CN111612247A - 一种并联冷机负荷优化分配方法、存储介质及设备 - Google Patents
一种并联冷机负荷优化分配方法、存储介质及设备 Download PDFInfo
- Publication number
- CN111612247A CN111612247A CN202010426109.7A CN202010426109A CN111612247A CN 111612247 A CN111612247 A CN 111612247A CN 202010426109 A CN202010426109 A CN 202010426109A CN 111612247 A CN111612247 A CN 111612247A
- Authority
- CN
- China
- Prior art keywords
- firework
- operator
- fireworks
- plr
- fitness
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000004880 explosion Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000005265 energy consumption Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 22
- 230000035772 mutation Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000000739 chaotic effect Effects 0.000 claims description 12
- 239000002360 explosive Substances 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 5
- 238000005057 refrigeration Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 abstract 1
- 238000004378 air conditioning Methods 0.000 description 8
- 238000013178 mathematical model Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Air Conditioning Control Device (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种并联冷机负荷优化分配方法、存储介质及设备,根据冷机和功率性能曲线建立优化模型;利用改进烟花算法初始化并联冷机的部分负荷率序列,将此序列作为初始种群烟花;计算每个烟花的适应度,根据适应度计算每一个烟花爆炸产生的爆炸火花数目和火花半径,并产生爆炸火花;根据莱维变异算子计算每个烟花可以产生的变异火花;将初始烟花、爆炸火花和变异火花作为新的种群进行轮盘赌迭代选择,使进化方向向最小能耗的方向进化,直至满足最小能耗或最大迭代次数条件,停止迭代,并将本次迭代的部分负荷率序列作为每台冷机的部分负荷率;本发明解决了并联冷机的优化运行问题,在保证满足需求的前提下实现节能。
Description
技术领域
本发明属于空调制冷技术领域,具体涉及一种基于改进烟花算法的并联冷机负荷优化分配方法、存储介质及设备。
背景技术
随着建筑水平的不断提高,特定功能性的建筑逐渐出现。为了满足建筑内人员的舒适性,中央空调系统一直在不断的改进,直到现在已经达到了非常成熟的程度。中央空调系统能耗一直在建筑耗能中的具有相当大的占比,因此对中央空调系统进行节能优化研究具有非常重要的意义。目前,在中央空调系统的设计过程时,先进的控制策略依旧不能够应用于实际中的控制,更多的还是依赖于传统的人为控制来解决问题,这样就会产生经验性的问题,只有经验丰富的管理人员才能够更好的达到控制的要求。中央空调系统中冷机的能耗占比是较大的,但是并联冷机系统一般情况下都是出于一种部分负荷率的运行状况,整个系统不能够达到高效的运行状态。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于改进烟花算法的并联冷机负荷优化分配方法、存储介质及设备,在保证制冷量要求的情况下,根据末端负荷需求的变化合理控制冷机的启停及负荷分配。
本发明采用以下技术方案:
一种基于改进烟花算法的并联冷机负荷优化分配方法,根据不同冷机负载率和额定制冷量参数计算不同负荷下冷机功耗和制冷量,然后计算出不同负荷组合下并联冷机系统的总制冷量和总功率消耗;
采用改进烟花算法,首先初始化一部分混沌烟花算子作为初始烟花进行迭代;再根据适应度函数计算烟花算子的适应度值并进行爆炸算子计算,产生爆炸算子;
根据适应度值进行莱维变异操作,将烟花原始算子、爆炸算子和混沌变异算子共同进行选择淘汰,保留适应度值小的算子,进行下一次的迭代计算;至此完成一次迭代进化过程;
子代种群按照并联冷机系统满足末端负荷需求的情况下能耗最小的方向进化一代,通过不断进化得到最小的系统能耗或者达到最大的迭代次数,将最后一代种群中适应度最大的负载率组合作为优化调节的结果,完成负荷优化分配。
具体的,改进烟花算法的具体步骤如下:
S1、每个烟花算子都按照kent模型产生D×N维混沌序列作为PLR值,并将PLR<0.3的值置为0,D为种群中烟花的数量,N为每个烟花的维度;
S2、所有烟花算子计算出各自的N个PLR值所对应的制冷量及功率;
S3、所有烟花算子进行求和计算出D个PLR组合下的并联冷机系统对应的系统总功率;
S4、每个烟花算子采用莱维变异算子对自身的N个PLR值进行莱维变异操作;
S5、将原始烟花算子进行适应度评价得到适应度值,根据适应度值计算出每个烟花爆炸后算子的数量和半径,得到爆炸烟花算子;
S6、将原始烟花算子、爆炸烟花算子和变异烟花算子作为一个大的种群,计算每一个烟花的N个PLR值的适应度评价,并将适应度按从小到大的顺序进行排序,取前D个个体作为新的种群进行迭代,返回步骤S3。
进一步的,步骤S1中,Kent模型为:
PLR(i,j)=0.3+b(i+1)*(1-0.3)
其中,i=1,2,…D,j=1,2,…,N,b(i+1)为Kent模型所产生的混沌序列值,b(i)为混沌变量,p为0~1之间的随机数,PLR(i,j)为第i个烟花的第j个PLR值。
进一步的,步骤S2中,N个PLR值所对应的制冷量及功率计算如下:
Pi=ai+bi*PLRi+ci*PLRi 2
Pi=ai+bi*PLRi+ci*PLRi 2+di*PLRi 3
其中,PLRi为第i台冷水机的负载率,ai、bi、ci、di为第i台冷水机本身的性能参数,Pi为第i台冷水机的功耗;Qi为第i台冷水机的额定制冷量,CL为每个PLR序列组合的制冷量,n为并联冷机性能参数PLR的个数。
进一步的,步骤S3中,D个PLR组合下的并联冷机系统对应的系统总功率具体为:
其中,Ptotal为冷水机组的总功率,Pi为第i台冷水机的功耗,n为并联冷机性能参数PLR的个数。
进一步的,步骤S4具体为:
进一步的,步骤S5具体为:
S501、对当前种群按照适应度函数计算适应度值,然后根据适应度值计算爆炸烟花的半径和数量,每个烟花所表示的冷水机组系统的适应度值Fitj为:
Fitj=Objj+penal*Erj
其中,Erj为并联冷机系统制冷量与末端所需负荷差值,Objj为第j个冷水机组系统的目标函数,penal为惩罚因子,PLRi为每台冷机的负载率,Qi为每台冷机的额定制冷量,Q0为末端所需制冷量;
S502、根据适应度值和烟花爆炸的规律计算爆炸烟花的半径和数量,爆炸烟花的半径为:
其中,Amin,k(t)为当前迭代次数爆炸烟花半径的最小值,A为当前迭代次数爆炸烟花的半径,Ainit和Afinal分别为烟花爆炸时的最大半径和最小半径,为迭代计算中的最大迭代次数,t为当前的迭代次数,k为常量;
第i个烟花爆炸产生的爆炸烟花的数量Si为:
其中,ymax为适应度值的最大值,f(xi)表示第i个烟花的适应度值,m为常量。
进一步的,步骤S6中,优先从所有的烟花算子中选择出适应度值最小的个体作为最优个体进入下一轮迭代,然后采用轮盘赌的机制从剩下的个体中选择适应度值排名靠前的D-1个烟花共同组成新的群体作为下一次迭代计算的初始种群,种群中当前个体距离最优个体的距离与其他个体距离最优个体的距离之和的比值p(xi)为:
其中,R(xj)为当前个体具体其他个体的距离,R(xi)为当前个体到种群中最优个体的距离之和。
本发明的另一个技术方案是,一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
一种计算设备,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于改进烟花算法的并联冷机负荷优化分配方法,在同样保障安全的前提下根据末端的需求,利用冷机能耗的数学模型,以并联冷机系统总能耗最小为目标进行寻优计算,根据寻优结果来控制空调系统冷水机组的启停和负荷分配,即能保证用户侧的安全可靠运行,又能合理的分配负荷,使得并联冷机系统在特定的工况下以较低的功率工作,提高了冷机的工作效率,保证了冷水机组的总能耗在安全的情况下降至最低,达到节能的目的,降低了系统的运行能,改进烟花算法通过在传统烟花算法中加入莱维变异算子,从而达到增加算子种群多样性的目的,扩大了算法在解空间内的搜索,提高了算法的性能。
进一步的,步骤S1中按照一维kent模型产生混沌序列作为冷机PLR值为实数编码,克服了二进制编码不连续的缺点,并结合制造厂商认为冷机部分负荷率应大于等于0.3的建议。
进一步的,步骤S4的莱维变异算子通过对种群中个体进行相应的变异操作,克服了普通分布估计算法种群多样性不足,易陷入局部最优的缺点。
进一步的,步骤S5在产生新的爆炸算子的过程中,利用非线性递减的方式来产生半径逐渐递减的烟花算子,提高了快速收敛,局部搜索最优的特点,使种群在搜索空间的多样性更加丰富。
进一步的,步骤S6将新产生的爆炸算子、变异算子和原始算子与共同排序筛选,便于在整个搜索空间中寻找到子代个体。
进一步的,冷机部分负荷率和功率曲线是为了使算法能够根据各冷机的部分负荷率值计算得到各台冷机在不同部分负荷率下的功率消耗,从而便于进行适应度值计算。
综上所述,本发明通过在烟花算法中加入莱维变异算子和混沌初始化算子,提高了算法种群的多样性,从而扩大了算法在解空间内的搜索范围,使得算法在一定末端负荷需求下易于求解到各冷机的部分负荷率的最优组合,从而达到发挥并联冷机系统优势,提高工作效率,降低系统能耗。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的并联冷机系统示意图;
图2为负荷分配适应度曲线;
图3为本发明的改进烟花算法的流程图。
具体实施方式
请参阅图1,本发明提供了一种基于改进烟花算法的并联冷机负荷优化分配方法,根据冷机负载率和额定制冷量等参数计算不同负荷下功耗和制冷量;然后计算出不同负荷组合下的并联冷机系统的总制冷量和总功率消耗;首先初始化一部分烟花算子作为初始烟花进行迭代;根据适应度函数计算烟花算子的适应度值并进行爆炸算子的计算,产生爆炸算子;根据适应度值进行混沌变异操作;将烟花原始算子、爆炸算子和混沌变异算子共同进行选择淘汰,选择适应度排名靠前的算子进行保留进行下一次的迭代计算中;至此完成了一次迭代进化过程,子代种群按照并联冷机系统满足末端负荷需求的情况下能耗最小的方向进化一代,如此不断进化得到最小的系统能耗或者达到最大的迭代次数,将最后一代种群中适应度最大的负载率组合作为优化调节的结果,完成优化分配。
一般情况下,中央空调系统由多台冷水机组组成,其规格也是不尽相同,其主要采用的是冷媒水供水温度的控制方法来实现控制。本发明提出的冷水机组负荷分配优化策略,是在已知末端所需冷量的基础下,根据冷机功率和冷机部分负荷率(PLR)之间的关系,建立冷水机组总能耗目标函数,然后求解得到各冷水机组所承担的负荷比率,从而对冷水机组的负荷进行分配。
冷机部分负荷率和功率的性能曲线为:
Pi=ai+bi*PLRi+ci*PLRi 2
Pi=ai+bi*PLRi+ci*PLRi 2+di*PLRi 3
其中,PLRi为第i台冷水机的负载率,ai,bi,ci,di为第i台冷水机本身的性能参数,Pi为第i台冷水机的功耗。
优化目标函数是在满足并联冷机系统末端冷负荷需求的情况下使得并联冷机系统总功率最小,其数学表达如:
其中,约束条件0.3≤PLR≤1是考虑到冷机的性能以及制造厂商的建议,各冷水机组的PLR不能小于0.3。
采用的改进烟花算法是在基本烟花算法上采用混初始化操作、莱维变异操作和非线性递减操作来提高烟花算法的性能,以求得较好的结果。具体步骤如下:
S1、根据冷机和功率性能曲线建立优化数学模型;
S2、利用改进烟花算法初始化并联冷机系统的的部分负荷率序列,将此序列作为初始种群的烟花值;
S3、计算每个烟花的适应度,根据适应度计算每一个烟花爆炸产生的爆炸火花数目和火花半径,并产生爆炸火花;
S4、根据莱维变异算子计算每个烟花产生的变异火花;
S5、将初始烟花、爆炸火花和变异火花作为新的种群进行轮盘赌迭代选择,使进化方向向最小能耗的方向进化,直至满足最小能耗或最大迭代次数条件,停止迭代,并将本次迭代的部分负荷率序列作为每台冷机的部分负荷率。
请参阅图3,本发明改进烟花算法的步骤如下:
S201、每个烟花算子都按照kent模型产生D×N维混沌序列作为并联冷机系统的PLR值,并且根据冷机厂商的建议,将PLR小于0.3的值置为0,D为种群中烟花的数量,N为每个烟花的维度;
PLR(i,j)=0.3+b(i+1)*(1-0.3)
其中,i=1,2,…D;j=1,2,…,N,b(i+1)为Kent模型所产生的混沌序列值,在此混沌序列初始值b(1)设为0.08,常量p取0.4,PLR(i,j)为第i个烟花的第j个PLR值。
S202、所有烟花算子计算出各自的N个PLR值所对应的制冷量及功率;
N个PLR值所对应的制冷量及功率计算如下:
Pi=ai+bi*PLRi+ci*PLRi 2
Pi=ai+bi*PLRi+ci*PLRi 2+di*PLRi 3
其中,PLRi为第i台冷水机的负载率,ai、bi、ci、di为第i台冷水机本身的性能参数,Pi为第i台冷水机的功耗;Qi为第i台冷水机的额定制冷量,CL为每个PLR序列组合的制冷量,n为并联冷机的台数。
S203、所有烟花算子进行求和计算出D个PLR组合下的并联冷机系统的总制冷量和对应的系统总功率;
D个PLR组合下的并联冷机系统对应的系统总功率具体为:
其中,Ptotal为冷水机组的总功率,Pi为第i台冷水机的功耗,n为并联冷机的台数。
S204、每个烟花算子采用莱维变异算子对自身的N个PLR值进行莱维变异操作;
S20401、对当前的初始种群进行混沌变异操作,将每个烟花采用Levy操作进行变异,具体如下:
S20402、当变异的烟花算子越界之后,要重新将越界的算子进行重新定义,具体操作如下:
为了能够保证得到服从莱菲分布随机数的函数,这里采用数值模拟法来进行定义莱维分布函数。
其中,x和y分别为服从标准高斯分布的独立同分布函数,α为常量,k(α)和c(α)为服从伽马随机数的函数;
假设x和y这两个独立同分布的随机变量的标准差分别为σx和σy,并且标准差都受仅α影响,在此假定σx为1,这样就仅有σy受α影响,并采用非线性变换得到的w函数符合莱维变异。
S205、将原始烟花算子进行适应度评价得到适应度值,根据适应度值计算出每个烟花爆炸后算子的数量和半径,得到一定数量的爆炸烟花算子。
S20501、对当前种群按照适应度函数计算适应度值,然后根据适应度值计算爆炸烟花的半径和数量,适应度函数为:
Objj=min(Ptotal)
Fitj=Objj+penal*Erj
其中,Erj为并联冷机系统制冷量与末端所需负荷差值,Objj为第j个冷水机组系统的目标函数,penal为惩罚因子,为了计算的精度达到千分之一,在此选择惩罚因子为1000000,Fitj为每个烟花所表示的冷水机组系统的适应度值。
S20502、根据适应度值和烟花爆炸的规律计算爆炸烟花的半径和数量,具体计算如下:
其中,Si为第i个烟花爆炸产生的爆炸烟花的数量,ymax为适应度值的最大值,f(xi)表示第i个烟花的适应度值。
其中,Amin,k(t)为当前迭代次数爆炸烟花半径的最小值,A为当前迭代次数爆炸烟花的半径,Ainit和Afinal分别为烟花爆炸时的最大半径和最小半径,在此假定Ainit和Afinal分别为10和1/1000,T为迭代计算中的最大迭代次数,t为当前的迭代次数,k为常量。
S206、将原始烟花算子、爆炸烟花算子和变异烟花算子作为一个大的种群,计算每一个烟花的N个PLR值的适应度评价,并将适应度从小到大进行进行排序,优先从所有的烟花算子中选择出适应度值最小的个体作为最优个体进入下一轮迭代,然后采用轮盘赌的机制从剩下的个体中选择适应度值排名靠前的D-1个烟花共同组成新的群体作为下一次迭代计算的初始种群。
其中,p(xi)为种群中当前个体距离最优个体的距离与其他个体距离最优个体的距离之和的比值,R(xj)为当前个体具体其他个体的距离,R(xi)为当前个体到种群中最优个体的距离之和。如果当前个体处于一个密集的区域,那么它被选择的概率比较低。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以台北某工业园区为研究对象,该并联冷机系统由三台制冷量为800RT冷机组成,各冷机具体性能参数如表1所示:
表1各冷机性能参数
现假设用户侧总需求量为总制冷量的70%,即1680RT,如按正常开启两台制冷量为800RT冷水机组不能够完全满足,但是开启三台制冷量为800RT的冷水机组又会造成浪费。通过本发明的分析构建如图1所示的并联冷机系统,并采用IFWA寻优计算获取较优的方案,具体如下:
本次优化的目标函数为:
适应度函数为:
通过改进烟花算法仿真的具体步骤如下:
步骤1:生成10*3的混沌序列作为算法迭代的初始化烟花种群,烟花共有10个,每个烟花3位,作为冷机的PLR值;
步骤2:计算出每个烟花的PLR值所对应的制冷量及功率,并且计算每个烟花的适应度;
步骤3:对每个烟花采用莱维变异操作进行变异,生成同样的10*3的烟花种群并计算适应度;
步骤4:根据原始烟花的适应度计算爆炸烟花的烟花种群,并计算爆炸烟花的适应度;
步骤5:将初始烟花、变异烟花和爆炸烟花作为新的种群,首先挑选出适应度最优的烟花作为下一代的第一个烟花,然后根据轮盘赌选择出剩下的9个烟花作为下一代的其他个体;
步骤6:每次对迭代结果终止条件进行判断,若达到最大进化代数Gmax=100,则终止迭代,否则继续进行迭代,返回步骤2;
得出适应度曲线如图2所示:
从图中可以看出改进烟花算法在带约束的函数极值寻优方面体现了较好的寻优能力,收敛速度也较快,且比较简单容易操作。
运行方法取出三组数据和最初方案的分配如表2:
表2优化后的负荷分配表
从表中可以看出三种方案的负荷分配都可以使得并联冷机系统在低能耗下运行,而方案四的分配结果不太理想,系统总能耗偏高。通过计算对比可以得出,本次并联冷机系统的运行方案相对于最初的方案可以节能0.5%左右,从空调系统长期运行来看,短时间内产生的节能效果最终也会受益。
综上所述,本发明一种基于改进烟花算法的并联冷机负荷优化分配方法,针对并联冷机系统建立的优化数学模型,改进烟花算法的并联冷机负荷分配方法能够使得节能效果达到最佳,避免能源浪费。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种并联冷机负荷优化分配方法,其特征在于,根据不同冷机负载率和额定制冷量参数计算不同负荷下冷机功耗和制冷量,然后计算出不同负荷组合下并联冷机系统的总制冷量和总功率消耗;采用改进烟花算法,首先初始化一部分混沌烟花算子作为初始烟花进行迭代;再根据适应度函数计算烟花算子的适应度值并进行爆炸算子计算,产生爆炸算子;根据适应度值进行莱维变异操作,将烟花原始算子、爆炸算子和混沌变异算子共同进行选择淘汰,保留适应度值小的算子,进行下一次的迭代计算;至此完成一次迭代进化过程;子代种群按照并联冷机系统满足末端负荷需求的情况下能耗最小的方向进化一代,通过不断进化得到最小的系统能耗或者达到最大的迭代次数,将最后一代种群中适应度最大的负载率组合作为优化调节的结果,完成负荷优化分配。
2.根据权利要求1所述的方法,其特征在于,改进烟花算法的具体步骤如下:
S1、每个烟花算子都按照kent模型产生D×N维混沌序列作为PLR值,并将PLR<0.3的值置为0,D为种群中烟花的数量,N为每个烟花的维度;
S2、所有烟花算子计算出各自的N个PLR值所对应的制冷量及功率;
S3、所有烟花算子进行求和计算出D个PLR组合下的并联冷机系统对应的系统总功率;
S4、每个烟花算子采用莱维变异算子对自身的N个PLR值进行莱维变异操作;
S5、将原始烟花算子进行适应度评价得到适应度值,根据适应度值计算出每个烟花爆炸后算子的数量和半径,得到爆炸烟花算子;
S6、将原始烟花算子、爆炸烟花算子和变异烟花算子作为一个大的种群,计算每一个烟花的N个PLR值的适应度评价,并将适应度按从小到大的顺序进行排序,取前D个个体作为新的种群进行迭代,返回步骤S3。
7.根据权利要求2所述的方法,其特征在于,步骤S5具体为:
S501、对当前种群按照适应度函数计算适应度值,然后根据适应度值计算爆炸烟花的半径和数量,每个烟花所表示的冷水机组系统的适应度值Fitj为:
Fitj=Objj+penal*Erj
其中,Erj为并联冷机系统制冷量与末端所需负荷差值,Objj为第j个冷水机组系统的目标函数,penal为惩罚因子,PLRi为每台冷机的负载率,Qi为每台冷机的额定制冷量,Q0为末端所需制冷量;
S502、根据适应度值和烟花爆炸的规律计算爆炸烟花的半径和数量,爆炸烟花的半径为:
其中,Amin,k(t)为当前迭代次数爆炸烟花半径的最小值,A为当前迭代次数爆炸烟花的半径,Ainit和Afinal分别为烟花爆炸时的最大半径和最小半径,为迭代计算中的最大迭代次数,t为当前的迭代次数,k为常量;
第i个烟花爆炸产生的爆炸烟花的数量Si为:
其中,ymax为适应度值的最大值,f(xi)表示第i个烟花的适应度值,m为常量。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
10.一种计算设备,其特征在于,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010426109.7A CN111612247B (zh) | 2020-05-19 | 2020-05-19 | 一种并联冷机负荷优化分配方法、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010426109.7A CN111612247B (zh) | 2020-05-19 | 2020-05-19 | 一种并联冷机负荷优化分配方法、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612247A true CN111612247A (zh) | 2020-09-01 |
CN111612247B CN111612247B (zh) | 2023-09-19 |
Family
ID=72200710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010426109.7A Active CN111612247B (zh) | 2020-05-19 | 2020-05-19 | 一种并联冷机负荷优化分配方法、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612247B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163699A (zh) * | 2020-09-21 | 2021-01-01 | 西安建筑科技大学 | 一种基于负荷匹配的冷水机组台数控制优化方法 |
CN112365076A (zh) * | 2020-11-19 | 2021-02-12 | 西安建筑科技大学 | 一种并联冷机负荷分配优化方法、存储介质及计算设备 |
CN113028599A (zh) * | 2021-04-08 | 2021-06-25 | 南北 | 基于云平台的暖通空调监控系统、方法 |
CN115185316A (zh) * | 2022-09-09 | 2022-10-14 | 之江实验室 | 一种基于烟花算法的智能高精度温度控制方法和装置 |
CN115654786A (zh) * | 2022-12-28 | 2023-01-31 | 北京绿建软件股份有限公司 | 自动确定冷水机组运行策略的方法和装置 |
CN116757243A (zh) * | 2023-06-27 | 2023-09-15 | 哈尔滨工程大学 | 基于混沌Levy多目标烟花算法的多任务分配方法 |
CN116772369A (zh) * | 2023-08-24 | 2023-09-19 | 南通华信中央空调有限公司 | 一种智能环保节能供冷系统及方法 |
CN116822709A (zh) * | 2023-05-22 | 2023-09-29 | 深圳市中电电力技术股份有限公司 | 一种并联式冷水机组负荷分配优化方法、系统和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105652952A (zh) * | 2016-04-18 | 2016-06-08 | 中国矿业大学 | 一种基于烟花算法的光伏发电系统最大功率点跟踪方法 |
JP2016143336A (ja) * | 2015-02-04 | 2016-08-08 | 川崎重工業株式会社 | 分散型エネルギーシステムの構成最適化方法及び装置 |
CN106651023A (zh) * | 2016-12-17 | 2017-05-10 | 三峡大学 | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 |
CN109615141A (zh) * | 2018-12-14 | 2019-04-12 | 广东电网有限责任公司 | 一种多能源系统并网优化调度方法及装置 |
-
2020
- 2020-05-19 CN CN202010426109.7A patent/CN111612247B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016143336A (ja) * | 2015-02-04 | 2016-08-08 | 川崎重工業株式会社 | 分散型エネルギーシステムの構成最適化方法及び装置 |
CN105652952A (zh) * | 2016-04-18 | 2016-06-08 | 中国矿业大学 | 一种基于烟花算法的光伏发电系统最大功率点跟踪方法 |
CN106651023A (zh) * | 2016-12-17 | 2017-05-10 | 三峡大学 | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 |
CN109615141A (zh) * | 2018-12-14 | 2019-04-12 | 广东电网有限责任公司 | 一种多能源系统并网优化调度方法及装置 |
Non-Patent Citations (1)
Title |
---|
徐焕芬 等: "一种新的烟花算法求解约束优化问题" * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163699A (zh) * | 2020-09-21 | 2021-01-01 | 西安建筑科技大学 | 一种基于负荷匹配的冷水机组台数控制优化方法 |
CN112163699B (zh) * | 2020-09-21 | 2023-06-16 | 西安建筑科技大学 | 一种基于负荷匹配的冷水机组台数控制优化方法 |
CN112365076A (zh) * | 2020-11-19 | 2021-02-12 | 西安建筑科技大学 | 一种并联冷机负荷分配优化方法、存储介质及计算设备 |
CN112365076B (zh) * | 2020-11-19 | 2023-06-20 | 西安建筑科技大学 | 一种并联冷机负荷分配优化方法、存储介质及计算设备 |
CN113028599A (zh) * | 2021-04-08 | 2021-06-25 | 南北 | 基于云平台的暖通空调监控系统、方法 |
CN115185316A (zh) * | 2022-09-09 | 2022-10-14 | 之江实验室 | 一种基于烟花算法的智能高精度温度控制方法和装置 |
CN115654786A (zh) * | 2022-12-28 | 2023-01-31 | 北京绿建软件股份有限公司 | 自动确定冷水机组运行策略的方法和装置 |
CN116822709A (zh) * | 2023-05-22 | 2023-09-29 | 深圳市中电电力技术股份有限公司 | 一种并联式冷水机组负荷分配优化方法、系统和存储介质 |
CN116822709B (zh) * | 2023-05-22 | 2024-03-22 | 深圳市中电电力技术股份有限公司 | 一种并联式冷水机组负荷分配优化方法、系统和存储介质 |
CN116757243A (zh) * | 2023-06-27 | 2023-09-15 | 哈尔滨工程大学 | 基于混沌Levy多目标烟花算法的多任务分配方法 |
CN116757243B (zh) * | 2023-06-27 | 2024-01-23 | 哈尔滨工程大学 | 基于混沌Levy多目标烟花算法的多任务分配方法 |
CN116772369A (zh) * | 2023-08-24 | 2023-09-19 | 南通华信中央空调有限公司 | 一种智能环保节能供冷系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111612247B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612247B (zh) | 一种并联冷机负荷优化分配方法、存储介质及设备 | |
CN110260470B (zh) | 基于群智能架构的中央空调并联冷机负荷优化分配方法 | |
CN109631282B (zh) | 一种中央空调系统控制方法及其系统、设备、存储介质 | |
Lu et al. | Global optimization for overall HVAC systems––Part II problem solution and simulations | |
CN109711080B (zh) | 一种冷热电联供系统多时间尺度优化运行方法 | |
CN113739365A (zh) | 中央空调冷站群控节能控制方法、装置、设备及存储介质 | |
CN111583062B (zh) | 基于热网传输时延及储热特性的热电协同调控方法及系统 | |
CN114322208B (zh) | 基于深度强化学习的智能园区空调负荷调控方法和系统 | |
CN102734890A (zh) | 中央空调冷冻水的模糊控制方法、装置及中央空调系统 | |
CN110486896B (zh) | 一种基于冷水机组能耗模型的串级空调系统优化控制方法 | |
CN113465139B (zh) | 一种制冷优化方法、系统、存储介质及设备 | |
Cai et al. | Parallel pump and chiller system optimization method for minimizing energy consumption based on a novel multi-objective gorilla troops optimizer | |
CN111415036B (zh) | 一种中央空调系统并联冷机负荷优化分配方法 | |
CN108507126B (zh) | 一种中央空调冷冻水的模糊控制方法、装置及空调 | |
CN113152595B (zh) | 一种变频恒压供水系统及其节能控制方法 | |
WO2019227273A1 (en) | Hierarchical concept based neural network model for data center power usage effectiveness prediction | |
CN111798045A (zh) | 一种中央空调冷冻水系统节能优化方法 | |
CN112906966B (zh) | 一种中央空调冷水机组负荷优化方法、系统、介质及设备 | |
CN115577828A (zh) | 一种基于数据驱动建模和优化的空调冷冻站系统群控方法 | |
CN115526504A (zh) | 泵站供水系统节能调度方法、系统、电子设备及存储介质 | |
CN111043720A (zh) | 负荷不确定性下制冷系统低成本鲁棒性调适策略制定方法 | |
CN112163699A (zh) | 一种基于负荷匹配的冷水机组台数控制优化方法 | |
CN115355603B (zh) | 制冷站的优化控制方法、装置、电子设备及存储介质 | |
CN118175813A (zh) | 一种数据中心冷却系统热环境分层智能控制系统及方法 | |
CN116822709B (zh) | 一种并联式冷水机组负荷分配优化方法、系统和存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240111 Address after: Room 303, West Floor, Building 1, No. 1, Gaoxin 3rd Street, Changping District, Beijing 102206 (Changping Demonstration Park) Patentee after: BEIJING HYSINE YUNDA TECHNOLOGY CO.,LTD. Address before: 710055 Yanta Road 13, Xi'an City, Shaanxi Province Patentee before: XIAN University OF ARCHITECTURE AND TECHNOLOG |