CN113887083A - 一种空调调度优化方法、系统、计算机设备和存储介质 - Google Patents
一种空调调度优化方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113887083A CN113887083A CN202111269031.3A CN202111269031A CN113887083A CN 113887083 A CN113887083 A CN 113887083A CN 202111269031 A CN202111269031 A CN 202111269031A CN 113887083 A CN113887083 A CN 113887083A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- population
- individual
- air supply
- energy consumption
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000005457 optimization Methods 0.000 title claims abstract description 49
- 230000008901 benefit Effects 0.000 claims abstract description 44
- 238000005265 energy consumption Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 101150084750 1 gene Proteins 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种空调调度优化方法、系统、设备及存储介质，方法包括以下步骤：个体初始化步骤及种群初始化步骤；优化值计算步骤：针对种群中的每个个体，分别计算空调的最小化能耗成本和最大化送风效益；种群进化步骤：基于种群中每个个体的最小化能耗成本和最大化送风效益，采用选择、交叉、变异方法生成父代后，继续迭代执行优化值计算步骤，直到执行到预设迭代代数后停止，输出优化的个体，实现多个区域空调运行模式的最优化调度。本发明实现了空调使用的智能优化调度的方法及衡量空调送风效益的方法。
Description
技术领域
本申请涉及多目标求解方法技术领域，特别是涉及一种空调调度优化方法、系统、计算机设备和计算机可读存储介质。
背景技术
当前，随着当今社会的快速发展，大气中的温室气体如二氧化碳、甲烷、臭氧、以及水汽等的排放不断增多，这就导致了温室效应不断增强。虽然近些年人们的环境保护意识不断增强，但温室效应造成的全球气温上升现象仍然存在。在这种温度不断升高的外部环境下，人们对于空调的需求急剧上升，特别是在炎热的夏天。而对大型企业而言，为了保证员工在炎热或者严寒的环境下能够继续高效工作，通常会对公司所在所有楼层安装配置相应数量的中央空调，如图1所示。
目前针对相关技术中，存在以下瓶颈，尚未提出有效解决方案：
在场地面积较大的开放型工作场景下，中央空调的常用模式是“一拖多”，即由多个室内机和一个室外机组成的系统，运行的时候室外机制冷和室内机制冷两者参数之和相等，这样做的一个很大好处是操作方便快捷，不需要对分布在各区域的空调进行开关控制，但这种运行模式存在以下缺点：
(1)所有区域的空调长时间运转会造成用电成本的急剧增加，从一定程度上对于企业而言不是节流的一种做法；
(2)为了使得不同区域的工作人员获得最大用户舒适感，空调通常是安装在不同区域的，比如走廊，工位等地，但很多时候这些区域并不常有人在，可能会出现走廊很长一段时间没有人或者一片区域的员工长期不在工位上，这时候无人区域对应空调机的长时间运行不仅会浪费资源，不能带来有效的价值，而且也会增加公司的运营成本；
(3)在某些炎热的地方，空调长时间高功率的运行会使得空调室外机附近的温度升高或者上升，这会加剧城市热岛效应，会影响该城市的生活幸福感。
基于以上现有技术中存在的问题，本发明提出了空调智能调度的方法，综合考虑能源成本，用户舒适度，对各空调的运行模式进行优化，提高能源使用效率。在进行调度时，主要用到了运筹优化的方法，对各空调的运行模式(如温度，风速大小)进行智能优化，使得整体的能耗成本最低的同时最大化送风效益，其中送风效益可以简单理解为空调送风给多少人带来了凉爽或者温暖的体验，它主要与空调的风速，温度以及对应区域的人数有关。由上会有两个目标函数，而这两个目标是冲突的，需要平衡两者之间的值，是一个双目标优化问题。
本发明提供了一套空调调度优化的解决方案，可以对两个冲突目标进行平衡处理，解决空调整体的能耗成本最低的同时实现最大化送风效益的技术问题。
发明内容
本申请实施例提供了一种空调调度优化方法、系统、计算机设备和计算机可读存储介质，以解决空调整体的能耗成本最低的同时实现最大化送风效益的技术问题。
第一方面，本申请实施例提供了一种空调调度优化方法，包括以下步骤：
个体初始化步骤：将多个区域的每个空调不同风速和温度下的对应的功率进行自然数编码，基于自然数编码初始化生成包含多个自然数编码的集合，自然数编码集合为一个个体；
种群初始化步骤：基于初始化生成的多个个体及预设种群规模进行种群初始化，种群包含多个个体；
优化值计算步骤：针对种群中的每个个体，分别计算空调的最小化能耗成本和最大化送风效益；
种群进化步骤：基于种群中每个个体的最小化能耗成本和最大化送风效益，采用选择、交叉、变异方法生成父代后，继续迭代执行优化值计算步骤，直到执行到预设迭代代数后停止，输出优化的个体，实现多个区域空调运行模式的最优化调度。
在本发明一些实施例中，上述最小化能耗成本为：
其中：ci-不同时间段的电价；pij-不同空调在不同时间段的运行功率，n为时间段个数；m为空调数量。
在本发明一些实施例中，上述最大化送风效益为：
其中：
f(pij)-表示从空调功率映射到送风效益的函数；
personij-表示在不同时间段不同空调机下的实际人数；
person_all-表示所有区域的实际总人数。
在本发明一些实施例中，上述种群进化步骤包括：
选择步骤：基于各个个体的最小化能耗及最大化送风效益的计算值，对种群进行非劣分层排序，计算各个个体拥挤度，选择适应度更优的个体进入下一代个体，并从下一代个体中两两选择父体配对；
交叉步骤：采用顺序交叉法，将配对的父体顺序完成交叉，生成交叉父体；
变异步骤：采用逆转变异法，将交叉父体的任意两个自然数编码位置间的顺序倒置，完成变异，生成子代；
调整步骤：对子代的每个个体基于预设规则及取值范围进行可行性调整；
合并步骤：将完成可行性调整的子代与父代合并为大种群，迭代执行优化值计算步骤。
第二方面，本申请实施例提供了一种空调调度优化系统，采用如上空调调度优化方法，包括以下模块：
个体初始化模块：将多个区域的每个空调不同风速和温度下的对应的功率进行自然数编码，基于自然数编码初始化生成包含多个自然数编码的集合，自然数编码集合为一个个体；
种群初始化模块：基于初始化生成的多个个体及预设种群规模进行种群初始化，种群包含多个个体；
优化值计算模块：针对种群中的每个个体，分别计算空调的最小化能耗成本和最大化送风效益；
种群进化模块：基于种群中每个个体的最小化能耗成本和最大化送风效益，采用选择、交叉、变异方法生成父代后，继续迭代执行优化值计算，直到执行到预设迭代代数后停止，输出优化的个体，实现多个区域空调运行模式的最优化调度。
在本发明一些实施例中，上述最小化能耗成本为：
其中：ci-不同时间段的电价；pij-不同空调在不同时间段的运行功率，n为时间段个数；m为空调数量。
在本发明一些实施例中，上述最大化送风效益为：
其中：
f(pij)-表示从空调功率映射到送风效益的函数；
personij-表示在不同时间段不同空调机下的实际人数；
person_all-表示所有区域的实际总人数。
在本发明一些实施例中，上述种群进化模块包括：
选择模块：基于各个个体的最小化能耗及最大化送风效益的计算值，对种群进行非劣分层排序，计算各个个体拥挤度，选择适应度更优的个体进入下一代个体，并从下一代个体中两两选择父体配对；
交叉模块：采用顺序交叉法，将配对的父体顺序完成交叉，生成交叉父体；
变异模块：采用逆转变异法，将交叉父体的任意两个自然数编码位置间的顺序倒置，完成变异，生成子代；
调整模块：对子代的每个个体基于预设规则及取值范围进行可行性调整；
合并模块：将完成可行性调整的子代与父代合并为大种群，迭代执行优化值计算。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的空调调度优化方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的空调调度优化方法。
相比于现有技术，本发明具有有益效果：
1)本发明提出了对空调使用的智能优化调度的方法，综合考虑能源成本，用户舒适度，对各空调的运行模式进行优化，提高能源使用效率；
2)本发明提出了一种衡量空调送风效益的方法，在进行调度时，主要用到了运筹优化的方法，对各空调的运行模式(如温度，风速大小)进行智能优化，使得整体的能耗成本最低的同时最大化送风效益，其中送风效益可以简单理解为空调送风给多少人带来了凉爽或者温暖的体验，它主要与空调的风速，温度以及对应区域的人数有关；
3)本发明提出了一种如何在考虑成本与效益最优化情况下的多目标求解方法，而这两个目标是冲突的，需要平衡两者之间的值，本发明解决了一个双目标优化问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为现有技术空调安装配置示意图；
图2为本发明方法流程示意图；
图3为本发明具体实施例NSGA-II算法流程图；
图4为本发明系统结构示意图；
图5为计算机设备的硬件结构示意图。
以上图中：
10、个体初始化模块，20、种群初始化模块，30、优化值计算模块，40、种群进化模块
81、处理器；82、存储器；83、通信接口；80、总线。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请所涉及的空调智能调度的方法方法、装置、设备或者计算机可读存储介质可用于以最小化能耗成本和最大化送风效益为目标，对空调的运行模式进行智能调度，本发明提供了一种求解空调智能优化问题的多目标算法。
本发明采用NSGA-Ⅱ算法为：两个或两个以上目标函数的优化问题称之为多目标优化问题，在多数情况下目标函数之间会存在冲突，需要决策者根据实际情况去权衡取舍。而常见的多目标求解方法有两种，一种是赋予不同的目标相关的权重系数转化为单目标优化，另一种是使用多目标优化算法得到相应的帕累托前沿面，根据实际情况去选择相应解。本发明主要是采用第二种方法使用NSGA-Ⅱ算法进行求解。NSGA-Ⅱ算法作为一种基于非劣分层排序的种群进化算法，在多目标优化问题上表现优异。
图2为本发明空调调度优化方法示意图，如图2所示，本申请实施例提供了一种空调调度优化方法，包括以下步骤：
个体初始化步骤S10：将多个区域的每个空调不同风速和温度下的对应的功率进行自然数编码，基于自然数编码初始化生成包含多个自然数编码的集合，自然数编码集合为一个个体；
种群初始化步骤S20：基于初始化生成的多个个体及预设种群规模进行种群初始化，种群包含多个个体；
优化值计算步骤S30：针对种群中的每个个体，分别计算空调的最小化能耗成本和最大化送风效益；
种群进化步骤S40：基于种群中每个个体的最小化能耗成本和最大化送风效益，采用选择、交叉、变异方法生成父代后，继续迭代执行优化值计算步骤S30，直到执行到预设迭代代数后停止，输出优化的个体，实现多个区域空调运行模式的最优化调度。
在本发明一些实施例中，上述最小化能耗成本为：
其中：ci-不同时间段的电价；pij-不同空调在不同时间段的运行功率，n为时间段个数；m为空调数量。
在本发明一些实施例中，上述最大化送风效益为：
其中：
f(pij)-表示从空调功率映射到送风效益的函数；
personij-表示在不同时间段不同空调机下的实际人数；
person_all-表示所有区域的实际总人数。
在本发明一些实施例中，上述种群进化步骤S40包括：
选择步骤：基于各个个体的最小化能耗及最大化送风效益的计算值，对种群进行非劣分层排序，计算各个个体拥挤度，选择适应度更优的个体进入下一代个体，并从下一代个体中两两选择父体配对；
交叉步骤：采用顺序交叉法，将配对的父体顺序完成交叉，生成交叉父体；
变异步骤：采用逆转变异法，将交叉父体的任意两个自然数编码位置间的顺序倒置，完成变异，生成子代；
调整步骤：对子代的每个个体基于预设规则及取值范围进行可行性调整；
合并步骤：将完成可行性调整的子代与父代合并为大种群，迭代执行优化值计算步骤S30。
以下结合附图对本发明具体实施例进行详细说明：
本文问题涉及两个目标函数，目标1是最小化能耗成本，目标2是最大化送风效益。目标1是和空调在不同模式下的运行功率息息相关的，而目标函数2一方面反映了空调送风是否能带来一定效益，当它不能带来效益时，比如该片区域没有员工时，此时功率应该是最低的，另一方面，它也反映了用户舒适度，当人数很多但功率很小时，给人带来的舒适度就相对而言没那么高，但一旦提高功率，在增大总体效益的同时也会增加能源成本，因此实际过程中可以根据企业偏好选择合适的解。
目标1：最小化能耗成本
目标2：最大化送风效益
其中：
n-时间段数
m-空调台数
ci-不同时间段的电价
pij-不同空调在不同时间段的运行功率
f(pii)-表示从空调功率映射到送风效益的函数
personij-表示在不同时间段不同空调机下的实际人数
person_all-表示所有区域的实际总人数
图3为本发明实施例NSGA-II算法流程示意图，如图3所示，本发明以NSGA-II算法为基础，设计的求解步骤如下：
Step0.染色体生成。首先将各空调不同风速和温度下的功率罗列出来，标记序号，用序号来表示对应的工作模式，如空调有1200w，1500w，1800w，2100w四种运行功率，则5台空调对应的编码{22132}代表第一台空调运行功率是1500w，以此类推。
Step1.设置最大迭代代数Imax。令I＝0。
Step2.种群初始化。种群规模为200，个体从集合中随机生成。个体为{22132}，{33145}...，种群由200个个体组成；
Step3.对个体进行可行性调整操作，使其满足约束和取值范围。比如：空调最大功率不能超过4000w。
Step4.计算各个体的各目标函数值，最小化能耗成本及最大化送风效益。
Step5.对种群中各个个体基于计算的最小化能耗成本及最大化送风效益进行非劣分层排序，并计算各个体拥挤度。利用两规模联赛法，根据分层排序和拥挤度，选择适应度更高的个体进入下一代个体，保证种群的差异性和优良性。从下一代个体选择两个父体。重复这一操作，并将所有父体放入交配池。完成所有父体两两配对；
Step6.交叉。采用顺序交叉法，首先随机生成一串0/1的值，得到一个具有n个基因位的交叉算子，例如当空调数量为4时的{1,0,0,1}。首先，对应1基因位的位置，配对的父体中从父体1中相应位置拷贝而来；继而，对应0基因位的位置，按照各基因在父体2中的顺序依次拷贝而来。
Step7.变异。采用逆转变异法，随机选择两个基因位，将这两个位置间的顺序倒置。将{22132}倒置为{22312}。
Step8.对子代个体进行可行性调整。
Step9.合并子代与父代个体为大种群，对大种群进行非劣分层排序，并计算各个体拥挤度，根据分层排序、拥挤度和种群规模，选择下一代个体。
Step10.更新种群，I＝I+1。若I<Imax，转入Step4；否则，输出可行个体，停止。
图4为本发明空调调度系统示意图，如图4所示，本发明还提供了一种空调调度优化系统100，采用如上所述空调调度优化方法，包括以下模块：
个体初始化模块10：将多个区域的每个空调不同风速和温度下的对应的功率进行自然数编码，基于自然数编码初始化生成包含多个自然数编码的集合，自然数编码集合为一个个体；
种群初始化模块20：基于初始化生成的多个个体及预设种群规模进行种群初始化，种群包含多个个体；
优化值计算模块30：针对种群中的每个个体，分别计算空调的最小化能耗成本和最大化送风效益；
种群进化模块40：基于种群中每个个体的最小化能耗成本和最大化送风效益，采用选择、交叉、变异方法生成父代后，继续迭代执行优化值计算，直到执行到预设迭代代数后停止，输出优化的个体，实现多个区域空调运行模式的最优化调度。
在本发明一些实施例中，上述最小化能耗成本为：
其中：ci-不同时间段的电价；pij-不同空调在不同时间段的运行功率，n为时间段个数；m为空调数量。
在本发明一些实施例中，上述最大化送风效益为：
其中：
f(pij)-表示从空调功率映射到送风效益的函数；
personij-表示在不同时间段不同空调机下的实际人数；
person_all-表示所有区域的实际总人数。
在本发明一些实施例中，上述种群进化模块40包括：
选择模块：基于各个个体的最小化能耗及最大化送风效益的计算值，对种群进行非劣分层排序，计算各个个体拥挤度，选择适应度更优的个体进入下一代个体，并从下一代个体中两两选择父体配对；
交叉模块：采用顺序交叉法，将配对的父体顺序完成交叉，生成交叉父体；
变异模块：采用逆转变异法，将交叉父体的任意两个自然数编码位置间的顺序倒置，完成变异，生成子代；
调整模块：对子代的每个个体基于预设规则及取值范围进行可行性调整；
合并模块：将完成可行性调整的子代与父代合并为大种群，继续执行优化值计算。
另外，结合图1描述的本申请实施例的空调调度优化方法可以由计算机设备来实现。图5为根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地，上述处理器81可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器82可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器82可在数据处理装置的内部或外部。在特定实施例中，存储器82是非易失性(Non-Volatile)存储器。在特定实施例中，存储器82包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令，以实现上述实施例中的任意一种空调调度优化方法。
在其中一些实施例中，计算机设备还可包括通信接口83和总线80。其中，如图5所示，处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线80可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该计算机设备可以实现结合图1描述的空调调度优化方法。
另外，结合上述实施例中的空调调度优化方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种空调调度优化方法。
本发明空调调度优化方法与现有技术相比，本发明提出了对空调使用的智能优化调度的方法，综合考虑能源成本，解决了传统方法中用户舒适度，对各空调的运行模式进行优化，提高能源使用效率；本发明提出了一种衡量空调送风效益的方法，在进行调度时，主要用到了运筹优化的方法，对各空调的运行模式(如温度，风速大小)进行智能优化，使得整体的能耗成本最低的同时最大化送风效益，其中送风效益可以简单理解为空调送风给多少人带来了凉爽或者温暖的体验，它主要与空调的风速，温度以及对应区域的人数有关；本发明提出了一种如何在考虑成本与效益最优化情况下的多目标求解方法，而这两个目标是冲突的，需要平衡两者之间的值，本发明解决了一个双目标优化问题。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种空调调度优化方法，其特征在于，包括以下步骤：
个体初始化步骤：将多个区域中的每个空调在不同风速和温度下的对应的功率进行自然数编码，基于所述自然数编码初始化生成包含多个所述自然数编码的集合，所述自然数编码集合为一个个体；
种群初始化步骤：基于初始化生成的多个所述个体及预设种群规模进行种群初始化，所述种群包含多个所述个体；
优化值计算步骤：针对所述种群中的每个个体，分别计算空调的最小化能耗成本和最大化送风效益；
种群进化步骤：基于种群中每个个体的所述最小化能耗成本和最大化送风效益，采用选择、交叉、变异方法生成父代后，继续迭代执行优化值计算步骤，直到执行到预设迭代代数后停止，输出优化的所述个体，实现所述多个区域空调运行模式的最优化调度。
2.根据权利要求1所述空调调度优化方法，其特征在于，所述最小化能耗成本为：
其中：ci—不同时间段的电价；pij—不同空调在不同时间段的运行功率，n为时间段个数；m为空调数量。
3.根据权利要求1所述空调调度优化方法，其特征在于，所述最大化送风效益为：
其中：
f(pij)—表示从空调功率映射到送风效益的函数；
personij—表示在不同时间段不同空调机下的实际人数；
person_all—表示所有所述区域的实际总人数。
4.根据权利要求1所述空调调度优化方法，其特征在于，所述种群进化步骤包括：
选择步骤：基于所述各个个体的最小化能耗及最大化送风效益的计算值，对所述种群进行非劣分层排序，计算各个所述个体拥挤度，选择适应度更优的个体进入下一代个体，并从所述下一代个体中两两选择父体配对；
交叉步骤：采用顺序交叉法，将所述配对的父体顺序完成交叉，生成交叉父体；
变异步骤：采用逆转变异法，将所述交叉父体的任意两个自然数编码位置间的顺序倒置，完成变异，生成子代；
调整步骤：对所述子代的每个个体基于预设规则及取值范围进行可行性调整；
合并步骤：将完成可行性调整的所述子代与所述父代合并为大种群，迭代执行所述优化值计算步骤。
5.一种空调调度优化系统，采用如权利要求1-4中任意一项所述空调调度优化方法，其特征在于，包括以下模块：
个体初始化模块：将多个区域的每个空调不同风速和温度下的对应的功率进行自然数编码，基于所述自然数编码初始化生成包含多个所述自然数编码的集合，所述自然数编码集合为一个个体；
种群初始化模块：基于初始化生成的多个所述个体及预设种群规模进行种群初始化，所述种群包含多个所述个体；
优化值计算模块：针对所述种群中的每个个体，分别计算空调的最小化能耗成本和最大化送风效益；
种群进化模块：基于种群中每个个体的所述最小化能耗成本和最大化送风效益，采用选择、交叉、变异方法生成父代后，继续迭代执行优化值计算，直到执行到预设迭代代数后停止，输出优化的所述个体，实现所述多个区域空调运行模式的最优化调度。
6.根据权利要求5所述空调调度优化系统，其特征在于，所述最小化能耗成本为：
其中：ci—不同时间段的电价；pij—不同空调在不同时间段的运行功率，n为时间段个数；m为空调数量。
7.根据权利要求5所述空调调度优化系统，其特征在于，所述最大化送风效益为：
其中：
f(pij)—表示从空调功率映射到送风效益的函数；
personij—表示在不同时间段不同空调机下的实际人数；
person_all—表示所有区域的实际总人数。
8.根据权利要求5所述空调调度优化系统，其特征在于，所述种群进化模块包括：
选择模块：基于所述各个个体的最小化能耗及最大化送风效益的计算值，对所述种群进行非劣分层排序，计算各个所述个体拥挤度，选择适应度更优的个体进入下一代个体，并从所述下一代个体中两两选择父体配对；
交叉模块：采用顺序交叉法，将所述配对的父体顺序完成交叉，生成交叉父体；
变异模块：采用逆转变异法，将所述交叉父体的任意两个自然数编码位置间的顺序倒置，完成变异，生成子代；
调整模块：对所述子代的每个个体基于预设规则及取值范围进行可行性调整；
合并模块：将完成可行性调整的所述子代与所述父代合并为大种群，迭代执行优化值计算。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的空调调度优化方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任一项所述空调调度优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111269031.3A CN113887083A (zh) | 2021-10-29 | 2021-10-29 | 一种空调调度优化方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111269031.3A CN113887083A (zh) | 2021-10-29 | 2021-10-29 | 一种空调调度优化方法、系统、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113887083A true CN113887083A (zh) | 2022-01-04 |
Family
ID=79014391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111269031.3A Pending CN113887083A (zh) | 2021-10-29 | 2021-10-29 | 一种空调调度优化方法、系统、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887083A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023141766A1 (en) * | 2022-01-25 | 2023-08-03 | Siemens Schweiz Ag | Method and apparatus for optimizing control parameters, storage medium, and electronic device |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104142850A (zh) * | 2014-07-03 | 2014-11-12 | 浙江大学 | 数据中心的节能调度方法 |
| CN104952001A (zh) * | 2015-07-02 | 2015-09-30 | 华侨大学 | 一种对包括空调负荷的可控负荷进行用电优化调度的方法 |
| CN108154309A (zh) * | 2017-12-30 | 2018-06-12 | 国网天津市电力公司电力科学研究院 | 计及冷热电多负荷动态响应的能源互联网经济调度方法 |
| CN108776461A (zh) * | 2018-05-21 | 2018-11-09 | 北京石油化工学院 | 一种柔性作业车间调度方法及系统 |
| CN110535142A (zh) * | 2019-08-22 | 2019-12-03 | 广州水沐青华科技有限公司 | 基于改进离散型pso算法的用电智能控制方法及计算机可读存储介质 |
| CN110739710A (zh) * | 2018-07-20 | 2020-01-31 | 中国农业大学 | 基于优化算法的多种能源类型协调调度方法及装置 |
| CN112101632A (zh) * | 2020-08-21 | 2020-12-18 | 湘潭大学 | 基于分布式估计算法楼宇负荷优化调度方法 |
| CN112419087A (zh) * | 2020-11-20 | 2021-02-26 | 国网江苏省电力有限公司南京供电分公司 | 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法 |
| WO2021142917A1 (zh) * | 2020-01-15 | 2021-07-22 | 深圳大学 | 多车场车辆路径规划方法、装置、计算机设备及存储介质 |
| WO2021143287A1 (zh) * | 2020-01-16 | 2021-07-22 | 珠海格力电器股份有限公司 | 服务调度方法、装置、电子设备及存储介质 |
| CN113505930A (zh) * | 2021-07-16 | 2021-10-15 | 上海聚水潭网络科技有限公司 | 一种三维空间订单耗材推荐方法和系统 |
-
2021
- 2021-10-29 CN CN202111269031.3A patent/CN113887083A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104142850A (zh) * | 2014-07-03 | 2014-11-12 | 浙江大学 | 数据中心的节能调度方法 |
| CN104952001A (zh) * | 2015-07-02 | 2015-09-30 | 华侨大学 | 一种对包括空调负荷的可控负荷进行用电优化调度的方法 |
| CN108154309A (zh) * | 2017-12-30 | 2018-06-12 | 国网天津市电力公司电力科学研究院 | 计及冷热电多负荷动态响应的能源互联网经济调度方法 |
| CN108776461A (zh) * | 2018-05-21 | 2018-11-09 | 北京石油化工学院 | 一种柔性作业车间调度方法及系统 |
| CN110739710A (zh) * | 2018-07-20 | 2020-01-31 | 中国农业大学 | 基于优化算法的多种能源类型协调调度方法及装置 |
| CN110535142A (zh) * | 2019-08-22 | 2019-12-03 | 广州水沐青华科技有限公司 | 基于改进离散型pso算法的用电智能控制方法及计算机可读存储介质 |
| WO2021142917A1 (zh) * | 2020-01-15 | 2021-07-22 | 深圳大学 | 多车场车辆路径规划方法、装置、计算机设备及存储介质 |
| WO2021143287A1 (zh) * | 2020-01-16 | 2021-07-22 | 珠海格力电器股份有限公司 | 服务调度方法、装置、电子设备及存储介质 |
| CN112101632A (zh) * | 2020-08-21 | 2020-12-18 | 湘潭大学 | 基于分布式估计算法楼宇负荷优化调度方法 |
| CN112419087A (zh) * | 2020-11-20 | 2021-02-26 | 国网江苏省电力有限公司南京供电分公司 | 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法 |
| CN113505930A (zh) * | 2021-07-16 | 2021-10-15 | 上海聚水潭网络科技有限公司 | 一种三维空间订单耗材推荐方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张远春;范秀敏;驹田邦久;: "基于仿真优化的多种类型AGV数量配置优化方法", 中国机械工程, no. 14, 25 July 2011 (2011-07-25), pages 1680 - 1685 * |
| 胡成玉;姚宏;颜雪松;: "基于多粒子群协同的动态多目标优化算法及应用", 计算机研究与发展, no. 06, 15 June 2013 (2013-06-15), pages 1313 - 1323 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023141766A1 (en) * | 2022-01-25 | 2023-08-03 | Siemens Schweiz Ag | Method and apparatus for optimizing control parameters, storage medium, and electronic device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Response-surface-model-based system sizing for Nearly/Net zero energy buildings under uncertainty | |
| Hamdy et al. | A performance comparison of multi-objective optimization algorithms for solving nearly-zero-energy-building design problems | |
| Li et al. | Genetic algorithm for building optimization: State-of-the-art survey | |
| Ascione et al. | A new comprehensive approach for cost-optimal building design integrated with the multi-objective model predictive control of HVAC systems | |
| Wang et al. | Multi-agent control system with information fusion based comfort model for smart buildings | |
| Bucking et al. | An information driven hybrid evolutionary algorithm for optimal design of a net zero energy house | |
| Zhang et al. | DeST—An integrated building simulation toolkit Part II: Applications | |
| CN1573729A (zh) | 消耗能量预测装置和消耗能量预测方法 | |
| Camporeale et al. | Towards nearly Zero Energy Buildings: Shape optimization of typical housing typologies in Ibero-American temperate climate cities from a holistic perspective | |
| US9892472B2 (en) | Cost optimization for buildings with hybrid ventilation systems | |
| Fong et al. | Energy management and design of centralized air-conditioning systems through the non-revisiting strategy for heuristic optimization methods | |
| KR101301123B1 (ko) | 냉난방부하 예측방법 | |
| CN106295029A (zh) | 一种基于性能导向的建筑多目标优化设计方法 | |
| CN113887083A (zh) | 一种空调调度优化方法、系统、计算机设备和存储介质 | |
| Kirimtat et al. | Multi-objective optimization for shading devices in buildings by using evolutionary algorithms | |
| CN113191558A (zh) | 综合能源系统优化调度方法、装置及终端 | |
| Evins et al. | Multi-objective optimisation of a modular building for different climate types | |
| Hamdy et al. | Combination of optimisation algorithms for a multi-objective building design problem | |
| Rashid et al. | Performance analysis and investigation for the development of energy efficient building | |
| Cellura et al. | Multi-objective building envelope optimization through a life cycle assessment approach | |
| Zsembinszki et al. | Application of deep learning techniques to minimize the cost of operation of a hybrid solar-biomass system in a multi-family building | |
| Pan et al. | Multi-objective optimization for building performance design considering thermal comfort and energy consumption | |
| CN115456250A (zh) | 一种适用于楼宇微网能源系统容量的优化配置方法及系统 | |
| Jearsiripongkul et al. | Office building envelope design optimization by modified competitive search algorithm for energy saving | |
| Long et al. | An Optimization Model for Building Envelope with Energy Efficiency Objectives Based on the BIM Design Buider-RF-NSGAII Algorithm |
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 |