Многоцелевая оптимизация для оптимизации систем ВВАК в больницах

Термический комфорт

Комфорт пациента напрямую влияет на скорость восстановления. Температура и влажность должны оставаться в узких диапазонах (например, 68-75 ° F, 30-60% RH). Медицинский персонал также нуждается в тепловых условиях, которые поддерживают точную работу. Тепловой комфорт является субъективной мерой, часто количественно определяемой с использованием индекса FLT: 1 или FLT: 2 Процент людей, недовольных (PPD). Цель состоит в том, чтобы минимизировать дискомфорт, избегая чрезмерного нагрева или охлаждения энергии.

Оперативные расходы

Помимо энергии, эксплуатационные расходы включают замену фильтров, ремонтные работы и деградацию оборудования. Например, фильтры для увеличения размера для достижения лучшего IAQ могут увеличить энергию вентилятора и частоту обслуживания. MOO может помочь найти сладкое место, где общая стоимость владения минимизируется без ущерба для основных характеристик.

Воздействие на окружающую среду

Многие больницы в настоящее время устанавливают цели углерод-нейтральности. MOO может включать в себя выбросы углерода в течение всего жизненного цикла или показатели воздействия на окружающую среду, такие как Потенциал глобального потепления (GWP) или Интенсивность использования энергии (EUI) . Эта цель часто согласуется с энергоэффективностью, но может конфликтовать, когда рассматривается выбор хладагента или использование материалов.

Методологии и алгоритмы многообъективной оптимизации HVAC

Решение задачи многообъективной оптимизации с реальной сложностью HVAC требует надежных алгоритмов. Наиболее распространенные подходы в академической и отраслевой практике включают:

Генетические алгоритмы (GA)

Генетические алгоритмы — это метаэвристика на основе популяции, вдохновленная естественным отбором. Они поддерживают набор решений-кандидатов и применяют кроссовер, мутацию и операторов отбора. Такие варианты, как NSGA-II (недоминируемый сортирующий генетический алгоритм II) , популярны, потому что они явно сохраняют разнообразие Парето и быстро сходятся. NSGA-II успешно применяется для оптимизации секвенирования чиллеров, управления блоком управления воздухом и проектирования воздуховодов в больницах.

Оптимизация теплоты частиц (PSO)

PSO имитирует социальное поведение птичьих стай или рыбных школ. Каждая «частица» представляет собой решение и перемещается через пространство поиска на основе своей самой известной позиции и самой известной позиции роя. Многообъективные версии, такие как MOPSO, расширяют концепцию с помощью внешнего архива не доминирующих решений. PSO имеет тенденцию быть проще в реализации и может сходиться быстрее, чем GA для определенных проблем HVAC.

Байесовская оптимизация

Для дорогостоящих симуляций (например, полномасштабных энергетических моделей) байесовская оптимизация с гауссовыми процессами может эффективно исследовать поверхность Парето. Она строит суррогатную модель целей и выбирает точки отбора проб, которые уравновешивают разведку и эксплуатацию. Этот метод требует меньше оценок, но может не справиться со многими целями хорошо.

Смешанное линейное программирование (MILP)

Когда цели линейны и система может быть разложена на дискретные состояния (например, оборудование включено/выключено), растворители MILP могут обеспечить глобально оптимальные наборы Парето. Этот подход является общим для оптимального планирования нескольких чиллеров или котлов, но он борется с нелинейной тепловой динамикой и невыпуклыми целями.

Гибридные подходы

Многие современные MOO-фреймворки сочетают суррогатные модели, основанные на данных (нейронные сети, случайные леса) с эволюционными алгоритмами. Суррогат аппроксимирует дорогостоящее моделирование, позволяя проводить гораздо больше оценок кандидатов. Это особенно полезно для больничного HVAC, где для оценки риска заражения используются подробные модели вычислительной динамики жидкости (CFD).

На практике инженеры часто используют метод взвешенной суммы в качестве быстрого приближения, но это может пропустить невыпуклые части фронта Парето. Для серьёзного дизайна больницы или модернизации рекомендуется настоящий многообъективный алгоритм, такой как NSGA-II. Программные инструменты, такие как EnergyPlus с JEPlus+EA или Modelica, поддерживают эти рабочие процессы.

Шаги по внедрению в больничную палату

Внедрение МОО для системы ВВАК в больнице требует структурированного процесса:

1. Определение целей и ограничений: Работа с менеджерами больничных учреждений, специалистами по инфекционному контролю и инженерами-механиками для определения объективных функций (например, потребление энергии, прокси-сервер риска заражения, индексы комфорта) и жесткие ограничения (например, минимальный ACH, скорости протоков, дифференциалы давления).
2. Разработать модель системы: Создать имитационную модель системы HVAC и тепловых зон. Это может быть упрощенная сеть сопротивления-ёмкости (RC), полная модель EnergyPlus или модель CFD для критических областей. Модель должна захватывать взаимодействия между переменными, такими как температура воздуха, скорость вентилятора, положения демпфера и нагрузки зоны.
3. Соберите данные: Соберите исторические данные о погоде, записи переписи пациентов, расписания персонала и данные счетчика энергии. Если доступны данные в реальном времени (через BAS/BMS), откалибровайте модель до фактической производительности.
4. Запустите оптимизацию: Выполните выбранный алгоритм MOO, часто на высокопроизводительном вычислительном кластере из-за множества запусков моделирования. Оцените цели на достаточно большом количестве поколений или частиц.
5. Анализ фронта Парето: Визуализируйте компромиссы (например, энергия против риска заражения). Используйте графики взаимодействия или параллельные координаты, чтобы понять чувствительность.
6. Реализовать и проверить: Применять выбранную стратегию управления или изменения дизайна в реальной системе — или в цифровом двойнике — и контролировать ключевые показатели эффективности.
7. Итерация: Госпитальные условия развиваются (новое крыло, изменение в использовании, сезонные изменения). Периодически перезапускайте оптимизацию или переключайтесь на адаптивную MOO в реальном времени для динамических условий.

Реальные приложения и тематические исследования

МОО для больничного ВКВ не просто теоретическое. Несколько исследований демонстрируют его практичность:

• Исследование 2021 года оптимизировало систему HVAC большой учебной больницы в Китае с использованием NSGA-II. Целями были годовое потребление энергии, концентрация CO2 и тепловой комфорт. Фронт Парето показал, что снижение энергии на 15% было возможно без ухудшения комфорта или IAQ за пороговыми значениями (]ScienceDirect reference).
• Исследователи из Национальной лаборатории возобновляемых источников энергии (NREL) объединили MOO с цифровым двойником больницы для оптимизации использования энергии и риска заражения во время пандемии COVID-19. Они обнаружили, что увеличение вентиляции до 6 ACH при использовании восстановления энтальпии может вдвое снизить концентрацию переносимых по воздуху патогенов с помощью только 12% энергетического штрафа (] NREL ссылка ).
• Проект модернизации в европейской больнице использовал оптимизацию роя частиц для корректировки параметров для 12 блоков обработки воздуха. Фронт Парето помог команде объекта выбрать конфигурацию, которая экономила 80 000 евро в год при сохранении требуемых уровней качества воздуха.

Эти примеры показывают, что МОО может обеспечить ощутимую экономию и повышение безопасности при систематическом применении.

Преимущества многоцелевой оптимизации в больничной ВВАК

Принятие МОО дает несколько практических преимуществ для работы и проектирования больниц:

• На основе фактических данных принимаются решения: Менеджеры объектов могут видеть количественные компромиссы, а не полагаться на эмпирические правила или догадки.
• Улучшенная устойчивость: Фронты Парето показывают решения, которые устойчивы к неопределенности (например, пандемический всплеск, волна тепла). Операторы могут предварительно выбирать резервные операционные точки.
• Регуляторное соблюдение: MOO гарантирует, что ограничения (например, минимальные показатели вентиляции из руководящих принципов CDC]) являются жесткими ограничениями при максимизации других целей.
• Снижение затрат на энергию: типичные сокращения энергии на 10-30% были зарегистрированы без нарушения IAQ или пределов комфорта.
• Упрощенный ввод в эксплуатацию: Вместо тестирования всех возможных настроек управления MOO определяет лучшие точки установки напрямую, сокращая время ввода в эксплуатацию.
• Интеграция с целями устойчивого развития: Многие системы больниц в настоящее время отслеживают выбросы углерода; MOO может напрямую минимизировать эквивалент CO2 при обеспечении безопасности.

Многоцелевая оптимизация предлагает мощный, практический подход к управлению присущими компромиссами в больничных системах HVAC. Явно рассматривая энергоэффективность, качество воздуха в помещении, тепловой комфорт, затраты и риск заражения, руководители учреждений и инженеры могут принимать обоснованные решения, которые улучшают как результаты лечения пациентов, так и операционную эффективность. В то время как вычислительные и интеграционные задачи остаются, достижения в алгоритмах, цифровых двойниках и контроле в режиме реального времени быстро снижают барьеры для принятия. Больницы, стремящиеся к чистой нулевой энергии и повышенной устойчивости, должны рассмотреть возможность включения MOO в свои процессы проектирования и модернизации. Департамент энергетики США и ASHRAE обеспечивают основополагающие ресурсы для начала. При тщательном внедрении многоцелевая оптимизация может превратить больничный HVAC из необходимой стоимости в стратегический актив для здоровья и устойчивости.