CN113191086A - 一种基于遗传算法的电采暖热负荷需求优化方法及系统 - Google Patents

一种基于遗传算法的电采暖热负荷需求优化方法及系统 Download PDF

Info

Publication number
CN113191086A
CN113191086A CN202110501814.3A CN202110501814A CN113191086A CN 113191086 A CN113191086 A CN 113191086A CN 202110501814 A CN202110501814 A CN 202110501814A CN 113191086 A CN113191086 A CN 113191086A
Authority
CN
China
Prior art keywords
electric heating
heat load
heat
genetic algorithm
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.)
Pending
Application number
CN202110501814.3A
Other languages
English (en)
Inventor
王清
李琮琮
荆臻
代燕杰
朱红霞
王平欣
刘丽君
李骁
孙凯
郑雪
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Marketing Service Center of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Marketing Service Center of State Grid Shandong Electric Power 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd, Marketing Service Center of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110501814.3A priority Critical patent/CN113191086A/zh
Publication of CN113191086A publication Critical patent/CN113191086A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Central Heating Systems (AREA)

Abstract

本公开提供了一种基于遗传算法的电采暖热负荷需求优化方法及系统，包括以下步骤：构建电采暖建筑的动态传热模型，确定动态传热优化模型；基于动态传热优化模型，通过遗传算法对电采暖热负荷模型进行参数的训练与寻优，确定电采暖热负荷需求调节的最优方案；所述通过遗传算法对电采暖热负荷模型进行参数的训练与寻优，具体包括：计算电采暖热负荷的适应度并进行适应度大小的排序，创建初始的热负荷数据种群；对初始热负荷数据种群中的电采暖热负荷进行选择、交叉和变异操作，在电采暖总的热负荷不变的前提下，结合峰谷电价、罚函数进行参数寻优，实现电采暖热负荷需求的优化调节。

Description

一种基于遗传算法的电采暖热负荷需求优化方法及系统
技术领域
本公开属于电能计量技术领域，具体涉及一种基于遗传算法的电采暖热负荷需求优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
随着对空气质量等级要求的提升，北方地区越来越多的用户选择电采暖来代替传统的烧煤采暖。现有技术中，对电采暖热负荷需求的优化调节时将适于人类生活和工作的环境温度作为唯一的温度设定值，这就导致了对热量需求较低区域的大量能源消耗，进而增加了电采暖的成本。
据发明人了解，电采暖热负荷需求的优化调节不仅仅只有用户的热需求这一因素，建筑的能耗特性、电价的分时段特性也对电采暖热负荷需求的优化调节存在着较大影响，而现有技术中却缺乏这些影响因素的综合分析。
发明内容
为了解决现有技术的不足，本公开提出了一种基于遗传算法的电采暖热负荷需求优化方法及系统，充分考虑不同用户热需求特性，建立电采暖建筑的动态传热优化模型，基于遗传算法分析并构建电采暖负荷优化调节模型，充分结合峰谷电价、建筑物的蓄热特性进行建筑内实际室温的优化调节，基于罚函数实现满足建筑内最大热舒适度时电采暖热负荷的优化调节。
为了实现上述目的，本公开采用了如下的技术方案：
本公开的第一方面提供了一种基于遗传算法的电采暖热负荷需求优化方法。
一种基于遗传算法的电采暖热负荷需求优化方法，包括以下步骤：
构建电采暖建筑的动态传热模型，确定动态传热优化模型；
基于动态传热优化模型，通过遗传算法对电采暖热负荷模型进行参数的训练与寻优，确定电采暖热负荷需求调节的最优方案；
所述通过遗传算法对电采暖热负荷模型进行参数的训练与寻优，具体包括：
计算电采暖热负荷的适应度并进行适应度大小的排序，创建初始的热负荷数据种群；
对初始热负荷数据种群中的电采暖热负荷进行选择、交叉和变异操作，在电采暖总的热负荷不变的前提下，结合峰谷电价、罚函数进行参数寻优，实现电采暖热负荷需求的优化调节。
本公开的第二方面提供了一种基于遗传算法的电采暖热负荷需求优化系统。
一种基于遗传算法的电采暖热负荷需求优化系统，采用了第一方面所述的一种电采暖热负荷需求的优化调节方法，包括：
动态传热优化模型构建模块，被配置为：构建电采暖建筑的动态传热模型，确定动态传热优化模型；
优化调节模块，被配置为：基于动态传热优化模型，通过遗传算法对电采暖热负荷模型进行参数的训练与寻优，确定电采暖热负荷需求调节的最优方案。
本公开第三方面提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于遗传算法的电采暖热负荷需求优化方法的步骤。
本公开第四方面提供了一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于遗传算法的电采暖热负荷需求优化方法中的步骤。
与现有技术相比，本公开的有益效果为：
充分考虑不同用户热需求特性，建立电采暖建筑的动态传热优化模型，基于遗传算法分析并构建电采暖负荷优化调节控制模型，充分结合峰谷电价、建筑物的蓄热特性进行建筑内实际室温的优化调节，基于罚函数实现满足建筑内最大热舒适度时最小的电采暖运行费用的调节。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例一中的一种基于遗传算法的电采暖热负荷需求优化方法的流程图；
图2是本公开实施例一中的一种基于遗传算法的电采暖热负荷需求优化方法中遗传算法的流程图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一提供了一种基于遗传算法的电采暖热负荷需求优化方法。
如图1所示的电采暖热负荷需求的优化调节方法，包括以下步骤：
步骤S01：构建电采暖建筑的动态传热模型；
步骤S02：对所构建的电采暖建筑的动态传热模型进行优化分析，确定动态传热优化模型；
步骤S03：采用二进制编码法对动态传热优化模型中的热负荷数据进行编码；
步骤S04：计算动态传热优化模型中的热负荷数据适应度；
步骤S05：结合对热负荷数据适应度大小的排序，创建初始的热负荷数据种群；
步骤S06：采用轮盘赌法选择算子，对热负荷数据群体中的热负荷数据进行筛选；
步骤S07：对初始的热负荷数据种群中的热负荷数据进行交叉和变异操作，通过全局搜索和局部搜索进行寻优；
步骤S08：利用峰谷电价的优势进行电采暖热负荷模型的参数优化；
步骤S09：基于罚函数的思想确定房间室温的波动值，确定电采暖热负荷需求调节的最优方案。
作为一种或多种实施方式，在步骤S01中，电采暖负荷的可调节特性与建筑物热过程息息相关关，单个房间的热过程包括房间的得热、散热和储热三个方面。
太阳辐射的墙体外表面换热模型的围护结构外表面主要吸收来自于太阳、地面、大气、以及周围环境这四个方面的辐射热量。建筑外表面热平衡表达式如下:
QR+QB+QG+QS＝Qca+QO+Qra(W/m2)
其中，QR表示地面反射热量，QB表示大气长波辐射热量，QG表示地面热辐射热量，QS表示太阳辐射热量，Qca表示向周围环境进行的对流换热量，QO表示向墙壁内侧传热量，Qra表示向周围环境进行的热辐射量。
通过对电热膜的数量以及单位面积散热量的确定及校核，确定了电热膜传热模型。在仿真软件中，将所建立的数学模型利用可视化仿真模块搭建起来。
作为一种或多种实施方式，在步骤S02中，电采暖的运行费用主要与实时电价、电热设备的启动时长、以及电热设备的功率有关。将以上因素综合考虑，可得到电采暖建筑的运行费用计算模型。因此以经济性为目标的电采暖建筑最佳运行策略问题，由此转化为求该模型最优解的问题，其目标函数式为
G(x)＝minf(x)＝∑PhCtΔx，
其约束条件为
Figure BDA0003056706510000061
动态传热优化模型的表达式中，Ph为电热膜功率；Δx为电热膜加热时间；Ct为t时段的电价。
考虑到电热膜在正常运行当中的功率是处于一定范围之内的，因此设有约束条件1：
Figure BDA0003056706510000071
式中Ph,t为t时刻电热膜功率；
Figure BDA0003056706510000072
为电热膜最大功率。当前时刻的功率与前一时刻的功率产值需要在一个安全的上下限之内，因此设有约束条件2：ΔPmin≤Ph,t-Ph,t-1≤ΔPmax，其中，ΔPmin为电热膜额定向下爬坡速率限值；ΔPmax为电热膜额定向上爬坡速率限值。为防止电热膜启动次数过于频繁，在分组启动时，应设计室外温度约束，即|Tout,t-Tout,t-1|≥5时，电热膜启动。式中，Tout,t为t时刻室外温度；Tout,t-1为t-1时刻室外温度。
作为一种或多种实施方式，电采暖的电暖气可四档位切换，功率分别为0W，900W，1300W及2200W。房间得热即为电暖器功率Pij，i为房间号，j为电暖器档位。
房间散热量与室内外温差成比例，表示为：
Figure BDA0003056706510000073
其中,
Figure BDA0003056706510000074
表示房间i内t时刻的蓄热量，
Figure BDA0003056706510000075
表示房间i内t时刻的室内温度，
Figure BDA0003056706510000076
表示房间i内t时刻的室外温度，Ri表示房间i的热阻。
电采暖建筑的蓄热能力取决于建筑室内空气和墙体材料，表示为：
Figure BDA0003056706510000077
其中，
Figure BDA0003056706510000078
表示房间i内t时刻的蓄热量，
Figure BDA0003056706510000079
表示房间i内温度变化率，Ci表示房间i的热容。
根据能量守恒定律，房间的热量减去散热量等于蓄热量得到：
Figure BDA0003056706510000081
其中，Pij表示房间i内的热量。
作为一种或多种实施方式，在步骤S03中，二进制编码是由0和1所组成的二值符号集{0,1}，由此所构成的热负荷数据基因型是一个二进制编码符号串，首先将所有的解转化成遗传算法的表现型，再通过编码的方式将表现型映射为基因型。使得解数据以基因的形式被遗传算法搜索到，并且可以构成多种组合。
作为一种或多种实施方式，在步骤S04中，动态传热优化模型中的热负荷数据的目标函数与适应度函数之间存在一定的转换关系。目标函数主要提供一种测量手段，来判断个体所完成的任务情况。适应度函数则是将目标函数值转换为相对适应度值的一种手段。它们的关系式如下：
F(x)＝gf(x)
其中，F(x)表示相对适应度，g表示变换因子，f(x)表示目标函数。
当目标函数最小时，即函数值越小所对应的个体的适应度就越好，适应度函数的值会对应大量的子代个体，导致计算量非常庞大。此时，为了提高计算的效率，每个个体的适应度F(xi)会由个体未加工的适应度值f(xi)相对整个种群的适应度计算出来，表达式如下：
Figure BDA0003056706510000082
其中，n表示种群大小，xi表示个体i的表现值。
适应度的分配会确保每一个个体均有按其相对适应度再生的机会，而且不能处理负的目标函数值。
作为一种或多种实施方式，在步骤S05中，
crtbp是二进制编码方式创建初始的热负荷数据种群所对应的函数。其格式如下：
[Chrom,Lind,BaseV]＝crtbp[Nind,Lind]
其中，Nind表示热负荷数据种群中热负荷数据的数量，Lind表示每个热负荷数据的长度或维度。
上式所创建的是一个Nind×Lind的随机二元矩阵。由于在进行热负荷数据适应度评价时，适应度函数是通过对实值决策变量的计算得出对应的适应度值，这就需要通过函数bs2rv将二进制的热负荷数据种群中热负荷数据转化为实值的表现形式，其具体格式如下：
Phen＝bs2rv(Cheom,FieldD)
其中，Phen表示热负荷数据种群实值表现型，Cheom表示热负荷数据种群二进制矩阵，FieldD的结构为
Figure BDA0003056706510000091
其中，len表示热负荷数据种群中热负荷数据的数量，lb表示每个热负荷数据的长度(维度)，ub表示决策变量上限，code表示决策变量下限，scal表示子串编码方式的二进制行向量，lbin表示范围中包含边界的判定依据，ubin表示范围中不包含边界的判定依据。
作为一种或多种实施方式，在步骤S06中，
用轮盘赌法将每个热负荷数据的适应度值与热负荷数据种群中所有热负荷数据的适应值之和相比，表达式为：
Figure BDA0003056706510000101
其中，Pi表示第i个热负荷数据被选中的概率，f(xi)表示第i个热负荷数据的适应度值，n表示热负荷数据群体中的热负荷数据个数。
作为一种或多种实施方式，在步骤S07中，
对初始热负荷数据种群中的电采暖热负荷进行选择，先确定电采暖热负荷交叉点的位置，再将部分基因进行交换，具体过程为：
(1)根据交叉率将电采暖采集到的所有热负荷数据中的部分数据两两随机配对，若所有热负荷数据的个数为M，则形成M/2组；
(2)在配对后的每个小组中，随机设置某一基因座之后的位置为交叉点，即若染色体长度为n，则会有n-1个交叉点位置；
(3)对每一对配对的组别，根据设定的交叉概率在其交叉点处交换染色体，从而形成一对新的热负荷数据。
以变异概率对热负荷数据编码串中的某一位或者几位基因座的值做随机变异运算，具体过程为：
(1)以变异概率指定热负荷数据的每一个基因座为变异点；
(2)在二进制编码中，对每一个指定的变异点的基因值取反运算，从而得到新的热负荷数据。
变异算子与交叉算子相互配合，共同完成对搜索空间的全局搜索和局部搜索，使得遗传算法以良好的搜索性能完成最优化问题的寻优过程。
作为一种或多种实施方式，在步骤S08中，
电采暖用户在一天内总的热负荷不变的前提下，利用峰谷电价优势，以及建筑物的蓄热特性来达到降低电费的目的；这就需要对电采暖的工作时间进行优化，使电采暖在谷电和平电期间对房间多加热，在峰电价期间加热的时间尽量减少。
作为一种或多种实施方式，在步骤S09中，
基于罚函数的思想确定房间内室温的波动值，具体为：基于罚函数的思想，在计算非最优解热负荷数据的适应度时，对适应度的值附加一个惩罚因子，使适应度值不满足被遗传到下一代的要求，以降低个体的适应度；考虑房间内实际的室温需求，通过加入罚函数对遗传算法的结果进行限制，确定房间内室温的波动值。
罚函数的判定式如下：
Figure BDA0003056706510000111
其中，Kt表示t时刻的室内温度(℃)，ΔT表示室温波动值(℃)；Tex表示设定温度，其具体表达式如下：
Figure BDA0003056706510000121
结合罚函数后的动态传热优化模型的表达式变为：
minf(x)＝∑(PhCtΔx+Kt)
式中，Ph为电热膜功率；Δx为电热膜加热时间；Ct为t时段的电价。
建立罚函数并设置了以仿真模型计算结果为基础的室温波动值，该波动值是结合遗传算法在满足最大热舒适度的前提下，实现电采暖热负荷需求的优化调节。
电暖器设备作为分布式集中供热的采暖补充装置，在居民用户和商业用户的使用渗透率越来越高。同时伴着智能家居的快速发展，将最优化的出力策略嵌入到电暖器出力曲线中，已变为可能。合理的电暖器出力即可保证用户的舒适度，从长远运行角度看，又可极大程度上降低电费成本。
与现有技术相比，本发明的优点在于：
1.根据电暖器档位及人体舒适度区域，并结合峰谷电价，选择热负荷数据的适应度；
2.建立罚函数并设置了以仿真模型计算结果为基础的室温波动值；
3.本发明研究的是一个高度非线性优化问题，并且由多方面的约束条件所限制，所以选择遗传算法对电采暖建筑的运行优化模型进行求解计算。
实施例二
本公开实施例二提供了一种基于遗传算法的电采暖热负荷需求优化系统，采用了实施例一中所提供的基于遗传算法的电采暖热负荷需求优化方法，包括：
动态传热优化模型构建模块，被配置为：构建电采暖建筑的动态传热模型，确定动态传热优化模型；
优化调节模块，被配置为：基于动态传热优化模型，通过遗传算法对电采暖热负荷模型进行参数的训练与寻优，确定电采暖热负荷需求调节的最优方案。
实施例三
本公开实施例三提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于遗传算法的电采暖热负荷需求优化方法中的步骤。
详细步骤与实施例一提供的基于遗传算法的电采暖热负荷需求优化方法相同，在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于遗传算法的电采暖热负荷需求优化方法中的步骤。
详细步骤与实施例一提供的基于遗传算法的电采暖热负荷需求优化方法相同，在此不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开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和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于遗传算法的电采暖热负荷需求优化方法，其特征在于，包括以下步骤：
构建电采暖建筑的动态传热模型，确定动态传热优化模型；
基于动态传热优化模型，通过遗传算法对电采暖热负荷模型进行模型参数的训练与寻优，确定电采暖热负荷需求调节的最优方案；
所述通过遗传算法对电采暖热负荷模型进行模型参数的训练与寻优，具体包括：
计算电采暖热负荷的适应度并进行适应度大小的排序，创建初始的热负荷数据种群；
对初始热负荷数据种群中的电采暖热负荷进行选择、交叉和变异操作，在电采暖总的热负荷不变的前提下，结合峰谷电价、罚函数进行参数寻优，实现电采暖热负荷需求的优化调节。
2.如权利要求1中所述的一种基于遗传算法的电采暖热负荷需求优化方法，其特征在于，所述电采暖建筑的动态传热模型的结构取决于所述电采暖建筑的蓄热能力。
3.如权利要求2中所述的一种基于遗传算法的电采暖热负荷需求优化方法，其特征在于，所述电采暖建筑的蓄热能力取决于建筑室内空气和墙体材料，建筑房间内的蓄热量等于房间内的热量减去散热量。
4.如权利要求1中所述的一种基于遗传算法的电采暖热负荷需求优化方法，其特征在于，所述动态传热模型的约束因素包括房间内外温度、电采暖建筑的蓄热能力、房间热容和房间热阻。
5.如权利要求1中所述的一种基于遗传算法的电采暖热负荷需求优化方法，其特征在于，所述对初始热负荷数据种群中的电采暖热负荷进行选择，先确定电采暖热负荷交叉点的位置，再将部分基因进行交换，具体为：
(1)根据交叉率将电采暖采集到的所有热负荷数据中的部分数据两两随机配对，若所有热负荷数据的个数为M，则形成M/2组；
(2)在配对后的每个小组中，随机设置某一基因座之后的位置为交叉点，即若染色体长度为n，则会有n-1个交叉点位置；
(3)对每一对配对的组别，根据设定的交叉概率在其交叉点处交换染色体，从而形成一对新的热负荷数据。
6.如权利要求1中所述的一种基于遗传算法的电采暖热负荷需求优化方法，其特征在于，基于罚函数的思想确定房间内室温的波动值，具体为：基于罚函数的思想，在计算非最优解热负荷数据的适应度时，对适应度的值附加一个惩罚因子，使适应度值不满足被遗传到下一代的要求，以降低个体的适应度；考虑房间内实际的室温需求，通过加入罚函数对遗传算法的结果进行限制，确定房间内室温的波动值。
7.一种基于遗传算法的电采暖热负荷需求优化系统，采用了权利要求1-6任一项所述的基于遗传算法的电采暖热负荷需求优化方法，其特征在于，包括：
动态传热优化模型构建模块，被配置为：构建电采暖建筑的动态传热模型，确定动态传热优化模型；
优化调节模块，被配置为：基于动态传热优化模型，通过遗传算法对电采暖热负荷模型进行参数的训练与寻优，确定电采暖热负荷需求调节的最优方案。
8.如权利要求7中所述的一种基于遗传算法的电采暖热负荷需求优化系统，其特征在于，所述通过遗传算法对电采暖热负荷模型进行参数的训练与寻优，具体包括：
计算电采暖热负荷的适应度并进行适应度大小的排序，创建初始的热负荷数据种群；
对初始热负荷数据种群中的电采暖热负荷进行选择、交叉和变异操作，在电采暖总的热负荷不变的前提下，结合峰谷电价、罚函数进行参数寻优，实现电采暖热负荷需求的优化调节。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述的基于遗传算法的电采暖热负荷需求优化方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的基于遗传算法的电采暖热负荷需求优化方法中的步骤。
CN202110501814.3A 2021-05-08 2021-05-08 一种基于遗传算法的电采暖热负荷需求优化方法及系统 Pending CN113191086A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110501814.3A CN113191086A (zh) 2021-05-08 2021-05-08 一种基于遗传算法的电采暖热负荷需求优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110501814.3A CN113191086A (zh) 2021-05-08 2021-05-08 一种基于遗传算法的电采暖热负荷需求优化方法及系统

Publications (1)

Publication Number Publication Date
CN113191086A true CN113191086A (zh) 2021-07-30

Family

ID=76988486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110501814.3A Pending CN113191086A (zh) 2021-05-08 2021-05-08 一种基于遗传算法的电采暖热负荷需求优化方法及系统

Country Status (1)

Country Link
CN (1) CN113191086A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112413702A (zh) * 2020-10-23 2021-02-26 国网天津市电力公司电力科学研究院 一种蓄热式电采暖负荷与配电网台区的匹配方法及系统
CN113569415A (zh) * 2021-08-02 2021-10-29 国网山东省电力公司营销服务中心(计量中心) 基于用户负荷需求的分布式电采暖设备运行优化算法
CN113673785A (zh) * 2021-09-08 2021-11-19 山东佐耀科技有限公司 一种基于峰谷电价的空气源热泵负荷优化运营方法及系统
CN115343959A (zh) * 2022-09-23 2022-11-15 国网北京市电力公司 一种电采暖负荷自适应控制方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622530A (zh) * 2012-04-24 2012-08-01 华电能源股份有限公司哈尔滨第三发电厂 基于改进遗传算法的抽汽供热机组热电负荷分配优化方法
WO2013040539A1 (en) * 2011-09-16 2013-03-21 Siemens Corporation Method and system for energy control management
CN107909220A (zh) * 2017-12-08 2018-04-13 天津天大求实电力新技术股份有限公司 一种电采暖负荷预测方法
CN111178621A (zh) * 2019-12-25 2020-05-19 国网河北省电力有限公司 一种电采暖负荷预测支持向量回归机模型的参数优化方法
CN112413702A (zh) * 2020-10-23 2021-02-26 国网天津市电力公司电力科学研究院 一种蓄热式电采暖负荷与配电网台区的匹配方法及系统
WO2021035911A1 (zh) * 2019-08-28 2021-03-04 青岛蓝海未来海洋科技有限责任公司 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013040539A1 (en) * 2011-09-16 2013-03-21 Siemens Corporation Method and system for energy control management
CN102622530A (zh) * 2012-04-24 2012-08-01 华电能源股份有限公司哈尔滨第三发电厂 基于改进遗传算法的抽汽供热机组热电负荷分配优化方法
CN107909220A (zh) * 2017-12-08 2018-04-13 天津天大求实电力新技术股份有限公司 一种电采暖负荷预测方法
WO2021035911A1 (zh) * 2019-08-28 2021-03-04 青岛蓝海未来海洋科技有限责任公司 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统
CN111178621A (zh) * 2019-12-25 2020-05-19 国网河北省电力有限公司 一种电采暖负荷预测支持向量回归机模型的参数优化方法
CN112413702A (zh) * 2020-10-23 2021-02-26 国网天津市电力公司电力科学研究院 一种蓄热式电采暖负荷与配电网台区的匹配方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宫铭远: "基于遗传算法的集中式电采暖系统优化控制研究", 《万方》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112413702A (zh) * 2020-10-23 2021-02-26 国网天津市电力公司电力科学研究院 一种蓄热式电采暖负荷与配电网台区的匹配方法及系统
CN112413702B (zh) * 2020-10-23 2021-11-26 国网天津市电力公司电力科学研究院 一种蓄热式电采暖负荷与配电网台区的匹配方法及系统
CN113569415A (zh) * 2021-08-02 2021-10-29 国网山东省电力公司营销服务中心(计量中心) 基于用户负荷需求的分布式电采暖设备运行优化算法
CN113569415B (zh) * 2021-08-02 2024-03-19 国网山东省电力公司营销服务中心(计量中心) 基于用户负荷需求的分布式电采暖设备运行优化算法
CN113673785A (zh) * 2021-09-08 2021-11-19 山东佐耀科技有限公司 一种基于峰谷电价的空气源热泵负荷优化运营方法及系统
CN115343959A (zh) * 2022-09-23 2022-11-15 国网北京市电力公司 一种电采暖负荷自适应控制方法、装置、设备及介质
CN115343959B (zh) * 2022-09-23 2024-04-16 国网北京市电力公司 一种电采暖负荷自适应控制方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN113191086A (zh) 一种基于遗传算法的电采暖热负荷需求优化方法及系统
WO2023274425A1 (zh) 一种风光水火储系统的多能容量优化配置方法
Ardakani et al. A novel approach for optimal chiller loading using particle swarm optimization
CN106920006B (zh) 一种基于isoa-lssvm的地铁站空调系统能耗预测方法
Li et al. Applying support vector machine to predict hourly cooling load in the building
Kalogirou Optimization of solar systems using artificial neural-networks and genetic algorithms
CN112561728B (zh) 基于注意力机制lstm的综合能耗费用优化方法、介质及设备
Xie et al. A hybrid short-term load forecasting model and its application in ground source heat pump with cooling storage system
CN107994574B (zh) 面向新能源消纳的集中式温控负荷侧需求响应的决策方法
CN109084415A (zh) 基于神经网络和遗传算法的中央空调运行参数寻优方法
Amarasinghe et al. Artificial neural networks based thermal energy storage control for buildings
CN113378100B (zh) 考虑碳排放的配电网源网荷储协同优化调度模型和方法
CN112906292A (zh) 热电联产机组厂级热电负荷在线优化分配的方法、系统、设备及存储介质
CN109800918A (zh) 一种局域多能源互补运行综合优化配置方法和设备
CN113887797A (zh) 一种楼宇电采暖负荷预测模型的建立方法、装置和设备
CN114623569A (zh) 一种基于深度强化学习的集群空调负荷差异化调控方法
CN112152840A (zh) 一种基于bim和模拟仿真的传感器部署方法和系统
CN115882463A (zh) 一种商业建筑空调负荷可调度潜力评估方法
CN113344273B (zh) 基于建筑用能的区域配电网峰谷差调节优化方法及系统
CN113972694A (zh) 一种配电网分布式光伏与储能电站投资决策方法
Kurte et al. Comparative analysis of model-free and model-based HVAC control for residential demand response
CN113569380A (zh) 建筑综合用能的调节能力的修正方法及装置
CN109343461A (zh) 一种楼宇自动化控制系统的节能控制方法
CN116717839A (zh) 供热控制方法、控制装置和供热系统
CN116247682B (zh) 蓄热式电采暖参与配电网负荷调控方法、装置及存储介质

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