CN113685895A - 一种分布式架构下的换热站并联水泵优化控制方法及系统 - Google Patents

Abstract

本发明公开了一种分布式架构下的换热站并联水泵优化控制方法及系统，基于分布式控制架构，通过添加智能设备对换热站内机电设备进行升级，使得并联水泵的整个控制系统成为分布式控制系统；将集中式框架下的优化模型通过惩罚函数转化为分布式架构下的子优化模型，并且使用自适应因子对目标函数进行改进；使用改进的元启法式方法SCAFOA对优化模型进行求解，并且基于分布式架构将其转换为改进的分布式果蝇优化算法D‑SCAFOA，下载至各控制器中以此来完成优化模型的求解；最后以实际工程数据为基础的情况下，对一组不同型号的并联水泵进行组合与分配优化，以满足终端用户的热负荷需求。本发明避免了陷入局部最优的问题，可用于换热站并联水泵的节能优化控制。

Description

一种分布式架构下的换热站并联水泵优化控制方法及系统

技术领域

本发明属于区域供暖系统中换热站相关设备优化控制技术领域，具体涉及一种分布式架构下的换热站并联水泵优化控制方法及系统。

背景技术

并联水泵作为区域供暖(DH,District heating)系统的主要耗能设备，它是由电动机驱动。在全球范围内，电动机占电能消耗的46％，其中配水系统中的水泵和风机能耗占比高达60-70％。而通过对设备进行更新或者在建筑管理系统中针对设备增加智能模块，可以节约30％的能源，因此DH系统中换热站的并联水泵有着很大的节能潜力。水泵的运行效率不仅取决于设计，在满足需求的条件下，开启台数及运行频率对能耗的影响更为重要；想要提高水泵的运行效率，对其运行策略进行有效的优化尤为关键。

针对此问题，前期方法针对基于传统的集中式控制架构，在实际工程中不但需要逐例开发，而且计算时必须在全局范围内收集信息；这就对中央处理器有着很高的性能要求，一旦该处理器发生故障，整个并联泵组将无法工作，同时通信和计算成本的增加严重阻碍了这些方法在实际工程中的普及。后来相关方法基于传统的分布式控制架构对此问题进行优化求解，这些方法首先需要一个主控制器进行集中代理，然后将子任务分配给次控制器分别计算，从而在分布式控制架构下完成优化；虽然能够获得比在集中式控制架构下更好的节能效果，但如果主控制器发生故障，同样会导致整个并联泵组无法工作；因此，这种传统的分布式优化方法并不能充分利用分布式架构的优势，无法实现完全的分布式优化。

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，提供一种分布式架构下的换热站并联水泵优化控制方法及系统，基于分布式控制架构，使用正余弦方法(SCA)对果蝇优化方法(FOA)进行改进，用SCA方法的正余弦策略代替FOA方法在嗅觉搜索阶段的随机策略实现优化控制。

本发明采用以下技术方案：

一种分布式架构下的换热站并联水泵优化控制方法，包括以下步骤：

S1、将并联连接的每个智能水泵内部的分布式控制器按照实际物理拓扑关系连接，构建分布式系统；

S2、建立智能水泵的集中式优化控制模型，将集中式优化控制模型改进为步骤S1搭建的分布式系统下的优化子模型；

S3、基于步骤S2建立的优化子模型，结合果蝇优化方法，以各台智能水泵的总能耗最小为目标，智能水泵的转速为优化变量，智能水泵的流量需求为约束条件，将优化子模型与果蝇优化方法深度结合，在分布式架构下对优化子模型进行求解；

S4、在步骤S3的基础上，使用正余弦算法的正余弦策略替代步骤S3果蝇优化方法中嗅觉搜索阶段的随即策略，实现对果蝇优化方法的改进，基于步骤S1构建的分布式系统获得改进的分布式果蝇优化方法；

S5、将步骤S4获得的改进分布式果蝇优化方法发送至步骤S1每个智能水泵内部的分布式控制器；由任意的分布式控制器发起优化任务并向相邻的分布式控制器发送启动信号，实现优化控制。

具体的，步骤S2中，根据智能水泵的集中式优化控制模型确定目标函数、优化变量以及约束范围，以总能耗P最小为目标，求解最优的水泵开启台数和各台水泵转速；在此将集中式下的优化问题分解为N个子问题，通过惩罚函数Φ_i将总流量约束松弛到目标函数中，将有约束的最优化问题转化为由原函数、罚函数和惩罚因子组成的无约束问题，对目标函数通过惩罚函数进行改进得到分布式系统下的优化子模型。

进一步的，智能水泵在任意转速下的模型如下：

其中，H_i为第i台水泵的扬程；Q_i为第i台水泵的流量；ω_i为第i台水泵的转速比；p_i为第i台水泵的功率；η_i为第i台水泵的机械效率；a_i,b_i,c_i,j_i,k_i,l_i分别为第i台水泵的性能参数；N为并联的智能水泵总台数；P为泵组的总输出功率。

进一步的，无约束问题具体如下：

其中，p_i为第i台水泵的功率，θ为惩罚因子，Q_i为第i台水泵的流量，Q_need为系统总流量需求，ΔQ为水泵的实际流量与满足负荷需求所需流量的差值，*为标记当前等式的符号。

具体的，步骤S3中，果蝇优化方法在嗅觉搜索过程中是随机的赋予果蝇个体距离与方向，具体如下：

其中，X_i为第i个果蝇个体在横轴方向上的距离，Y_i为第i个果蝇个体在纵轴方向上的距离，i＝1,2,...,Sizepop，Sizepop为种群规模；(X_axis，Y_axis)是果蝇群初始化位置；random是[-1,1]之间的随机数。

进一步的，果蝇群初始化位置X_axis，Y_axis为：

其中，Q_pump_Low和Q_pump_Up分别为水泵流量的下限和上限，rand()为在0～1之间取的随机数。

具体的，步骤S4中，改进的分布式果蝇优化方法具体为：

S401、每个智能水泵的分布式控制器接收满足DH系统水力平衡及末端需求时对应的扬程H_need和总流量Q_need；

S402、初始化果蝇优化方法种群规模Sizepop、最大迭代次数Maxgen、SCA的控制参数h、惩罚因子的惩罚参数θ₀，以及r₁、r₂、r₃和r₄；根据水泵流量额定范围对果蝇群体位置(X_axis,Y_axis)进行初始化；

S403、在嗅觉搜索阶段，使用SCA的正余弦策略替代果蝇优化方法的随即策略；若r₄<0.5，则使用正弦策略更新种群，否则使用余弦策略更新种群；

S404、计算果蝇个体到原点的距离D_i，再计算味道浓度判定值S_i，S_i代表水泵的流量；

S405、基于信息传递机制，当前水泵控制器与邻居的水泵控制器进行信息交互，任意分布式控制器首先将自己优化的流量Q_i和由上游相邻分布式控制器发送的流量信息发送至下游的分布式水泵控制器，同时分布式控制器通过自身的流量Q_i计算自身智能水泵所在功率p_i；

S406、确定味道浓度判定函数，将味道浓度判定值S_i作为水泵流量Q_i代入函数，计算出味道浓度值p_i+Φ_i；

S407、找出果蝇群中味道浓度值最小的果蝇，并记录果蝇的位置信息和对应的味道浓度值；

S408、保留最小的味道浓度值bestSmell，利用对应的坐标更新最优位置进行视觉搜索，果蝇群体向对应位置飞去；

S409、重复执行步骤S403～步骤S407，判断当代最优味道浓度值是否小于历史最优味道浓度值，若是且当前迭代次数小于Maxgen，则执行步骤S408。

S410、判断是否所有的分布式控制器均已完成迭代，若完成迭代，输出各台水泵流量值及转速比，否则执行步骤S403。

进一步的，步骤S404中，果蝇个体到原点的距离D_i和味道浓度判定值S_i具体计算如下：

其中，X_i为第i个果蝇个体在横轴方向上的距离，Y_i为第i个果蝇个体在纵轴方向上的距离。

进一步的，步骤S408中，最小的味道浓度值bestSmell为：

Smellbest＝bestSmell

其中，Smellbest为最优个体，X(bestindex)为最优个体对应的横轴坐标，Y(bestindex)为最优个体对应的纵轴坐标。

本发明的另一技术方案是，一种分布式架构下的换热站并联水泵优化控制系统，包括：

连接模块，将并联连接的每个智能水泵内部的分布式控制器按照实际物理拓扑关系连接，构建分布式系统；

改进模块，建立智能水泵的集中式优化控制模型，将集中式优化控制模型改进为连接模块搭建的分布式系统下的优化子模型；

计算模块，基于改进模块建立的优化子模型，结合果蝇优化方法，以各台智能水泵的总能耗最小为目标，智能水泵的转速为优化变量，智能水泵的流量需求为约束条件，将优化子模型与果蝇优化方法深度结合，在分布式架构下对优化子模型进行求解；

替代模块，在计算模块的基础上，使用正余弦算法的正余弦策略替代计算模块果蝇优化方法中嗅觉搜索阶段的随即策略，实现对果蝇优化方法的改进，基于连接模块构建的分布式系统获得改进的分布式果蝇优化方法；

控制模块，将替代模块获得的改进分布式果蝇优化方法发送至连接模块每个智能水泵内部的分布式控制器；由任意的分布式控制器发起优化任务并向相邻的分布式控制器发送启动信号，实现优化控制。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种分布式架构下的换热站并联水泵优化控制方法，基于分布式控制架构，通过添加智能设备对换热站内机电设备进行升级；建立水泵的优化模型，并通过对目标函数的转换将其转化为分布式架构下的优化模型；使用改进的元启法式方法SCAFOA对优化模型进行求解，并且基于所建立的分布式架构进一步将其转换为改进的分布式果蝇优化方法(D-SCAFOA)，最终以此方法来完成优化模型的求解，由任一控制器发起优化任务，从而开始优化控制工作。

进一步的，对水泵优化问题建立集中式架构下的优化模型，并且将其改进为分布式架构下的优化子模型，对目标函数进行拆分形成子目标函数，使用惩罚函数将等式约束整合到子目标函数中，便于模型的计算、缩短计算时间、利于实现完全的分布式优化。

进一步的，根据水泵转速对水泵的基本模型进行建立，有利于对实际水泵的客观和真实反应，并且在优化计算过程中可以直接获取转速和流量等物理量来分析优化结果的好坏以及对并联水泵系统运行过程的掌握，为后期优化工作奠定基础。

进一步的，利用罚函数法将等式约束问题转化为无约束问题，可以更好的适应分布式系统的优化原理，缩短优化时间，使得在线优化控制成为可能。

进一步的，在FOA的优化过程中，每一个果蝇个体都会在纵轴与横轴方向上以随机数为基础随机的赋予方向与距离，使得算法能够在可行域内充分寻找更为优秀的个体，保证结果全局最优。

进一步的，初始位置的设置对后期优化过程的影响非常大，如果离最优值较劲，则可能陷入局部最优，如果离最优值较远，则会导致算法的计算时间过长，无法保证最优值的产生，因此对其进行随机设置，有利于结果的全局最优。

进一步的，在FOA的基础上，使用SCA算法的正余弦策略代替FOA的随机飞行策略，使得果蝇个体尽可能的向真实最优结果飞去，这避免了局部最优，同时加快了优化速度。

进一步的，在优化过程中，对每个果蝇距离远点的距离D_i进行计算，并且由此进一步计算出味道浓度判定值S_i，有利于对当前果蝇个体位置的定位和结果的分析，为下一步果蝇的飞行距离与方向奠定基础，使得尽快向最优的个体飞去。

进一步的，对每一代优化结果中的最优值进行定位，并获取其响应的优化结果和坐标，有利于对优化过程进行记录，分析算法的稳定性和鲁棒性，同时将最优个体的坐标进行保留，成为下一代果蝇个体飞行的目标，有利于对真实最优值的计算和寻找。

综上所述，本发明针对区域供暖系统中换热站并联水泵的组合分配问题，基于分布式架构开发了完全分布式控制系统，极大的提高了系统的运维效率；通过惩罚函数将集中式架构下的目标函数转化为分布式架构下的子优化问题，并且在目标函数中引入自适应因子，为实现分布式算法设计提供全新思路；基于元启法式方法FOA使用SCA进行改进，并且在分布式架构下获得改进的分布式果蝇优化方法D-SCAFOA，使得优化模型的求解有着更高的精度、更快的速度和稳定的性能。

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为集中式控制系统示意图；

图2为分布式控制系统示意图；

图3为SCAFOA与D-SCAFOA种群区别示意图；

图4为改进的分布式果蝇优化算法流程图；

图5为水泵性能曲线图；

图6为各算法迭代曲线图。

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。

在本发明的描述中，需要理解的是，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。

本发明提供了一种分布式架构下的换热站并联水泵优化控制方法，提出在分布式架构下建立并联水泵优化模型，通过对集中式优化算法进行改进以获得分布式架构下的分布式优化算法，从而实现对并联水泵的高效优化控制。首先基于分布式控制架构，通过添加智能设备对换热站内机电设备进行升级，使得并联水泵的整个控制系统成为分布式控制系统；然后建立水泵的优化模型，将集中式框架下的优化模型通过惩罚函数转化为分布式架构下的子优化模型，并且使用自适应因子对目标函数进行改进；最后使用改进的元启法式算法SCAFOA对优化模型进行求解，并且基于所建立的分布式架构进一步将其转换为改进的分布式果蝇优化算法D-SCAFOA，将该算法下载至各控制器中以此来完成优化模型的求解。

请参阅图4，本发明一种分布式架构下的换热站并联水泵优化控制方法，具体步骤如下：

S1、将各台并联水泵通过内置分布式控制器升级为智能水泵，将各分布式控制器通过有线或无线的形式，根据实际的物理拓扑关系连接起来，完成分布式(D,Distribution)系统的构建；

各类机电设备通过内置分布式控制器升级为智能机电设备，各设备性能参数由厂商以统一的格式存储在控制器中。在现场安装过程中，将各分布式控制器通过有线或无线的形式，根据实际的物理拓扑关系连接起来即可组成分布式控制系统网络，分布式控制系统网络中的每个控制器都平等的进行计算和通信，集中式与分布式架构示意图分别如图1和图2所示。

在网络搭建完成以后，将所需的分布式优化方法下载至控制器，相同类型机电设备的优化方法是一致的。在系统运行过程中，由任一分布式控制器发起优化任务并向邻居控制器发送启动信号，每个分布式控制器根据内置方法进行优化计算并向邻居控制器传递相关变量，以此共同完成优化任务，各控制器给出满足系统需求下的最终优化结果。

S2、利用并联水泵的各项性能参数和使用特性，首先说明水泵的各项性能公式，对转速比进行了特别的限制；然后建立并联水泵的集中式优化控制模型，确定目标函数、优化变量以及约束范围；最后基于步骤S1所搭建的分布式系统，对目标函数通过惩罚函数进行改进，将其转化为分布式系统下的优化子模型；

经过对终端用户热负荷的预测得到总流量需求Q_need，并联水泵采取定压差控制，通过调节泵组的运行台数和转速来满足该流量需求；采用多项式函数对水泵特性进行拟合。额定条件下水泵的扬程-流量、效率-流量和功率的模型如下：

其中，H为水泵扬程，单位为mH₂o；Q为水泵流量，单位为L/s；p为水泵的功率，单位为kW；ρ为热媒(水)密度，取1000kg/m³；g为重力加速度，取9.8m/s²；a,b,c,j,k,l分别为水泵性能参数；η,ηM,η_V分别为机械效率、电机效率和变频效率。

定义第i台水泵的转速比为ω_i。由于η,ηM,η_V取决于ω_i，如果转速比满足ω_i∈[0.4,1]，则ω_i对η_M和η_V的影响很小(η_M为机械效率，η_V为电机效率)，可将其认为是常数，所以在此仅考虑机械效率η对水泵功率p的影响，如下式：

ω_i＝n/n₀,

p＝ρgQH/η；

所以，智能水泵在任意转速下的模型如下：

其中Hi为第i台水泵的扬程；Qi为第i台水泵的流量；ωi为第i台水泵的转速比；pi为第i台水泵的功率，单位均同上所述；η_i为第i台水泵的机械效率(工作效率)；a_i,b_i,c_i,j_i,k_i,l_i分别为第i台水泵的性能参数；N为并联水泵总台数；P为泵组的总输出功率，单位为kW。

对于换热站内并联水泵的优化，在满足系统总流量需求Q_need和扬程需求H_need的前提下，以总能耗P最小为目标，求解最优的水泵开启台数和各台水泵转速；在此将集中式下的优化问题分解为N个子问题。具体如下：

min(p_i)

s.t.H_i＝H_need

0.4≤ω_i≤1 or ω_i＝0,i＝1,2,...,N.

通过惩罚函数Φ_i将总流量约束松弛到目标函数中，从而将有约束的最优化问题转化为由原函数、罚函数和惩罚因子组成的无约束问题，如下所示，θ为惩罚因子。

将θ设为非线性自适应因子，t为当前迭代次数，当t＝0时，θ＝θ₀，Maxgen为最大迭代次数，具体如下：

S3、基于步骤S2建立的分布式优化模型，结合果蝇优化方法(FOA，Fruit FlyOptimization Algorithm)，以各台水泵总能耗最小为目标，水泵转速为优化变量，流量需求为约束条件，将并联水泵优化模型与FOA深度结合，在分布式架构下对该模型进行求解；

FOA根据水泵流量额定范围对果蝇群体位置(X_axis,Y_axis)如下所示进行初始化，其中Q_pump_Low和Q_pump_Up分别为水泵流量的下限和上限，此处Q_pump_Low一般为0。

FOA在嗅觉搜索过程中，是随机的赋予果蝇个体距离与方向，如下所示：

其中i＝1,2,...,Sizepop，Sizepop为种群规模；(X_axis,Y_axis)是果蝇群初始化位置；random是[-1,1]之间的随机数。

S4、在步骤S3的基础上，使用正余弦方法(SCA,Sine Cosine Algorithm)的正余弦策略替代FOA中嗅觉搜索阶段的随即策略，以实现对FOA的改进，并且基于步骤S1所搭建的分布式系统，从而获得改进的分布式果蝇优化方法(D-SCAFOA)；

为了更加清晰的说明SCAFOA以及D-SCAFOA区别，图3给出了集中式与分布式架构下SCAFOA种群的示意图，集中控制系统下的SCAFOA，所有的水泵只有一个种群进行集中初始化，并且在算法迭代过程中，每只果蝇个体位置均发生同样的改变；而基于分布式控制系统下的改进的分布式果蝇优化算(D-SCAFOA,Distribution-Sine Cosine Algorithm-Fruit Fly Optimization Algorithm)，每台水泵分布式控制器对应随机产生一个属于自己的种群，每个种群不相同，且仅包含自身水泵的相关变量，通过与相邻水泵分布式控制器信息交互来获取信息，每代果蝇个体位置更新时只覆盖自己的变量；

采用SCA中的正弦余弦策略代替，正弦余弦策略可以将随机解组合到一组随机突变率高的解中来增强FOA的嗅觉搜索能力，以形成改进的果蝇优化方法(SCAFOA)；SCA在探索过程中，方法以高概率将随机解进行组合，在搜索空间内寻找可行域，计算如下所示：

其中Z_i ^t表示第t次迭代下第i个个体的最优位置；r₂∈[0,2π]，r₃∈[0,2]，r₄∈[0,1]；r1作为转换参数是一个线性递减函数，如下所示，当t＝0时，r₁＝h。

在FOA嗅觉搜索阶段时对于赋予个体距离与方向的随机策略，在此采用SCA中的正弦余弦策略代替，该策略可以将随机解组合到一组随机突变率高的解中来增强FOA的嗅觉搜索能力，如下式所示(式中各参数要求同上式)。

以4台水泵为例，集中式架构下的SCAFOA与分布式架构下的D-SCAFOA种群区别如图3所示。

在分布式架构网络中，由任一控制器发起优化任务，相邻控制器收到启动信号，通过信息传递和自组织自优化从而完成并联水泵的优化任务。在图3(b)中以“水泵1”发起优化任务为例说明相关变量的信息传递机制，“水泵1”收到启动信号，则在各变量赋初值的情况下独立完成Q₁的优化，将优化结果Q₁传递给“水泵2”；刺激“水泵2”开始优化任务，该水泵基于最新的Q₁和其他变量赋初值的情况下独立完成Q₂的优化，将优化结果Q₁和Q₂传递给“水泵3”；刺激“水泵3”开始优化任务，该水泵基于最新的Q₁和Q₂，且其他变量赋初值的情况下独立完成Q₃的优化，将优化结果Q₁,Q₂和Q₃传递给“水泵4”；刺激“水泵4”开始优化任务，该水泵基于最新的Q₁,Q₂和Q₃独立完成Q₄的优化，将优化结果Q₂,Q₃和Q₄传递给“水泵1”，以此进入算法的下一代优化。

为了对D-SCAFOA进行阐述，图4给出了改进的分布式果蝇优化方法流程图，具体步骤如下：

S401、接收负荷需求

每个水泵分布式控制器接收满足DH系统水力平衡及末端需求时对应的扬程H_need和总流量Q_need。

S402、算法初始化

初始化FOA种群规模Sizepop、最大迭代次数Maxgen、SCA的控制参数h、惩罚因子的惩罚参数θ₀，以及r₁、r₂、r₃和r₄；根据水泵流量额定范围对果蝇群体位置(X_axis,Y_axis)如下式进行初始化，其中Q_pump_Low和Q_pump_Up分别为水泵流量的下限和上限，此处Q_pump_Low一般为0。

S403、嗅觉搜索阶段

在嗅觉搜索阶段，使用SCA的正余弦策略替代FOA的随即策略；若r₄<0.5，则使用正弦策略更新种群，否则使用余弦策略更新种群。

S404、计算距离

由于一开始不知道食物的位置，所以先计算果蝇个体到原点的距离D_i，再计算味道浓度判定值S_i，此处S_i代表水泵的流量，具体的计算公式如下。

S405、信息交互

基于上述信息传递机制，与邻居水泵控制器进行信息交互，任意分布式控制器首先将自己优化的流量Q_i和由上游邻居发送的流量信息发送至下游水泵控制器，同时该控制器通过自身的流量Q_i计算自身水泵所在功率p_i。

S406、计算适应度函数值

确定味道浓度判定函数，将味道浓度判定值S_i作为水泵流量Q_i代入函数，计算出味道浓度值p_i+Φ_i即Smell_i。

Smell_i＝Fitness(S_i)

S407、视觉搜索阶段

找出果蝇群中味道浓度值最小的果蝇(适应度函数值最小)，并记录此果蝇的位置信息和对应的味道浓度值。

[bestSmell,bestindex]＝min(Smell)

S408、最优位置更新

保留最小的味道浓度值bestSmell，利用对应的坐标更新最优位置进行视觉搜索，果蝇群体往该位置飞去。

Smellbest＝bestSmell

S409、开始迭代寻优

重复执行步骤S403～步骤S407，判断当代最优味道浓度值是否小于历史最优味道浓度值，若是且当前迭代次数小于Maxgen，则执行步骤S408。

S410、判断是否所有的分布式控制器均已完成迭代，若是则输出各台水泵流量值及转速比，否则执行步骤S403。

S5、基于步骤S1所搭建的分布式系统，结合S4所提出的改进的分布式果蝇优化方法(D-SCAFOA)，将该优化方法下载至各分布式控制器；由任一分布式控制器发起优化任务并向邻居控制器发送启动信号，开始优化工作。

将所提出的改进的分布式果蝇优化方法D-SCAFOA下载至各分布式控制器；由任一分布式控制器发起优化任务并向邻居控制器发送启动信号，以此开始优化工作。

在网络搭建完成以后，将所需的分布式优化算法下载至控制器，相同类型机电设备的优化算法是一致的。在系统运行过程中，由任一分布式控制器发起优化任务并向邻居控制器发送启动信号，每个分布式控制器根据内置算法进行优化计算并向邻居控制器传递相关变量，以此共同完成优化任务，各控制器给出满足系统需求下的最终优化结果。

本发明再一个实施例中，提供一种分布式架构下的换热站并联水泵优化控制系统，该系统能够用于实现上述分布式架构下的换热站并联水泵优化控制方法，具体的，该分布式架构下的换热站并联水泵优化控制系统包括连接模块、改进模块、计算模块、替代模块以及控制模块。

其中，连接模块，将并联连接的每个智能水泵内部的分布式控制器按照实际物理拓扑关系连接，构建分布式系统；

改进模块，建立智能水泵的集中式优化控制模型，将集中式优化控制模型改进为连接模块搭建的分布式系统下的优化子模型；

计算模块，基于改进模块建立的优化子模型，结合果蝇优化方法，以各台智能水泵的总能耗最小为目标，智能水泵的转速为优化变量，智能水泵的流量需求为约束条件，将优化子模型与果蝇优化方法深度结合，在分布式架构下对优化子模型进行求解；

替代模块，在计算模块的基础上，使用正余弦算法的正余弦策略替代计算模块果蝇优化方法中嗅觉搜索阶段的随即策略，实现对果蝇优化方法的改进，基于连接模块构建的分布式系统获得改进的分布式果蝇优化方法；

控制模块，将替代模块获得的改进分布式果蝇优化方法发送至连接模块每个智能水泵内部的分布式控制器；由任意的分布式控制器发起优化任务并向相邻的分布式控制器发送启动信号，实现优化控制。

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分布式架构下的换热站并联水泵优化控制方法的操作，包括：

将并联连接的每个智能水泵内部的分布式控制器按照实际物理拓扑关系连接，构建分布式系统；建立智能水泵的集中式优化控制模型，将集中式优化控制模型改进为步骤S1搭建的分布式系统下的优化子模型；基于优化子模型，结合果蝇优化方法，以各台智能水泵的总能耗最小为目标，智能水泵的转速为优化变量，智能水泵的流量需求为约束条件，将优化子模型与果蝇优化方法深度结合，在分布式架构下对优化子模型进行求解；使用正余弦算法的正余弦策略替代果蝇优化方法中嗅觉搜索阶段的随即策略，实现对果蝇优化方法的改进，基于分布式系统获得改进的分布式果蝇优化方法；将改进分布式果蝇优化方法发送至每个智能水泵内部的分布式控制器；由任意的分布式控制器发起优化任务并向相邻的分布式控制器发送启动信号，实现优化控制。

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分布式架构下的换热站并联水泵优化控制方法的相应步骤；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：

将并联连接的每个智能水泵内部的分布式控制器按照实际物理拓扑关系连接，构建分布式系统；建立智能水泵的集中式优化控制模型，将集中式优化控制模型改进为步骤S1搭建的分布式系统下的优化子模型；基于优化子模型，结合果蝇优化方法，以各台智能水泵的总能耗最小为目标，智能水泵的转速为优化变量，智能水泵的流量需求为约束条件，将优化子模型与果蝇优化方法深度结合，在分布式架构下对优化子模型进行求解；使用正余弦算法的正余弦策略替代果蝇优化方法中嗅觉搜索阶段的随即策略，实现对果蝇优化方法的改进，基于分布式系统获得改进的分布式果蝇优化方法；将改进分布式果蝇优化方法发送至每个智能水泵内部的分布式控制器；由任意的分布式控制器发起优化任务并向相邻的分布式控制器发送启动信号，实现优化控制。

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。

为了验证该方法的有效性，选取某并联水泵的实际工程数据作为模型建立的参数；该系统由四台大泵(PUMP-A)和两台小泵(PUMP-B)组成，性能参数如表1所示：

表1水泵性能参数

该泵组的扬程-流量、效率-流量性能曲线如图5所示，并且基于该并联水泵系统，分别选取低、中、高三种不同负荷情况进行组合分配的优化求解，具体如表2所示：

表2不同工况设置

基于上述并联水泵系统和不同工况情况，分别用FOA、SCAFOA和D-SCAFOA进行优化求解，每种方法经过多次独立实验对内部参数进行合理确定后，优化结果如表3所示：

表3不同方法优化结果对比

由表3可知，在三种工况下，SCAFOA比起FOA有着更优的优化结果，优化流量与流量需求的差值普遍较小；但是均在集中式框架下，相比于分布式框架下的D-SCAFOA，后者有着更好的性能，能够准确的满足负荷需求，并且有着更好的节能性。

为了更好的展示D-SCAFOA性能，选取Case1工况，分别基于上述三种算法的迭代曲线如图6所示；由图可知，改进的分布式优化算法比起集中式下SCAFOA与FOA有着更稳定的性能以及更节能的优化结果，再次证明了本发明所提方法的有效性。

综上所述，本发明一种分布式架构下的换热站并联水泵优化控制方法及系统，比起传统的集中式控制架构，分布式在收敛速度上具有明显的优势，并且经过SCA优化后的FOA，收敛速度有所提高，并且避免了陷入局部最优的问题，可用于换热站并联水泵的节能优化控制。

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)

1.一种分布式架构下的换热站并联水泵优化控制方法，其特征在于，包括以下步骤：

S1、将并联连接的每个智能水泵内部的分布式控制器按照实际物理拓扑关系连接，构建分布式系统；

S2、建立智能水泵的集中式优化控制模型，将集中式优化控制模型改进为步骤S1搭建的分布式系统下的优化子模型；

S3、基于步骤S2建立的优化子模型，结合果蝇优化方法，以各台智能水泵的总能耗最小为目标，智能水泵的转速为优化变量，智能水泵的流量需求为约束条件，将优化子模型与果蝇优化方法深度结合，在分布式架构下对优化子模型进行求解；

S4、在步骤S3的基础上，使用正余弦算法的正余弦策略替代步骤S3果蝇优化方法中嗅觉搜索阶段的随即策略，实现对果蝇优化方法的改进，基于步骤S1构建的分布式系统获得改进的分布式果蝇优化方法；

S5、将步骤S4获得的改进分布式果蝇优化方法发送至步骤S1每个智能水泵内部的分布式控制器；由任意的分布式控制器发起优化任务并向相邻的分布式控制器发送启动信号，实现优化控制。

2.根据权利要求1所述的方法，其特征在于，步骤S2中，根据智能水泵的集中式优化控制模型确定目标函数、优化变量以及约束范围，以总能耗P最小为目标，求解最优的水泵开启台数和各台水泵转速；在此将集中式下的优化问题分解为N个子问题，通过惩罚函数Φ_i将总流量约束松弛到目标函数中，将有约束的最优化问题转化为由原函数、罚函数和惩罚因子组成的无约束问题，对目标函数通过惩罚函数进行改进得到分布式系统下的优化子模型。

3.根据权利要求2所述的方法，其特征在于，智能水泵在任意转速下的模型如下：

其中，H_i为第i台水泵的扬程；Q_i为第i台水泵的流量；ω_i为第i台水泵的转速比；p_i为第i台水泵的功率；η_i为第i台水泵的机械效率；a_i,b_i,c_i,j_i,k_i,l_i分别为第i台水泵的性能参数；N为并联的智能水泵总台数；P为泵组的总输出功率。

4.根据权利要求2所述的方法，其特征在于，无约束问题具体如下：

其中，p_i为第i台水泵的功率，θ为惩罚因子，Q_i为第i台水泵的流量，Q_need为系统总流量需求，ΔQ为水泵的实际流量与满足负荷需求所需流量的差值，*为标记当前等式的符号。

5.根据权利要求1所述的方法，其特征在于，步骤S3中，果蝇优化方法在嗅觉搜索过程中是随机的赋予果蝇个体距离与方向，具体如下：

其中，X_i为第i个果蝇个体在横轴方向上的距离，Y_i为第i个果蝇个体在纵轴方向上的距离，i＝1,2,...,Sizepop，Sizepop为种群规模；(X_axis，Y_axis)是果蝇群初始化位置；random是[-1,1]之间的随机数。

6.根据权利要求5所述的方法，其特征在于，果蝇群初始化位置X_axis，Y_axis为：

其中，Q_pump_Low和Q_pump_Up分别为水泵流量的下限和上限，rand()为在0～1之间取的随机数。

7.根据权利要求1所述的方法，其特征在于，步骤S4中，改进的分布式果蝇优化方法具体为：

S401、每个智能水泵的分布式控制器接收满足DH系统水力平衡及末端需求时对应的扬程H_need和总流量Q_need；

S402、初始化果蝇优化方法种群规模Sizepop、最大迭代次数Maxgen、SCA的控制参数h、惩罚因子的惩罚参数θ₀，以及r₁、r₂、r₃和r₄；根据水泵流量额定范围对果蝇群体位置(X_axis,Y_axis)进行初始化；

S403、在嗅觉搜索阶段，使用SCA的正余弦策略替代果蝇优化方法的随即策略；若r₄<0.5，则使用正弦策略更新种群，否则使用余弦策略更新种群；

S404、计算果蝇个体到原点的距离D_i，再计算味道浓度判定值S_i，S_i代表水泵的流量；

S405、基于信息传递机制，当前水泵控制器与邻居的水泵控制器进行信息交互，任意分布式控制器首先将自己优化的流量Q_i和由上游相邻分布式控制器发送的流量信息发送至下游的分布式水泵控制器，同时分布式控制器通过自身的流量Q_i计算自身智能水泵所在功率p_i；

S406、确定味道浓度判定函数，将味道浓度判定值S_i作为水泵流量Q_i代入函数，计算出味道浓度值p_i+Φ_i；

S407、找出果蝇群中味道浓度值最小的果蝇，并记录果蝇的位置信息和对应的味道浓度值；

S408、保留最小的味道浓度值bestSmell，利用对应的坐标更新最优位置进行视觉搜索，果蝇群体向对应位置飞去；

S409、重复执行步骤S403～步骤S407，判断当代最优味道浓度值是否小于历史最优味道浓度值，若是且当前迭代次数小于Maxgen，则执行步骤S408；

S410、判断是否所有的分布式控制器均已完成迭代，若完成迭代，输出各台水泵流量值及转速比，否则执行步骤S403。

8.根据权利要求7所述的方法，其特征在于，步骤S404中，果蝇个体到原点的距离D_i和味道浓度判定值S_i具体计算如下：

其中，X_i为第i个果蝇个体在横轴方向上的距离，Y_i为第i个果蝇个体在纵轴方向上的距离。

9.根据权利要求7所述的方法，其特征在于，步骤S408中，最小的味道浓度值bestSmell为：

其中，Smellbest为最优个体，X(bestindex)为最优个体对应的横轴坐标，Y(bestindex)为最优个体对应的纵轴坐标。

10.一种分布式架构下的换热站并联水泵优化控制系统，其特征在于，包括：

连接模块，将并联连接的每个智能水泵内部的分布式控制器按照实际物理拓扑关系连接，构建分布式系统；

改进模块，建立智能水泵的集中式优化控制模型，将集中式优化控制模型改进为连接模块搭建的分布式系统下的优化子模型；

计算模块，基于改进模块建立的优化子模型，结合果蝇优化方法，以各台智能水泵的总能耗最小为目标，智能水泵的转速为优化变量，智能水泵的流量需求为约束条件，将优化子模型与果蝇优化方法深度结合，在分布式架构下对优化子模型进行求解；

替代模块，在计算模块的基础上，使用正余弦算法的正余弦策略替代计算模块果蝇优化方法中嗅觉搜索阶段的随即策略，实现对果蝇优化方法的改进，基于连接模块构建的分布式系统获得改进的分布式果蝇优化方法；

控制模块，将替代模块获得的改进分布式果蝇优化方法发送至连接模块每个智能水泵内部的分布式控制器；由任意的分布式控制器发起优化任务并向相邻的分布式控制器发送启动信号，实现优化控制。

Images