基于径向基函数神经网络的多父代遗传算法空气源热泵多目
标优化控制方法
技术领域
本发明属于空气源热泵,涉及一种空气源热泵多目标优化控制方法。
背景技术
空气源热泵,通过吸收空气中的热量作为能量来源,通过少量电能驱动压缩机运转将蒸发器吸收的空气中的热量经换热器释放到加热对象中,是一种利用高位能使热量从低位热源空气流向高位热源的节能装置。空气源热泵的适应范围广,运行成本低,对环境无污染,具有良好的节能减排效果,现已广泛应用于化工、热能、制热、暖通等领域。
在当今世界,二氧化碳作为温室气体,其排放量收到人们的广泛关注,而工作状态下的能效比COP、二氧化碳排放量和制热量Qh是衡量空气源热泵性能优劣的重要参数,因此,对这三个目标进行优化控制在节能环保中具有重要的意义。对于一个特定的热泵,压缩机频率,膨胀阀开度和水泵频率对系统的COP、制热量以及二氧化碳的排放量息息相关且三者之间相互影响。为了得到空气源热泵的运行时的最优COP值、二氧化碳排放量和制热量,需要找到各变量之间的潜在联系,构建出相关的模型。传统的实验方法往往只能对建立的模型进行预测或者仅仅是进行单目标的优化,无法直接对系统建立模型并进行多目标的优化。
发明内容
现有的空气源热泵模型往往仅是对输出变量采用简单方程回归预测,这将会产生空气源热泵模型的精度较低,或者是需要通过热力学方程计算热物性,这将导致耗时过长,本发明提供了一种径向基函数神经网络和多父代遗传算法相结合的方法,在高精度的同时还能够快速实现对系统的COP制热量Qh或者二氧化碳释放量m和制热量Qh多目标优化的基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法。
本发明解决其技术问题所采用的技术方案是:
一种基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法,包括以下步骤:
步骤1、根据用户需求将输入输出变量输入进系统中;
选择压缩机频率f、膨胀阀开度p、水泵频率n作为输入变量,系统COP和制热量Qh或者二氧化碳释放量m和制热量Qh作为输出变量,并对输入训练的样本数据作归一化处理,使其处于[0,1]之间,归一化公式如下:
其中k为归一化后的值,x为被归一化的数据,xmin、xmax分别为被归一化数据中的最小值和最大值;
步骤2、径向基函数神经网络的创建、训练以及测试,过程如下:
2.1初始化参数,设置隐含层的神经元个数,神经元个数的计算可根据经验公式:确定,其中n、l分别为输入神经元的个数和输出神经元的个数,a通常取1~10;输入层的神经元个数由输入变量的个数决定,输出层的神经元个数由输出变量决定,其中压缩机频率、膨胀阀开度、水泵频率是该神经网络的输入变量,系统COP和制热量或二氧化碳释放量和制热量是该神经网络的输出变量,此外还要设置学习率、动量因子、训练误差和初始的权值、阈值;
2.2训练神经网络,将步骤1中的数据分成训练集和测试集两个部分,随机地选取训练集中的数据进行训练并计算隐含层和输出层的值,采用Kmeans算法得到隐含层神经元中心即基函数中心c,再根据梯度下降法进行迭代得到神经网络的权值和偏置,用于神经网络的建立;
2.3测试神经网络,完成所有的数据训练后,用测试集里的数据对神经网络进行测试,直至满足训练误差规定的范围,自此径向基函数神经网络模型构建完成;
2.4利用神经网络进行预测,在给定实际状态下的输入变量,通过径向基函数神经网络进行预测得到预测参数,所述预测参数为系统COP和制热量或者二氧化碳释放量和制热量,将系统COP和制热量或者二氧化碳释放量和制热量进行反归一化处理得到实际值。反归一化公式为:
x=k·(xmax-xmin)+xmin
步骤3、基于训练完成的径向基函数神经网络,利用多父代遗传算法对空气源热泵进行多目标优化;
步骤4通过上述步骤可以根据Pareto解得到最优解的输入变量的参数值,将得到的输入变量值传递给系统来调节热泵的控制量。
进一步,所述步骤2.2中,基函数中心求取方法为:
a.从训练样本中随机选取h个数据作为初始聚类中心;
b.将输入的样本数据按最近邻规则分组,计算每个数据与聚类中心的距离,根据最小距离进行划分;
c.计算各聚类集合中样本的平均值作为新的聚类中心cj,规定聚类中心的收敛误差为训练终止条件,若达到要求则此时的cj为径向基函数神经网络的最终基函数中心,否则返回步骤b进行下一轮的中心求解。
再进一步,所述步骤3的过程如下:
3.1参数和种群初始化:采用实数编码的方式对种群及个体进行编码,设置种群的规模N1,进化次数G,交叉概率Pc和变异概率Pm,种群规模N1根据热泵的实际情况而定,取值范围为10~100,进化次数为100~1000,交叉概率Pc的取值范围为0.25~1,变异概率Pm的取值范围为0.001~0.1,设置进化代数计数器t=0和最大进化代数G,随机生成初始父代种群2Pt;
3.2计算目标函数:计算种群中各个体的目标函数值,基于训练完成的网络,将径向基函数神经网络学习的输入输出的映射关系中的输出作为多父代遗传算法的目标函数值;
3.3非支配排序和拥挤度计算:在非支配排序中,非支配序等级较高的个体优先被选择,若两个个体属于同一个非支配层,则要依据拥挤度来选择;拥挤度用来表示种群中给定个体的周围个体的密度,为了更好地取到种群中不同的个体,要选取周围较不拥挤的个体,即拥挤度较大的个体;根据非支配排序和拥挤度比较算子,将比较算子作为种群的适应度值,选择适应度较高的Pt个个体组成新的父代种群;
3.4多父代交叉、变异和选择:从父代种群中选取多条染色体进行下一代染色体的操作,通过染色体的交叉组合来产生新的个体;将变异算子作用于群体,对于选中的个体中改变某一个或者某一些基因后得到子代种群Qt;将交叉变异后得到的子代种群与父代种群合并为新种群Rt,依据径向基函数神经网络模型计算得到的种群目标函数值对个体进行非支配排序和拥挤度计算,根据非支配排序和拥挤度比较算子,将比较算子作为种群的适应度值,选择适应度较高的个体组成新的父代种群Pt+1;
3.5是否满足终止条件:计算是否满足最大进化次数,若满足最大进化次数,则计算结束;若不满足最大进化次数则返回步骤3.4,直至满足进化次数为止;计算结束后在所有剩余的个体中依据非支配排序和拥挤度比较算子选取所需的个体作为最终的Pareto解。
本发明的技术构思为:针对常规的单目标分析方法很难解决多目标优化问题,一般的模型不适用于高维度、多变量的情况。为了能够同时优化系统COP、二氧化碳排放量和制热量这几个可能存在对立关系的目标,我们提出了一种基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法。本发明可用于已有的热泵机组,无需对空气源热泵的结构进行改变,仅对现有的性能进行改变。与此同时,本发明利用径向基函数神经网络与多父代遗传算法相结合的方法对目标进行优化,径向基函数神经网络可以快速地建立输入输出模型,多父代遗传算法通过对神经网络建立的模型进行精确地多目标的优化。
本发明的有益效果主要表现在:本发明不对空气源热泵的结构进行修改,仅对现有的性能进行改变,径向基函数神经网络能提高收敛速度,精确地逼近非线性函数,多父代遗传算法能够较精确地优化目标。这种方法不仅减少了改造的时间和成本,而且还可以较高精度地进行多目标的优化,使能源得到最大的利用,减少了工作过程中的消耗和温室气体的排放,真正的实现节能减排的目的。
附图说明
图1是基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1,一种基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法,包括以下步骤:
步骤1、根据用户需求将输入输出变量输入进系统中;
选择压缩机频率f、膨胀阀开度p、水泵频率n作为输入变量,系统COP和制热量Qh或者二氧化碳释放量m和制热量Qh作为输出变量,并对输入训练的样本数据作归一化处理,使其处于[0,1]之间,训练样本数据可来自于文献或在实验中测得,归一化公式如下:
其中k为归一化后的值,x为被归一化的数据,xmin、xmax分别为被归一化数据中的最小值和最大值;
步骤2、径向基函数神经网络的创建、训练以及测试,过程如下:
2.1初始化参数,设置隐含层的神经元个数,神经元个数的计算可根据经验公式:确定,其中n、l分别为输入神经元的个数和输出神经元的个数,a通常取1~10;输入层的神经元个数由输入变量的个数决定,输出层的神经元个数由输出变量决定,其中压缩机频率、膨胀阀开度、水泵频率是该神经网络的输入变量,系统COP和制热量或二氧化碳释放量和制热量是该神经网络的输出变量,此外还要设置学习率、动量因子、训练误差和初始的权值、阈值;
2.2训练神经网络,将步骤1中的数据分成训练集和测试集两个部分,随机地选取训练集中的数据进行训练并计算隐含层和输出层的值,采用Kmeans算法得到隐含层神经元中心即基函数中心c,再根据梯度下降法进行迭代得到神经网络的权值和偏置,用于神经网络的建立;
2.3测试神经网络,完成所有的数据训练后,用测试集里的数据对神经网络进行测试,直至满足训练误差规定的范围,自此径向基函数神经网络模型构建完成;
2.4利用神经网络进行预测,在给定实际状态下的输入变量,通过径向基函数神经网络进行预测得到预测参数,所述预测参数为系统COP和制热量或者二氧化碳释放量和制热量,将系统COP和制热量或者二氧化碳释放量和制热量进行反归一化处理得到实际值。反归一化公式为:
x=k·(xmax-xmin)+xmin
步骤3、基于训练完成的径向基函数神经网络,利用多父代遗传算法对空气源热泵进行多目标优化;
步骤4通过上述步骤可以根据Pareto解得到最优解的输入变量的参数值,将得到的输入变量值传递给系统来调节热泵的控制量。
进一步,所述步骤2.2中,基函数中心求取方法为:
a.从训练样本中随机选取h个数据作为初始聚类中心;
b.将输入的样本数据按最近邻规则分组,计算每个数据与聚类中心的距离,根据最小距离进行划分;
c.计算各聚类集合中样本的平均值作为新的聚类中心cj,规定聚类中心的收敛误差为训练终止条件,若达到要求则此时的cj为径向基函数神经网络的最终基函数中心,否则返回步骤b进行下一轮的中心求解。
再进一步,所述步骤3的过程如下:
3.1参数和种群初始化:采用实数编码的方式对种群及个体进行编码,设置种群的规模N1,进化次数G,交叉概率Pc和变异概率Pm,种群规模N1根据热泵的实际情况而定,取值范围为10~100,进化次数为100~1000,交叉概率Pc的取值范围为0.25~1,变异概率Pm的取值范围为0.001~0.1,设置进化代数计数器t=0和最大进化代数G,随机生成初始父代种群2Pt;
3.2计算目标函数:计算种群中各个体的目标函数值,基于训练完成的网络,将径向基函数神经网络学习的输入输出的映射关系中的输出作为多父代遗传算法的目标函数值;
3.3非支配排序和拥挤度计算:在非支配排序中,非支配序等级较高的个体优先被选择,若两个个体属于同一个非支配层,则要依据拥挤度来选择;拥挤度用来表示种群中给定个体的周围个体的密度,为了更好地取到种群中不同的个体,要选取周围较不拥挤的个体,即拥挤度较大的个体;根据非支配排序和拥挤度比较算子,将比较算子作为种群的适应度值,选择适应度较高的Pt个个体组成新的父代种群;
3.4多父代交叉、变异和选择:从父代种群中选取多条染色体进行下一代染色体的操作,通过染色体的交叉组合来产生新的个体;将变异算子作用于群体,对于选中的个体中改变某一个或者某一些基因后得到子代种群Qt;将交叉变异后得到的子代种群与父代种群合并为新种群Rt,依据径向基函数神经网络模型计算得到的种群目标函数值对个体进行非支配排序和拥挤度计算,根据非支配排序和拥挤度比较算子,将比较算子作为种群的适应度值,选择适应度较高的个体组成新的父代种群Pt+1;
3.5是否满足终止条件:计算是否满足最大进化次数,若满足最大进化次数,则计算结束;若不满足最大进化次数则返回步骤3.4,直至满足进化次数为止;计算结束后在所有剩余的个体中依据非支配排序和拥挤度比较算子选取所需的个体作为最终的Pareto解。