊逻辑适用于难以用模型定量精确描述的过程或者对于已有的信息只能进行定性分析的应用,但是目前还没有一个系统的方法用于指导将专家经验归纳成为模糊逻辑控制规则。在暖通空调的应用中,模糊逻辑常常用于控制温度或几个互不耦合的参数,因为对于不耦合的参数,较容易总结专家经验,但对于温湿度软解耦控制而言,由于温度和湿度控制环路的耦合,难以制定合适的模糊规则。当房间温度太高,湿度太低的时候,压缩机转速应该加大还是减小,风机又该如何变化,难以有直观的结论。

图3 PD权重模糊控制流程图


近年来,Xu等[53-56]对将模糊逻辑算法应用于温湿度的软解耦控制进行了探索。Xu[53]等提出了权重模糊逻辑控制算法(weights-based fuzzy logic control algorithm, WBFLCA),并建立了基于该算法的PD模糊控制器(PD-type fuzzy logic controller, PFC),通过控制加热器和加湿器来分别控制室内的温湿度,实验结果表明PFC比传统的PID控制器在稳定速度、震荡抑制和变运行特性过程的自适应上都具有更好的控制效果。相比应用模糊矩阵的传统模糊逻辑算法,权重模糊逻辑算法通过为模糊变量赋予权重的方法,不仅简化了根据专家经验提炼模糊规则的过程,同时省略了反模糊化模块,大大减小了设计算法的工作量。Li等[55]基于权重模糊逻辑算法为直膨式空调系统开发了PFC控制器,控制流程如图3所示,该控制器通过压缩机转速来控制湿度,风机转速来控制温度,实验结果表明其具有良好的温湿度解耦控制特性。Li等[54]建立了ANN辅助的PFC控制器,Yan等[56]建立了具有自适应权重值的PFC控制器,这些控制器都通过实验证明了良好的温湿度解耦控制效果。然而,权重模糊逻辑控制算法目前仍只能根据控制实验结果不断进行试错性的调整,才能获得最终优化的权重规则,尚缺乏系统的优化理论,难以应用,但相比于传统的模糊逻辑规则,权重规则提供了几种规范的组合模式,从而为探索系统的优化设置理论提供了可能性。

04

“软硬结合”实现温湿度同时控制

目前已有较多形式的基于硬件解耦的温湿度控制方法,其中很多方法并不是使用两套独立的系统(一套降温,一套除湿),在这些系统中,依然存在降温除湿的耦合问题,需要解耦算法,一套合适的解耦算法能使得硬件解耦系统提高性能,降低能耗;另一方面,硬件解耦往往拓展了空调系统的降温除湿能力,因此将解耦算法应用在这种空调系统中,可以在更宽的负荷和显热比组合下实现温湿度的同时控制。

本节将以过冷再热温湿度控制系统为例,探讨利用温湿度同时控制的“软硬结合”。

图4 利用热湿解耦算法热湿补偿优化示意图

图4中的菱形面积直观地呈现了冷却盘管的输出冷量变化范围,当室内负荷落在这一范围之外时(如A、B、C、D点所示),则需要通过过调再补偿的方法对温湿度加以控制。最简单的控制方法是冷却盘管输出最大冷量(即M点),然后通过加热与加湿,实现从M到A、B、C、D的过程。然而这样也意味着能量的最大浪费。最理想的过程,则是在输出冷量变化范围的边界上,找到离A、B、C、D最近的补偿点1、2、3、4,从而实现最少量的补偿,且由于只能进行加热或加湿补偿,因此补偿过程必须沿着坐标轴负方向进行,即图中点2’到点B的处理过程(继续除湿)是不可能实现的。以A点为例,其工况代表较为炎热又较为干燥的气候条件,1到A的过程则代表冷却盘管提供的显热冷量恰好满足要求,只需提供最少的加湿量来抵消过度的潜热冷量。C点则代表温暖却又较为潮湿的气候条件,2到C的过程则代表冷却盘管提供的潜热冷量恰好满足要求,只需提供最少的加热量来抵消过度的显热冷量。但问题是,在实际应用中,无法预判室内负荷落在哪个点,甚至连冷却盘管的输出冷量变化范围都不知道,进而也难以找到对应的优化补偿点。

利用温湿度软解耦控制,如前文提到的新型模糊逻辑算法,会驱动空调系统尽量让温湿度逼近所设定的目标值,这也就意味着,即使负荷点落在冷量变化范围外,空调系统的运行工况点也会落在靠近负荷点的边界上。当空调运行工况点到达边界,而温湿度仍未达到设定值时,即可判断负荷点在冷量变化范围外,进而就可以启动热湿补充装置。简而言之,就是先用温湿度软解耦控制尽量逼近设定值(或直接控制到设定值),然后在必要的情况下,再启动热湿补偿设备进行最少量的补偿,达到降低能耗的目的。未来要成功应用这一方法,需要解决的问题是如何让空调系统的运行工况点在到达边界后,进一步自动寻优到最佳补偿点的位置。

05

总结与展望

要在中小型建筑中实现温度和湿度同时控制面临许多困难。基于硬件解耦的方法通过额外增加设备或改变空调结构实现温湿度同时控制;基于软件解耦的方法利用算法控制直膨式空调直接实现温湿度同时控制。可以看出,这两种方法的发展道路是分离的,将这二者结合应是未来研究的重点之一,一方面,硬件解耦方法可以使用软件解耦的相关算法以提高性能、降低能耗;另一方面,软件解耦方法在结合硬件解耦方法后可以扩展其应用范围。

相关研究者可以在以下几个方面进一步研究:

  1. 优化辐射制冷系统的湿度控制,避免冷凝;

  2. 优化热泵除湿系统的切换周期;

  3. 蒸发器表面热湿耦合机理的深入研究;

  4. 用于控制的动态空调模型的开发;

  5. 将软件解耦相关算法应用于VRF系统。

*本文相关内容已发表于 Energy and Building

原文标题A review on temperature and humidity control methods focusing on air-conditioning equipment and control algorithms applied in small-to-medium-sized buildings


参考文献

[34] KRAKOW K I, LIN S, ZENG Z S. Temperature and humidity control during cooling and dehumidifying by compressor and evaporator fan speed variation [J]. ASHRAE Transactions, 1995, 101(1): 292-304.

[35] CHILTON T H, COLBURN A P. Mass transfer (absorption) coefficients prediction from data on heat transfer and fluid friction [J]. Industrial & engineering chemistry, 1934, 26(11): 1183-7.

[36] LI Z, CHEN W, DENG S M, 等. The characteristics of space cooling load and indoor humidity control for residences in the subtropics [J]. Building and Environment, 2006, 41(9): 1137-47.

[37] LI Z, XU X G, DENG S M, 等. Further study on the inherent operating characteristics of a variable speed direct expansion air conditioning system [J]. Applied Thermal Engineering, 2014, 66(1–2): 206-15.

[38] XU X, XIA L, CHAN M, 等. Inherent correlation between the total output cooling capacity and equipment sensible heat ratio of a direct expansion air conditioning system under variable-speed operation (XXG SMD SHR DX AC unit) [J]. Applied Thermal Engineering, 2010, 30(13): 1601-7.

[39] LI Z, DENG S M. A DDC-based capacity controller of a direct expansion (DX) air conditioning (A/C) unit for simultaneous indoor air temperature and humidity control – Part I: Control algorithms and preliminary controllability tests [J]. International Journal of Refrigeration, 2007, 30(1): 113-23.

[40] LI Z, DENG S M. A DDC-based capacity controller of a direct expansion (DX) air conditioning (A/C) unit for simultaneous indoor air temperature and humidity control – Part II: Further development of the controller to improve control sensitivity [J]. International Journal of Refrigeration, 2007, 30(1): 124-33.

[41] QI Q, DENG S M. Multivariable control-oriented modeling of a direct expansion (DX) air conditioning (A/C) system [J]. International Journal of Refrigeration, 2008, 31(5): 841-9.

[42] QI Q, DENG S M. Multivariable control of indoor air temperature and humidity in a direct expansion (DX) air conditioning (A/C) system [J]. Building and Environment, 2009, 44(8): 1659-67.

[43] LI N, XIA L, DENG S M, 等. Dynamic modeling and control of a direct expansion air conditioning system using artificial neural network [J]. Applied Energy, 2012, 91(1): 290-300.

[44] LI N, XIA L, DENG S M, 等. Steady-state operating performance modelling and prediction for a direct expansion air conditioning system using artificial neural network [J]. Building Services Engineering Research and Technology, 2012, 33(3): 281-92.

[45] LI N, XIA L, DENG S M, 等. On-line adaptive control of a direct expansion air conditioning system using artificial neural network [J]. Applied Thermal Engineering, 2013, 53(1): 96-107.

[46] MU OZ F, SANCHEZ E N, XIA Y, 等. Real-time neural inverse optimal control for indoor air temperature and humidity in a direct expansion (DX) air conditioning (A/C) system [J]. International Journal of Refrigeration, 2017, 79(Supplement C): 196-206.

[47] XU X G, DENG S M, HAN X H, 等. A novel hybrid steady-state model based controller for simultaneous indoor air temperature and humidity control [J]. Energy and Buildings, 2014, 68, Part A(593-602.

[48] XU X G, DENG S M, HAN X H, 等. A control-oriented semi-physical model for a direct expansion air conditioning system [J]. Building Services Engineering Research and Technology, 2014, 35(6): 585-99.

[49] WANG X F, XU X G. A control oriented hybrid-physical model for a direct expansion air conditioning system [M]. The 24th IIR International Congress of Refrigeration. Yokohama, Japan. 2015.

[50] XU X, HUANG Z, WANG X, 等. A control-oriented hybrid model for a direct expansion air conditioning system [J]. Energy and Buildings, 2017, 155(Supplement C): 76-87.

[51] LEE C C. Fuzzy logic in control systems: fuzzy logic controller. I [J]. Systems, Man and Cybernetics, IEEE Transactions on, 1990, 20(2): 404-18.

[52] LEE C C. Fuzzy logic in control systems: fuzzy logic controller. II [J]. Systems, Man and Cybernetics, IEEE Transactions on, 1990, 20(2): 419-35.

[53] XU X G, DENG S M. A novel rule set establishment method for a PID-type fuzzy logic controller in HVAC system [M]. 2nd Asian-US-European Thermophysics Conference. HongKong. 2012.

[54] LI Z, XU X, DENG S, 等. A novel neural network aided fuzzy logic controller for a variable speed (VS) direct expansion (DX) air conditioning (A/C) system [J]. Applied Thermal Engineering, 2015, 78(9-23.

[55] LI Z, XU X G, DENG S M, 等. A novel proportional-derivative (PD) law based fuzzy logic principles assisted controller for simultaneously controlling indoor temperature and humidity using a direct expansion (DX) air conditioning (A/C) system [J]. International Journal of Refrigeration, 2015, 57(239-56.

[56] YAN H, XIA Y, XU X, 等. Inherent operational characteristics aided fuzzy logic controller for a variable speed direct expansion air conditioning system for simultaneous indoor air temperature and humidity control [J]. Energy and Buildings, 2018, 158(Supplement C): 558-68.



作者: 钟子文,徐象国*

编辑: 黄志远              

浙大C.S.E.

长按扫码关注我们


友情链接