题目：

Deep learning and physics-based modeling for the optimization of ice-based thermal energy systems 

in cooling plants

基于深度学习和物理模型的冰蓄冷系统优化运行方法

全文链接：https://www.sciencedirect.com/science/article/pii/S0306261922007711

作者：

Lizhi Jia1（贾利芝，第一作者）, Junjie Liu1（刘俊杰，第二作者）, Adrian Chong2（第三作者）, 

Xilei Dai2 (戴希磊，通讯作者)

1天津市室内空气环境质量控制重点实验室，天津大学，天津，300072，中国

2建造环境系，新加坡国立大学，新加坡，117566，新加坡

研究亮点：

• 基于深度神经网络和物理仿真模型，提出了用于含有储能装置能源系统的优化控制框架；

• 所提出的优化控制方法能够增加蓄冰系统经济性11.2%；

• 建立了基于Modelic语言的开源蓄冰系统物理模型

（https://github.com/XileiDai/Ice-thermal-storage）。

研究背景：

随着各国“碳达峰，碳中和”目标的提出，可再生能源的应用越来越多。可再生能源应用的固有问题是它的供给能力不能够很好的与用户的需求吻合，且可再生能源的供给能力有很强的随机性和不确定性。因此帮助用户调整用电需求至关重要。储能系统（TES）是一种重要的手段来改变用户不同时段用能需求。储能系统的增加使得空调冷源系统的运行控制更为复杂。通过文献总结，对于含有储能系统的冷源控制方法，主要是基于简单的规则，包括冷机优先、储能有先和价格优先的控制策略。基于规则的控制方法不能最大化系统的经济效益。近年来又有学者引入了模型预测控制的方法进一步提高TES系统运行的经济性。模型预测控制的3个关键点分别是：1) 对于未来时段冷负荷的准确预测，2）系统动态特征的准确评估，和3）优化问题的快速求解。对于未来24小时冷负荷预测，采用物理模型的话非常复杂，且计算时间较长不适用于在线控制。基于数据驱动模型对于未来24小时冷负荷预测精还有进一步的提升的空间。对于系统动态特征尤其是冰蓄冷模型，文献中常常忽略或者简化这一动态特性，导致系统供冷能力的错误估计，进而导致能源浪费或者不能满足需求，因此需要进一步研究含有储能系统的控制方法。本研究提出了基于深度学习和物理模型的优化控制框架。建立了结合注意力机制的双门控循环神经网络用于预测未来24小时冷负荷，开发了冰蓄冷动态仿真模型用于评估其动态特征。最终，以天津市某电子洁净厂房冷源系统为例，评估了所提出的TES优化控制方法。

主要成果：

1.冷负荷预测模型及精度

• 未来24h冷负荷预测模型由编码网络、解码网络和注意力机制三部分组成（A-dGRU）。

• A-dGRU模型中编码网络和解码网络同时接收输入参数；

• 引入注意力机制能够使神经网络更加关注与输出序列高度相关的输入序列部分而非全部序列，有助于提升模型预测准确性。

图1 未来24小时冷负荷预测深度神经网络模型

• 负荷预测模型均方根误差变异系数(CV-RMSE)为0.08；

• 模型预测误差在±10%以内，具有较高的预测精度；

图2 冷负荷预测模型准确性

2.TES优化控制框架

• 在控制决策时考虑了系统对未来24小时冷负荷的需求；

• 以24小时运行费用最低为优化目标；

• 系统运行满足冰蓄冷非线性动态约束条件；

• 采用分段非线性逼近方法讲非线性约束线性化，实现优化问题快速求解；

图3 基于深度学习和物理模型的优化运行控制方法框架 

3.运行效果评估

• 本课题以天津市某电子洁净厂房冷源系统为例，在Dymola上建立了该冷源系统动态物理仿真模型；

• 采用传统高峰时段均匀融冰的控制策略，可以减少系统月运行费用13.9%-21.4%；

• 与传统的控制策略相比，本研究所提出的优化控制方法能够进一步提升系统运行经济效益11.2%。

• 经济效益的提升来源于对蓄冰装置的灵活控制和对未来24小时冷负荷的准确预测。

图4 不同控制方法系统运行经济性

本文引用格式：

LizhiJia，JunjieLiu，AdrianChong，XileiDai. Deep learning and physics-based modeling for the optimization of ice-based thermal energy systems in cooling plants[J]. Applied Energy,2022.322: p.119443.