CN114841464A - 一种基于黑猩猩算法的建筑节能管理方法、设备及介质 - Google Patents
一种基于黑猩猩算法的建筑节能管理方法、设备及介质 Download PDFInfo
- Publication number
- CN114841464A CN114841464A CN202210574408.4A CN202210574408A CN114841464A CN 114841464 A CN114841464 A CN 114841464A CN 202210574408 A CN202210574408 A CN 202210574408A CN 114841464 A CN114841464 A CN 114841464A
- Authority
- CN
- China
- Prior art keywords
- individual
- chimpanzee
- determining
- energy consumption
- equipment
- 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
Links
- 241000282577 Pan troglodytes Species 0.000 title claims abstract description 96
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 238000007726 management method Methods 0.000 title claims abstract description 18
- 238000005265 energy consumption Methods 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 28
- 238000005286 illumination Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 11
- 230000000739 chaotic effect Effects 0.000 claims description 7
- 238000004134 energy conservation Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000008450 motivation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 241000282579 Pan Species 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101100379079 Emericella variicolor andA gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/16—Real estate
- G06Q50/163—Real estate management
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Robotics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种基于黑猩猩算法的建筑节能管理方法、设备及介质，方法包括：获取当前时间点的室内外环境数据，并根据室内外环境数据，确定目标时间点的预测环境数据；确定能耗目标函数并初始化黑猩猩种群参数；确定黑猩猩种群的适应度值，并根据适应度值将黑猩猩种群分为第一个体、第二个体、第三个体、第四个体以及其他个体；分别确定第一个体与剩余个体的个体欧氏距离，以确定剩余个体与第一个体的平均欧式距离；根据个体欧式距离以及平均欧式距离，在剩余个体中确定对立学习个体；通过学习个体、第一个体、第二个体、第三个体、第四个体以及黑猩猩算法，确定目标时间点的设备能耗最优值；根据设备能耗最优值修改设备能耗。
Description
技术领域
本申请涉及能耗优化领域，具体涉及一种基于黑猩猩算法的建筑节能管理方法、设备及介质。
背景技术
目前世界能源消耗迅速增长，预计到2030年将增长53％，其中建筑能耗约占全球能源得三分之一。并且随着人们对室内环境舒适度的要求不断提高，建筑运行需要更多的能耗来满足人们的需求。如何在电力需求和居住者舒适度之间找到平衡成为现在研究者亟待解决的难题。
目前，建筑越来越智能化，通常配备多种建筑服务(例如，空调和机械通风(ACMV)、动态遮阳、可调光照明)。传统建筑优化管理系统仅控制于空调温度，忽略了风速及照明系统，从而影响建筑物的整体能源效率和居住舒适性，难以达到用户对高生活质量的需求。并且现阶段用于建筑能耗管理的智能优化算法存在计算量大，耗时长的缺点，从而导致优化响应时间长，实时性差。
发明内容
为了解决上述问题，本申请提出了一种基于黑猩猩算法的建筑节能管理方法、设备及介质，其中方法包括：
获取当前时间点的室内外环境数据，并根据所述室内外环境数据，确定目标时间点的预测环境数据；所述室内外环境数据应包括温度风速数据以及光照数据中的至少一种；确定能耗目标函数并初始化黑猩猩种群参数；确定所述黑猩猩种群的适应度值，并根据所述适应度值将所述黑猩猩种群分为第一个体、第二个体、第三个体、第四个体以及其他个体；分别确定所述第一个体与剩余个体的个体欧氏距离，以确定所述剩余个体与所述第一个体的平均欧式距离；根据所述个体欧式距离以及所述平均欧式距离，在所述剩余个体中确定对立学习个体；通过所述学习个体、所述第一个体、所述第二个体、所述第三个体、所述第四个体以及黑猩猩算法，确定所述目标时间点的设备能耗最优值；根据所述设备能耗最优值修改所述设备能耗。
在一个示例中，所述确定能耗目标函数之前，所述方法还包括：获取设备能耗数据以及用户预期环境数据；根据所述预测数据，通过如下公式确定所述目标时间点的热舒适指标值：PMV＝-c1TRVR+c2TR-c3其中，PMV为所述热舒适指标值，TR为预测平均室温，VR为预测平均风速；根据所述预测数据以及所述用户预期环境数据，通过如下公式确定室内照度偏差值：ΔI＝I-IP其中，I为预测照度值，IP为用户预期照度值，ΔI为所述室内照度偏差值。
在一个示例中，所述确定能耗目标函数，具体包括：根据所述预测环境数据、所述照度偏差值、所述热舒适指标值、所述设备能耗数据，通过如下公式确定所述能耗目标函数：
其中，Qt+1为所述目标时间点对应的热能设备能耗数据，PMVt+1为所述目标时间点对应的所述热舒适指标值，EPt+1为所述目标时间点对应的照明设备能耗数据，ε为所述PMVt+1对应的惩罚常数，W1、W2、W3、W4为用户定义的加权系数。
在一个示例中，所述初始化黑猩猩种群参数，具体包括：确定多项所述黑猩猩种群参数，所述黑猩猩种群参数至少包括种群数量、最大迭代次数、搜索空间范围；根据如下公式确定对所述黑猩猩种群进行初始化：Zchimpi，d＝rand(0,1)*(ubd-lbd)+lbd其中，i＝1,2,…n；d＝1,2,…dim；n为所述种群数量，ubd为所述搜索空间的最小值，lbd为所述搜索空间的最大值，dim为所述搜索空间的维度数。
在一个示例中，所述通过所述学习个体、所述第一个体、所述第二个体、所述第三个体、所述第四个体以及黑猩猩算法，确定所述目标时间点的设备能耗最优值，具体包括：通过如下公式更新所述黑猩猩的位置向量：
其中，D为所述黑猩猩与所述最优值的距离，xprey(l)为l时刻所述最优值的位置向量，所述xchimp(l)为l时刻所述黑猩猩的位置向量，a、m、c为系数向量，并由如下公式获得：a＝2*f*r1-f；c＝2*r2；m＝Chaotic_value；其中，f通过迭代过程非线性地从2降到0，r1和r2是[0,1]范围内的随机向量，m是混沌向量。
在一个示例中，所述更新所述黑猩猩的位置向量之后，所述方法还包括：引入社会动机，以对所述黑猩猩的位置向量进行修正，具体修正如下式：
其中，P是在范围[0,1]的随机数。
在一个示例中，所述引入社会动机，以对所述黑猩猩的位置向量进行修正之后，所述方法还包括：引入自适应因子，以对所述黑猩猩的位置向量进行修正，具体修正如下式：
其中，o为预设的跳跃因子，取常数。
在一个示例中，所述根据所述设备能耗最优值修改所述设备能耗，具体包括：将所述设备能耗最优值传输至控制单元，以使所述控制单元根据所述设备能耗最优值修改所述设备能耗；所述控制单元至少包括空调风速控制器、空调温度控制器、智能照明控制器。
本申请还提供了一种基于黑猩猩算法的建筑节能管理设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：获取当前时间点的室内外环境数据，并根据所述室内外环境数据，确定目标时间点的预测环境数据；所述室内外环境数据应包括温度风速数据以及光照数据中的至少一种；确定能耗目标函数并初始化黑猩猩种群参数；确定所述黑猩猩种群的适应度值，并根据所述适应度值将所述黑猩猩种群分为第一个体、第二个体、第三个体、第四个体以及其他个体；分别确定所述第一个体与剩余个体的个体欧氏距离，以确定所述剩余个体与所述第一个体的平均欧式距离；根据所述个体欧式距离以及所述平均欧式距离，在所述剩余个体中确定对立学习个体；通过所述学习个体、所述第一个体、所述第二个体、所述第三个体、所述第四个体以及黑猩猩算法，确定所述目标时间点的设备能耗最优值；根据所述设备能耗最优值修改所述设备能耗。
本申请还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：获取当前时间点的室内外环境数据，并根据所述室内外环境数据，确定目标时间点的预测环境数据；所述室内外环境数据应包括温度风速数据以及光照数据中的至少一种；确定能耗目标函数并初始化黑猩猩种群参数；确定所述黑猩猩种群的适应度值，并根据所述适应度值将所述黑猩猩种群分为第一个体、第二个体、第三个体、第四个体以及其他个体；分别确定所述第一个体与剩余个体的个体欧氏距离，以确定所述剩余个体与所述第一个体的平均欧式距离；根据所述个体欧式距离以及所述平均欧式距离，在所述剩余个体中确定对立学习个体；通过所述学习个体、所述第一个体、所述第二个体、所述第三个体、所述第四个体以及黑猩猩算法，确定所述目标时间点的设备能耗最优值；根据所述设备能耗最优值修改所述设备能耗。
通过本申请提出的方法能够优化室内温度设定点，还可以优化室内风速设定点及灯光照度设定点，在保持室内视觉舒适度与热舒适度的同时减少建筑能耗。同时，本文选取大于平均距离的黑猩猩来计算其对立值，可以提高收敛到全局最优解的速度和概率。并在黑猩猩位置更新过程中引入个体解自适应因子，以便充分获得当前最佳解附近的所有可能存在的区域。
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为本申请实施例中一种基于黑猩猩算法的建筑节能管理方法的流程示意图；
图2为本申请实施例中一种建筑节能管理方法的流程整体示意图；
图3为本申请实施例中一种基于黑猩猩优化算法的流程示意图；
图4为本申请实施例中一种基于黑猩猩算法的建筑节能管理设备示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书一个或多个实施例提供的一种基于黑猩猩算法的建筑节能管理方法的流程示意图。该方法可以应用于不同的智慧建筑，该流程可以由相应建筑内的计算设备执行，且流程中的某些输入参数或者中间结果允许人工干预调节，以帮助提高准确性。
本申请实施例涉及的分析方法的实现可以为终端设备，也可以为服务器，本申请对此不作特殊限制。为了方便理解和描述，以下实施例均以服务器为例进行详细描述。需要说明的是，该服务器可以是单独的一台设备，可以是有多台设备组成的系统，即，分布式服务器，本申请对此不做具体限定。
如图1、图2及图3所示，本申请实施例提供一种基于黑猩猩算法的建筑节能管理方法，包括：
S101：获取当前时间点的室内外环境数据，并根据所述室内外环境数据，确定目标时间点的预测环境数据；所述室内外环境数据应包括温度风速数据以及光照数据中的至少一种。
首先需要获取当前时间点的室内外环境数据，这里的室内外环境数据应当至少包括温度风速数据以及光照数据，具体地，温度风速数据可以包括市外温度、室内温度、室内湿度、室内占用率、室内风速、太阳辐照度，光照数据可以包括室内平均照度、室内占用率、太阳辐照度等数据。然后再分别通过预设的空调能耗、温度预测模型以及照度、照明负荷预测模型，来预测目标时间点的预测环境数据。其中，预测模型为基于机器学习算法构建的数学模型，包括但不限于神经网络模型、支持向量机模型等，通过训练数据集预先对构建的预测模型进行训练，当达到设定的训练精度、准确度时，确定当前次训练的资源预测模型完成训练，以便用于预测处理。这里的训练数据集可以是待优化建筑内前三个月的建筑数据。
S102：确定能耗目标函数并初始化黑猩猩种群参数。
获取了目标时间点的预测环境数据之后，需要确定能耗目标函数，这里的能耗目标函数即为需要通过黑猩猩算法进行优化的函数，之后需要对黑猩猩种群参数进行初始化。
在一个实施例中，本申请旨在保证未来室内最佳视觉舒适度与热舒适度的同时减少能耗。PMV指标是引入反映人体热平衡偏离程度的人体热负荷TL而得出的，其理论依据是当人体处于稳态的热环境下，人体的热负荷越大，人体偏离热舒适的状态就越远。即人体热负荷正值越大，人就觉得越热，负值越大，人就觉得越冷。为方便计算，这里取热舒适指标值PMV的简化方程如下：PMV＝-c1TRVR+c2TR-c3；其中，PMV为热舒适指标值，TR为预测平均室温，VR为预测平均风速。在一个例子中，c1为
c2为
c3为
在计算热舒适指标值的同时，还需要通过以下公式计算室内的照度偏差值：ΔI＝I-IP；其中，I为预测照度值，IP为用户预期照度值，ΔI为室内照度偏差值。
进一步地，由于本申请旨在保证未来室内最佳视觉舒适度与热舒适度的同时减少能耗。因此，我们希望PMV接近于0，在此基础上，目标函数可以设置为：
其中，Qt+1为所述目标时间点对应的热能设备能耗数据，PMVt+1为所述目标时间点对应的所述热舒适指标值，EPt+1为所述目标时间点对应的照明设备能耗数据，ε为所述PMVt+1对应的惩罚常数，W1、W2、W3、W4为用户定义的加权系数。这里惩罚常数的意思可以是，若PMV值位于[-0.5,+0.5]内，则ε＝0，否则ε＝30000。
在一个实施例中，当对黑猩猩种群参数进行初始化时，首先哦确定多项黑猩猩种群参数，这里的黑猩猩种群参数至少包括种群数量、最大迭代次数、搜索空间范围等参数，在根据如下公式确定对黑猩猩种群进行初始化：
Zchimpi，d＝rand(0,1)*(ubd-lbd)+lbd
其中，i＝1,2,…n；d＝1,2,…dim；n为所述种群数量，ubd为所述搜索空间的最小值，lbd为所述搜索空间的最大值，dim为所述搜索空间的维度数。
S103：确定所述黑猩猩种群的适应度值，并根据所述适应度值将所述黑猩猩种群分为第一个体、第二个体、第三个体、第四个体以及其他个体。
对黑猩猩种群进行初始化，即随机生成若干数量个黑猩猩的位置向量之后，需要根据黑猩猩个体的适应度值，从高到低把黑猩猩种群分类为第一个体、第二个体、第三个体、第四个体以及其他个体。简单来讲，把黑猩猩种群分类为攻击者(Attacker)、阻拦者(Barrier)、追捕者(Chaser)、驱赶者(Driver)及其他黑猩猩。其中，攻击者、阻拦者、追捕者、驱赶者依次是表现最好的黑猩猩，第二好的黑猩猩，并以此类推。
S104：分别确定所述第一个体与剩余个体的个体欧氏距离，以确定所述剩余个体与所述第一个体的平均欧式距离。
为提高收敛到全局最优解的速度和概率，本发明将黑猩猩算法与对立学习相结合，计算所有黑猩猩与最优黑猩猩位置的欧氏距离并且求其平均距离。需要说明的是，这里的剩余个体包含第二个体、第三个体、第四个体以及其他个体。
S105：根据所述个体欧式距离以及所述平均欧式距离，在所述剩余个体中确定对立学习个体。
更具体地，由于第一个体的位置是搜索空间中的最佳解，而远离的第一个体黑猩猩表现的适应能力较差，所以我们选择远离第一个体的剩余个体进行对立学习策略，也就是说，远离第一个体的剩余个体为学习个体。具体如下。计算Attacker黑猩猩与其他黑猩猩之间的欧氏距离dist，如下式：
其中X＝[x1，x2，…xdim],Y＝[y1，y2，…ydim]分别为第一个体的位置向量与其他黑猩猩的位置向量。然后计算第一个体与剩余个体之间的平均欧氏距离如下：
然后选择与第一个体之间的欧氏距离大于平均欧式距离的剩余个体进行对立学习如下式：
其中i∈{j：dist(j)>mdist]，
为Y的对立向量，ub是当前搜索空间的上界，同样的lb是当前搜索空间的下界。通过引入对立学习，在算法收敛时使用对立会减少很多不必要的搜索，提高算法的收敛速度。
S106：通过所述学习个体、所述第一个体、所述第二个体、所述第三个体、所述第四个体以及黑猩猩算法，确定所述目标时间点的设备能耗最优值。
S107：根据所述设备能耗最优值修改所述设备能耗。
对远离第一个体的剩余个体进行对立学习之后，即可通过学习个体、第一个体、第二个体、第三个体以及黑猩猩算法，确定目标时间点的设备能耗最优值，然后便可以通过设备能耗最优值修改设备的设备能耗。
在一个实施例中，通过学习个体、第一个体、第二个体、第三个体以及黑猩猩算法，确定目标时间点的设备能耗最优值时，首先需要通过如下公式不断更新黑猩猩的位置向量：
其中，D为黑猩猩与所述最优值的距离，xprey(l)为l时刻最优值的位置向量，xchimp(l)为l时刻黑猩猩的位置向量，a、m、c为系数向量，并由如下公式获得：
a＝2*f*r1-f
c＝2*r2
m＝Chaotic_value
其中，f通过迭代过程非线性地从2降到0，r1和r2是[0,1]范围内的随机向量，m是混沌向量。
进一步地，在最后阶段使用六种混沌映射来更新黑猩猩的位置。这些混沌映射是具有随机行为的确定性过程，并将0.7作为所有混沌地图的中心。为了模拟这种同步行为，假设在优化过程中有50％的概率选择正常更新位置机制或混沌模型来更新黑猩猩的位置，而|a|>1时会导致候选解发散,所以数学模型如下式所示：
其中，P是在范围[0,1]的随机数。通过引入社会动机，能够在迭代后期避免陷入局部最优。
更进一步地，在P≤0.5∩|a|≤1时，为了充分获得当前最佳解附近的所有可能存在的区域，在CHOA的搜索方程中引入了自适应方向。提出的自适应搜索方程如下：
其中o为跳跃因子，取常数，如0.5，表示总体解决方案的认知部分，因为它提供了黑猩猩的最佳记忆方向，根据记忆方向可以更快更准的完成最优值的搜索，输出各个时刻的最优空调温度设定值。
在一个实施例中，根据设备能耗最优值修改设备能耗，具体包括：将设备能耗最优值传输至控制单元，以使控制单元根据设备能耗最优值修改设备能耗；控制单元至少包括空调风速控制器、空调温度控制器、智能照明控制器。
如图4所示，本申请实施例还提供了一种基于黑猩猩算法的建筑节能管理设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取当前时间点的室内外环境数据，并根据所述室内外环境数据，确定目标时间点的预测环境数据；所述室内外环境数据应包括温度风速数据以及光照数据中的至少一种；确定能耗目标函数并初始化黑猩猩种群参数；确定所述黑猩猩种群的适应度值，并根据所述适应度值将所述黑猩猩种群分为第一个体、第二个体、第三个体、第四个体以及其他个体；分别确定所述第一个体与剩余个体的个体欧氏距离，以确定所述剩余个体与所述第一个体的平均欧式距离；根据所述个体欧式距离以及所述平均欧式距离，在所述剩余个体中确定对立学习个体；通过所述学习个体、所述第一个体、所述第二个体、所述第三个体、所述第四个体以及黑猩猩算法，确定所述目标时间点的设备能耗最优值；根据所述设备能耗最优值修改所述设备能耗。
申请实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
获取当前时间点的室内外环境数据，并根据所述室内外环境数据，确定目标时间点的预测环境数据；所述室内外环境数据应包括温度风速数据以及光照数据中的至少一种；确定能耗目标函数并初始化黑猩猩种群参数；确定所述黑猩猩种群的适应度值，并根据所述适应度值将所述黑猩猩种群分为第一个体、第二个体、第三个体、第四个体以及其他个体；分别确定所述第一个体与剩余个体的个体欧氏距离，以确定所述剩余个体与所述第一个体的平均欧式距离；根据所述个体欧式距离以及所述平均欧式距离，在所述剩余个体中确定对立学习个体；通过所述学习个体、所述第一个体、所述第二个体、所述第三个体、所述第四个体以及黑猩猩算法，确定所述目标时间点的设备能耗最优值；根据所述设备能耗最优值修改所述设备能耗。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于黑猩猩算法的建筑节能管理方法，其特征在于，包括：
获取当前时间点的室内外环境数据，并根据所述室内外环境数据，确定目标时间点的预测环境数据；所述室内外环境数据应包括温度风速数据以及光照数据中的至少一种；
确定能耗目标函数并初始化黑猩猩种群参数；
确定所述黑猩猩种群的适应度值，并根据所述适应度值将所述黑猩猩种群分为第一个体、第二个体、第三个体、第四个体以及其他个体；
分别确定所述第一个体与剩余个体的个体欧氏距离，以确定所述剩余个体与所述第一个体的平均欧式距离；
根据所述个体欧式距离以及所述平均欧式距离，在所述剩余个体中确定对立学习个体；
通过所述学习个体、所述第一个体、所述第二个体、所述第三个体、所述第四个体以及黑猩猩算法，确定所述目标时间点的设备能耗最优值；
根据所述设备能耗最优值修改所述设备能耗。
2.根据权利要求1所述的方法，其特征在于，所述确定能耗目标函数之前，所述方法还包括：
获取设备能耗数据以及用户预期环境数据；
根据所述预测数据，通过如下公式确定所述目标时间点的热舒适指标值：
PMV＝-c1TRVR+c2TR-c3
其中，PMV为所述热舒适指标值，TR为预测平均室温，VR为预测平均风速；
根据所述预测数据以及所述用户预期环境数据，通过如下公式确定室内照度偏差值：
ΔI＝I-IP
其中，I为预测照度值，IP为用户预期照度值，ΔI为所述室内照度偏差值。
3.根据权利要求2所述的方法，其特征在于，所述确定能耗目标函数，具体包括：
根据所述预测环境数据、所述照度偏差值、所述热舒适指标值、所述设备能耗数据，通过如下公式确定所述能耗目标函数：
其中，Qt+1为所述目标时间点对应的热能设备能耗数据，PMVt+1为所述目标时间点对应的所述热舒适指标值，EPt+1为所述目标时间点对应的照明设备能耗数据，ε为所述PMVt+1对应的惩罚常数，W1、W2、W3、W4为用户定义的加权系数。
4.根据权利要求1所述的方法，其特征在于，所述初始化黑猩猩种群参数，具体包括：
确定多项所述黑猩猩种群参数，所述黑猩猩种群参数至少包括种群数量、最大迭代次数、搜索空间范围；
根据如下公式确定对所述黑猩猩种群进行初始化：
Zchimpi，d＝rand(0，1)*(ubd-lbd)+lbd
其中，i＝1，2，...n；d＝1，2，...dim；n为所述种群数量，ubd为所述搜索空间的最小值，lbd为所述搜索空间的最大值，dim为所述搜索空间的维度数。
5.根据权利要求1所述的方法，其特征在于，所述通过所述学习个体、所述第一个体、所述第二个体、所述第三个体、所述第四个体以及黑猩猩算法，确定所述目标时间点的设备能耗最优值，具体包括：
通过如下公式更新所述黑猩猩的位置向量：
其中，D为所述黑猩猩与所述最优值的距离，xprey(l)为l时刻所述最优值的位置向量，所述xchimp(l)为l时刻所述黑猩猩的位置向量，a、m、c为系数向量，并由如下公式获得：
a＝2*f*r1-f
c＝2*r2
m＝Chaotic_value
其中，f通过迭代过程非线性地从2降到0，r1和r2是[0，1]范围内的随机向量，m是混沌向量。
6.根据权利要求5所述的方法，其特征在于，所述更新所述黑猩猩的位置向量之后，所述方法还包括：
引入社会动机，以对所述黑猩猩的位置向量进行修正，具体修正如下式：
其中，P是在范围[0，1]的随机数。
7.根据权利要求6所述的方法，其特征在于，所述引入社会动机，以对所述黑猩猩的位置向量进行修正之后，所述方法还包括：
引入自适应因子，以对所述黑猩猩的位置向量进行修正，具体修正如下式：
其中，o为预设的跳跃因子，取常数。
8.根据权利要求1所述的方法，其特征在于，所述根据所述设备能耗最优值修改所述设备能耗，具体包括：
将所述设备能耗最优值传输至控制单元，以使所述控制单元根据所述设备能耗最优值修改所述设备能耗；所述控制单元至少包括空调风速控制器、空调温度控制器、智能照明控制器。
9.一种基于黑猩猩算法的建筑节能管理设备，其特征在于，包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：
获取当前时间点的室内外环境数据，并根据所述室内外环境数据，确定目标时间点的预测环境数据；所述室内外环境数据应包括温度风速数据以及光照数据中的至少一种；
确定能耗目标函数并初始化黑猩猩种群参数；
确定所述黑猩猩种群的适应度值，并根据所述适应度值将所述黑猩猩种群分为第一个体、第二个体、第三个体、第四个体以及其他个体；
分别确定所述第一个体与剩余个体的个体欧氏距离，以确定所述剩余个体与所述第一个体的平均欧式距离；
根据所述个体欧式距离以及所述平均欧式距离，在所述剩余个体中确定对立学习个体；
通过所述学习个体、所述第一个体、所述第二个体、所述第三个体、所述第四个体以及黑猩猩算法，确定所述目标时间点的设备能耗最优值；
根据所述设备能耗最优值修改所述设备能耗。
10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
获取当前时间点的室内外环境数据，并根据所述室内外环境数据，确定目标时间点的预测环境数据；所述室内外环境数据应包括温度风速数据以及光照数据中的至少一种；
确定能耗目标函数并初始化黑猩猩种群参数；
确定所述黑猩猩种群的适应度值，并根据所述适应度值将所述黑猩猩种群分为第一个体、第二个体、第三个体、第四个体以及其他个体；
分别确定所述第一个体与剩余个体的个体欧氏距离，以确定所述剩余个体与所述第一个体的平均欧式距离；
根据所述个体欧式距离以及所述平均欧式距离，在所述剩余个体中确定对立学习个体；
通过所述学习个体、所述第一个体、所述第二个体、所述第三个体、所述第四个体以及黑猩猩算法，确定所述目标时间点的设备能耗最优值；
根据所述设备能耗最优值修改所述设备能耗。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210574408.4A CN114841464B (zh) | 2022-05-25 | 2022-05-25 | 一种基于黑猩猩算法的建筑节能管理方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210574408.4A CN114841464B (zh) | 2022-05-25 | 2022-05-25 | 一种基于黑猩猩算法的建筑节能管理方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114841464A true CN114841464A (zh) | 2022-08-02 |
| CN114841464B CN114841464B (zh) | 2023-03-24 |
Family
ID=82572213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210574408.4A Active CN114841464B (zh) | 2022-05-25 | 2022-05-25 | 一种基于黑猩猩算法的建筑节能管理方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114841464B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104896660A (zh) * | 2015-05-20 | 2015-09-09 | 中南大学 | 一种办公建筑室内空调温度优化设定方法 |
| CN106196423A (zh) * | 2016-06-30 | 2016-12-07 | 西安建筑科技大学 | 一种基于模型预测的室内环境品质控制优化方法 |
| CN112784362A (zh) * | 2021-01-25 | 2021-05-11 | 南京航空航天大学 | 一种用于无人机辅助边缘计算的混合优化方法及系统 |
| CN113048626A (zh) * | 2021-01-27 | 2021-06-29 | 哈尔滨工业大学（深圳） | 建筑能耗优化方法及设备、可读存储介质 |
| CN113095781A (zh) * | 2021-04-12 | 2021-07-09 | 山东大卫国际建筑设计有限公司 | 一种基于边缘计算的温控设备管控方法、设备及介质 |
| CN113297660A (zh) * | 2021-06-05 | 2021-08-24 | 西北工业大学 | 一种基于多目标的建筑方案阶段节能优化设计模式构建方法 |
| CN113722972A (zh) * | 2021-09-14 | 2021-11-30 | 闽江学院 | 一种基于正反螺旋搜索鲸鱼算法的室内照度优化方法 |
| CN113835344A (zh) * | 2021-11-25 | 2021-12-24 | 阿里云计算有限公司 | 设备的控制优化方法、展示平台、云服务器及存储介质 |
| CN113902216A (zh) * | 2021-11-01 | 2022-01-07 | 上海师范大学 | 一种基于改进黑猩猩算法优化深度信念网络的股票预测方法 |
| CN113947236A (zh) * | 2021-09-06 | 2022-01-18 | 阿里云计算有限公司 | 综合能源调度方法、计算设备及介质 |
| CN114139937A (zh) * | 2021-11-29 | 2022-03-04 | 西安建筑科技大学 | 一种室内热舒适数据生成方法、系统、设备及介质 |
-
2022
- 2022-05-25 CN CN202210574408.4A patent/CN114841464B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104896660A (zh) * | 2015-05-20 | 2015-09-09 | 中南大学 | 一种办公建筑室内空调温度优化设定方法 |
| CN106196423A (zh) * | 2016-06-30 | 2016-12-07 | 西安建筑科技大学 | 一种基于模型预测的室内环境品质控制优化方法 |
| CN112784362A (zh) * | 2021-01-25 | 2021-05-11 | 南京航空航天大学 | 一种用于无人机辅助边缘计算的混合优化方法及系统 |
| CN113048626A (zh) * | 2021-01-27 | 2021-06-29 | 哈尔滨工业大学（深圳） | 建筑能耗优化方法及设备、可读存储介质 |
| CN113095781A (zh) * | 2021-04-12 | 2021-07-09 | 山东大卫国际建筑设计有限公司 | 一种基于边缘计算的温控设备管控方法、设备及介质 |
| CN113297660A (zh) * | 2021-06-05 | 2021-08-24 | 西北工业大学 | 一种基于多目标的建筑方案阶段节能优化设计模式构建方法 |
| CN113947236A (zh) * | 2021-09-06 | 2022-01-18 | 阿里云计算有限公司 | 综合能源调度方法、计算设备及介质 |
| CN113722972A (zh) * | 2021-09-14 | 2021-11-30 | 闽江学院 | 一种基于正反螺旋搜索鲸鱼算法的室内照度优化方法 |
| CN113902216A (zh) * | 2021-11-01 | 2022-01-07 | 上海师范大学 | 一种基于改进黑猩猩算法优化深度信念网络的股票预测方法 |
| CN113835344A (zh) * | 2021-11-25 | 2021-12-24 | 阿里云计算有限公司 | 设备的控制优化方法、展示平台、云服务器及存储介质 |
| CN114139937A (zh) * | 2021-11-29 | 2022-03-04 | 西安建筑科技大学 | 一种室内热舒适数据生成方法、系统、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 赵倩等: "农村地区民居建筑整体温度调节能耗预测", 《计算机仿真》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114841464B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11965666B2 (en) | Control method for air conditioner, and device for air conditioner and storage medium | |
| CN111795484B (zh) | 一种智慧空调控制方法和系统 | |
| CN112963946B (zh) | 一种面向共享办公区域的暖通空调系统控制方法及装置 | |
| WO2022218014A1 (zh) | 用于家电控制的方法、装置和家电 | |
| Alcalá et al. | Fuzzy control of HVAC systems optimized by genetic algorithms | |
| Vázquez-Canteli et al. | Balancing comfort and energy consumption of a heat pump using batch reinforcement learning with fitted Q-iteration | |
| CN105843037B (zh) | 基于q学习的智能楼宇温度控制方法 | |
| CN114543274B (zh) | 一种建筑中央空调温湿度优化控制方法及系统 | |
| 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 | |
| CN112381315A (zh) | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 | |
| CN115629607A (zh) | 一种融合历史信息的强化学习路径规划方法 | |
| CN111737857A (zh) | 一种基于互动能力曲线的暖通空调集群协调控制方法 | |
| CN108121206A (zh) | 基于高效改进型差分进化算法的复合自适应内模控制优化方法 | |
| Homod et al. | Deep clustering of reinforcement learning based on the bang-bang principle to optimize the energy in multi-boiler for intelligent buildings | |
| CN114841464B (zh) | 一种基于黑猩猩算法的建筑节能管理方法、设备及介质 | |
| Al Sayed et al. | Reinforcement learning for HVAC control in intelligent buildings: A technical and conceptual review | |
| CN107065520B (zh) | 一种冷风机参数配置优化方法 | |
| CN111474850A (zh) | 基于改进正弦余弦算法优化pid液压调平系统控制方法 | |
| CN116859738A (zh) | 设备的控制方法及控制装置 | |
| CN114936529A (zh) | 一种温控负荷群聚合模型及建模方法、温控负荷群可调节潜力评估方法 | |
| CN115978726A (zh) | 一种恒温恒湿空调系统预测优化控制算法及装置 | |
| Azimi et al. | A deep reinforcement learning-based method for dynamic quality of service aware energy and occupant comfort management in intelligent buildings | |
| CN110135656A (zh) | 建筑用电致变色玻璃的智能调节方法、系统、装置 | |
| Taboga et al. | Deep reinforcement learning for peak load reduction in aggregated residential houses | |
| CN115031388B (zh) | 基于热需求舒适需求的空调设定温度控制系统和方法 |
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 |