贾利芝 在一区期刊《Building and Environment》(JCR, Q1, IF=7.093) 发综述文章 “冷源系统优化控制方法综述”。

题目：

冷源系统优化控制方法综述

A review of optimization approaches for controlling water-cooled central cooling systems

作者：

Lizhi Jia (贾利芝，第一作者), ShenWei, JunjieLiu (刘俊杰，通讯作者)

亮点：

• 总结了冷源系统优化控制方法通用数学描述；

• 综述了不同新型优化控制方法的特征及用途，并对不同方法进行了对比；

• 讨论了冷源系统优化控制方法未来所面临的挑战及研究方向。

研究背景：

建筑行业是高能耗高排放行业，约占全球的40%。因此，建筑行业的节能减排是实现双碳目标的重要环节。空调冷源系统是建筑运行阶段的主要耗能环节，占比达到20%-30%。近几年来，大量的学者致力于优化控制方法的研究来提升冷源系统的运行效果。一方面通过优化冷源系统控制，在保障室内热舒适的前提下减少系统运行能耗。另一方面通过优化冷源系统运行提升系统运行稳定性和鲁棒性等。本文通过对文献全面的分析，总结了现有冷源系统优化控制方法及其特征，并讨论冷源系统优化控制方法未来面临的挑战及未来发展方向。

主要成果：

优化控制问题数学描述：

优化问题的数学描述通常包括三个部分：目标函数、决策变量和一系列约束条件。公式（1）是个目标函数的通用表达式，公式（2）和（3）分别是等式和不等式约束。

优化算法：

优化算法是用于寻找使得目标函数取最小值/最大值的输入的过程。用于冷源系统优化控制的优化算法有三类，包括确定性算法，元启发式算法和混合算法三类。其中启遗传算法(GA)和粒子群算法(PSO)应用的频次最高。

图1 用于冷源系统优化控制算法及应用频次

冷源系统优化控制方法分类与对比：

根据冷源系统优化控制过程中是否需要建立系统模型，将优化控制方法分为基于系统模型和基于数据的优化控制方法。总结发现，目前基于系统模型的优化控制方法仍然是冷源系统运行节能的主流的方法，其中83.7%的文献采用了该方法。近年来，数据挖掘、机器学习、强化学习等基于数据的优化控制方法的应用逐渐增多。

图2 冷源系统优化控制方法分类

表1 基于系统模型的优化控制方法对比

• 模型预测优化控制方法(PBOC)在决策中引入未来时刻的信息提升琪节能性；

• 随机优化(SOC)和鲁棒优化控制(ROC)方法通过在优化过程中考虑参数的不确定性增强其控制的稳定性及鲁棒性，但其复杂性较高；

• 稳定性增强优化控制方法(SEOC)通过减少同时更新参数的数量来提升优化控制方法的稳定性；

• 分层优化(HOC)和多智能体优化控制(MAOC)方法通过将复杂问题分解为多层或多个部分来进行优化展现出更高的计算效率；

• 时间驱动优化控制方法(EDOC) 仅在事件发生时启动优化过程大幅度减少优化计算时间。

表2 基于数据的优化控制方法对比

•数据挖掘、强化学习等基于数据驱动优化控制方法也可以实现显著的节能；

•数据挖掘(DMM)和强化学习方法(RLM)需要有大量的运行数据及复杂的训练过程；

•强化学习法和寻找极值法（ESM）确定最佳控制参数需要与目标系统进行交互，可能会带来系统不稳定的情况，尤其是在应用初期。

未来研究方向：

• 冷源系统优化控制方法的研究除了注重提升能效外，还强调了控制的稳定性和鲁棒性；

• 研究计算效率更高的优化控制方法满足未来越来越复杂和庞大的能耗系统在线优化控制的需求；

文章引用格式：

Jia L, Wei S, Liu J. A review of optimization approaches for controlling water-cooled central cooling systems[J]. Building and Environment, 2021, 203: 108100.