Исследование энергоэффективности комбинированной системы воздушного и водяного отопления общественного здания

В последнее время при обогреве общественных и жилых помещений активно используются схемы комбинированного воздушного и водяного отопления. Они имеют определенные преимущества в странах с теплым климатом, а в условиях умеренного климата их применение может быть не оправдано. Можно ожидать максимально эффективного регулирования системы отопления в здании, если принимаются во внимание все особенности технологии как по назначению помещения, так и по способам регулирования. Система, ориентированная только на погодное регулирование, еще не соответствует энергоэффективным классам регулирования: теплоноситель с одинаковой температурой раздается по помещениям с различными требованиями к температурновлажностным характеристикам. Рассмотрены вопросы обеспечения энергоэффективности комбинированной системы воздушного и водяного отопления в общественных зданиях для умеренного континентального климата России — учебного (УК) и лабораторного (ЛК) корпусов Казанского государственного энергетического университета (КГЭУ). Отопительные приборы системы обогрева КГЭУ имеют в помещениях арматуру ручного регулирования или радиаторные клапаны с термостатирующими головками, но без комнатных контроллеров, что не соответствует энергоэффективным классам регулирования. Проведено опытное обследование функционирования системы обогрева корпусов КГЭУ в отопительные периоды 2019–2020 гг. и 2020–2021 гг. Методом оптической пирометрии выполнялись замеры температуры поверхностей окон, стен и элементов системы отопления, а также температуры и влажности воздуха в аудиториях и коридорах УК и ЛК КГЭУ. Установлено соответствие санитарно-гигиеническим требованиям параметров отопительных приборов и воздуха помещений различного назначения. При этом выявлена необходимость перехода на более высокий класс регулирования, так как при существующей ситуации параметры внутреннего воздуха зависят от наружной температуры: в аномально теплую зиму 2020 г. температура воздуха в помещениях находилась на границе максимально допустимого значения, а в нормальную по климатологии зиму 2021 г. — на границе минимально допустимого.

1. Zakia Afroz, GM Shafiullah, Tania Urmee, Gary Higgins. Modeling techniques used in building HVAC control systems: A review. Renewable and Sustainable Energy Reviews 2018. (83): 64 – 84. https://doi.org/10.1016/j.rser.2017.10.044

2. Nadine Aoun, Roland Bavière, Mathieu Vallée, Antoine Aurousseau, Guillaume Sandou. Modelling and flexible predictive control of buildings space-heating demand in district heating systems. In Energy. 2019; 188. https://doi.org/10.1016/j.energy.2019.116042

3. Тарасенко Ю. А. Энергоэффективное управление инженерными системами. Автоматизация и безопасность зданий. 2019; 70. https://assets.new.siemens.com/siemens/assets/api/uuid:55de0e88-bfcc-42de-b7e6-14356bd1d4a0/energyefficiecy-management-ofengineering-systems-brochure-ru.pdf

4. Шилин А. С. Математическая модель оптимизации систем обеспечения микроклимата общественных зданий. Низкотемпературные и пищевые технологии в XXI веке: IX Международная научнотехническая конференция. Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики 2019;: 273–278.

5. Захаров А. А., Захарова И. Г., Ромазанов А. Р. Моделирование теплового режима и управление теплоснабжением помещений умного здания. Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика 2018; 4(2): 105–119.

6. Бисмарк М. Использование прогноза погоды для оптимизации энергозатрат при оптимальных условиях комфорта. АВОК. 2018. http://www.sauter-bc.ru/rru/download/file_pdf/Meteomodul_Unidom.pdf

7. Бисмарк М. Предиктивное управление с использованием метеоданных-интеллектуальный инструмент управления климатизацией здания. АВОК 2020; (3): 52–57.

8. Germán Ramos Ruiz, Eva Lucas Segarra, Carlos Fernández Bandera. Model Predictive Control Optimization via Genetic Algorithm Using a Detailed Building Energy Model. Energies 2019, 12(1), 34; https://doi.org/10.3390/en12010034

9. Тарасенко Ю. А. Предиктивное управление отоплением. 2019. https://assets.new.siemens.com/siemens/assets/api/uuid:ce9eebd6-ad34-473d-925d-b93b3acc4c80/predictive-management-of-heatingarticle-ru.pdf

10. Martins Miezis, Dzintars Jaunzems, Nicholas Stancioff. Predictive Control of a Building Heating System. Energy Procedia 2017; (113): 501–508. https://doi.org/10.1016/j.egypro.2017.04.051

11. Abdul Afram, Farrokh Janabi-Sharifi, Alan S. Fung, Kaamran Raahemifar. Artificial neural network (ANN) based model predictive control (MPC) and optimization of HVAC systems: A state of the art review and case study of a residential HVAC system. Energy and Buildings 2017; (141): 96–113. https://doi.org/10.1016/j.enbuild.2017.02.012