2. 货物入库热负荷动态估算

入库热负荷的逐时构成

入库热负荷不是一次性常数，而是随“货物温度下降”和“入库批次推进”变化的动态量。对冷库机组启动策略真正有影响的是逐时曲线，而不是日平均负荷。本例把入库热负荷拆成两部分分别计算：

• 显热负荷：货物从初始温度降到库温释放的热量，与货物比热、温差、入库速率成正比，随时间衰减。
• 呼吸热负荷：果蔬等活体货物在降温过程中持续放热，呼吸热随品温下降而减小，但不会归零。

逐时入库热负荷 = 该小时入库量 ×（单位质量显热释放速率 + 单位质量呼吸热）。显热释放速率取决于货物当前品温与库温之差，因此需要按小时追踪品温。

教学示例参数与计算模型

设定一个果蔬冷藏间：库温 0 ℃，入库苹果初始品温 25 ℃，入库速率 2000 kg/h，连续入库 6 h，共 12000 kg。苹果比热取 3.6 kJ/(kg·K)，呼吸热按品温线性近似：q_res = 0.02 × (T + 5) kW/t（T 为品温，℃），该式为教学简化模型，仅用于演示曲线形态。

采用集总参数降温模型，货物在冷间内按指数趋近库温：

T(t+1) = T_room + (T(t) - T_room) × exp(-k)
k = 0.35  # 每小时降温系数，教学取值

每小时显热释放量 = 该小时在库货物质量 × 比热 ×（品温降幅）。呼吸热 = 在库质量(t) × q_res(T)。下面用 Python 逐时计算并输出峰值时段。

import math

T_room = 0.0
T0 = 25.0
rate = 2000.0          # kg/h
hours_in = 6
cp = 3.6               # kJ/(kg·K)
k = 0.35

stock = 0.0
T = T0
rows = []
for h in range(1, 13):
    if h <= hours_in:
        stock += rate
    T_next = T_room + (T - T_room) * math.exp(-k)
    dT = T - T_next
    q_sensible = stock * cp * dT / 3600.0        # kW
    q_res = stock / 1000.0 * 0.02 * (T + 5)      # kW
    q_total = q_sensible + q_res
    rows.append((h, stock, T, q_sensible, q_res, q_total))
    T = T_next

peak = max(rows, key=lambda r: r[5])
for r in rows:
    print(f"h={r[0]:2d} 库存={r[1]:6.0f}kg 品温={r[2]:5.2f}C "
          f"显热={r[3]:7.1f}kW 呼吸={r[4]:6.1f}kW 合计={r[5]:7.1f}kW")
print(f"峰值时段: 第{peak[0]}小时, {peak[5]:.1f} kW")

按上述参数运行，曲线形态为：入库前 3 小时显热快速上升并达到峰值，第 4 小时后随品温下降而回落；呼吸热在入库期间持续累积，入库结束后随品温下降缓慢衰减。峰值出现在入库中段而非入库结束时刻，这是制定机组启动策略的关键依据。

峰值识别与机组启动策略

从曲线可读出三个判断点：

1. 峰值时刻：合计负荷在第 3 小时附近达到约 51 kW，此时在库量约 6000 kg、品温仍较高，显热与呼吸热叠加。
2. 峰值持续时间：第 2～4 小时为高负荷窗口，机组若等到库温上升再启动，会在这段时间出现温控滞后。
3. 入库结束后的余负荷：第 6 小时后显热快速衰减，但呼吸热仍维持约 10 kW 量级，机组不能立即停机。

据此可给出启动策略：在首批货物入库前 1 h 预启制冷机组，使库温先降至设定值以下形成冷量储备；峰值窗口内保持满负荷运行；入库结束后按呼吸热余量降载运行，待品温接近库温再转常规温控。