CN104698853A - 冷却塔参数设定方法 - Google Patents

冷却塔参数设定方法 Download PDF

Info

Publication number
CN104698853A
CN104698853A CN201510115907.7A CN201510115907A CN104698853A CN 104698853 A CN104698853 A CN 104698853A CN 201510115907 A CN201510115907 A CN 201510115907A CN 104698853 A CN104698853 A CN 104698853A
Authority
CN
China
Prior art keywords
cooling tower
setting method
parameter setting
function
water temperature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201510115907.7A
Other languages
English (en)
Inventor
张育仁
张研
帕提曼热扎克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhu Kai Bo Industry Co Ltd
Original Assignee
Wuhu Kai Bo Industry Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhu Kai Bo Industry Co Ltd filed Critical Wuhu Kai Bo Industry Co Ltd
Priority to CN201510115907.7A priority Critical patent/CN104698853A/zh
Publication of CN104698853A publication Critical patent/CN104698853A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明涉及一种冷却塔参数设定方法,本发明方法包括如下步骤：步骤一：设定冷却塔的出水温度范围，并根据出水温度范围构造实际出水温度的误差函数和目标函数；步骤二：使用遗传算法对参数进行编码，染色体上的基因值即为冷却塔参数，定义参数差异度函数，作为初始种群的选取标准；步骤三：将目标函数进行转换，生成适应度函数；步骤四：根据适应度进行遗传操作生成新的子代，将子代代入BP神经网络，计算预测的输出值；步骤五：判断是否满足终止条件，如果满足，则输出冷却塔参数；不满足，将这一代种群最优部分保存，进入下一代遗传变换，返回步骤四。本发明结合神经网络和遗传算法进冷却塔的参数进行设定，是冷却塔的出水温度在一定的范围内，具有较好的冷却效果。

Description

冷却塔参数设定方法
技术领域
本发明属于冷却塔技术领域，具体涉及一种冷却塔参数设定方法。
背景技术
冷却塔是应用非常普遍的水资源循环利用设备，其主要功能是将含有废热的冷却水与空气在塔内进行热交换，使水温降至要求的温度，以便进行再次循环。目前，为冷却塔供水的水泵以及冷却塔的风机均由电动机驱动。
在冷却塔的工作过程中，通常通过控制冷却塔风机的转速、进风量、空气晗值等特征值来达到水的降温标准，对于不同的进水温度，需要设定不同的风机转速、进风量。但是现有技术中，风机的转速和进风量都是基本不变的，不能很好的根据进水焓值做出改变。
发明内容
为了克服现有技术的不足，本发明提供一种冷却塔参数设定方法，根据遗传算法和神经网络生成最优参数。
本发明的技术方案是：一种冷却塔参数设定方法，包括如下步骤：步骤一：设定冷却塔的出水温度范围，并根据出水温度范围构造实际出水温度的误差函数和目标函数；步骤二：使用遗传算法对参数进行编码，染色体上的基因值即为冷却塔参数，定义参数差异度函数，作为初始种群的选取标准；步骤三：将目标函数进行转换，生成适应度函数；步骤四：根据适应度进行遗传操作生成新的子代，将子代代入BP神经网络，计算预测的输出值；步骤五：判断是否满足终止条件，如果满足，则输出冷却塔参数；不满足，将这一代种群最优部分保存，进入下一代遗传变换，返回步骤四。所述冷却塔参数为：风机转速、冷却塔进风量和进水和焓值。所述步骤二中，遗传算法编码方式为实数编码方式。所述步骤四中遗传操作生成新的子代采用算术交叉和非均匀变异方式。所述步骤一中误差函数为：
 ，其中，a为设定冷却塔出水温度下限，b为冷却塔出水温度上限，K为比例常数。所述步骤四后还包括步骤：判断子代数值是否陷入局部最小，如果是，则执行重启机制生成新的父代，否则执行步骤五。
本发明有如下积极效果： 本发明结合神经网络和遗传算法进冷却塔的参数进行设定，是冷却塔的出水温度在一定的范围内，具有较好的冷却效果。
附图说明
图1 为本发明具体实施方式方法流程图。
具体实施方式
下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
在冷却塔的工作过程中，通常通过控制冷却塔风机的转速、进风量、空气晗值等特征值来达到水的降温标准，对于不同的进水温度，需要设定不同的风机转速、进风量。神经网络在建立风机的转速和出水温度非线性映射关系中有良好成效，遗传算法提供求复杂系统优化问题的通用框架，由于其较强的鲁棒性而广泛应用于函数优化、自动控制及机器学习等各个领域。
在冷却塔工作过程中，冷却塔的出水温度应保持在一个范围内，设定冷却塔的出水温度范围为[a,b]，a和b分别为冷却塔出水温度的下限和上限，当冷却塔出水温度落在给定区间内时，认为冷却塔处于合适的工作状态，对于特征值实际的出水温度y,构造误差函数L（y）:
 （1）
式中：比例常数K取1。将误差函数作为优化目标函数：
minZ=L（y）  （2）
1.遗传操作方案初始化设置
在冷却塔降温过程中，由于所设置的参数较多，并对于精度要求较高，传统的二进制编码不能直观反映出所求问题的特点，本发明采用实数编码方式进行编码。实数编码比二进制编码具有更高的精度，且便于大空间搜索。编码后的一个解被称为染色体，染色体上的 3个基因值依次为风机的转速、进风量和冷却塔的进水焓值，其中风机的转速和进风量为可控参数，进水焓值为不可控参数。定义式(3)为参数差异度，将其作为初始种群选取标准，即在历史数据中，将差异度最小的部分样本作为初始种群：
E=    （3）
式中: xj为第 j 个训练样本的水的焓值；  为a温度下水的焓值; K1为比例系数。
适应度函数是度量个体适应性的函数，用于度量群体中各个个体的优良程度。它是种群中确定个体的搜索依据。遗传操作通常为取最大值过程，因此将目标函数进行适当转换，作为适应度函数，即将式( 2) 作如下变换得到适应度函数为
（4）
2. 遗传算子
在遗传算法中，遗传操作算子是决定遗传算法的核心。对于实数编码遗传算法，采用适合的操作算法是保证操作有效性的关键。本发明以算术交叉和非均匀变异方式进行遗传操作。对于染色体的选择，同时基于排序和最佳保存策略，采用 Boltzmann选择法，得到良好的结果。算术交叉比单点交叉更增加种群的多样性，同时降低了多点交叉容易破坏染色体的可能性。x1，x2为父代种群中随机选择的两个个体的某个基因位，相应子代个体的基因值为
（5）
式中: r 是［0，1］之间的常数。本文取 r =0. 3。非均匀变异算子随着进化代数，动态地由全空间变异逐步转为局部微调，提高了搜索精度。设变异点 xi处的基因取值范围为  ，则新的基因  由下式确定
（6）
式中: Δ( t，y) 中( y 表示  和  ) 表示［0，y］范围内符合非均匀分布的一个随机数，随着进化代数 t 的增加，Δ( t，y) 接近 0 的概率逐渐增加。本文取为
   （7）
式中: r 为［0，1］范围内的符合均匀分布的随机数;T 为最大进化代数; t 为已经进化的代数; m 为一个系统参数。其中，  的取值范围与冷却塔出水温度的上下限一致。选择操作是推动进化的直接动力。轮盘赌选择是一种按适应度大小随机选择优良个体的方法。设群体规模为 N，当各染色体的适应度值为 f( xi) 时，第 i 个染色体被选中的概率为
（8）
依照 N 次轮赌选择，就得到规模为 N( N = 35)的种群。由轮盘赌选择后的种群经过多代进化后，种群个体趋于一致，因此采用 Boltzmann 选择机制计算其个体被选择的概率为：
（9）
随着迭代的进行，选择压力将随之升高。遗传操作使种群中的个体逐渐趋于一致，容易发生早熟而陷入局部最优解，根据最优保存策略，将每一代种群中最优部分保存，直接进入下一代进行遗传变换。本发明假设当前全局最优解累计δ( δ =10) 代未获得提高时，种群发生早熟。当发生早熟，将 20%最好的个体直接复制到下一代，30%个体采用随机法重新生成，其余个体以0. 8 ～1 的较大概率发生变异，以此增加种群多样性并保证优良个体存在，算法流程如图1所示。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (6)

1.一种冷却塔参数设定方法，其特征在于：包括如下步骤：
步骤一：设定冷却塔的出水温度范围，并根据出水温度范围构造实际出水温度的误差函数和目标函数；
步骤二：使用遗传算法对参数进行编码，染色体上的基因值即为冷却塔参数，定义参数差异度函数，作为初始种群的选取标准；
步骤三：将目标函数进行转换，生成适应度函数；
步骤四：根据适应度进行遗传操作生成新的子代，将子代代入BP神经网络，计算预测的输出值；
步骤五：判断是否满足终止条件，如果满足，则输出冷却塔参数；不满足，将这一代种群最优部分保存，进入下一代遗传变换，返回步骤四。
2.根据权利要求1所述的冷却塔参数设定方法，其特征在于：所述冷却塔参数为：风机转速、冷却塔进风量和进水和焓值。
3.根据权利要求1所述的冷却塔参数设定方法，其特征在于：所述步骤二中，遗传算法编码方式为实数编码方式。
4.根据权利要求1所述的冷却塔参数设定方法，其特征在于：所述步骤四中遗传操作生成新的子代采用算术交叉和非均匀变异方式。
5.根据权利要求1所述的冷却塔参数设定方法，其特征在于：所述步骤一中误差函数为：
 ，其中，a为设定冷却塔出水温度下限，b为冷却塔出水温度上限，K为比例常数。
6.根据权利要求1所述的冷却塔参数设定方法，其特征在于：所述步骤四后还包括步骤：判断子代数值是否陷入局部最小，如果是，则执行重启机制生成新的父代，否则执行步骤五。
CN201510115907.7A 2015-03-17 2015-03-17 冷却塔参数设定方法 Pending CN104698853A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510115907.7A CN104698853A (zh) 2015-03-17 2015-03-17 冷却塔参数设定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510115907.7A CN104698853A (zh) 2015-03-17 2015-03-17 冷却塔参数设定方法

Publications (1)

Publication Number Publication Date
CN104698853A true CN104698853A (zh) 2015-06-10

Family

ID=53346097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510115907.7A Pending CN104698853A (zh) 2015-03-17 2015-03-17 冷却塔参数设定方法

Country Status (1)

Country Link
CN (1) CN104698853A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423295A (zh) * 2022-08-30 2022-12-02 青岛艾德森物联科技有限公司 一种空调水系统的双平衡状态监测的评估方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006183959A (ja) * 2004-12-28 2006-07-13 Kawasaki Thermal Engineering Co Ltd 吸収式冷温水機における冷却水温度制御方法及び吸収式冷温水機
CN201129823Y (zh) * 2007-11-21 2008-10-08 厦门立思科技有限公司 基于人工神经网络技术的中央空调节能控制装置
CN102721156A (zh) * 2012-06-30 2012-10-10 李钢 中央空调自寻优智能模糊控制装置及其控制方法
CN103322647A (zh) * 2013-06-13 2013-09-25 浙江工业大学 一种中央空调的冷却水供水温度预测控制方法
CN104133372A (zh) * 2014-07-09 2014-11-05 河海大学常州校区 基于模糊神经网络的室温控制算法
CN104374052A (zh) * 2014-11-18 2015-02-25 柳州市金旭节能科技有限公司 基于神经网络的中央空调节能控制方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006183959A (ja) * 2004-12-28 2006-07-13 Kawasaki Thermal Engineering Co Ltd 吸収式冷温水機における冷却水温度制御方法及び吸収式冷温水機
CN201129823Y (zh) * 2007-11-21 2008-10-08 厦门立思科技有限公司 基于人工神经网络技术的中央空调节能控制装置
CN102721156A (zh) * 2012-06-30 2012-10-10 李钢 中央空调自寻优智能模糊控制装置及其控制方法
CN103322647A (zh) * 2013-06-13 2013-09-25 浙江工业大学 一种中央空调的冷却水供水温度预测控制方法
CN104133372A (zh) * 2014-07-09 2014-11-05 河海大学常州校区 基于模糊神经网络的室温控制算法
CN104374052A (zh) * 2014-11-18 2015-02-25 柳州市金旭节能科技有限公司 基于神经网络的中央空调节能控制方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李敏远等: "基于遗传算法学习的复合神经网络自适应温度控制系统", 《控制理论与应用》 *
赵恒鑫等: "基于RBF神经网络辨识的单神经元控制器在冷却水处理系统中的应用", 《现代建筑电气》 *
马占有: "基于遗传算法的模糊神经网络控制器在烘干炉温度控制系统中的设计与仿真", 《制造业自动化》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423295A (zh) * 2022-08-30 2022-12-02 青岛艾德森物联科技有限公司 一种空调水系统的双平衡状态监测的评估方法及系统
CN115423295B (zh) * 2022-08-30 2023-12-05 青岛艾德森物联科技有限公司 一种空调水系统的双平衡状态监测的评估方法及系统

Similar Documents

Publication Publication Date Title
US20240160936A1 (en) Creating equipment control sequences from constraint data
Jung et al. Prediction of building energy consumption using an improved real coded genetic algorithm based least squares support vector machine approach
CN109932903A (zh) 多父代优化网络和遗传算法的风机控制多目标优化方法
CN111881505B (zh) 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法
CN109084415A (zh) 基于神经网络和遗传算法的中央空调运行参数寻优方法
CN111722540A (zh) 一种能源互联网数字孪生仿真系统及方法
CN102331966A (zh) 面向路径的软件测试数据进化生成系统
Moradzadeh et al. A secure federated deep learning-based approach for heating load demand forecasting in building environment
CN112907150B (zh) 一种基于遗传算法的生产排程方法
CN108563877B (zh) 太阳能溴化锂制冷机组的整体建模与最优控制一体化方法
CN112413762B (zh) 一种制冷机房冷却水系统参数优化方法和系统
CN106940068A (zh) 一种基于遗传蚁群算法的水蓄冷空调系统节能优化控制策略的确定方法
CN111126707B (zh) 能耗方程构建、能耗预测方法与装置
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
CN114909706B (zh) 一种基于强化学习算法和压差控制的二级网平衡调控方法
CN106292296B (zh) 基于ga‑svm的水岛加药在线控制方法和装置
CN112560345B (zh) 一种地下电力空间通风系统设计方法
CN109408861A (zh) 一种管道泵进口弯管多目标智能优化方法
CN104698853A (zh) 冷却塔参数设定方法
Wu et al. Intelligent design model of urban landscape space based on optimized BP neural network
CN116717839A (zh) 供热控制方法、控制装置和供热系统
Xie et al. A novel conformable fractional nonlinear grey Bernoulli model and its application
CN116360266A (zh) 一种基于多目标优化算法的猪舍温度节能控制方法
CN110033118A (zh) 弹性网络建模且基于遗传算法的风机多目标优化控制方法
CN113935556B (zh) 一种基于dna遗传算法的温度传感器优化布置方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150610

WD01 Invention patent application deemed withdrawn after publication