CN108303898A - 新型太阳能-空气能耦合冷热联供系统的智能调度方法 - Google Patents

新型太阳能-空气能耦合冷热联供系统的智能调度方法 Download PDF

Info

Publication number
CN108303898A
CN108303898A CN201810185490.5A CN201810185490A CN108303898A CN 108303898 A CN108303898 A CN 108303898A CN 201810185490 A CN201810185490 A CN 201810185490A CN 108303898 A CN108303898 A CN 108303898A
Authority
CN
China
Prior art keywords
output
data
value
individual
model
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.)
Granted
Application number
CN201810185490.5A
Other languages
English (en)
Other versions
CN108303898B (zh
Inventor
黄永伟
邓学鹏
吴仁平
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.)
JIANGSU HUAYANG SOLAR ENERGY CO Ltd
Original Assignee
JIANGSU HUAYANG SOLAR ENERGY 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 JIANGSU HUAYANG SOLAR ENERGY CO Ltd filed Critical JIANGSU HUAYANG SOLAR ENERGY CO Ltd
Priority to CN201810185490.5A priority Critical patent/CN108303898B/zh
Publication of CN108303898A publication Critical patent/CN108303898A/zh
Application granted granted Critical
Publication of CN108303898B publication Critical patent/CN108303898B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24HEATING; RANGES; VENTILATING
    • F24DDOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00Details
    • F24D19/10Arrangement or mounting of control or safety devices
    • F24D19/1006Arrangement or mounting of control or safety devices for water heating systems
    • F24D19/1066Arrangement or mounting of control or safety devices for water heating systems for the combination of central heating and domestic hot water
    • F24D19/1078Arrangement or mounting of control or safety devices for water heating systems for the combination of central heating and domestic hot water the system uses a heat pump and solar energy
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24HEATING; RANGES; VENTILATING
    • F24DDOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D2200/00Heat sources or energy sources
    • F24D2200/12Heat pump
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24HEATING; RANGES; VENTILATING
    • F24DDOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D2200/00Heat sources or energy sources
    • F24D2200/14Solar energy
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02BCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00Integration of renewable energy sources in buildings
    • Y02B10/20Solar thermal
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02BCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00Integration of renewable energy sources in buildings
    • Y02B10/70Hybrid systems, e.g. uninterruptible or back-up power supplies integrating renewable energies

Abstract

本发明涉及新型太阳能‑空气能耦合冷热联供系统的智能调度方法。本发明基于用户运行数据,建立能量平衡数学模型进行高速寻优,自动控制太阳能和空气能耦合匹配,保证最大化利用太阳能资源,实现了全天候用能需求;本算法应用于高效太阳能‑空气能耦合智能冷热联供系统,使得系统不但提供充足的生活热水,而且解决了客户夏天制冷及冬季采暖的需求,提高设备的利用率,减少了重复投资,夏天制冷、冬季采暖系统运行平稳、可靠,夏季室内温度恒温在24‑26℃,冬季室内温度恒定在18‑20℃,完全达到了设计要求。

Description

新型太阳能-空气能耦合冷热联供系统的智能调度方法
技术领域
[0001] 本发明属于涉及新型太阳能-空气能耦合冷热联供系统的智能调度方法,具体涉 及一种基于在线自学习神经网络模型建立、模糊推理的神经网络线性化模型抽取以及混合 变量遗传优化算法的多能源多目标智能调度及优化算法,主要用于太阳能-空气能耦合智 能冷热联供系统。
背景技术
[0002] 目前,热水供应设备主要有锅炉、燃气容积式热水器、电热水器、太能热水器和空 气能热水器。它们既有自己的优点又有自己的缺点:锅炉,前期投入大和维护费用较高,且 安装和维护都有相当严格的要求;普通燃气容积式热水器,单台的容积较小,一般只适合普 通家庭使用,对于中小型商业项目的大水量需求则需要多台相结合使用,这样势必增加前 期投入,同时燃气容积式热水器效率较低进而造成使用费用较高;电热水器,加热时间较 长,使用费用高;太阳能热水器,使用成本低廉,但初期投入成本高,而且容易受到气候影 响,热源单一,可靠性较差,不能全天候使用;空气能热水器,热效率高达300%以上,但其相 对太阳能热水器又不能直接利用太阳能,使用成本相对较高。
发明内容
[0003] 本发明要解决的技术问题在于克服现有技术的不足,提供一种用于太阳能-空气 能耦合智能冷热联供系统的多能源多目标智能调度及优化算法,模型可根据用户用能习惯 自主学习,将学习结果输至人工神经网络联想存储,进行Fuzzy推理决断,用户用冷或用热 时,利用该数学模型高速寻优,自动控制太阳能和空气能能量耦合匹配,实现系统自主优化 运行;同时,根据冷热用能温度设定、冷热量、峰谷电价、日夜高效运行判断等多个目标约束 条件进行优化,以保证高效、经济运行。
[0004] 本专利解决上述技术问题的技术方案如下:新型太阳能-空气能耦合冷热联供系 统的智能调度方法,包括在线自学习神经网络模型的建立、基于模糊推理的神经网络线性 化模型的抽取以及基于混合变量遗传优化算法的控制量计算。
[0005] 所述在线自学习神经网络模型的建立过程采用神经网络模型混联辨识结构,为三 层的多层感知器模型,包含一层输入层、一层隐含层与一层输出层,U⑹为耦合智能冷热联 供系统中可控制可调节的开关量与模拟量,Y⑹为输出量,如:系统能耗量、系统输出冷量、 系统输出热量以及系统输出热水量等,将神经网络模型训练数据的输入量U 00经过步进式 暂时数据存储器后生成的输入部分表示为
Figure CN108303898AD00051
输出量Y (k)经过步进式暂时数据存储器后 生成的输出部分表不为
Figure CN108303898AD00052
[0006] f是隐含层的激活函数,具体结构为双曲正切函数表达式如下:
[0007]
Figure CN108303898AD00053
[0008] 其中j表示隐含层第j个神经元,5的计算公式为:
[0009]
Figure CN108303898AD00061
[0010] 其中Wi,j与Wi,j分别为隐含层与输出层的连接权值,Wj,Q与Wi,Q分别是隐含层与输出 层的偏置值;
[0011] F是输出层的激活函数,采用常规线性结构:
[0012] 偏置值可以表示为输入为1的权系数,将连接权值与偏置值组成联合权值向量Θ, 最后得出神经网络模型的模型预测估计值
Figure CN108303898AD00062
[0013]
Figure CN108303898AD00063
[0014] 网络训练算法基本内容为在时刻k,通过给出的训练数据的输入量以及输出量通 过自适应辨识训练算法计算输出估计值
Figure CN108303898AD00064
:在k+Ι时刻,可得出神经网络联合权值参数,将 其用于计算输出估计值,反复调整神经网络联合权值参数直到获得参数的估计值满足精度 为止;具体参数估计算法基于丢弃旧数据信息的自适应机制,采用指数遗忘因子与重置算 法的更新规则在每一个采样时刻产生新数据集并形成新数据对,通过高斯-牛顿算法的迭 代递归形式计算得出。
[0015] 所述基于模糊推理的神经网络线性化模型的抽取过程如下:首先基于模糊聚类方 法T-S模糊模型前件参数的建立,模糊聚类的实现步骤如下:
[0016] 1)给出初始划分聚类数c = 2,初始隶属度矩阵山,初始步数m=l;
[0017] 2)计算第i个模糊类的中心值C1
[0018]
Figure CN108303898AD00065
[0019]其中,yik为隶属度矩阵U的第i行第k列,Xk为第k个模型输入量,N为采集的历史数 据总个数。
[0020] 定义第k个数据与第i个模糊类的距离dlk为:
[0021]
Figure CN108303898AD00066
[0022] 3)m=m+l,计算新的隶属度矩阵Um+1,新的隶属度矩阵更新公式如下:
[0023] 若 dik>〇 贝1J
Figure CN108303898AD00067
[0024] 若 dik = 〇则
Figure CN108303898AD00068
[0025] 4)给定目标ε:
[0026] 如果I |Um+1-Um||<e,则(^为聚类中心值点,否则增加模糊类数,返回2);
[0027] 其次基于最小二乘法T-S模糊模型后件参数的辨识,将神经网络模型激励数据进 行整理,构造模型输入数据矩阵Φ,模型输出数据向量Y,则T-S模糊模型后件参数Q1可由以 下表达式计算得出:
[0028]
Figure CN108303898AD00069
[0029] 其中,输入数据矩阵Φ的构造方法为:
[0030] Φ第K行为
Figure CN108303898AD000610
[0031] 其中,μ11{为对应第k个输入量与第一个聚类中心点的隶属度值,μη1ί为对应第k个输 入量与第n个聚类中心点的隶属度值,Xlk表示第一个输入量的第k次历史数据采样值,Xmk表 示第m个输入量的第k次历史数据采样值。
[0032] Y是单个输出不同时刻模型预测估计值的向量,其构造方法为:
[0033] Y= [yi,y2, · · ·,yN]T (10)
[0034] 其中,yi为第i次采集的输出数据;
[0035] 最后通过基于得出的后件参数可以得出不同聚类条件下的线性预测模型为:
[0036]
Figure CN108303898AD00071
[0037] 其中,免为基于模糊线性模型对单个输出值的预测估计值,Φ /为当前采样时刻的 输入数据向量,结构形式同Φ k。
[0038] 所述基于混合变量遗传优化算法的控制量计算流程如下:
[0039] 随机产生L个初始串结构数据,L 一般取40-1000内的整数,每个串结构数据为一个 个体,L个个体构成一个种群。遗传算法以这L个串结构作为初始点开始迭代,对于单个串结 构数据的编码操作包含开关量与模拟量的编码,开关量只有1和〇两种取值,1代表输入阀门 开,0表示阀门关闭,对于模拟量则进行二进制编码。
[0040] 遗传算法中使用适应度来度量群体中各个个体在优化计算中优化解的优良程度, 适应度高的个体遗传到下一代的概率相对较大。这里,选取多个目标误差平方和的倒数作 为适应度函数f (X),其表达式为:
[0041]
Figure CN108303898AD00072
[0042] 其中,系统多目标需求值向量为R(k),单个目标值表示为ri,R⑹包括:系统输出 冷量需求、系统输出热量需求、系统输出热水量需求以及温度设定等。
[0043] 选择操作选用比例选择算子,即个体被选中并遗传到下一代种群中的概率与该个 体的适应度大小成正比,具体操作过程如下:
[0044] 3)计算种群中所有个体的适应度之和E,其表达式为:
[0045]
Figure CN108303898AD00073
[0046] 4)计算种群中各个个体的相对适应度,并以此作为该个体被选中并遗传到下一代 种群的概率Pk,其表达式为:
[0047]
Figure CN108303898AD00074
[0048] 3)采用模拟轮盘赌操作,产生(0,1)之间的随机数,来确定各个个体被选中的次 数,适应度大的个体,其选择概率较大。
[0049] 交叉操作采用最简单的单点交叉算子,具体交叉过程如下:
[0050] (1)、先对种群中的个体进行两两配对。
[0051] (2)、对每一对配对个体,随机选择某一基因座之后的位置作为交叉点。
[0052] (3)、对每一对配对个体,根据(2)中所确定的交叉点位置,相互交换两个个体的部 分染色体,产生出两个新的个体。
[0053] 变异操作采用单点变异算子,具体操作过程如下:
[0054] (1)、随机产生变异点;
[0055] (2)、根据⑴中的变异点位置,改变其对应的基因座上的基因值;
[0056] 经过多次迭代进化,当满足迭代终止条件时,输出的末代种群最优个体对应的便 是经过混合变量遗传优化算法得出的最优控制量的二进制编码,最后对最优基因的模拟量 段进行十进制转换得出模拟控制量计算值,开关量状态值则对应最优基因的开关量段,1代 表开通,0则代表关闭。
[0057] 本专利的有益效果是:
[0058] 1、本发明基于用户运行数据,建立能量平衡数学模型进行高速寻优,自动控制太 阳能和空气能耦合匹配,保证最大化利用太阳能资源,实现了全天候用能需求;
[0059] 2、本发明的算法应用于高效太阳能-空气能耦合智能冷热联供系统,受到了用户 的一致好评,系统不但提供充足的生活热水,而且解决了客户夏天制冷及冬季采暖的需求, 提高设备的利用率,减少了重复投资,夏天制冷、冬季采暖系统运行平稳、可靠,夏季室内温 度恒温在24-26°C,冬季室内温度恒定在18-20°C,完全达到了设计要求。
附图说明
[0060] 图1是本发明在线自学习神经网络模型建立的结构示意图;
具体实施方式
[0061] 本专利解决上述技术问题的技术方案如下:新型太阳能-空气能耦合冷热联供系 统的智能调度方法,包括在线自学习神经网络模型的建立A、基于模糊推理的神经网络线性 化模型的抽取B以及基于混合变量遗传优化算法的控制量计算C。
[0062] 如图1所示,需要建模的系统与用于辨识系统模型的神经网络模型并联,图中U(k) 为耦合智能冷热联供系统中可控制可调节的开关量与模拟量;Y (k)为输出量,为实际采集 的输出数据,如:系统能耗量、系统输出冷量、系统输出热量以及系统输出热水量等;TDL表 示步进式暂时数据存储器用于存储当前以及过去一定时间内采样时刻的输入信息。图1中 包含了神经网络模型以及相关的训练算法。对于神经网络模型的输入将,通过Im-TDL与in-TDL实现过去m个输入与η个输出采样值的存储,Igin分别为pXm与qXn维数的矩阵。
[0063] 图1中的神经网络模型包含一个动态递归结构,包含暂时存储单元与系统的实际 输出反馈,即为典型监督学习算法,神经网络输出与系统实际输出进行比较并送入训练过 程实现快速实时在线训练。
[0064] 所述在线自学习神经网络模型的建立过程采用神经网络模型混联辨识结构,为三 层的多层感知器模型,包含一层输入层、一层隐藏层与一层输出层,U⑹为耦合智能冷热联 供系统中可控制可调节的开关量与模拟量,Y⑹为输出量,如:系统能耗量、系统输出冷量、 系统输出热量以及系统输出热水量等,将神经网络模型训练数据的输入量U 00经过步进式 暂时数据存储器后生成的输入部分表示为
Figure CN108303898AD00081
,输出量Y (k)经过步进式暂时数据存储器后 生成的输出部分表不为_
Figure CN108303898AD00082
[0065] f是隐含层的激活函数,具体结构为双曲正切函数表达式如下:
[0066]
Figure CN108303898AD00083
[0067] 其中j表示隐含层第j个神经元,5的计算公式为:
[0068]
Figure CN108303898AD00091
[0069] 其中Wi,j与Wi,j分别为隐含层与输出层的连接权值,Wj,o与Wi,o分别是隐含层与输出 层的偏置值;
[0070] F是输出层的激活函数,采用常规线性结构:
[0071] 偏置值可以表示为输入为1的权系数,将连接权值与偏置值组成联合权值向量Θ, 最后得出神经网络模型的模型预测估计值
Figure CN108303898AD00092
[0072]
Figure CN108303898AD00093
[0073] 网络训练算法基本内容为在时刻k,通过给出的输入训练数据的输入量以及模型 的预测输出量通过自适应辨识训练算法计算输出估计值1^;在1^1时刻,可得出神经网络 联合权值参数,将其用于计算输出估计值,反复调整神经网络联合权值参数直到获得参数 的估计值满足精度为止;具体参数估计算法基于丢弃旧数据信息的自适应机制,采用指数 遗忘因子与重置算法的更新规则在每一个采样时刻产生新数据集并形成新数据对,通过高 斯-牛顿算法的迭代递归形式计算得出。
[0074] 所述基于模糊推理的神经网络线性化模型的抽取过程如下:首先基于模糊聚类方 法T-S模糊模型前件参数的建立,模糊聚类的实现步骤如下:
[0075] 1)给出初始划分聚类数c = 2,初始隶属度矩阵山,初始步数m=l;
[0076] 2)计算第i个模糊类的中心值C1
[0077]
Figure CN108303898AD00094
[0078] 其中,μι1{为隶属度矩阵U的第i行第k列,Xk为第k个模型输入量,N为采集的历史数 据总个数。
[0079] 定义第k个数据与第i个模糊类的距离dik为:
[0080]
Figure CN108303898AD00095
[0081] 3)m=m+l,计算新的隶属度矩阵Um+1,新的隶属度矩阵更新公式如下:
[0082] 若 dik >〇 贝1J
Figure CN108303898AD00096
[0083] 若 dik = 〇 则
Figure CN108303898AD00097
[0084] 4)给定目标ε:
[0085] 如果I |Um+1-Um||<e,则(^为聚类中心值点,否则增加模糊类数,返回2);
[0086] 其次基于最小二乘法T-S模糊模型后件参数的辨识,将神经网络模型激励数据进 行整理,构造模型输入数据矩阵Φ,模型输出数据向量Y,则T-S模糊模型后件参数Q1可由以 下表达式计算得出:
[0087]
Figure CN108303898AD00098
[0088] 其中,输入数据矩阵Φ的构造方法为:
[0089] Φ第K行为
Figure CN108303898AD00099
[0090] 其中,为对应第k个输入量与第一个聚类中心点的隶属度值,μη1ί为对应第k个输 入量与第n个聚类中心点的隶属度值,Xlk表示第一个输入量的第k次历史数据采样值,Xmk表 示第m个输入量的第k次历史数据采样值。
[0091] Y是单个输出不同时刻模型预测估计值的向量,其构造方法为:
[0092]
Figure CN108303898AD00101
[0093] 其中,yi为第i次采集的输出数据;
[0094] 最后通过基于得出的后件参数可以得出不同聚类条件下的线性预测模型为:
[0095]
Figure CN108303898AD00102
[0096] 其中,
Figure CN108303898AD00103
为基于模糊线性模型对单个输出值的预测估计值,Φ /为当前采样时刻的 输入数据向量,结构形式同Φ k。
[0097] 通过调度控制策略的A在线自学习神经网络模型的建立与B基于模糊推理的神经 网络线性化模型抽取可得出当前状态下的线性模型,基于该线性模型计算控制量输出最大 的优势可实现控制量的高速计算。模块A的在线自学习的执行周期与系统采样周期相同具 有实时性;模块B的线性模型抽取过程无需实时进行,采用定长周期(以周或者月为单位)进 行模糊推理线性模型抽取。最后在约束条件、系统多目标需求值以及保证系统能耗量最低 值前提下,结合抽取的线性模型与混合变量遗传优化算法计算模型的逆,得出系统的可控 变量值。约束条件包括:控制量的可执行区间、采样周期内控制量增量可执行区间、被控量 的最小最大出力区间。系统多目标需求值R (k)包括:系统输出冷量需求、系统输出热量需 求、系统输出热水量需求以及温度设定等。
[0098] 所述基于混合变量遗传优化算法的控制量计算流程如下:
[0099] 随机产生L个初始串结构数据,L 一般取40-1000内的整数,每个串结构数据为一个 个体,L个个体构成一个种群。遗传算法以这L个串结构作为初始点开始迭代,对于单个串结 构数据的编码操作包含开关量与模拟量的编码,开关量只有1和〇两种取值,1代表输入阀门 开,0表示阀门关闭,对于模拟量则进行二进制编码。
[0100] 遗传算法中使用适应度来度量群体中各个个体在优化计算中优化解的优良程度, 适应度高的个体遗传到下一代的概率相对较大。这里,选取多个目标误差平方和的倒数作 为适应度函数f (X),其表达式为:
[0101]
Figure CN108303898AD00104
[0102] 其中,系统多目标需求值向量为R(k),单个目标值表示为ri,R⑹包括:系统输出 冷量需求、系统输出热量需求、系统输出热水量需求以及温度设定等。
[0103] 选择操作选用比例选择算子,即个体被选中并遗传到下一代种群中的概率与该个 体的适应度大小成正比,具体操作过程如下:
[0104] 5)计算种群中所有个体的适应度之和E,其表达式为:
[0105]
Figure CN108303898AD00105
[0106] 6)计算种群中各个个体的相对适应度,并以此作为该个体被选中并遗传到下一代 种群的概率Pk,其表达式为:
[0107]
Figure CN108303898AD00106
[0108] 3)采用模拟轮盘赌操作,产生(0,1)之间的随机数,来确定各个个体被选中的次 数,适应度大的个体,其选择概率较大。
[0109] 交叉操作采用最简单的单点交叉算子,具体交叉过程如下:
[0110] (1)、先对种群中的个体进行两两配对。
[0111] (2)、对每一对配对个体,随机选择某一基因座之后的位置作为交叉点。
[0112] (3)、对每一对配对个体,根据(2)中所确定的交叉点位置,相互交换两个个体的部 分染色体,产生出两个新的个体。
[0113] 变异操作采用单点变异算子,具体操作过程如下:
[0114] (1)、随机产生变异点;
[0115] (2)、根据⑴中的变异点位置,改变其对应的基因座上的基因值;
[0116] 经过多次迭代进化,当满足迭代终止条件时,输出的末代种群最优个体对应的便 是经过混合变量遗传优化算法得出的最优控制量的二进制编码,最后对最优基因的模拟量 段进行十进制转换得出模拟控制量计算值,开关量状态值则对应最优基因的开关量段,1代 表开通,0则代表关闭。
[0117] 最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽 管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依 然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进 行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术 方案的范围。

Claims (3)

1. 新型太阳能-空气能耦合冷热联供系统的智能调度方法,其特征在于:包括在线自学 习神经网络模型的建立、基于模糊推理的神经网络线性化模型的抽取以及基于混合变量遗 传优化算法的控制量计算; 所述在线自学习神经网络模型的建立过程采用神经网络模型混联辨识结构,为三层的 多层感知器模型,包含一层输入层、一层隐含层与一层输出层,IKk)为耦合智能冷热联供系 统中可控制可调节的开关量与模拟量,Y⑹为输出量,将神经网络模型训练数据的输入量U ⑹经过步进式暂时数据存储器后生成的输入部分表示为約™,输出量Y⑹经过步进式暂时 数据存储器后生成的输出部分表示为
Figure CN108303898AC00021
f是隐含层的激活函数,具体结构为双曲正切函数表达式如下:
Figure CN108303898AC00022
其中j表示隐含层第j个神经元j的计算公式为:
Figure CN108303898AC00023
其中WU与W1J分别为隐含层与输出层的连接权值,MQ与W1,Q分别是隐含层与输出层的 偏置值; F是输出层的激活函数,采用常规线性结构: 偏置值可以表示为输入为1的权系数,将连接权值与偏置值组成联合权值向量Θ,最后 得出神经网络模型的模型预测估计值
Figure CN108303898AC00024
Figure CN108303898AC00025
网络训练算法基本内容为在时刻k,通过给出的训练数据的输入量以及输出量通过自 适应辨识训练算法计算输出估计值
Figure CN108303898AC00026
;在1^+1时刻,可得出神经网络联合权值参数,将其用 于计算输出估计值,反复调整神经网络联合权值参数直到获得参数的估计值满足精度为 止;具体参数估计算法基于丢弃旧数据信息的自适应机制,采用指数遗忘因子与重置算法 的更新规则在每一个采样时刻产生新数据集并形成新数据对,通过高斯-牛顿算法的迭代 递归形式计算得出。
2. 根据权利要求1所述的新型太阳能-空气能耦合冷热联供系统的智能调度方法,其特 征在于:所述基于模糊推理的神经网络线性化模型的抽取过程如下:首先基于模糊聚类方 法T-S模糊模型前件参数的建立,模糊聚类的实现步骤如下: 1) 给出初始划分聚类数c = 2,初始隶属度矩阵山,初始步数m= 1; 2) 计算第i个模糊类的中心值C1
Figure CN108303898AC00027
其中,yik为隶属度矩阵U的第i行第k列,Xk为第k个模型输入量,N为采集的历史数据总 个数; 定义第k个数据与第i个模糊类的距离dlk为:
Figure CN108303898AC00028
3) m=m+l,计算新的隶属度矩阵Um+i,新的隶属度矩阵更新公式如下: 若dik>0则
Figure CN108303898AC00031
若dik = 0则
Figure CN108303898AC00032
4) 给定目标ε: 如果
Figure CN108303898AC00033
,则(^为聚类中心值点,否则增加模糊类数,返回2); 其次基于最小二乘法T-S模糊模型后件参数的辨识,将神经网络模型激励数据进行整 理,构造模型输入数据矩阵Φ,模型输出数据向量Υ,则T-S模糊模型后件参数Q1可由以下表 达式计算得出:
Figure CN108303898AC00034
其中,输入数据矩阵Φ的构造方法为: Φ第K行为
Figure CN108303898AC00035
其中,yik为对应第k个输入量与第一个聚类中心点的隶属度值,ynk为对应第k个输入量 与第η个聚类中心点的隶属度值,xik表不第一个输入量的第k次历史数据米样值,Xmk表不第 m个输入量的第k次历史数据采样值; Y是单个输出不同时刻模型预测估计值的向量,其构造方法为:
Figure CN108303898AC00036
其中,yi为第i次采集的输出数据; 最后通过基于得出的后件参数可以得出不同聚类条件下的线性预测模型为:
Figure CN108303898AC00037
其中,
Figure CN108303898AC00038
为基于模糊线性模型对单个输出值的预测估计值
Figure CN108303898AC00039
为当前采样时刻的输入 数据向量,结构形式同Φι-
3.根据权利要求2所述的新型太阳能-空气能耦合冷热联供系统的智能调度方法,其特 征在于:所述基于混合变量遗传优化算法的控制量计算流程如下: 随机产生L个初始串结构数据,L一般取40-1000内的整数,每个串结构数据为一个个 体,L个个体构成一个种群;遗传算法以这L个串结构作为初始点开始迭代,对于单个串结构 数据的编码操作包含开关量与模拟量的编码,开关量只有1和〇两种取值,1代表输入阀门 开,0表示阀门关闭,对于模拟量则进行二进制编码; 遗传算法中使用适应度来度量群体中各个个体在优化计算中优化解的优良程度,适应 度高的个体遗传到下一代的概率相对较大;这里,选取多个目标误差平方和的倒数作为适 应度函数f(x),其表达式为:
Figure CN108303898AC000310
其中,系统多目标需求值向量为R⑹,单个目标值表示为ri,R⑹包括:系统输出冷量需 求、系统输出热量需求、系统输出热水量需求以及温度设定等; 选择操作选用比例选择算子,即个体被选中并遗传到下一代种群中的概率与该个体的 适应度大小成正比,具体操作过程如下: 1)计算种群中所有个体的适应度之和E,其表达式为:
Figure CN108303898AC00041
2) 计算种群中各个个体的相对适应度,并以此作为该个体被选中并遗传到下一代种群 的概率Pk,其表达式为:
Figure CN108303898AC00042
3) 采用模拟轮盘赌操作,产生(0,1)之间的随机数,来确定各个个体被选中的次数,适 应度大的个体,其选择概率较大; 交叉操作采用最简单的单点交叉算子,具体交叉过程如下: (1) 、先对种群中的个体进行两两配对; (2) 、对每一对配对个体,随机选择某一基因座之后的位置作为交叉点; (3) 、对每一对配对个体,根据(2)中所确定的交叉点位置,相互交换两个个体的部分染 色体,产生出两个新的个体; 变异操作采用单点变异算子,具体操作过程如下: (1) 、随机产生变异点; (2) 、根据⑴中的变异点位置,改变其对应的基因座上的基因值; 经过多次迭代进化,当满足迭代终止条件时,输出的末代种群最优个体对应的便是经 过混合变量遗传优化算法得出的最优控制量的二进制编码,最后对最优基因的模拟量段进 行十进制转换得出模拟控制量计算值,开关量状态值则对应最优基因的开关量段,1代表开 通,0则代表关闭。
CN201810185490.5A 2018-03-07 2018-03-07 新型太阳能-空气能耦合冷热联供系统的智能调度方法 Active CN108303898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810185490.5A CN108303898B (zh) 2018-03-07 2018-03-07 新型太阳能-空气能耦合冷热联供系统的智能调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810185490.5A CN108303898B (zh) 2018-03-07 2018-03-07 新型太阳能-空气能耦合冷热联供系统的智能调度方法

Publications (2)

Publication Number Publication Date
CN108303898A true CN108303898A (zh) 2018-07-20
CN108303898B CN108303898B (zh) 2020-10-16

Family

ID=62849270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810185490.5A Active CN108303898B (zh) 2018-03-07 2018-03-07 新型太阳能-空气能耦合冷热联供系统的智能调度方法

Country Status (1)

Country Link
CN (1) CN108303898B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109932909A (zh) * 2019-03-27 2019-06-25 江苏方天电力技术有限公司 火电机组脱硫系统的大系统耦合多变量优化匹配控制方法
CN113432181A (zh) * 2021-04-28 2021-09-24 国网冀北电力有限公司计量中心 电采暖设备的温度控制方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE502005004589D1 (de) * 2004-11-15 2008-08-14 Fraunhofer Ges Forschung Wärmespeicher sowie verwendung des wärmespeichers in einem heizungssystem mit solaranlage und wärmepumpe
CN202216311U (zh) * 2011-07-04 2012-05-09 山西三益科技有限公司 一种多源互补联合供热系统
CN103900274A (zh) * 2012-12-25 2014-07-02 珠海格力电器股份有限公司 基于太阳能和空气能的热水器的控制方法及装置
CN105627623A (zh) * 2014-10-29 2016-06-01 上海华恩利热能机器股份有限公司 一种新型太阳能-空气能复合热泵冷热联供机组
CN106197000A (zh) * 2016-07-12 2016-12-07 广东工业大学 一种农作物太阳能空气能复合烘干机智能恒温控制系统
CN106786753A (zh) * 2016-12-29 2017-05-31 上海博翎能源科技有限公司 多用户的区域能源互联网的系统及其调节方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE502005004589D1 (de) * 2004-11-15 2008-08-14 Fraunhofer Ges Forschung Wärmespeicher sowie verwendung des wärmespeichers in einem heizungssystem mit solaranlage und wärmepumpe
CN202216311U (zh) * 2011-07-04 2012-05-09 山西三益科技有限公司 一种多源互补联合供热系统
CN103900274A (zh) * 2012-12-25 2014-07-02 珠海格力电器股份有限公司 基于太阳能和空气能的热水器的控制方法及装置
CN105627623A (zh) * 2014-10-29 2016-06-01 上海华恩利热能机器股份有限公司 一种新型太阳能-空气能复合热泵冷热联供机组
CN106197000A (zh) * 2016-07-12 2016-12-07 广东工业大学 一种农作物太阳能空气能复合烘干机智能恒温控制系统
CN106786753A (zh) * 2016-12-29 2017-05-31 上海博翎能源科技有限公司 多用户的区域能源互联网的系统及其调节方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
M. MOHANRAJ 等: "Applications of artificial neural networks for refrigeration, air-conditioning and heat pump systems—A review", 《RENEWABLE AND SUSTAINABLE ENERGY REVIEWS》 *
孙先鹏 等: "太阳能联合空气源热泵系统温室供热实验研究", 《太阳能学报》 *
杨承 等: "太阳能与压缩空气耦合储能的燃气轮机CCHP系统特性", 《中国电机工程学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109932909A (zh) * 2019-03-27 2019-06-25 江苏方天电力技术有限公司 火电机组脱硫系统的大系统耦合多变量优化匹配控制方法
CN113432181A (zh) * 2021-04-28 2021-09-24 国网冀北电力有限公司计量中心 电采暖设备的温度控制方法及装置

Also Published As

Publication number Publication date
CN108303898B (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN109270842B (zh) 一种基于贝叶斯网络的区域供热模型预测控制系统及方法
CN106936147B (zh) 一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法
CN105910169B (zh) 基于机理模型预测控制的城市供热系统热网调节方法及系统
Li et al. Predicting hourly cooling load in the building: A comparison of support vector machine and different artificial neural networks
CN107909220A (zh) 一种电采暖负荷预测方法
CN106786753B (zh) 多用户的区域能源互联网的系统及其调节方法
CN103591637B (zh) 一种集中供热二次网运行调节方法
CN110458443A (zh) 一种基于深度强化学习的智慧家庭能量管理方法及系统
CN104484833A (zh) 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法
CN109063992A (zh) 考虑区域综合能源系统优化运行的配电网扩展规划方法
Jin et al. A data-driven model predictive control for lighting system based on historical occupancy in an office building: Methodology development
CN108303898A (zh) 新型太阳能-空气能耦合冷热联供系统的智能调度方法
CN113112077B (zh) 基于多步预测深度强化学习算法的hvac控制系统
CN109114662A (zh) 一种基于多智能体的电热蓄能装置的供暖控制方法及系统
CN113237135B (zh) 基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法
CN110474370A (zh) 一种空调可控负荷、光伏储能系统的协同控制系统及方法
CN110009122A (zh) 户用多能互补综合能源利用系统能量优化调度方法及系统
CN109948824A (zh) 一种利用模式识别技术对热力站热负荷进行预测的方法
CN113266869B (zh) 基于数字孪生技术的热电联合供暖系统实时优化调控方法
CN108376294A (zh) 一种供能反馈与气象因素的热负荷预测方法
Le-Coz et al. Towards Optimal District Heating Temperature Control in China with Deep Reinforcement Learning
CN111767621A (zh) 一种基于知识迁移q学习算法的多能源系统优化调度方法
CN111898856A (zh) 基于极限学习机的物理-数据融合楼宇的分析方法
Feng et al. Optimal design of pipe network of district cooling system based on genetic algorithm
Sun et al. Integrated control strategy of district heating system based on load forecasting and indoor temperature measurement

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant