CN112365076A - 一种并联冷机负荷分配优化方法、存储介质及计算设备 - Google Patents

一种并联冷机负荷分配优化方法、存储介质及计算设备 Download PDF

Info

Publication number
CN112365076A
CN112365076A CN202011304111.3A CN202011304111A CN112365076A CN 112365076 A CN112365076 A CN 112365076A CN 202011304111 A CN202011304111 A CN 202011304111A CN 112365076 A CN112365076 A CN 112365076A
Authority
CN
China
Prior art keywords
particle
updating
plr
individual
parallel
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
CN202011304111.3A
Other languages
English (en)
Other versions
CN112365076B (zh
Inventor
于军琪
赵泽华
赵安军
王福
陈时羽
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202011304111.3A priority Critical patent/CN112365076B/zh
Publication of CN112365076A publication Critical patent/CN112365076A/zh
Application granted granted Critical
Publication of CN112365076B publication Critical patent/CN112365076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Water Supply & Treatment (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种并联冷机负荷分配优化方法、存储介质及计算设备，在并联冷机系统中各冷机类型、额定制冷量、性能参数已知的基础上计算不同末端负荷需求下各冷机的部分负荷率，依据结果计算不同末端负荷需求下系统的总功率消耗；通过将分数阶达尔文粒子群算法的寻优概念引入并联冷机系统的节能研究中，将系统总能耗最小作为优化目标，每一个粒子各个维度的数值作为负荷分配优化问题在搜索空间的优化变量即对应冷机的部分负荷率，并用速度和位置来表示当前粒子的运动状态，用适应度函数判断粒子的优劣程度；通过不断迭代更新优化各个粒子各维度优化变量来达到优化对应冷机部分负荷率的目的，使并联冷机系统具有一组能够以最佳效率运行的冷水机组。

Description

一种并联冷机负荷分配优化方法、存储介质及计算设备
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分数阶达尔文粒子群算法的并联冷机负荷分配优化方法、存储介质及计算设备。
背景技术
近年来，中央空调系统在大型公共建筑中得到了广泛的应用，冷水机组作为中央空调系统的主要耗能设备，其运行能耗约占中央空调系统总能耗的60％，而该能耗约占建筑总能耗的25％-40％，因此，如何提高并联冷机系统的运行效率使其运行能耗最低成为当代建筑节能有价值的研究课题之一。
目前，中央空调冷水机组在进行设计规划时主要依靠室外温度以及最大室内负荷来决定并联冷机系统的末端负荷需求，以此确定各冷机额定容量和数量。但在绝大部分时间冷机都在部分负载情况下运行，由于各冷机经过长时间的运行后设计温度、流量等均存在差异，导致各冷水机组的性能曲线并不相同。
同时，各并联冷机的运行大多采用平均负载策略或预先设定的阈值来制定的加减机策略来满足末端负荷需求变化，但无法根据实时变化的末端负荷需求来调整冷机的运行策略，导致系统中各冷机未能在最佳效率下运行，造成能源浪费。
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，提供一种基于改进分数阶达尔文粒子群算法的并联冷机负荷分配优化方法、存储介质及计算设备，在保证末端负荷需求的情况下，根据末端负荷需求的变化进行负荷分配优化，通过优化系统中各冷机的部分负荷率，使系统可以调整本身的负荷大小，每台冷机都运行在最佳工况点，达到各冷机的能耗总和达到最小的目的。
本发明采用以下技术方案：
一种并联冷机负荷分配优化方法，包括以下步骤：
S1、利用蒙特卡洛模拟方法和BaOA选择机制对并行种群中所有粒子位置、个体最优和全局最优进行初始化；
S2、采用动态变化的自适应更新步骤S1初始化后并行种群的惯性权重和学习因子；
S3、将步骤S2自适应更新后的并行种群分为两个子群，采用维度学习和异构综合学习的两群学习策略并以多重优化策略的更新方式对各并行种群中粒子的速度和位置进行更新；
S4、根据步骤S3更新后的结果计算粒子适应度值，更新个体最优和全局最优，并利用达尔文自然选择机制动态改变各种群的种群规模和搜索空间，同时利用多重优化逐维对粒子优化变量进行迭代选择，在满足末端负荷需求的前提下以系统总能耗为目标函数，以目标函数最小为目标进化下一代，直至得到最低能耗值或达到最大的迭代次数；
S5、将步骤S4迭代完成后的所有并行种群的全局最优进行比较，选择适应度最好对应的粒子位置作为负荷分配优化的结果并输出，完成并联冷机系统的负荷分配优化。
具体的，步骤S1具体为：
S101、对满足冷机PLR的预定义范围的随机数数组即xi,j∈{(0.3,1),0}的随机数数组采用蒙特卡洛模拟通过重复随机抽样找到全局最优解的近似解；
S102、对蒙特卡洛模拟得出的全局最优解的近似解采用BaOA选择机制使用基本算数运算符对近似最优解进行处理，乘法和除法运算符分别生成距近似解较近和较远区域的粒子位置；加法和减法运算符生成距近似解中等距离区域的粒子位置；
S103、利用初始化的粒子位置和各冷机内置的冷机部分负荷率-功率的性能参数计算每个粒子的适应度，设置粒子当前位置为个体最优位置，设置初始全局最佳粒子的位置为全局最优位置。
具体的，步骤S2中，更新公式分别如下：
Figure BDA0002787756430000031
Figure BDA0002787756430000032
其中，t为当前迭代次数，T为设定的总迭代次数，ω为粒子速度更新过程中的惯性权重，c为学习因子。
具体的，步骤S3中，维度学习具体为：
假设以5台并联冷机总能耗最低为优化目标；
Figure BDA0002787756430000033
是用于维度学习的子群中粒子i的初始个体最优位置，
Figure BDA0002787756430000034
是全局最优位置，PLRj更新完毕后会更新
Figure BDA0002787756430000035
和xgbest用于PLRj+1的更新。两者各维度的值分别代表对应冷机PLR在更新过程中的个体最优和全局最优，同时设置xtest用于维度学习的过程中更新粒子个体最优位置
Figure BDA0002787756430000036
过程如下：
S301、首先将初始个体最优位置赋给
Figure BDA0002787756430000037
对于第一台冷机，使
Figure BDA0002787756430000038
则
Figure BDA0002787756430000039
因此PLR1个体最优
Figure BDA00027877564300000310
不更新，粒子个体最优位置
Figure BDA0002787756430000041
S302、对于第二台冷机，使
Figure BDA0002787756430000042
则
Figure BDA0002787756430000043
Figure BDA0002787756430000044
因此更新PLR2个体最优
Figure BDA00027877564300000421
粒子个体最优位置
Figure BDA0002787756430000045
S303、对于第三台冷机，使
Figure BDA0002787756430000046
则
Figure BDA0002787756430000047
Figure BDA0002787756430000048
因此更新PLR3个体最优
Figure BDA0002787756430000049
粒子个体最优位置
Figure BDA00027877564300000410
S304、对于第四台冷机，使
Figure BDA00027877564300000411
则
Figure BDA00027877564300000412
Figure BDA00027877564300000413
因此PLR4个体最优
Figure BDA00027877564300000414
不更新，粒子个体最优位置
Figure BDA00027877564300000415
S305、对于第五台冷机，使
Figure BDA00027877564300000416
则
Figure BDA00027877564300000417
Figure BDA00027877564300000418
因此更新PLR5个体最优
Figure BDA00027877564300000419
粒子个体最优位置
Figure BDA00027877564300000420
进一步的，异构综合学习具体为：将用于异构综合学习的子群分为两个异质子群，分别专注于全局勘探和局部开发，更新第i个粒子第j维的速度，生成一个随机数，如果小于学习概率Pci，任选两个粒子，选取适应度值更好的粒子对应维度的值作为fi(j)；反之粒子i自身的个体最优位置对应维度的值作为fi(j)；第i个(1≤i≤M)粒子进行学习概率设置，使粒子的全局勘探和局部开发平衡，同时选择fi(j)进而更新PLRj后更新所有粒子个体最优位置，然后选择fi(j+1)更新PLRj+1。
具体的，步骤S4具体为：
S401、采用多重优化策略，在一次迭代过程中顺序更新各冷机PLR；
S402、在多重优化过程中，如果优于当前的个体最优，则更新对应粒子的个体最优位置；如果存在某一粒子的最优值优于当前全局最优位置，则更新种群的全局最优位置；
S403、当各种群搜索趋向于局部最优解时，丢弃对应搜索区域并在另一个区域开始新的搜索。
进一步的，步骤S401中，在进行迭代选择时，从PLR1开始更新；首先使除PLR1外的其余冷机的PLR保持不变，经过两群学习更新PLR1。然后使除了PLR2外的其余冷机的PLR保持不变，对PLR2进行更新。依次完成剩余所有冷机PLR的更新，并依S403的达尔文选择机制进化种群，即一次迭代过程结束，进入下一次迭代过程，直至达到终止迭代的条件。
进一步的，步骤S403中，设置搜索计数器SCc记录种群迭代过程中全局最优未被更新的次数；若SCc达到最大临界阈值
Figure BDA0002787756430000051
删除对应种群中适应度值最差的粒子；当生成一个新粒子时，SCc被重置为0；每次删除粒子后SCc随被删除粒子数目Nkill更新；并行的每个种群在没有粒子被删除的前提下，以动态调整概率p生成一个新种群，动态调整概率p如下：
Figure BDA0002787756430000052
其中，A为概率初值，k为动态调整系数，β为初始衰减率，用于调整p的下降速度；
算法的收敛性能直接取决于分数阶系数α，更新公式如下：
Figure BDA0002787756430000053
其中，t为当前迭代次数，T为设定的总迭代次数。
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所述的方法中的任一方法。
本发明的另一个技术方案是，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：
本发明一种并联冷机负荷分配优化方法，基于改进分数阶达尔文粒子群算法的并联冷机负荷分配优化方法，在满足末端负荷需求的前提下，以并联冷水机组系统中各冷机的能耗模型为基础，以系统总功率消耗最小为优化目标进行寻优，并根据计算结果给出的运行策略来控制系统中各冷机的启停和负荷分配，既能保证并联冷机系统安全可靠运行，又能合理的分配负荷，使并联冷机系统在特定的工况下以较低的功率工作，降低了系统的运行能耗，达到节能的目的；改进的分数阶达尔文粒子群算法在分数阶达尔文粒子群算法中加入了初始化改进策略、两群学习策略、多重优化策略，从而达到精确搜索空间、提高算法收敛精度和收敛速度进而提高算法性能的目的。
进一步的，对粒子位置的初始化进行改进，使初始化之后每个粒子在搜索空间中都可以从全局最优解附近开始寻优，放弃一部分不包含全局最优解的搜索空间，为后续寻优提供了一个更为精确的搜索空间，提高了算法的搜索效率。
进一步的，改进后初始化不仅可以将搜索区域集中在全局最优解周围，同时提高粒子在全局最优解附近的搜索效率，进而加快收敛速度。
进一步的，利用多重优化策略对粒子所有维度的优化变量进行更新。将一次迭代过程分割为更小的间隔，每一个间隔顺序更新每一维度的优化变量，帮助粒子同时搜索出多维优化问题的每一维最优解；同时搜索空间由于只与当前维度的优化变量有关而进一步显著减小，计算量呈指数级降低，使寻优过程中不会占用过多的计算空间。
进一步的，异构综合学习中两个异构子群分别用于全局勘探和局部开发能够使两者在搜索过程中达到适当的平衡，并且以多重优化的更新方式进行更新会在选择fi(j)进而更新PLRj后更新所有粒子个体最优位置，然后选择fi(j+1)来更新PLRj+1，保证更新过程中所利用的所有粒子个体最优位置的信息越来越有价值。
进一步的，将维度学习和异构综合学习的两群学习策略融入分数阶达尔文粒子群算法中并以多重优化的更新方式对粒子的速度和位置进行更新，平衡了粒子的全局勘探和局部开发能力，避免了早熟收敛现象，提高了算法的收敛精度。
进一步的，当搜索趋向于局部最优时，该区域的搜索将被简单地丢弃，并在另一个区域开始新的搜索。因此在每一步中，获得适应度更好的结果的种群通过延长粒子寿命或生成新的子代获得奖励，而得到适应度差的结果的种群通过减少种群寿命或删除粒子得到惩罚，进而提高了搜索能力。
进一步的，多重优化可以使每台冷机的PLR单独更新，消除了变量之间的相互影响，减轻了震荡现象，大大提高算法的稳定性，能够同时搜索出每一台冷机的PLR最优解。
综上所述，本发明在进行负荷分配优化时，能利用少量计算空间迅速找到各冷机的最优部分负荷率，使并联冷机系统依照更节能的运行策略运行，提高各冷机工作效率，降低系统总能耗。
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为本发明负荷分配优化方法中并联冷机系统示意图；
图2为本发明负荷分配优化方法中蒙特卡洛模拟方法流程图；
图3为本发明负荷分配优化方法中维度学习过程示意图；
图4为本发明负荷分配优化方法中锦标赛选择机制流程图；
图5为本发明负荷分配优化方法中多重优化过程示意图；
图6为本发明负荷分配优化方法流程图；
图7为本发明负荷分配优化方法中负荷分配优化适应度曲线。
具体实施方式
本发明提供了一种基于改进分数阶达尔文粒子群算法的并联冷机负荷分配优化方法、存储介质及计算设备，在并联冷机系统中各冷机类型、额定制冷量、性能参数已知的基础上计算不同末端负荷需求下各冷机的部分负荷率，并依据此计算结果计算不同末端负荷需求下系统的总功率消耗。通过将分数阶达尔文粒子群算法的寻优概念引入到并联冷机系统的节能研究中。将系统总能耗最小作为优化目标，每一个粒子各个维度的数值作为负荷分配优化问题在搜索空间的优化变量即对应冷机的部分负荷率，并用速度和位置来表示当前粒子的运动状态，用适应度函数判断粒子的优劣程度；通过不断迭代更新优化各个粒子各维度优化变量来达到优化对应冷机部分负荷率的目的，使并联冷机系统具有一组能够以最佳效率运行的冷水机组。
请参阅图1，并联冷机系统由两台或多台冷水机组通过并联或串联管道连接到一个共同的分配系统，每台冷机都有不同的额定容量和能耗性能，供水和回水可以通过旁通管相互流动，使水流量根据系统的末端负荷需求进行变化。通过控制供回水的水流量，系统的末端负荷需求分配到每一台冷机，满足整个系统的负荷需求。
本发明中冷机功率与部分负荷率(PLR)之间在给定湿球温度下具有如下关系：
Figure BDA0002787756430000091
Pchiller，i＝ai+bi*PLRi+ci*PLRi 2+di*PLRi 3
其中，Pchiller,i为第i台冷机功耗；PLRi为第i台冷机部分负荷率；ai、bi、ci、di为冷机本身的性能参数。
并联冷机系统负荷分配优化问题是在给定目标函数最小的情况下，寻找一组不超过运行限制条件的冷水机组部分负荷率(PLR)，如下所示：
Figure BDA0002787756430000092
Figure BDA0002787756430000093
其中，
Figure BDA0002787756430000094
为第i台冷机的额定制冷量，Qneed为系统末端冷却负荷需求，Ptotal为并联冷机系统的总功耗，N为并联冷机台数。同时，考虑到冷水机组的性能和制造厂商的建议，每台冷机的PLR应不小于0.3，如下所示：
0.3≤PLRi≤l或PLRi＝0
本发明一种基于改进分数阶达尔文粒子群算法的并联冷机负荷分配优化方法，包括以下步骤：
S1、利用蒙特卡洛模拟方法和BaOA选择机制对并行种群中所有粒子位置、个体最优和全局最优进行初始化；
S101、请参阅图2，蒙特卡洛模拟通过重复随机抽样，快速找到全局最优解的近似解；
S102、BaOA选择机制使用基本算数运算符来指导粒子下一步初始化：乘法运算符和除法运算符分别生成近似解附近和较远区域的粒子位置；加法运算符和减法运算符生成近似解的中等范围内的粒子位置，初始化公式如下：
xi，j＝[(X+ψ)(X-ψ)(X×ψ)(X÷ψ)]
具体的，蒙特卡洛模拟为BaOA选择机制提供一个更为精确的搜索空间，BaOA选择机制将搜索区域精确在全局最优解附近，提高粒子的搜索效率；
S103、利用初始化的粒子位置和各冷机内置的冷机部分负荷率-功率的性能参数计算每个粒子的适应度，设置粒子当前位置为其个体最优位置，设置初始全局最佳粒子的位置为全局最优位置；
S2、采用动态变化的自适应更新惯性权重和学习因子；
更新公式分别如下：
Figure BDA0002787756430000101
Figure BDA0002787756430000102
其中：t为当前迭代次数，T为设定的总迭代次数。
S3、将各并行种群分为两个子群，采用基于维度学习和异构综合学习的两群学习策略并以多重优化策略的更新方式对各并行种群中粒子的速度和位置进行更新；
维度学习通过个体最优向全局最优学习来对维度学习子群中粒子速度和位置进行更新，从而可以将全局最优中有价值的信息传递给个体最优；
请参阅图3，假设以5台并联冷机总能耗最低为优化目标，如图4所示，其中
Figure BDA0002787756430000103
是该子群中粒子i的初始个体最优位置，
Figure BDA0002787756430000111
是全局最优位置，PLRj更新完毕后会更新
Figure BDA0002787756430000112
和xgbest用于PLRj+1的更新。两者各维度的值分别代表对应冷机PLR在更新过程中的个体最优和全局最优，同时设置xtest用于更新粒子个体最优位置
Figure BDA0002787756430000113
具体过程如下：
S301、首先将初始个体最优位置赋给
Figure BDA0002787756430000114
对于第一台冷机，使
Figure BDA0002787756430000115
则
Figure BDA0002787756430000116
因此PLR1个体最优
Figure BDA0002787756430000117
不更新，粒子个体最优位置
Figure BDA0002787756430000118
S302、对于第二台冷机，使
Figure BDA0002787756430000119
则
Figure BDA00027877564300001110
Figure BDA00027877564300001111
因此更新PLR2个体最优
Figure BDA00027877564300001112
粒子个体最优位置
Figure BDA00027877564300001113
S303、对于第三台冷机，使
Figure BDA00027877564300001114
则
Figure BDA00027877564300001115
Figure BDA00027877564300001116
因此更新PLR3个体最优
Figure BDA00027877564300001117
粒子个体最优位置
Figure BDA00027877564300001118
S304、对于第四台冷机，使
Figure BDA00027877564300001119
则
Figure BDA00027877564300001120
Figure BDA00027877564300001121
因此PLR4个体最优
Figure BDA00027877564300001122
不更新，粒子个体最优位置
Figure BDA00027877564300001123
S305、对于第五台冷机，使
Figure BDA00027877564300001124
则
Figure BDA00027877564300001125
Figure BDA00027877564300001126
因此更新PLR5个体最优
Figure BDA00027877564300001127
粒子个体最优位置
Figure BDA00027877564300001128
更新第j台冷机PLRj时速度更新公式如下：
Figure BDA00027877564300001129
异构综合学习将用于异构综合学习的子群再分为两个异质子群，分别专注于全局勘探和局部开发，更新第j台冷机PLRj时速度更新公式分别为：
Figure BDA0002787756430000121
Figure BDA0002787756430000122
其中，
Figure BDA0002787756430000123
是异构综合学习得到的个体最优位置，fi(j)＝[fi(1)，fi(2)，...，fi(D)]决定
Figure BDA0002787756430000124
学习哪一个粒子的对应维度的个体最优位置，fi(j)通过锦标赛选择机制进行选择，如图4所示：生成一个随机数，如果小于学习概率Pci，任选两个粒子，选取适应度值更好的粒子对应维度的值作为fi(j)；反之粒子i自身的个体最优位置对应维度的值作为fi(j)，以多重优化的更新方式进行更新会在选择fi(j)进而更新PLRj后更新所有粒子个体最优位置，然后选择fi(j+1)来更新PLRj+1。
具体的，由于学习概率Pc对粒子的全局勘探和局部开发的能力有关键性的影响，为了使两者达到适当的平衡，第i个(1≤i≤M)粒子采用如下学习概率设置方法：
Figure BDA0002787756430000125
S4、对状态更新后的粒子适应度值进行计算，更新个体最优和全局最优，同时利用多重优化顺序更新各冷机PLR，完成一次迭代更新过程，并利用达尔文自然选择机制动态改变各种群的种群规模和搜索空间，在满足末端负荷需求的前提下以系统总能耗为目标函数，以目标函数最小为目标进化下一代，直至得到最低能耗值或达到最大的迭代次数；
S401、本发明采用多重优化策略，将一次迭代过程分割为更小的间隔，每一个间隔只更新一台冷机的PLR，同时保证所有PLR在一次迭代内完成一次更新。
具体的，在进行迭代选择时，从PLR1开始更新。首先使除PLR1外的其余冷机的PLR保持不变，经过两群学习更新PLR1。然后使除了PLR2外的其余冷机的PLR保持不变，对PLR2进行更新。依次完成剩余所有冷机PLR的更新，并依达尔文选择机制进化种群，即一次迭代过程结束，进入下一次迭代过程，直至达到终止迭代的条件。
S402、在多重优化的过程中，如果优于当前的个体最优，则更新该粒子的个体最优位置；如果存在某一粒子的最优值优于当前全局最优位置，则更新种群的全局最优位置；
S403、当各种群搜索趋向于局部最优解时，该搜索区域将被丢弃并在另一个区域开始新的搜索。
基于此方法，在每一次迭代过程中，获得更好适应度的种群通过生成新粒子来延长种群寿命。而获得较差适应度的种群则通过删除粒子甚至整个种群来缩短种群寿命；
具体的，设置搜索计数器SCc来记录种群迭代过程中全局最优未被更新的次数。若SCc达到最大临界阈值
Figure BDA0002787756430000131
删除该种群中适应度值最差的粒子；当生成一个新粒子时，SCc将被重置为0。为了保持算法搜索多样性，每次删除粒子后SCc随被删除粒子数目Nkill更新：
Figure BDA0002787756430000132
具体的，并行的每个种群在没有粒子被删除的前提下，都可以以概率p生成一个新种群。本发明提出动态调整概率p：
Figure BDA0002787756430000141
其中，A为概率初值，k为动态调整系数，β为初始衰减率，用于调整p的下降速度。
具体的，算法的收敛性能直接取决于分数阶系数α，更新公式如下：
Figure BDA0002787756430000142
具体的，在进行迭代选择时，首先使第一维度外的其余维度的优化变量保持不变，经过两群学习更新个体最优和全局最优，并依达尔文选择机制进化种群，完成对第一维度优化变量的更新。然后使第二维度外的其余维度的优化变量保持不变，对第二维度优化变量进行更新。依次完成剩余所有维度优化变量的更新，即一次迭代过程结束，进入下一次迭代过程，直至达到终止迭代的条件。
S5、将迭代完成后的所有并行种群的全局最优进行比较，选择其中适应度最好对应的粒子位置作为负荷分配优化的结果并输出，完成并联冷机系统的负荷分配优化。
请参阅图6，并行种群进入迭代选择过程，并以目标函数最小为目标进化下一代，直至得到最低能耗值或达到最大的迭代次数，停止迭代。将迭代完成后的所有并行种群的全局最优进行比较，选择其中适应度最好对应的粒子位置作为负荷分配优化的结果并输出，并且该适应度即为并联冷机系统总能耗的最小值。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于*的操作，包括：利用蒙特卡洛模拟方法和BaOA选择机制对并行种群中所有粒子位置、个体最优和全局最优进行初始化；采用动态变化的自适应更新初始化后并行种群的惯性权重和学习因子；将自适应更新后的并行种群分为两个子群，采用维度学习和异构综合学习的两群学习策略并以多重优化策略的更新方式对各并行种群中粒子的速度和位置进行更新；根据更新后的结果计算粒子适应度值，更新个体最优和全局最优，并利用达尔文自然选择机制动态改变各种群的种群规模和搜索空间，同时利用多重优化逐维对粒子优化变量进行迭代选择，在满足末端负荷需求的前提下以系统总能耗为目标函数，以目标函数最小为目标进化下一代，直至得到最低能耗值或达到最大的迭代次数；将迭代完成后的所有并行种群的全局最优进行比较，选择适应度最好对应的粒子位置作为负荷分配优化的结果并输出，完成并联冷机系统的负荷分配优化。。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关电网中长期检修计划的校核方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：利用蒙特卡洛模拟方法和BaOA选择机制对并行种群中所有粒子位置、个体最优和全局最优进行初始化；采用动态变化的自适应更新初始化后并行种群的惯性权重和学习因子；将自适应更新后的并行种群分为两个子群，采用维度学习和异构综合学习的两群学习策略并以多重优化策略的更新方式对各并行种群中粒子的速度和位置进行更新；根据更新后的结果计算粒子适应度值，更新个体最优和全局最优，并利用达尔文自然选择机制动态改变各种群的种群规模和搜索空间，同时利用多重优化逐维对粒子优化变量进行迭代选择，在满足末端负荷需求的前提下以系统总能耗为目标函数，以目标函数最小为目标进化下一代，直至得到最低能耗值或达到最大的迭代次数；将迭代完成后的所有并行种群的全局最优进行比较，选择适应度最好对应的粒子位置作为负荷分配优化的结果并输出，完成并联冷机系统的负荷分配优化。
请参阅图1，是本发明采用的中央空调系统中的一种多冷机系统，该系统可以调整本身的负荷大小，使每台冷机都运行在最佳工况点。
请参阅图2，是本发明提出的蒙特卡洛方法流程图，蒙特卡洛方法计算负荷分配优化问题的近似解就是把每一台冷机的PLR当作一个随机变量的统计量问题来处理，这种方法求得的近似解与全局最优解较为接近。
请参阅图3，是利用维度学习更新粒子速度过程示意图，通过个体最优和全局最优逐维进行对比将全局最优中有价值的信息传递给个体最优
请参阅图4，是异构综合学习中的锦标赛选择机制，对应各维生成一个随机数，将随机数与粒子i所在种群的学习概率Pc进行对比，如果小于学习概率Pci，选取任意两个粒子并进行比较，选取适应度更好的粒子对应维度的值进行学习；反之将自身的个体最优位置对应维度的值进行学习。
请参阅图5，是改进分数阶达尔文粒子群算法流程图，在负荷分配优化的过程中，各冷机的PLR作为粒子各个维度的值进行迭代更新，先后经过初始化、参数自适应更新、两群学习策略更新粒子速度和位置、个体最优和全局最优更新、达尔文自然选择机制动态改变各种群规模和搜索空间，达到设定的最大迭代次数后完成迭代更新过程，完成负荷分配优化。
验证过程
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
Figure BDA0002787756430000171
现假设用户侧末端负荷需求量为总制冷量的90％，即2160RT，如按正常开启两台制冷量为800RT冷机不能够完全满足末端负荷需求，但是开启三台制冷量为800RT的冷机又会造成能耗浪费。通过本发明的分析构建如图1所示的并联冷机系统，并采用改进的分数阶达尔文粒子群算法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：
min(Ptotal)
s.t.0.3≤PLRi≤1或PLRi＝0
Figure BDA0002787756430000181
适应度函数为：
Fiti＝Ptotal
通过改进分数阶达尔文粒子群算法进行仿真验证的具体步骤如下：
步骤1：设置初始并行种群数为6，每个种群中粒子数为50个，并初始化并行种群中所有粒子的位置以及种群的个体最优和全局最优，每个粒子位置由3维数值组成，分别作为3台冷机的PLR值；
步骤2：计算每个粒子位置中PLR值对应的制冷量和功率消耗，并计算出每个粒子的适应度；
步骤3：通过两群学习策略和多重优化策略对各并行种群所有粒子的速度和位置逐维进行更新，其中两个子群中粒子数分别占种群总粒子数的3/8和5/8；
步骤4：对速度和位置更新后的粒子进行适应度的计算，同时更新各并行种群的个体最优和全局最优；
步骤5：以粒子适应度、个体最优、全局最优的更新结果为前提，根据达尔文自然选择机制动态改变各并行种群的种群规模和搜索空间，即进化种群；
步骤6：对迭代更新的终止条件进行判断，若达到最大迭代次数nger_max＝100，则终止迭代更新过程，否则返回步骤2继续进行迭代更新，直至达到最大迭代次数；
得出适应度曲线如图7所示：
从图中可以看出改进分数阶达尔文粒子群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，收敛精度较高，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
Figure BDA0002787756430000191
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，而方案四的各冷机负荷分配结果不太理想，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0.45％，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分数阶达尔文粒子群算法的并联冷机负荷分配优化方法，针对并联冷机系统建立的能耗数学模型，改进分数阶达尔文粒子群算法的并联冷机负荷分配方法能够得到更加节能的运行策略，使得各冷机总功率消耗最低，避免能源浪费。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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分配优化方法，其特征在于，包括以下步骤：
S1、利用蒙特卡洛模拟方法和BaOA选择机制对并行种群中所有粒子位置、个体最优和全局最优进行初始化；
S2、采用动态变化的自适应更新步骤S1初始化后并行种群的惯性权重和学习因子；
S3、将步骤S2自适应更新后的并行种群分为两个子群，采用维度学习和异构综合学习的两群学习策略并以多重优化策略的更新方式对各并行种群中粒子的速度和位置进行更新；
S4、根据步骤S3更新后的结果计算粒子适应度值，更新个体最优和全局最优，并利用达尔文自然选择机制动态改变各种群的种群规模和搜索空间，同时利用多重优化逐维对粒子优化变量进行迭代选择，在满足末端负荷需求的前提下以系统总能耗为目标函数，以目标函数最小为目标进化下一代，直至得到最低能耗值或达到最大的迭代次数；
S5、将步骤S4迭代完成后的所有并行种群的全局最优进行比较，选择适应度最好对应的粒子位置作为负荷分配优化的结果并输出，完成并联冷机系统的负荷分配优化。
2.根据权利要求1所述的并联冷机负荷分配优化方法，其特征在于，步骤S1具体为：
S101、对满足冷机PLR的预定义范围的随机数数组即xi，j∈{(0.3，1)，0}的随机数数组采用蒙特卡洛模拟通过重复随机抽样找到全局最优解的近似解；
S102、对蒙特卡洛模拟得出的全局最优解的近似解采用BaOA选择机制使用基本算数运算符对近似最优解进行处理，乘法和除法运算符分别生成距近似解较近和较远区域的粒子位置；加法和减法运算符生成距近似解中等距离区域的粒子位置；
S103、利用初始化的粒子位置和各冷机内置的冷机部分负荷率-功率的性能参数计算每个粒子的适应度，设置粒子当前位置为个体最优位置，设置初始全局最佳粒子的位置为全局最优位置。
3.根据权利要求1所述的并联冷机负荷分配优化方法，其特征在于，步骤S2中，更新公式分别如下：
Figure FDA0002787756420000021
Figure FDA0002787756420000022
其中，t为当前迭代次数，T为设定的总迭代次数，ω为粒子速度更新过程中的惯性权重，c为学习因子。
4.根据权利要求1所述的并联冷机负荷分配优化方法，其特征在于，步骤S3中，维度学习具体为：
假设以5台并联冷机总能耗最低为优化目标；
Figure FDA0002787756420000023
是用于维度学习的子群中粒子i的初始个体最优位置，
Figure FDA0002787756420000024
是全局最优位置，PLRj更新完毕后会更新
Figure FDA0002787756420000025
和xgbest用于PLRj+1的更新；两者各维度的值分别代表对应冷机PLR在更新过程中的个体最优和全局最优，同时设置xtest用于维度学习的过程中更新粒子个体最优位置
Figure FDA0002787756420000026
过程如下：
S301、首先将初始个体最优位置赋给
Figure FDA0002787756420000027
对于第一台冷机，使
Figure FDA0002787756420000028
则
Figure FDA0002787756420000031
因此PLR1个体最优
Figure FDA0002787756420000032
不更新，粒子个体最优位置
Figure FDA0002787756420000033
S302、对于第二台冷机，使
Figure FDA0002787756420000034
则
Figure FDA0002787756420000035
Figure FDA0002787756420000036
因此更新PLR2个体最优
Figure FDA0002787756420000037
粒子个体最优位置
Figure FDA0002787756420000038
S303、对于第三台冷机，使
Figure FDA0002787756420000039
则
Figure FDA00027877564200000310
Figure FDA00027877564200000311
因此更新PLR3个体最优
Figure FDA00027877564200000312
粒子个体最优位置
Figure FDA00027877564200000313
S304、对于第四台冷机，使
Figure FDA00027877564200000314
则
Figure FDA00027877564200000315
Figure FDA00027877564200000316
因此PLR4个体最优
Figure FDA00027877564200000317
不更新，粒子个体最优位置
Figure FDA00027877564200000318
S305、对于第五台冷机，使
Figure FDA00027877564200000319
则
Figure FDA00027877564200000320
Figure FDA00027877564200000321
因此更新PLR5个体最优
Figure FDA00027877564200000322
粒子个体最优位置
Figure FDA00027877564200000323
5.根据权利要求4所述的并联冷机负荷分配优化方法，其特征在于，异构综合学习具体为：将用于异构综合学习的子群分为两个异质子群，分别专注于全局勘探和局部开发，更新第i个粒子第j维的速度，生成一个随机数，如果小于学习概率Pci，任选两个粒子，选取适应度值更好的粒子对应维度的值作为fi(j)；反之粒子i自身的个体最优位置对应维度的值作为fi(j)；第i个(1≤i≤M)粒子进行学习概率设置，使粒子的全局勘探和局部开发平衡，同时选择fi(j)进而更新PLRj后更新所有粒子个体最优位置，然后选择fi(j+1)更新PLRj+1。
6.根据权利要求1所述的并联冷机负荷分配优化方法，其特征在于，步骤S4具体为：
S401、采用多重优化策略，在一次迭代过程中顺序更新各冷机PLR；
S402、在多重优化过程中，如果优于当前的个体最优，则更新对应粒子的个体最优位置；如果存在某一粒子的最优值优于当前全局最优位置，则更新种群的全局最优位置；
S403、当各种群搜索趋向于局部最优解时，丢弃对应搜索区域并在另一个区域开始新的搜索。
7.根据权利要求6所述的并联冷机负荷分配优化方法，其特征在于，步骤S401中，在进行迭代选择时，从PLR1开始更新；首先使除PLR1外的其余冷机的PLR保持不变，经过两群学习更新PLR1；然后使除了PLR2外的其余冷机的PLR保持不变，对PLR2进行更新；依次完成剩余所有冷机PLR的更新，并依S403的达尔文选择机制进化种群，即一次迭代过程结束，进入下一次迭代过程，直至达到终止迭代的条件。
8.根据权利要求6所述的并联冷机负荷分配优化方法，其特征在于，步骤S403中，设置搜索计数器SCc记录种群迭代过程中全局最优未被更新的次数；若SCc达到最大临界阈值
Figure FDA0002787756420000041
删除对应种群中适应度值最差的粒子；当生成一个新粒子时，SCc被重置为0；每次删除粒子后SCc随被删除粒子数目Nkill更新；并行的每个种群在没有粒子被删除的前提下，以动态调整概率p生成一个新种群，动态调整概率p如下：
Figure FDA0002787756420000042
其中，A为概率初值，k为动态调整系数，β为初始衰减率，用于调整p的下降速度；
算法的收敛性能直接取决于分数阶系数α，更新公式如下：
Figure FDA0002787756420000051
其中，t为当前迭代次数，T为设定的总迭代次数。
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。
CN202011304111.3A 2020-11-19 2020-11-19 一种并联冷机负荷分配优化方法、存储介质及计算设备 Active CN112365076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011304111.3A CN112365076B (zh) 2020-11-19 2020-11-19 一种并联冷机负荷分配优化方法、存储介质及计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011304111.3A CN112365076B (zh) 2020-11-19 2020-11-19 一种并联冷机负荷分配优化方法、存储介质及计算设备

Publications (2)

Publication Number Publication Date
CN112365076A true CN112365076A (zh) 2021-02-12
CN112365076B CN112365076B (zh) 2023-06-20

Family

ID=74532575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011304111.3A Active CN112365076B (zh) 2020-11-19 2020-11-19 一种并联冷机负荷分配优化方法、存储介质及计算设备

Country Status (1)

Country Link
CN (1) CN112365076B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906966A (zh) * 2021-02-22 2021-06-04 西安建筑科技大学 一种中央空调冷水机组负荷优化方法、系统、介质及设备
CN113359430A (zh) * 2021-06-10 2021-09-07 华侨大学 现场可编程逻辑阵列及其控制方法和直流电机控制系统
CN114135981A (zh) * 2021-11-17 2022-03-04 东南大学建筑设计研究院有限公司 一种地源热泵机组节能优化控制的实现方法
CN114491772A (zh) * 2022-03-23 2022-05-13 清华大学 一种户型布局生成方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090070281A1 (en) * 2007-06-01 2009-03-12 Solomon Research Llc System for hybridized efficient genetic algorithms to solve bi-objective optimization problems with application to network computing
CN106887841A (zh) * 2017-03-23 2017-06-23 东北大学 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法
US20180082198A1 (en) * 2016-09-19 2018-03-22 The Aerospace Corporation Systems and Methods for Multi-Objective Optimizations with Decision Variable Perturbations
CN109193800A (zh) * 2018-09-11 2019-01-11 国网江西省电力有限公司电力科学研究院 一种基于外点罚函数法的风电场储能容量的优化配置方法
CN110260470A (zh) * 2019-06-20 2019-09-20 西安建筑科技大学 基于群智能架构的中央空调并联冷机负荷优化分配方法
WO2020140743A1 (zh) * 2018-12-30 2020-07-09 国网天津市电力公司电力科学研究院 配电台区源-荷协同接入方法、终端、存储介质
CN111415036A (zh) * 2020-03-17 2020-07-14 西安建筑科技大学 一种中央空调系统并联冷机负荷优化分配方法
CN111612247A (zh) * 2020-05-19 2020-09-01 西安建筑科技大学 一种并联冷机负荷优化分配方法、存储介质及设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090070281A1 (en) * 2007-06-01 2009-03-12 Solomon Research Llc System for hybridized efficient genetic algorithms to solve bi-objective optimization problems with application to network computing
US20180082198A1 (en) * 2016-09-19 2018-03-22 The Aerospace Corporation Systems and Methods for Multi-Objective Optimizations with Decision Variable Perturbations
CN106887841A (zh) * 2017-03-23 2017-06-23 东北大学 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法
CN109193800A (zh) * 2018-09-11 2019-01-11 国网江西省电力有限公司电力科学研究院 一种基于外点罚函数法的风电场储能容量的优化配置方法
WO2020140743A1 (zh) * 2018-12-30 2020-07-09 国网天津市电力公司电力科学研究院 配电台区源-荷协同接入方法、终端、存储介质
CN110260470A (zh) * 2019-06-20 2019-09-20 西安建筑科技大学 基于群智能架构的中央空调并联冷机负荷优化分配方法
CN111415036A (zh) * 2020-03-17 2020-07-14 西安建筑科技大学 一种中央空调系统并联冷机负荷优化分配方法
CN111612247A (zh) * 2020-05-19 2020-09-01 西安建筑科技大学 一种并联冷机负荷优化分配方法、存储介质及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"\"Dynamic Group Learning Distributed Particle Swarm Optimization for Large-Scale Optimization and Its Application in Cloud Workflow Scheduling\"", 《IEEE》 *
张锐;商聪;李永振;: "基于动态改变惯性权自适应粒子群算法的电厂负荷分配研究", 制造业自动化, no. 17 *
黄丽;彭道刚;顾立群;张浩;: "基于改进量子粒子群算法负荷优化分配研究", 控制工程, no. 07 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906966A (zh) * 2021-02-22 2021-06-04 西安建筑科技大学 一种中央空调冷水机组负荷优化方法、系统、介质及设备
CN112906966B (zh) * 2021-02-22 2023-07-18 西安建筑科技大学 一种中央空调冷水机组负荷优化方法、系统、介质及设备
CN113359430A (zh) * 2021-06-10 2021-09-07 华侨大学 现场可编程逻辑阵列及其控制方法和直流电机控制系统
CN114135981A (zh) * 2021-11-17 2022-03-04 东南大学建筑设计研究院有限公司 一种地源热泵机组节能优化控制的实现方法
CN114491772A (zh) * 2022-03-23 2022-05-13 清华大学 一种户型布局生成方法及装置
CN114491772B (zh) * 2022-03-23 2022-09-13 清华大学 一种户型布局生成方法及装置

Also Published As

Publication number Publication date
CN112365076B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN112365076A (zh) 一种并联冷机负荷分配优化方法、存储介质及计算设备
CN111765604B (zh) 空调的控制方法和装置
WO2016147780A1 (ja) 機器特性モデル学習装置、機器特性モデル学習方法、及び記憶媒体
KR101754536B1 (ko) 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치
CN112966431B (zh) 一种数据中心能耗联合优化方法、系统、介质及设备
CN111612247B (zh) 一种并联冷机负荷优化分配方法、存储介质及设备
CN111637596A (zh) 一种空调的控制方法、装置、空调、存储介质及处理器
CN111240796B (zh) 一种基于改进mmas的负载均衡调度方法
WO2023040694A1 (zh) 制冷机房能效计算方法、装置和电子设备
KR101727434B1 (ko) 랜덤 포레스트 모델을 이용한 냉동기의 성능 판단 방법
CN114001443A (zh) 一种基于ai的机房节能方法及装置
CN112665120A (zh) 冷水机组的冷却负荷量控制方法、装置及设备
CN115983438A (zh) 数据中心末端空调系统运行策略确定方法及装置
CN113883689B (zh) 一种空调系统
CN114543274A (zh) 一种建筑中央空调温湿度优化控制方法及系统
WO2022198734A1 (zh) 基于响应优先级的公共建筑电力需求响应双重优化方法
CN112906966A (zh) 一种中央空调冷水机组负荷优化方法、系统、介质及设备
CN113028610A (zh) 中央空调动态负荷全局优化与节能控制的方法和装置
CN110762739B (zh) 数据中心空调控制方法、装置、设备及存储介质
CN116261300A (zh) 一种数据中心制冷设备与气流组织的联合优化方法及装置
CN114923219A (zh) 空调控制方法、空调系统及空调器
US20220373206A1 (en) Chiller controller for optimized efficiency
CN116164389A (zh) 一种系统优化方法、装置、设备及计算机可读存储介质
CN204853838U (zh) 一种中央空调控制系统
CN115163540A (zh) 一种风扇转速控制方法、装置及设备

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