基于图网络的多台制冷系统设计优化：借鉴现有系统的知识

《Energy》：Graph Network-Based Design Optimization of Multiple Chiller Systems with Knowledge from Existing Systems

基于图神经网络的多离心机系统优化设计策略通过整合离心机节点、负荷比节点、协同边和效率边，有效提取既有系统运行数据知识，经锂电工厂案例验证，相比传统方法节能5.94%-4.49%，实现高效协同配置。

　　

薛琪|金新桥|刘媛媛|贾志阳|杜志民

上海交通大学机械工程学院，中国上海200240

摘要

现有多个冷水机组系统的运行数据包含宝贵的知识，这些知识可以指导新系统的冷水机组配置。然而，传统策略通常仅限于比较少数几种提出的配置方案，未能充分利用这些宝贵信息。为了解决这个问题，本文提出了一种基于图网络的设计优化策略。该图网络由冷水机组节点、部分负荷比（PLR）节点、协同效应边和效率边组成。具体而言，协同效应边表示多个冷水机组同时运行时是否能够高效运行，效率边表示冷水机组在特定PLR下是否能够高效运行。基于图网络，可以确定最优配置：首先，协同效应边筛选出可行的配置方案；其次，效率边识别出在所有典型负荷下都能保持高效率的候选配置；最后，通过估算年能耗来确定最优配置。为了验证其有效性，将这一策略应用于一家锂电池工厂的案例研究。验证结果表明，与原始配置相比，所提出的策略使能效提高了5.94%。与其他配置方案相比，最优策略中的每个冷水机组在更多典型负荷下都能高效运行。为了进一步验证该策略，还使用了传统策略选出的配置方案进行对比，结果显示，所提出的策略相比传统策略得到的最佳配置方案节能了4.49%。本研究建立了一种基于图网络的最优配置方法，实现了从现有系统向新设计的智能知识转移。

引言

供暖、通风和空调（HVAC）系统是大型商业建筑的主要能源消耗者，占总能源需求的近50%。在HVAC系统中，多个冷水机组系统的能耗占HVAC总能耗的一半以上[1]。为了实现多个冷水机组的节能，人们广泛研究了最优配置和最优运行策略[2]、[3]。然而，运行阶段的节能效果受到冷水机组配置的限制，因为配置显著影响冷水机组的运行灵活性[4]。

为了实现最优冷水机组配置，以往的研究主要集中在两个方向：基于仿真的方法和性能评估方法。基于仿真的方法通常依赖仿真来从少数几种提出的配置方案中识别出最节能的方案。常用的仿真工具包括TRNSYS[5]、[6]、[7]、[8]、eQUEST[9]和EnergyPlus[10]、[11]、[12]、[13]。例如，Yu[7]利用TRNSYS证明，在非等效配置下，大型冷水机组与小型冷水机组的容量比为3:2时能效更高。Wang[9]使用eQUEST优化冷水机组的选型，目标是最小化能耗，实现了10.5%的节能效果。Yu[10]使用EnergyPlus评估了多个冷水机组系统的十一种设计方案，有助于减少碳排放。在性能评估方面，通常通过鲁棒性分析[14]、[15]、[16]、[17]、[18]、[19]、热经济评估[20]、[21]、[22]和数学成本优化方法[23]、[24]、[25]从候选配置中确定最优配置。例如，Jia[14]提出了一种基于鲁棒性指数的冷水机组配置选择方法，该方法在满足能效要求的同时提高了14%的可靠性。Chen[20]利用耗散分析优化了建筑中的中央冷水系统设计，并将该方法应用于实际工程项目。Lee[25]量化了能效、设备空间和经济影响之间的权衡，以确定等效配置中的最优方案。

然而，无论是使用基于仿真的方法还是性能评估方法，这些方法都依赖于经验来提出有限的候选配置方案，或者通过枚举设计选项进行比较[26]、[27]。这些方法缺乏对设计优化的通用指导，也无法充分利用运行数据中的知识。因此，有效提取这些知识是实现通用最优设计的关键。一些数据驱动的方法已被用于能源系统的知识提取，例如人工神经网络（ANN）[28]、数据信息集成神经网络（DINN）[29]、XGBoost[30]、性能图[31]、[32]、[33]、[34]和关联规则挖掘[36]、[37]。例如，Ashraf[28]将数据驱动的方法整合到优化问题中，提供了一种估计领域一致最优解的新方法。Yu[36]利用关联规则挖掘从空调系统运行数据中提取知识，识别潜在的能源浪费。

数据驱动的方法可以提供有价值的见解，但其应用范围通常仅限于优化控制和能耗评估。这是因为这些方法主要依赖于单一设备的数据，难以捕捉影响最优配置的系统级交互作用。为了克服这一限制，近年来图网络作为一种有前景的替代方案出现了[38]、[39]、[40]、[41]、[42]、[43]、[44]、[45]、[46]、[47]。图网络的核心优势在于它们能够捕捉通用模式[48]、[49]，并且已经在能源系统中得到了应用。例如，Du[51]利用图网络实现结构化信息传播，以提高特征提取效果。Zhou[52]使用图网络整合冷水机组信息进行短期能耗预测。Qu[53]应用图网络提取风能的时间特征。

然而，图网络在多个冷水机组系统中的应用仍然有限，特别是缺乏一个通用的优化框架来支持最优设计。实际上，图网络在各种工程优化设计问题中展示了巨大的潜力。例如，Fei[54]使用许多类似案例训练图网络，然后用训练好的图网络进行剪力墙结构的最优设计。Zhao[55]利用图网络和大量框架结构数据集进行梁布局设计。Li[56]开发图网络快速筛选潜在的药物候选物。这些研究表明，图网络可以从现有系统中提取有价值且普遍适用的知识，为未来的类似工作提供高效的解决方案。

因此，将图网络引入最优设计为转移现有系统中的知识提供了一个系统化的框架，从而支持通用和快速的设计优化。据此，本文提出了一种基于图网络的最优配置策略。该策略的工作流程如图1所示。首先，使用现有系统的设计和运行数据构建图网络，该图网络包含冷水机组节点、PLR节点、协同效应边和效率边。然后根据图网络确定最优配置。通过锂电池工厂的多个冷水机组系统案例研究对该配置策略进行了验证。

本文的其余部分组织如下：第2节介绍构建图网络的方法；第3节介绍基于图网络的最优配置；第4节提供验证结果；第5节总结本研究的主要结论。

图网络背景

图网络由一组节点组成（$$），节点之间的连接称为边（$$），这些边代表了节点之间的交互作用。如图2所示，图网络可以表示为$$，其中$$表示节点集，$$表示定义这些节点之间关系的边集。

为了构建一个有助于多个冷水机组系统最优设计的图网络，需要以下步骤：

最优配置的逻辑

基于图网络设计多个冷水机组系统的最优配置策略如图5所示。

首先，通过回溯算法在图网络中生成可行的冷水机组配置集$$，每个冷水机组配置都必须满足三个条件。

第一个条件是冷水机组配置的总数量不得超过允许的最大冷水机组数量$$。

第二个条件是

数据来源

收集了18个工业建筑中实际存在的多个冷水机组系统的数据，用于构建图网络。这些建筑包括工厂、制造设施和大规模生产工厂。每个数据集至少涵盖了一年的运行记录。每个系统的相应位置和数据周期在附录A中提供。18个系统中的冷水机组已编号并列在表1中。冷水机组的类型包括

结论

本研究提出了一种基于图网络的多冷水机组系统设计优化策略。主要研究发现表明，所提出的图网络整合了冷水机组节点、PLR节点、协同效应边和效率边，成功从现有系统的运行数据中提取了知识。此外，该策略能够直接识别最优配置，克服了传统方法仅比较少数几种配置方案的局限性

CRediT作者贡献声明

薛琪：撰写——初稿、可视化、软件开发、方法论、形式分析、概念化。金新桥：撰写——审稿与编辑、监督、项目管理、资金筹集。贾志阳：撰写——审稿与编辑、形式分析。刘媛媛：撰写——审稿与编辑、调查、数据整理。杜志民：项目管理、形式分析、概念化

利益冲突声明

? 作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了国家自然科学基金（编号：51776118）的支持。