CN106940068B - 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 - Google Patents

Abstract

本发明涉及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。本发明建立水蓄冷空调系统的能耗模型并作为目标函数，利用遗传算法和蚁群算法结合后收敛速度较快、精度较高的优点对其进行寻优，找到全局最优解并作为最优控制参数，确定节能优化控制策略。

Description

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

技术领域

本发明涉及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，属于空调优化控制的技术领域。

背景技术

随着我国经济的高速发展，第三产业发展迅速，公共建筑在新建建筑中占据很大的份额，其中，中央空调的应用极为广泛，中央空调的能耗占公共建筑总能耗的40％左右。许多城市的空调负荷可以达到当地电网尖峰负荷的50％。因此空调领域的节能研究已成为我国节能工作的十分重要的一环，空调节能研究对于能源节约意义重大。

当前，对空调系统中的各个控制变量进行寻优、使整个空调系统的运行能耗最低已经成为空调优化控制领域研究的热点。很多研究比较注重建立模型和参数辨识的方法研究，力求提高优化控制的稳定度和精确度，而在优化控制的研究中，优化算法也是一个很重要的方面。现有技术中，对于像水蓄冷空调系统这种多变量非线性优化问题，可以采用共轭梯度、SQP等方法进行求解，但上述方法的收敛速度都过于依赖于初始点的选取方式且不能排除信号干扰。因此，需要一种优化性能较好的优化算法来克服上述算法的不足，获得最优控制变量并确定空调系统的节能优化控制策略。

遗传算法是一种仿照生物界自然选择和遗传机制的随机搜索方法，它具有智能性高，并行性、随机性好及较好的快速寻优能力等优点，但是当反馈信息利用不够时，在求解到一定程度后往往会出现大量无为的冗余迭代，求解效率大大降低。

蚁群算法是一种仿照蚁群觅食的优化算法，该算法具有智能性高，通用性好，有较好的全局优化能力等优点，但是由于初始信息素匮乏，具有因搜素信息素的时间过长而导致求解速度较慢的缺点。

遗传蚁群算法充分利用了遗传算法和蚁群算法两种算法各自的优点，并同时克服两种算法的缺点；利用遗传算法生成初始信息素分布并通过蚁群算法对精确解进行搜索，能够同时提高算法的优化性能和时间性能。现有技术中，遗传蚁群算法被应用到医疗研究、智能机器人等领域；例如，中国专利CN101837165A公开的基于遗传蚁群融合模糊控制器的助行电刺激精密控制方法，该方法将模糊控制决策变量的选择转化为遗传与蚁群算法适用的组合优化问题，继而准确稳定实时地控制FES系统的电流模式。但现有技术中还没有将遗传蚁群算法应用到空调优化控制的技术领域的先例。

发明内容

针对现有技术的不足，本发明提供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。

发明概述：

本发明建立水蓄冷空调系统的能耗模型并作为目标函数，利用遗传算法和蚁群算法结合后收敛速度较快、精度较高的优点对其进行寻优，找到全局最优解并作为最优控制参数，确定节能优化控制策略。

本发明的技术方案为：

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，包括步骤如下：

1)建立水蓄冷空调系统的能耗模型P(x)及系统优化的目标函数如下：

min P(x)

s.t.T_1.min≤T₁≤T_1.max

T_2.min≤T₂≤T_2.max

M_1.min≤M₁≤M_1.max

M_2.min≤M₂≤M_2.max

M_A.min≤M_A≤M_A.max

其中，P(x)＝P(T₁,T₂,M₁,M₂,M_A)，T₁为冷却水供水温度,T₂为冷冻水供水温度，M₁为冷却水泵流量,M₂为冷冻水泵流量,M_A为冷却塔风机的空气流量；T_1.min、T_2.min、M_1.min、M₂._min及M_A.min分别表示五个控制参数所能取得的最小值，T_1.max、T_2max、M_1.max、M_2.max及M_A.max分别表示五个控制参数所能取得的最大值；确定节能优化控制策略的实质是求能耗值最小时的各控制参数值组合，以便在空调系统中实际设定参数值以达到节能的效果。水蓄冷空调系统的能耗模型及系统优化的目标函数根据水蓄冷空调系统各设备间的约束条件及各设备的能耗模型建立；

2)利用遗传算法对目标函数寻优，生成若干组优化解；

3)将适应度值较高的前L组染色体转换为蚁群算法的信息素强度的初始值；利用蚁群算法，获取水蓄冷空调系统能耗最小时对应的控制参数组合T₁,T₂,M₁,M₂,M_A；即最优控制参数组合，最终确定水蓄冷空调系统的节能优化控制策略。

根据本发明优选的，所述步骤2的具体过程为：

A1、定义五个样本空间，五个样本空间分别为样本空间1～5，五个样本空间内分别存储五个控制参数的样本点；五个样本空间内样本点的数量分别为N₁、N₂、N₃、N₄、N₅；每个样本空间内的样本点按以下规则生成：

将五个控制参数T₁、T₂、M₁、M₂、M_A的取值范围均分为N₁-1、N₂-1、N₃-1、N₄-1、N₅-1等份，将各控制参数取值范围的上下限及所有等分点处的数值作为样本点分别存储于样本空间1～5内；

A2、设定遗传算法的终止代数为T_max,初始化种群代数变量t＝1，交叉概率为P_c，变异概率为P_m；种群中的染色体采用实数编码方式，每条染色体以一个五维实数向量表示，所述五维实数向量包括五个实数，五个实数对应五个控制参数，代表染色体的五个基因值；在每个样本空间内随机选择一个样本点，形成一个五维向量作为种群的一个染色体，遗传算法的种群包括popsize个染色体，向量为第t代种群中的第q个染色体；当种群代数变量t＝1时，初始种群表示为：

其中，分别为控制参数T₁、T₂、M₁、M₂和M_A的样本点；

A3、计算种群中每个染色体的适应度值，第t代种群中第q个染色体的适应度值计算公式为适应度值最高的染色体即最优染色体；所述最优染色体即对目标函数寻优生成的优化解；

A4、按照一定概率选择剩余染色体的90％与最优染色体组成过渡种群mpop(t)；第q个染色体被选择的概率为P_q，所述剩余染色体是指最优染色体之外的染色体；在过渡种群mpop(t)中，对所述剩余染色体按照概率P_c进行交叉操作；设和分别为第t代种群中参与交叉操作的两个染色体，和交叉操作后得到两个新的染色体和公式为：

τ₁及τ₂均为在[-1,1]均匀分布的随机数,t＜T_max；

A5、交叉操作结束后，按概率P_m对染色体进行变异操作；染色体染色体经过变异后得到新的染色体染色体变异前的基因值为变异后新的基因值为 的计算公式如下：

其中，δ为一个在[0,1]范围内符合均匀概率分布的随机数，和分别表示基因值对应的第k个控制参数所能取得的最小值与最大值；

A6、经过变异操作后的染色体构成新的子代种群pop(t)；更新种群代数变量t＝t+1；更新popsize；

A7、如果种群代数变量t达到终止代数T_max，则输出适应度值较高的前L组最优染色体，否则转向步骤A3；

所述步骤3的具体过程为：

B1、设置蚂蚁数量为M，相邻路径间信息素强度的最大迭代次数为N_max，初始化迭代次数变量n＝1，所有路径上的初始信息素强度为0；

B2、将遗传算法得到的适应度值较高的前L组染色体转化为蚁群算法对应路径下相邻空间内两点之间信息素强度的初始值，设为第s组最优染色体转化得到的空间i内任意一点m与空间j内任意一点z之间的信息素强度，i∈[1,4]，j＝i+1，j∈[2,5]，s＝1,2,3…L；其中：

其中，Q为常数，P_s(X)为第s组最优染色体对应的目标函数值，s是不大于L的正整数；

B3、每只蚂蚁选择样本空间1内任意一点m作为起始点，每个样本点被蚂蚁选择的概率为P：

其中，N₁、N₂分别为样本空间1、样本空间2内样本点的数量，为进行第n次迭代时样本空间1内任意一点m与样本空间2内任意一点z之间的信息素强度；

B4、每只蚂蚁依次选择空间2、3、4、5内的任意一点，蚂蚁w由空间i内的任意点m转移到空间j内的任意点z的概率为：

其中，为点样本空间i内任意一点m与样本空间j内任意一点z之间的信息素强度，为样本空间i内任意一点m与样本空间j内每一点间信息素强度的累加和，N_j为空间j内样本点的总量；

B5、所有蚂蚁到达终点后，本次迭代结束，n＝n+1,如果n达到最大迭代次数N_max，算法结束，输出最优路径对应的最优控制参数组合，即最后一次迭代对应的最优控制参数组合T₁,T₂,M₁,M₂,M_A；否则转到步骤B6；蚂蚁到达终点是指蚂蚁选择了空间5内的任意一点；

B6、对各条路径上的信息素强度按照下述公式进行更新；

其中，ρ为信息素挥发系数，表示在本次行程中路径i_mj_z上的信息素增加量，表示第w只蚂蚁在本次行程中留在路径i_mj_z上的信息量，公式为：

其中P^w(X)表示第w只蚂蚁到达终点后的目标函数值，Q为常数；返回步骤B3，进行下一轮迭代。

本发明的有益效果为：

本发明所述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，利用水蓄冷空调各控制参数的约束条件生成遗传算法的初始解空间，基于遗传算法筛选出一定量的优化解，并作为蚁群算法对应路径的初始信息素强度，很好的解决了蚁群算法在初始阶段盲目搜索的问题，并发挥其后期搜索速度快的优点，很好的提高最优控制参数的搜索效率与搜索精度。

附图说明

图1为本发明所述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的流程图；

图2为蚁群在各样本空间之间的行进方式示意图；

图3为本发明中利用遗传算法和蚁群算法进行参数寻优的流程图。

具体实施方式

下面结合实施例和说明书附图对本发明做进一步说明，但不限于此。

实施例1

如图1-3所示。

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，包括步骤如下：

1)建立水蓄冷空调系统的能耗模型P(x)及系统优化的目标函数如下：

min P(x)

s.t.T_1.min≤T₁≤T_1.max

T_2.min≤T₂≤T_2.max

M_1.min≤M₁≤M_1.max

M_2.min≤M₂≤M_2.max

M_A.min≤M_A≤M_A.max

其中，P(x)＝P(T₁,T₂,M₁,M₂,M_A)，T₁为冷却水供水温度,T₂为冷冻水供水温度，M₁为冷却水泵流量,M₂为冷冻水泵流量,M_A为冷却塔风机的空气流量；T_1.min、T_2.min、M_1.min、M_2.min及M_A.min分别表示五个控制参数所能取得的最小值，T_1.max、T_2.max、M_1.max、M_2.max及M_A.max分别表示五个控制参数所能取得的最大值；确定节能优化控制策略的实质是求能耗值最小时的各控制参数值组合，以便在空调系统中实际设定参数值以达到节能的效果。水蓄冷空调系统的能耗模型及系统优化的目标函数根据水蓄冷空调系统各设备间的约束条件及各设备的能耗模型建立；

2)利用遗传算法对目标函数寻优，生成若干组优化解；

3)将适应度值较高的前L组染色体转换为蚁群算法的信息素强度的初始值；利用蚁群算法，获取水蓄冷空调系统能耗最小时对应的控制参数组合T₁,T₂,M₁,M₂,M_A；即最优控制参数组合，最终确定水蓄冷空调系统的节能优化控制策略。

实施例2

如实施例1所述的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，所不同的是，所述步骤2的具体过程为：

A1、定义五个样本空间，五个样本空间分别为样本空间1～5，五个样本空间内分别存储五个控制参数的样本点；五个样本空间内样本点的数量分别为N₁、N₂、N₃、N₄、N₅；每个样本空间内的样本点按以下规则生成：

将五个控制参数T₁、T₂、M₁、M₂、M_A的取值范围均分为N₁-1、N₂-1、N₃-1、N₄-1、N₅-1等份，将各控制参数取值范围的上下限及所有等分点处的数值作为样本点分别存储于样本空间1～5内；

A2、设定遗传算法的终止代数为T_max,初始化种群代数变量t＝1，交叉概率为P_c，变异概率为P_m；种群中的染色体采用实数编码方式，每条染色体以一个五维实数向量表示，所述五维实数向量包括五个实数，五个实数对应五个控制参数，代表染色体的五个基因值；在每个样本空间内随机选择一个样本点，形成一个五维向量作为种群的一个染色体，遗传算法的种群包括popsize个染色体，向量为第t代种群中的第q个染色体；当种群代数变量t＝1时，初始种群表示为：

其中，分别为控制参数T₁、T₂、M₁、M₂和M_A的样本点；

A3、计算种群中每个染色体的适应度值，第t代种群中第q个染色体的适应度值计算公式为适应度值最高的染色体即最优染色体；所述最优染色体即对目标函数寻优生成的优化解；

A4、按照一定概率选择剩余染色体的90％与最优染色体组成过渡种群mpop(t)；第q个染色体被选择的概率为P_q，所述剩余染色体是指最优染色体之外的染色体；在过渡种群mpop(t)中，对所述剩余染色体按照概率P_c进行交叉操作；设和分别为第t代种群中参与交叉操作的两个染色体，和交叉操作后得到两个新的染色体和公式为：

τ₁及τ₂均为在[-1,1]均匀分布的随机数,t＜T_max；

A5、交叉操作结束后，按概率P_m对染色体进行变异操作；染色体染色体经过变异后得到新的染色体染色体变异前的基因值为变异后新的基因值为 的计算公式如下：

其中，δ为一个在[0,1]范围内符合均匀概率分布的随机数，和分别表示基因值对应的第k个控制参数所能取得的最小值与最大值；

A6、经过变异操作后的染色体构成新的子代种群pop(t)；更新种群代数变量t＝t+1；更新popsize；

A7、如果种群代数变量t达到终止代数T_max，则输出适应度值较高的前L组最优染色体，否则转向步骤A3；

所述步骤3的具体过程为：

B1、设置蚂蚁数量为M，相邻路径间信息素强度的最大迭代次数为N_max，初始化迭代次数变量n＝1，所有路径上的初始信息素强度为0；

B2、将遗传算法得到的适应度值较高的前L组染色体转化为蚁群算法对应路径下相邻空间内两点之间信息素强度的初始值，设为第s组最优染色体转化得到的空间i内任意一点m与空间j内任意一点z之间的信息素强度，i∈[1,4]，j＝i+1，j∈[2,5]，s＝1,2,3…L；其中：

其中，Q为常数，P_s(X)为第s组最优染色体对应的目标函数值，s是不大于L的正整数；

B3、每只蚂蚁选择样本空间1内任意一点m作为起始点，每个样本点被蚂蚁选择的概率为P：

其中，N₁、N₂分别为样本空间1、样本空间2内样本点的数量，为进行第n次迭代时样本空间1内任意一点m与样本空间2内任意一点z之间的信息素强度；

B4、每只蚂蚁依次选择空间2、3、4、5内的任意一点，蚂蚁w由空间i内的任意点m转移到空间j内的任意点z的概率为：

其中，为点样本空间i内任意一点m与样本空间j内任意一点z之间的信息素强度，为样本空间i内任意一点m与样本空间j内每一点间信息素强度的累加和，N_j为空间j内样本点的总量；

B5、所有蚂蚁到达终点后，本次迭代结束，n＝n+1,如果n达到最大迭代次数N_max，算法结束，输出最优路径对应的最优控制参数组合，即最后一次迭代对应的最优控制参数组合T₁,T₂,M₁,M₂,M_A；否则转到步骤B6；蚂蚁到达终点是指蚂蚁选择了空间5内的任意一点；

B6、对各条路径上的信息素强度按照下述公式进行更新；

其中，ρ为信息素挥发系数，表示在本次行程中路径i_mj_z上的信息素增加量，表示第w只蚂蚁在本次行程中留在路径i_mj_z上的信息量，公式为：

其中P^w(X)表示第w只蚂蚁到达终点后的目标函数值，Q为常数；返回步骤B3，进行下一轮迭代。

Claims (1)

1.一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，其特征在于，包括步骤如下：

1)建立水蓄冷空调系统的能耗模型P(x)及系统优化的目标函数如下：

min P(x)

s.t.T_1.min≤T₁≤T_1.max

T_2.min≤T₂≤T_2.max

M_1.min≤M₁≤M_1.max

M_2.min≤M₂≤M_2.max

M_A.min≤M_A≤M_A.max

其中，P(x)＝P(T₁,T₂,M₁,M₂,M_A)，T₁为冷却水供水温度,T₂为冷冻水供水温度，M₁为冷却水泵流量,M₂为冷冻水泵流量,M_A为冷却塔风机的空气流量；T_1.min、T_2.min、M_1.min、M_2.min及M_A.min分别表示五个控制参数所能取得的最小值，T_1.max、T_2.max、M_1.max、M_2.max及M_A.max分别表示五个控制参数所能取得的最大值；

2)利用遗传算法对目标函数寻优，生成若干组优化解；

3)将适应度值较高的前L组染色体转换为蚁群算法的信息素强度的初始值；利用蚁群算法，获取水蓄冷空调系统能耗最小时对应的控制参数组合T₁,T₂,M₁,M₂,M_A；即最优控制参数组合，最终确定水蓄冷空调系统的节能优化控制策略；

其中，所述步骤2的具体过程为：

A1、定义五个样本空间，五个样本空间分别为样本空间1～5，五个样本空间内分别存储五个控制参数的样本点；五个样本空间内样本点的数量分别为N₁、N₂、N₃、N₄、N₅；每个样本空间内的样本点按以下规则生成：

将五个控制参数T₁、T₂、M₁、M₂、M_A的取值范围均分为N₁-1、N₂-1、N₃-1、N₄-1、N₅-1等份，将各控制参数取值范围的上下限及所有等分点处的数值作为样本点分别存储于样本空间1～5内；

A2、设定遗传算法的终止代数为T_max,初始化种群代数变量t＝1，交叉概率为P_c，变异概率为P_m；种群中的染色体采用实数编码方式，每条染色体以一个五维实数向量表示，所述五维实数向量包括五个实数，五个实数对应五个控制参数，代表染色体的五个基因值；在每个样本空间内随机选择一个样本点，形成一个五维向量作为种群的一个染色体，遗传算法的种群包括popsize个染色体，向量为第t代种群中的第q个染色体；当种群代数变量t＝1时，初始种群表示为：

其中，分别为控制参数T₁、T₂、M₁、M₂和M_A的样本点；

A3、计算种群中每个染色体的适应度值，第t代种群中第q个染色体的适应度值计算公式为适应度值最高的染色体即最优染色体；所述最优染色体即对目标函数寻优生成的优化解；

A4、按照一定概率选择剩余染色体的90％与最优染色体组成过渡种群mpop(t)；第q个染色体被选择的概率为P_q，所述剩余染色体是指最优染色体之外的染色体；在过渡种群mpop(t)中，对所述剩余染色体按照概率P_c进行交叉操作；设和分别为第t代种群中参与交叉操作的两个染色体，和交叉操作后得到两个新的染色体和公式为：

τ₁及τ₂均为在[-1,1]均匀分布的随机数,t＜T_max；

A5、交叉操作结束后，按概率P_m对染色体进行变异操作；染色体染色体经过变异后得到新的染色体染色体变异前的基因值为变异后新的基因值为 的计算公式如下：

其中，δ为一个在[0,1]范围内符合均匀概率分布的随机数，和分别表示基因值对应的第k个控制参数所能取得的最小值与最大值；

A6、经过变异操作后的染色体构成新的子代种群pop(t)；更新种群代数变量t＝t+1；更新popsize；

A7、如果种群代数变量t达到终止代数T_max，则输出适应度值较高的前L组最优染色体，否则转向步骤A3；

所述步骤3的具体过程为：

B1、设置蚂蚁数量为M，相邻路径间信息素强度的最大迭代次数为N_max，初始化迭代次数变量n＝1，所有路径上的初始信息素强度为0；

B2、将遗传算法得到的适应度值较高的前L组染色体转化为蚁群算法对应路径下相邻空间内两点之间信息素强度的初始值，设为第s组最优染色体转化得到的空间i内任意一点m与空间j内任意一点z之间的信息素强度，i∈[1,4]，j＝i+1，j∈[2,5]，s＝1,2,3…L；其中：

其中，Q为常数，P_s(X)为第s组最优染色体对应的目标函数值，s是不大于L的正整数；

B3、每只蚂蚁选择样本空间1内任意一点m作为起始点，每个样本点被蚂蚁选择的概率为P：

其中，N₁、N₂分别为样本空间1、样本空间2内样本点的数量，为进行第n次迭代时样本空间1内任意一点m与样本空间2内任意一点z之间的信息素强度；

B4、每只蚂蚁依次选择空间2、3、4、5内的任意一点，蚂蚁w由空间i内的任意点m转移到空间j内的任意点z的概率为：

其中，为点样本空间i内任意一点m与样本空间j内任意一点z之间的信息素强度，为样本空间i内任意一点m与样本空间j内每一点间信息素强度的累加和，N_j为空间j内样本点的总量；

B5、所有蚂蚁到达终点后，本次迭代结束，n＝n+1,如果n达到最大迭代次数N_max，算法结束，输出最优路径对应的最优控制参数组合，即最后一次迭代对应的最优控制参数组合T₁,T₂,M₁,M₂,M_A；否则转到步骤B6；

B6、对各条路径上的信息素强度按照下述公式进行更新；

其中，ρ为信息素挥发系数，表示在本次行程中路径i_mj_z上的信息素增加量，表示第w只蚂蚁在本次行程中留在路径i_mj_z上的信息量，公式为：

其中P^w(X)表示第w只蚂蚁到达终点后的目标函数值，Q为常数；返回步骤B3，进行下一轮迭代。