CN112906966B - 一种中央空调冷水机组负荷优化方法、系统、介质及设备 - Google Patents
一种中央空调冷水机组负荷优化方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN112906966B CN112906966B CN202110197657.1A CN202110197657A CN112906966B CN 112906966 B CN112906966 B CN 112906966B CN 202110197657 A CN202110197657 A CN 202110197657A CN 112906966 B CN112906966 B CN 112906966B
- Authority
- CN
- China
- Prior art keywords
- population
- fitness
- individual
- probability
- central air
- 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.)
- Active
Links
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"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/89—Arrangement or mounting of control or safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Combustion & Propulsion (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Feedback Control In General (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种中央空调冷水机组负荷优化方法、系统、介质及设备,对中央空调冷水机组负荷系统进行初始化,随机产生初始群体并设置中央空调冷水机组负荷系统的参数;根据设置的冷水机组负荷优化系统参数计算各个个体的适应度值F;根据各个个体的适应度值F选择遗传操作的顺序;根据确定的遗传操作顺序判断遗传操作结果是否已搜索到最优值或已迭代到设定的最大迭代次数;如果达到收敛条件,输出最小系统能耗值、平均系统能耗以及收敛速度,实现中央空调冷水机组负荷系统的优化。本发明在保证解的质量的同时提高了收敛速度,通过合理的负荷分配有效降低系统能耗。
Description
技术领域
本发明属于中央空调技术领域,具体涉及一种中央空调冷水机组负荷优化方法、系统、介质及设备。
背景技术
在我国大型公共建筑的能耗中,空调系统的能耗约占建筑总能耗的40%,然而,空调系统能耗主要来自冷水机组的能耗,对冷水机组而言,其控制策略的优劣将直接决定机组能耗的高低。因此,如何在不同冷负荷条件下降低冷水机组系统能耗,继而对其进行合理控制优化是一个亟待解决的问题。此外,由于冷机群控系统通常是由性能和容量各不相同的冷水机组构成,因此研究各冷水机组在部分负荷率(Partial Load Rate,PLR)下的运行优化组合对于实现建筑节能和绿色发展具有重要的现实意义。
目前,该领域提出了多种冷水机组负荷优化的模型和优化算法,以推进最优冷水机组负荷(Optimal Chiller Loading,OCL)问题的研究,但是当前基本智能算法优化环境下依然存在空调负荷分配不合理造成大量能源浪费的情况。
针对这个问题,考虑到差分进化(Differential Evoluation,DE)算法在求解OCL问题时的有效性,该算法不仅能找到问题最优解,也能获得较好的平均解,且该算法在求解最优解问题方面优于基本GA算法,并解决了拉格朗日方法在低需求下产生的发散问题,但也存在迭代后期收敛速度缓慢、易陷入局部最优等问题。除此之外,也考虑到自适应遗传算法(Adaptive Genetic Algorithm,AGA)改进了基本遗传算法其交叉概率和变异概率为经验值且固定不变,容易出现算法寻优性能差,导致所选的最优参数不准确的问题,它根据个体适应度值的不同自适应的调节交叉和变异概率,使每代最优个体不会处于一种不发生变化的状态,但在实际应用中最大的不足就是容易出现过早收敛即未成熟收敛,这种现象属于遗传算法所特有,而且有很强的随机性,几乎无法预见它是否会产生。
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,提供一种中央空调冷水机组负荷优化方法、系统、介质及设备,对影响算法搜索边界的判断先交叉还是先变异的判断条件进行改进,对影响算法搜索速度的最佳个体选择概率公式进行改进,以解决中央空调OCL的问题。
本发明采用以下技术方案:
一种中央空调冷水机组负荷优化方法,包括以下步骤:
S1、对中央空调冷水机组负荷系统进行初始化,随机产生初始群体并设置中央空调冷水机组负荷系统的参数;
S2、根据步骤S1设置的冷水机组负荷优化系统参数计算各个个体的适应度值F;
S3、根据步骤S2各个个体的适应度值F选择遗传操作的顺序;
S4、根据步骤S3确定的遗传操作顺序判断遗传操作结果是否已搜索到最优值或已迭代到设定的最大迭代次数;
S5、如果步骤S4达到收敛条件,输出最小系统能耗值、平均系统能耗以及收敛速度,实现中央空调冷水机组负荷系统的优化。
具体的,步骤S1中,中央空调冷水机组负荷系统参数包括:种群规模、染色体长度、交叉概率、变异概率、最大迭代次数和决策变量个数。
具体的,步骤S2中,根据各个个体的适应度值F对种群所有个体进行评价,保留最大适应度个体,淘汰最小适应度个体,适应度函数为冷水机组COP最高。
进一步的,个体适应度值F具体为:
F=ai+biPLRi+ciPLRi 2+diPLRi 3
其中,ai,bi,ci,di是第i台冷水机组的能效曲线系数,PLRi是第i台冷水机组的部分负荷率。
具体的,步骤S3中,根据步骤S2确定的各个个体的适应度值F判断fmax代表群体中的最大适应度值,favg代表群体的平均适应度值,fmin代表群体中的最小适应度值,λ为一无穷小正数,如果成立,以自适应概率先执行变异操作,然后以自适应概率进行交叉操作,最后执行选择操作。
进一步的,如果不成立,以自适应概率先执行交叉操作,再以自适应概率执行变异操作,最后执行选择操作。
具体的,步骤S4中,遗传操作包括变异操作、交叉操作和选择操作;
交叉操作:在种群个体进行交叉的时候,根据此时计算得到的适应度值的实际情况使概率自适应大小调整,交叉算子如下:
其中,Pc1和Pc2分别是两个待交叉个体的交叉概率,f是两个交叉个体中较大的适应度值,favg是种群中平均适应度值,fmax是种群中最大适应度值;
变异操作:在种群个体进行变异的时候,根据此时计算得到的适应度值的实际情况使概率自适应大小调整,变异算子如下:
其中,Pm1和Pm2分别是两个待变异个体的变异概率,f'是要变异个体的适应度值,favg是种群中平均适应度值,fmax是种群中最大适应度值;
选择操作:引入线性微分递减策略改进最佳个体的选择概率,寻找到最优值后收敛逼近于全局最优值,最佳个体在第N代的选择概率qN计算公式如下:
其中,qmax为最初定义的最佳个体的选择概率;qmin为最初定义的最差个体的选择概率;M为最大迭代次数;
完成选择操作后得到一个新的群体进入下一代,迭代继续执行进化搜索过程,直到找到问题最优解。
本发明的另一个技术方案是,一种中央空调冷水机组负荷优化系统,包括:
初始化模块,对中央空调冷水机组负荷系统进行初始化,随机产生初始群体并设置中央空调冷水机组负荷系统的参数;
适应度模块,根据中央空调冷水机组负荷系统的参数计算各个个体的适应度值F;
遗传选择模块,根据各个个体的适应度值F选择遗传操作的顺序;
判断模块,根据遗传操作顺序判断遗传操作结果是否已搜索到最优值或已迭代到设定的最大迭代次数;
输出模块,如果判断模块达到收敛条件,输出最小系统能耗值、平均系统能耗以及收敛速度,完成优化。
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:
本发明一种中央空调冷水机组负荷优化方法,针对当前节能减排大背景下中央空调冷水机组依然存在能耗大的问题,基于改进自适应遗传算法(NAGA)对影响算法搜索边界的先交叉还是先变异的判断条件和影响算法搜索速度的最佳个体选择概率公式同时进行改进,并将其用于解决最优冷水机组负荷(OCL)问题,实现了有效降低冷水机组能耗的目的。其具有以下优点:
第一、提出基于改进NAGA算法的中央空调冷水机组负荷优化新方法,为实际工程的设备运行提供丰富的理论支持,具有很强的实用性和可操作性,现实意义重大。
第二、充分考虑种群适应度的多种集中分散程度,对影响算法搜索边界的判断先交叉还是先变异的选择条件进行改进,避免算法陷入不易收敛和过早收敛两种情况,使得改进算法在考虑更加全面的同时也提高了搜索速度。
第三、为了避免单独使用轮盘赌选择出现“退化”现象以及搜索初期陷入局部最优,引入线性微分递减策略来改进最佳个体的选择概率,提出一种按照迭代次数平方变化的最佳个体选择概率公式,有利于在初始迭代的时候寻找满足条件的局部最优值,而在寻找到最优值后能够快速的收敛逼近于全局最优值,提高运算效率。
第四、把提出的改进NAGA的中央空调冷水机组负荷优化的新方法应用于解决OCL问题,证明力合理的负荷分配能有效降低系统能耗。
综上所述,本发明提供了一种对影响算法搜索边界以及对影响算法搜索速度同时进行改进的新方法NAGA,以解决中央空调OCL的问题,在保证解的质量的同时提高了收敛速度,证明了合理的负荷分配能有效降低系统能耗,响应国家节能减排的号召。
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为本发明最佳个体选择概率的迭代次数图,其中,(a)为二次函数图,(b)为一次函数图;
图2为本发明的改进的NAGA算法的流程图;
图3为本发明的夏季典型日末端瞬时供冷量图;
图4为本发明的采用优化分配方法后各台冷水机组的负荷分配情况图;
图5为本发明的采用常规顺序启动方法与优化负荷分配方法的系统能耗对比图。
具体实施方式
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。基于本发明中的实施例,本领域普通技术人员在没有做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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
请参阅图2,本发明一种中央空调冷水机组负荷优化方法,包括以下步骤:
S1、系统初始化;
编码初始群体,设置参数如下:
种群规模、染色体长度、交叉概率、变异概率、最大迭代次数和决策变量个数。
由于在冷水机组负荷优化系统里把适应度函数中部分负荷率作为该冷水机组负荷优化系统的染色体,即系统最终优化的对象,为了保证得到最佳的优化结果,因此,需要先设置好染色体长度以及决策变量个数等系统参数,以便能快速且准确的搜索到最优的染色体对应的适应度值F。
S2、设置适应度函数;
根据步骤S1初始化完成设置的参数,计算各个个体的适应度值F,对种群所有个体进行评价,保留最大适应度个体,淘汰最小适应度个体,适应度函数为冷水机组COP最高,如下:
F=ai+biPLRi+ciPLRi 2+diPLRi 3
其中,ai,bi,ci,di是第i台冷水机组的能效曲线系数,PLRi是第i台冷水机组的部分负荷率。
要想得到最优的部分负荷率,需要先对步骤S1中的冷水机组负荷优化系统进行参数设置,比如种群规模、染色体长度和决策变量个数等,只有系统参数设置正确,才能得到合理分配的部分负荷率,达到适应度值F最大,进而降低冷水机组负荷优化系统的能耗。
S3、选择遗传操作的顺序;
根据步骤S2确定的各个个体的适应度函数值,判断是否成立,fmax为群体中的最大适应度值,favg为群体的平均适应度值,fmin为群体中的最小适应度值,λ为无穷小正数,主要为了防止分母等于0,如果成立,以自适应概率先执行变异操作,然后以自适应概率进行交叉操作,最后执行选择操作;
反之以自适应概率先执行交叉操作,再以自适应概率执行变异操作,最后执行选择操作;
S4、判断是否满足收敛条件;
根据步骤S3确定的遗传操作顺序,判断遗传操作结果是否已搜索到最优值或者已迭代到设定的最大迭代次数;若不满足收敛,返回步骤S2;
S5、输出结果。
根据步骤S4判断若已达到收敛条件,则输出最小系统能耗值、平均系统能耗以及收敛速度。
本发明再一个实施例中,提供一种中央空调冷水机组负荷优化方法系统,该系统能够用于实现上述中央空调冷水机组负荷优化方法,具体的,该中央空调冷水机组负荷优化方法系统包括初始化模块、适应度模块、遗传选择模块、判断模块以及输出模块。
其中,初始化模块,对中央空调冷水机组负荷系统进行初始化,随机产生初始群体并设置中央空调冷水机组负荷系统的参数;
适应度模块,根据中央空调冷水机组负荷系统的参数计算各个个体的适应度值F;
遗传选择模块,根据各个个体的适应度值F选择遗传操作的顺序;
判断模块,根据遗传操作顺序判断遗传操作结果是否已搜索到最优值或已迭代到设定的最大迭代次数;
输出模块,如果判断模块达到收敛条件,输出最小系统能耗值、平均系统能耗以及收敛速度,完成优化。
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中央空调冷水机组负荷优化方法的操作,包括:
对中央空调冷水机组负荷系统进行初始化,随机产生初始群体并设置中央空调冷水机组负荷系统的参数;根据设置的冷水机组负荷优化系统参数计算各个个体的适应度值F;根据各个个体的适应度值F选择遗传操作的顺序;根据确定的遗传操作顺序判断遗传操作结果是否已搜索到最优值或已迭代到设定的最大迭代次数;如果达到收敛条件,输出最小系统能耗值、平均系统能耗以及收敛速度,实现中央空调冷水机组负荷系统的优化。
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中央空调冷水机组负荷优化方法的相应步骤;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:
对中央空调冷水机组负荷系统进行初始化,随机产生初始群体并设置中央空调冷水机组负荷系统的参数;根据设置的冷水机组负荷优化系统参数计算各个个体的适应度值F;根据各个个体的适应度值F选择遗传操作的顺序;根据确定的遗传操作顺序判断遗传操作结果是否已搜索到最优值或已迭代到设定的最大迭代次数;如果达到收敛条件,输出最小系统能耗值、平均系统能耗以及收敛速度,实现中央空调冷水机组负荷系统的优化。
实施例
1、研究对象
本发明以西安市高新区某一类高层综合办公楼为研究对象,空调冷源由3台单台制冷量为1519kW的螺杆式电制冷机组、4台冷冻水循环泵(3用1备)、4台冷却水循环泵(3用1备)和3台逆流式冷却塔组成,冷源系统设备参数如表1所示。设计冷冻水供回水温度为7/12℃,冷却水供回水温度为32/37℃,且集中空调逐时冷负荷综合最大值为4460kW。
表1冷源系统设备参数
2、优化问题
当多台冷水机组联合运行时,冷水机组大部分时间段是处于部分负荷状态,且每台机组在不同的PLR情况下的COP是不同的。在给定湿球温度下探讨机组PLR对能效的影响时,其COP可表示成与部分负荷率PLR之间的多项式关系,如式(1)所示:
COPi=ai+biPLRi+ciPLRi 2+diPLRi 3 (1)
其中,ai,bi,ci,di是第i台冷水机组的能效曲线系数;COPi是第i台冷水机组的性能系数;PLRi是第i台冷水机组的部分负荷率。
最优冷水机组负荷问题的目标函数为使多冷水机组系统总能耗最小,如式(2)所示:
其中,J为多冷水机组系统总能耗,kW;N为处于运行状态的冷水机组总台数;Q0,i为第i台冷水机组的额定制冷量,kW。
关于冷水机组优化问题的约束条件,首先,冷水机组系统输出的冷负荷之和必须满足系统末端所需的冷负荷,如式(3)所示:
其中,CL为系统末端所需的冷负荷,kW。
根据冷机的性能要求,另一个约束是各台冷水机组的部分负荷率不能小于30%,否则压缩机持续在低负荷情况下运转会出现停机等问题,如式(4)所示:
PLRi≥0.3 (4)
本发明中各台冷水机组的COP与PLR的关系方程是通过系统全负荷率范围运行,在获取机组在部分负荷率从0.3~1.0变化过程中机组性能系数COP的离散点之后,通过最小二乘法拟合获得COP与PLR的关系式及精度,结果如表2所示。
表2冷水机组COP与PLR的拟合系数及精度
从表中的均方根误差RMSE和决定系数R2的数值可以看出,各机组模型可以准确地反映出机组的运行特性。
3、优化方法
(1)差分进化算法
DE的主要思想是引入一种全新的可利用当前群体中个体差异来构造变异个体的差分变异模式。DE算法在每次迭代过程中,对于当前群体中的每个目标个体,算法首先随机选择2个其他个体并使它们相减构成差分向量,然后将该差分向量乘以一个缩放因子F后加到第3个随机个体上构成变异个体,最后该变异个体再经过与对应目标个体的交叉和选择操作生成一个新个体进入下一代。
DE算法具体操作为:
1、群体表示与初始化:算法中的群体一般表示成N个D维向量:
{Xi|i=1,2,|...N}
其中,实值向量Xi=(Xi(1),Xi(2),...,Xi(D))代表群体中的一个个体。
2、变异操作:对群体中的任意个体Xi,DE算法的变异操作按照Vi=Xr1+F*(Xr2-Xr3)生成一个对应的变异个体。其中,Xr1、Xr2和Xr3是从群体中随机选择的3个互不相同的个体,缩放因子F是一个大于0的实常数。
3、交叉操作:在完成变异操作后,DE算法将在目标个体Xi和变异个体Vi之间执行一种离散交叉操作,从而生成一个测试个体Ui,该离散交叉可描述为:
其中,Rj(0,1)是一个在(0,1)的均匀随机数发生器;jrand是[1,D]的一个随机整数,以确保不会出现测试个体Ui完全复制Xi的情况;PCR∈[0,1]是交叉概率,用来控制在哪些决策变量上采用变异值。
4、选择操作:对于每一个测试个体Ui,DE算法采用如下一对一的贪心选择方式:
完成上述选择操作后,DE算法得到一个新的群体{X′i|i=1,2,...N}进入下一代,从而可以迭代地继续执行进化搜索过程,直到找到问题最优解。
(2)自适应遗传算法
作为一种基于自然选择和群体遗传机理的全局优化搜索方法,遗传算法提供了一条处理复杂优化问题的有效途径,然而标准遗传算法由于在进化过程中各个算子都是根据经验采用恒值,这使得算法的收敛性差并且容易出现早熟现象。自适应遗传算法取长补短,当个体适应度较高时,使交叉概率和变异概率减小,当个体适应度较低时,使交叉概率和变异概率增大,这样保证算法在每一次迭代过程中,都根据个体适应度值的不同来自适应设置交叉和变异概率,这种自适应遗传算法具有很好的效率和全局最优性。自适应遗传算法中交叉算子和变异算子的选择是影响最优结果的关键所在,直接影响算法的收敛性,其计算公式如下:
其中,fmax代表群体中的最大适应度值,favg代表群体的平均适应度值,f代表待交叉两个个体适应度值中的较大值,f'代表待变异个体的适应度值。该算法中,交叉变异算子随着每代个体适应度值的变化而自行调整,既保护了群体中优质的个体,又使得具有最大适应度值的个体的Pc和Pm不为0,这会使每代的最优个体不会处于一种不发生变化的状态。但自适应遗传算法作为一种优化方法,它自身也存在着一点的局限性,其中最大的不足就是容易出现过早收敛即未成熟收敛,未成熟收敛是指算法还未搜索到全局满意解或最优解时,群体产生的后代性能已无法超越其父代,个体因趋同而停止进化。因此,需要对自适应遗传算法进行改进,提高收敛速度和收敛精度,来更快的找到全局最优解。
(3)改进的自适应遗传算法
1)改进判断先交叉还是先变异的判断条件。充分考虑种群适应度的多种集中分散程度,提出低分散状态和高分散状态两个概念,改变判断先交叉还是先变异的选择条件。
所谓低分散状态,就是除最高适应度外,其余适应度都集中很小的情况。若种群处于低分散状态时,也就是种群集中在较小适应度下,此时种群差异度较小,种群不丰富,先交叉操作会导致收敛慢或不易收敛,即会出现找不到局部最优解的不足;所谓高分散状态,就是除最低适应度外,其余适应度都集中很大的情况。若种群处于高分散状态时,也就是种群集中在较大适应度下,此时种群也是差异度较小,种群不丰富,先交叉操作会导致过早收敛,即出现不易跳出局部最优解的不足。考虑到这两种情况,改变判断先交叉还是先变异的条件公式,使得改进算法考虑更加全面。改进的条件公式为:
其中,fmax代表群体中的最大适应度值,favg代表群体的平均适应度值,fmin代表群体中的最小适应度值,λ为一无穷小正数,主要为了防止分母等于0。当判别式说明该群体的favg向fmax靠拢,此时群体中适应度值大于平均适应度值的个体占主导地位,这些优秀个体被复制到下一代的几率较大,较差个体变异能力较低。
以此下去,群体中各个个体将非常相似,物种多样性减少,容易产生停止现象,且当种群优良个体的数目过大时,整体会停滞不前,若先进行交叉操作会使得种群进化速度慢,导致不宜跳出局部最优解出现过早收敛即未成熟收敛,且判别式比值越小,未成熟收敛趋势越大;反之,当判别式说明该群体的favg向fmin靠拢,此时群体中适应度值小于平均适应度值的个体占主导地位,这些较差个体被复制到下一代的几率较大,较优个体变异能力较低。以此下去,群体中各个个体也将非常相似,物体多样性减少,若先进行交叉操作也会使得种群进化速度慢,导致收敛慢或不易收敛。因此,改进判断条件为
2)改进选择算子中最佳个体选择概率公式。传统的遗传算法采用轮盘赌的方式进行个体选择,这种方法虽然优良亲本被选中的概率较大,但容易造成优良亲本被选中的情况,即“退化”现象。
为了避免出现该现象,在此改进最佳个体在第N代的选择概率公式,并同时使用排序选择策略和截断选取策略以及精英保护策略,即把种群所有个体按适应度从大到小进行排序,截断选择平均分为4份,淘汰掉适应度小的后1/4个体,精英保存策略直接保存位于前1/4的个体作为下一代的父本,将中间1/2个体保留继续操作,按下面公式计算个体选择概率进行轮盘赌选择。
其中,是第k个个体在第N代的选择概率,k是个体在1/2种群中的排列序号,qN是最佳个体在第N代的选择概率。对于最佳个体的选择概率,在种群进化初期,个体之间差异较大,所以适应度大的个体应该赋予较大的选择概率,随着种群进化,种群之间差异越来越小,最佳个体的选择概率也应适当减小。因此引入线性微分递减策略,提出一种按照迭代次数平方变化的q值,是为最佳个体在第N代的选择概率计算公式:
其中,qmax为最初定义的最佳个体的选择概率;qmin为最初定义的最差个体的选择概率;M为最大迭代次数。从上述公式可以看出,最佳个体选择概率和迭代次数成负相关,并且最佳个体选择概率是迭代次数的二次函数。在初始迭代的时候,qmax变化缓慢,有利于在初始迭代的时候寻找满足条件的局部最优值,然而在接近最大迭代次数时,qmax变化较快,有利于在寻找到最优值后能够快速的收敛逼近于全局最优值,提高运算效率。这就有效避免了当最佳个体选择概率和迭代次数成负相关,并且最佳选择概率是迭代次数的一次函数斜率恒定时,如果初始迭代没有产生较好的点,那么随着迭代次数累加以及种群差异的变小,很可能导致最后陷入局部最优值的情况。最佳个体选择概率是迭代次数的二次函数图和一次函数图如图1所示。
利用上面求解最佳个体选择概率的公式,从保留下来的1/2个体中根据轮盘赌策略选出一半的个体,即1/4,然后将这1/4个体与先前直接保存的1/4个体组成一个个体数量为L/2的父代种群。为了防止中间过程产生或者错过更优良的个体,采用最优保存策略,即把新产生的种群中最高适应度与前一代的最高适应度比较,如果高于子代的最高适应度,就随机淘汰掉子代中一个个体,把前一代中最高适应度个体加入到新一代中产生一个新种群,此策略保证了前一代的优良个体不被遗传操作破坏。如此操作,保留下来的个体适应度相差不大,最差的个体也有机会演化后代,有利于维持种群多样性,缓解了初期局部顶端优势问题,结合精英保存策略,在保证解的质量的同时提高了收敛速度。
基于上述对影响算法搜索边界的先交叉还是先变异的判断条件进行改进,对影响算法搜索速度的最佳个体选择概率进行改进,改进的NAGA算法的流程图如图2所示。
4、仿真运行结果分析
本发明专利运用改进NAGA算法优化典型日不同末端冷负荷条件下各台机组的负荷分配,与采用常规顺序启动方法下的能耗进行对比,验证改进NAGA算法优化冷水机组负荷的节能效果。并与DE算法和AGA算法对比搜索到的最小系统能耗、平均系统能耗和收敛速度三个指标,得出选择改进NAGA算法的优势。
对于末端瞬时供冷量,选取7月23日作为夏季典型日,并结合研究对象为办公建筑存在的特殊性,本发明只对工作时间段8:00~18:00进行数据采集,采集频率为30分钟采集一次,夏季典型日瞬时供冷量如图3所示。从图中可以看出,由于房间积热加之室外气温影响在上午10点的时候出现一天中负荷最大值。
为保证三种算法的可比性,DE算法和AGA算法的种群个数和最大迭代次数都与改进NAGA算法相同,将三个算法的负荷分配的结果与最小系统能耗进行比较,结果如表3和图4所示,
表3是本发明的夏季典型日DE算法、AGA算法和改进NAGA算法的最小系统能耗比较。
/>
/>
/>
图4更加清楚的显示了采用优化分配方法后各台冷水机组的负荷分配情况。在不同的冷负荷需求下,改进NAGA算法无论是在部分负荷率的分配上还是最小系统能耗上都与DE和AGA算法的结果基本相同,这表明改进的NAGA算法与其他基本算法在搜索精度上能保持一致。
在保证最小能耗一致的情况下,图5给出采用常规顺序启动方法与优化负荷分配方法的系统能耗对比。可以看出使用改进NAGA算法对冷水机组进行优化负荷分配后,多冷水机组系统能耗有不同程度的下降。从整体来看,夏季典型日单日节能率达到了10.41%,表明基于改进NAGA算法的冷水机组负荷优化方法具有较好的节能效果,在解决OCL问题上具有合理性。
此外,各算法搜索到最小系统能耗的收敛速度和平均系统能耗对比如表4所示,
表4是夏季典型日DE算法、AGA算法和改进NAGA算法的平均系统能耗与运行速度比较。
/>
/>
在各冷负荷需求下搜索到最优值所需的收敛速度相比较来说,DE算法收敛最慢,其次是AGA,改进的NAGA算法收敛速度最快,速度有一个明显的提升,证明改进的NAGA算法收敛性能最好;就搜索到最优值所需的平均能耗相比较来说,DE算法平均能耗最高,其次是AGA,改进的NAGA算法搜索到的平均系统能耗最低,证明改进的NAGA算法寻优性能最好。
综上所述,本发明一种中央空调冷水机组负荷优化方法,针对DE算法在迭代后期收敛速度缓慢、易陷入局部最优的不足以及AGA算法容易出现未成熟收敛的问题,提出改进的自适应遗传(New Adaptive Genetic Algorithm,NAGA)新方法,充分考虑种群集中分散程度,全面分析算法可能产生的不易收敛和过早收敛两种不利情况,对影响算法搜索边界的先交叉还是先变异的判断条件进行改进,对影响算法搜索速度的最佳个体选择概率进行改进,缓解了初期局部顶端优势问题,有利于维持种群多样性,在保证解的质量的同时提高了收敛速度。最后将其应用于OCL问题中,证明了本发明方法的适用性及负荷分配的合理性。。
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 (6)
1.一种中央空调冷水机组负荷优化方法,其特征在于,包括以下步骤:
S1、对中央空调冷水机组负荷系统进行初始化,随机产生初始群体并设置中央空调冷水机组负荷系统的参数;
S2、根据步骤S1设置的中央空调冷水机组负荷系统参数计算各个个体的适应度值F,根据各个个体的适应度值F对种群所有个体进行评价,保留最大适应度个体,淘汰最小适应度个体,适应度函数为冷水机组COP最高,个体适应度值F具体为:
F=ai+biPLRi+ciPLRi 2+diPLRi 3
其中,ai,bi,ci,di是第i台冷水机组的能效曲线系数,PLRi是第i台冷水机组的部分负荷率;
S3、根据步骤S2各个个体的适应度值F判断fmax代表群体中的最大适应度值,favg代表群体的平均适应度值,fmin代表群体中的最小适应度值,λ为一无穷小正数,如果成立,以自适应概率先执行变异操作,然后以自适应概率进行交叉操作,最后执行选择操作,如果/>不成立,以自适应概率先执行交叉操作,再以自适应概率执行变异操作,最后执行选择操作;
S4、根据步骤S3确定的遗传操作顺序判断遗传操作结果是否已搜索到最优值或已迭代到设定的最大迭代次数;
S5、如果步骤S4达到收敛条件,输出最小系统能耗值、平均系统能耗以及收敛速度,实现中央空调冷水机组负荷系统的优化。
2.根据权利要求1所述的方法,其特征在于,步骤S1中,中央空调冷水机组负荷系统参数包括:种群规模、染色体长度、交叉概率、变异概率、最大迭代次数和决策变量个数。
3.根据权利要求1所述的方法,其特征在于,步骤S4中,遗传操作包括变异操作、交叉操作和选择操作;
交叉操作:在种群个体进行交叉的时候,根据此时计算得到的适应度值的实际情况使概率自适应大小调整,交叉算子如下:
其中,Pc1和Pc2分别是两个待交叉个体的交叉概率,f是两个交叉个体中较大的适应度值,favg是种群中平均适应度值,fmax是种群中最大适应度值;
变异操作:在种群个体进行变异的时候,根据此时计算得到的适应度值的实际情况使概率自适应大小调整,变异算子如下:
其中,Pm1和Pm2分别是两个待变异个体的变异概率,f'是要变异个体的适应度值,favg是种群中平均适应度值,fmax是种群中最大适应度值;
选择操作:引入线性微分递减策略改进最佳个体的选择概率,寻找到最优值后收敛逼近于全局最优值,最佳个体在第N代的选择概率qN计算公式如下:
其中,qmax为最初定义的最佳个体的选择概率;qmin为最初定义的最差个体的选择概率;M为最大迭代次数;
完成选择操作后得到一个新的群体进入下一代,迭代继续执行进化搜索过程,直到找到问题最优解。
4.一种中央空调冷水机组负荷优化系统,其特征在于,包括:
初始化模块,对中央空调冷水机组负荷系统进行初始化,随机产生初始群体并设置中央空调冷水机组负荷系统的参数;
适应度模块,根据中央空调冷水机组负荷系统的参数计算各个个体的适应度值F,根据各个个体的适应度值F对种群所有个体进行评价,保留最大适应度个体,淘汰最小适应度个体,适应度函数为冷水机组COP最高,个体适应度值F具体为:
F=ai+biPLRi+ciPLRi 2+diPLRi 3
其中,ai,bi,ci,di是第i台冷水机组的能效曲线系数,PLRi是第i台冷水机组的部分负荷率;
遗传选择模块,根据各个个体的适应度值F判断fmax代表群体中的最大适应度值,favg代表群体的平均适应度值,fmin代表群体中的最小适应度值,λ为一无穷小正数,如果成立,以自适应概率先执行变异操作,然后以自适应概率进行交叉操作,最后执行选择操作,如果/>不成立,以自适应概率先执行交叉操作,再以自适应概率执行变异操作,最后执行选择操作;
判断模块,根据遗传操作顺序判断遗传操作结果是否已搜索到最优值或已迭代到设定的最大迭代次数;
输出模块,如果判断模块达到收敛条件,输出最小系统能耗值、平均系统能耗以及收敛速度,完成优化。
5.一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或2或3所述的方法中的任一方法。
6.一种计算设备,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或2或3所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197657.1A CN112906966B (zh) | 2021-02-22 | 2021-02-22 | 一种中央空调冷水机组负荷优化方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197657.1A CN112906966B (zh) | 2021-02-22 | 2021-02-22 | 一种中央空调冷水机组负荷优化方法、系统、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906966A CN112906966A (zh) | 2021-06-04 |
CN112906966B true CN112906966B (zh) | 2023-07-18 |
Family
ID=76124469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110197657.1A Active CN112906966B (zh) | 2021-02-22 | 2021-02-22 | 一种中央空调冷水机组负荷优化方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906966B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114440404B (zh) * | 2022-02-09 | 2023-09-19 | 重庆美的通用制冷设备有限公司 | 空调系统的负荷分配方法、装置和电子设备 |
CN117519054A (zh) * | 2023-12-11 | 2024-02-06 | 广州智业节能科技有限公司 | 一种高效冷站控制系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6223101B1 (en) * | 1997-06-30 | 2001-04-24 | Kabushiki Kaisha Toshiba | District heat supply plant controller |
CN109855238A (zh) * | 2019-02-27 | 2019-06-07 | 四川泰立智汇科技有限公司 | 一种中央空调建模与能效优化方法及装置 |
CN110553351A (zh) * | 2019-09-06 | 2019-12-10 | 珠海格力电器股份有限公司 | 空调器设备负荷率的优化方法与空调云群控系统 |
CN111178487A (zh) * | 2019-12-20 | 2020-05-19 | 广东省能源集团有限公司 | 电力优化调度方法、装置、计算机设备和存储介质 |
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 |
-
2021
- 2021-02-22 CN CN202110197657.1A patent/CN112906966B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6223101B1 (en) * | 1997-06-30 | 2001-04-24 | Kabushiki Kaisha Toshiba | District heat supply plant controller |
CN109855238A (zh) * | 2019-02-27 | 2019-06-07 | 四川泰立智汇科技有限公司 | 一种中央空调建模与能效优化方法及装置 |
CN110553351A (zh) * | 2019-09-06 | 2019-12-10 | 珠海格力电器股份有限公司 | 空调器设备负荷率的优化方法与空调云群控系统 |
CN111178487A (zh) * | 2019-12-20 | 2020-05-19 | 广东省能源集团有限公司 | 电力优化调度方法、装置、计算机设备和存储介质 |
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 |
Non-Patent Citations (2)
Title |
---|
中央空调冷却水系统能效分析;郑鸿磊;《中国优秀硕士学位论文全文数据库》;全文 * |
建立冷水机组能耗模型几种方法的 比较与分析;王蕊;《现代建筑电气》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112906966A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Lu et al. | Global optimization for overall HVAC systems––Part II problem solution and simulations | |
CN111723456A (zh) | 一种基于nsga-ⅱ算法的中央空调系统能效优化方法 | |
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 | |
CN111412584B (zh) | 一种中央空调冷冻水管网动态水力平衡的群智能优化方法 | |
CN111612247A (zh) | 一种并联冷机负荷优化分配方法、存储介质及设备 | |
CN110260469B (zh) | 一种群智能中央空调并联水泵节能优化方法 | |
CN114396714B (zh) | 一种系统启动台数自动控制运行系统和方法 | |
CN112344522B (zh) | 一种中央空调冷机系统负荷分布式优化配置方法 | |
CN115682357A (zh) | 一种以逼近度为中心的冷却水寻优方法及独立控制系统 | |
CN115682324A (zh) | 中央空调系统节能优化控制方法、装置、设备和存储介质 | |
CN102981410B (zh) | 一种基于人工蜂群的空调能耗模型参数辨识方法 | |
CN113465139B (zh) | 一种制冷优化方法、系统、存储介质及设备 | |
CN111798045B (zh) | 一种中央空调冷冻水系统节能优化方法 | |
CN111415036B (zh) | 一种中央空调系统并联冷机负荷优化分配方法 | |
Cai et al. | Parallel pump and chiller system optimization method for minimizing energy consumption based on a novel multi-objective gorilla troops optimizer | |
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 | |
CN112163699B (zh) | 一种基于负荷匹配的冷水机组台数控制优化方法 | |
CN113237162B (zh) | 一种冷冻水循环系统控制优化方法、系统及设备 | |
CN106979583A (zh) | 一种中央空调运行参数的调节方法和装置 | |
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 | |
CN115355603B (zh) | 制冷站的优化控制方法、装置、电子设备及存储介质 | |
CN112665159B (zh) | 基于需求响应的负荷反弹量优化、负荷调节方法及系统 | |
CN114440404B (zh) | 空调系统的负荷分配方法、装置和电子设备 | |
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 |