CN115877713A - 一种区域供冷系统智能优化节能控制算法及装置 - Google Patents

Abstract

本发明提供一种区域供冷系统智能优化节能控制算法及装置，包括：控制主机、冷水机组供水温度控制器、水泵频率控制器、冷水机组、冷却塔、水泵、分水器、集水器、区域供冷末端；控制主机包括：CPU运算器、存储器、模拟信号输入接口和RS485通讯接口。控制主机内存储有基于国家演变过程理念的新型智能优化算法程序，该算法在迭代前期就具有很好的全局搜索能力，解决了现有优化算法容易陷入局部最优问题。本发明还构建了区域供冷系统优化节能控制模型，并利用国家演变过程智能优化算法实现区域供冷系统优化节能控制，实现区域供冷系统最大化的节能效果。

Description

一种区域供冷系统智能优化节能控制算法及装置

技术领域

本发明涉及区域供冷系统优化控制技术领域，具体为一种区域供冷系统智能优化节能控制算法及装置。

背景技术

随着商业中心、交通枢纽等大型建筑群的兴起，区域供冷供热系统的应用越来越广泛，优化控制区域供冷系统以实现减少能耗的目的，有着巨大的经济和环保效益，此方向的技术研究具有重要意义。

现有技术中一种方法为：将清洗整理后的系统历史数据用以构建神经网络模型，获得系统整体能耗模型，然后应用交叉进化算法进行寻优，确定冷水机组冷冻水回水温度、冷水机组冷冻水供水温度、冷水机组冷冻水流量、冷水机组冷却水回水温度、冷水机组冷却水供水温度、冷水机组开启数量，实现系统节能运行。但由于神经网络预测模型仅根据实际历史数据来获得相应关系模型，无法使得系统能耗得到最大程度的降低，节能效果有限。现有技术中另一种方法为：建立配备有蓄冷设备的区域供冷系统能耗模型，确定了回水温度，供水温度区间，其采用的优化算法效率较低，无法准确寻找出最节能的运行工况，优化控制效果不佳。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种区域供冷系统智能优化节能控制算法及装置，解决了上述背景技术中提出的优化控制区域供冷系统能耗效果不佳的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种区域供冷系统智能优化节能控制装置，包括：控制主机、冷水机组供水温度控制器、水泵频率控制器、冷水机组、冷却塔、水泵、分水器、集水器、区域供冷末端；

控制主机包括：CPU运算器、存储器、模拟信号输入接口和RS485通讯接口；

多个所述冷水机组进出水侧均安装有温度传感器，并通过模拟信号输入接口连接到控制主机上；

多个所述水泵频率控制器分别连接多个水泵，并连接RS485通讯接口；

水泵频率控制器的输入端和输出端分别与RS485通讯接口及水泵相连；

多个所述冷水机组供水温度控制器分别连接多个冷水机组，并连接RS485通讯接口；

冷水机组供水温度控制器的输入端和输出端分别与RS485通讯接口及冷水机组相连；

控制主机内存储有区域供冷系统优化控制方法程序，所述控制主机获取所述冷水机组供水温度控制器、水泵频率控制器、温度传感器的数据；

模拟信号输入接口支持4～20mA和0～10V/0～5V物理信号，RS485通信接口支持modbusRTU，modbusASCII，PPI串口协议。

本发明还提供一种区域供冷系统智能优化节能控制算法，用于实现一种区域供冷系统智能优化节能控制装置功能，其特征在于，包括：构建区域供冷系统能耗模型；

采用基于国家演变过程的智能优化算法对区域供冷系统进行节能优化。

优选地，所述区域供冷系统能耗模型，包括：水泵能耗模型和冷却机组能耗模型；

所述水泵能耗模型，包括：冷冻水泵模型，冷却水泵模型,二次泵模型。

优选地，所述水泵能耗模型，构建方法包括：

水泵的能耗模型通过下式建立：

s.t.G_w,min＜G_w＜G_w,max (1)

式中：下标pump表示水泵；P表示功率，kW；a_i(i＝0,1,2)表示设备模型拟合系数；G_w,max,G_w,min表示冷冻水质量流量G_w的上下限制，kg/s；相关系数以及约束由设备厂家给出。

优选地，所述冷却机组能耗模型，构建方法包括：

冷水机组能耗模型通过下式建立：

式中：P_chiller为机组能耗；Q_e为机组冷负荷；COP为机组性能系数；

机组性能系数COP通过下式得到：

式中，r为冷水机组负载率；T_c为机组冷凝温度；T_e为机组蒸发温度；a₁、a₂为设备模型拟合系数；

机组冷凝温度T_e通过下式得到：

式中，T_w，c，E为冷却水出水温度；Q_c为冷凝端负荷；c_w为水的比热容；G_w，c为冷却水流量；UA_c为冷凝器总传热系数，为

机组蒸发温度T_e通过下式得到：

式中，T_w，e，E为冷冻水出水温度；G_w，e为冷冻水流量；UA_e为蒸发器总传热系数，为

优选地，所述构建区域供冷系统能耗模型，为水泵能耗模型和冷却机组能耗模型之和；

式中：N表示区域供冷系统总能耗，kW；

分别表示各冷冻水泵、各冷却水泵、各二次泵的频率，Hz；

表示各冷水机组的冷冻水供水温度，℃；i表示冷水机组序号；I表示冷水机组总数；j表示冷冻水泵序号；J表示冷冻水泵总数；k表示冷却水泵序号；K表示冷却水泵总数；m表示二次泵序号；M表示二次泵总数。

优选地，所述采用基于国家演变过程的智能优化算法对区域供冷系统进行节能优化，包括：

S1：初始化国家

为初始建立的国家确定政策参数，设定政策参数

的个数为D，以式(4)作为目标函数，计算初始政策参数的适应度值。初始政策的参数可表示为：

式中：x_d表示政策参数中第d维的值；

S2：国家确定初步政策调整

采用大幅度或小幅度调整参数，生成(0，1)之间均匀分布的随机数R，若R＞0.8，进行大幅度调整，否则将进行小幅度调整。政策参数调整后计算新参数的适应度值；

大幅度调整：采用Levy flight随机生成新的参数，方法如下：

式中：u～N(0，σ²)，v～N(0，1)，通常β＝1.5；

新的参数计算如下：

若x_d′超过参数范围，则有：

x″_d＝|x′_d-x′_d,int|·(x_d,max-x_d,min)+x_d,min (11)

式中：x″_d为第d维新参数，x′_d,int为x′_d的整数部分，x_d,max和x_d,min分别为第d维数据的范围上限和范围下限；

小幅度调整：以大国对应维度的参数为基准，增加满足x～N(0,1)的正态分布的随机数，以此作为新的参数，即：

x′_d＝x_d+x (12)

式中：x′_d为第d维新参数；x_d为第d维原参数；x～N(0,1)；

若x′_d超过参数范围，则有：

式中：x″为第d维新参数，x_d,max和x_d,min分别为第d维数据的范围上限和范围下限；

S3：判断初步调整后的政策参数适应度是否变好

若初步调整后参数适应度变好，则执行步骤S2，继续进行政策调整，否则执行步骤S4；

S4：国家更新政策参数

国家以初步政策调整中适应度最好的参数作为新的国家政策；

S5：国家分裂成小国

大国分裂成n个小国，各小国随机保留大国的部分参数，其余参数在作小幅度调整，方法同S2中小幅度调整的方法，小国确立的政策参数可表示为：

X_i＝(x_i,1,…,x_i,d,…,x_i,D)s.t.d∈[1,D],i∈[1,n] (14)

式中：x_i,d表示第i个小国第d维的政策参数值；

若生成的新参数适应度和大国适应度相比变得更差，则小国参数不进行调整，保留大国所有参数；

S6：各小国设官分职

各小国均设立m个官员，其中40％为普通朝臣，40％为探子，20％为丞相；

为各官员规定职责：普通朝臣提出建议，进行政策调整。探子随机前往其他小国，向他国的朝臣或丞相学习较优的政策，丞相广泛听取本国朝臣和探子的建议，向朝臣和探子中较优的政策进行学习，最终获得最佳政策参数作为小国新的政策参数；

每位官员对各小国的政策参数都要进行调整，即每位官员初始参数均为式(12)所示；

S7：朝臣提出建议进行政策调整

各小国的各位朝臣都开始提出建议，对各小国的政策自行调整。每位朝臣生成(0,1)之间均匀分布的随机数R，若R>0.8，进行大幅度调整，否则将进行小幅度调整。计算每次调整后参数的适应度值；

大幅度调整方式采用Levy flight生成新参数，小幅度调整方式采用正态分布生成新的随机数，计算步骤同S2；

每位朝臣进行c次政策调整，记录每位朝臣政策调整中适应度最好的参数。

S8：探子初次前往他国学习

各小国的每个探子随机选择一个其他小国，以某种方式向他国朝臣提出的政策参数学习，计算学习后的参数适应度值；

采用PSO粒子群算法进行学习，探子选择他国朝臣中的最佳参数作为学习对象，即在PSO算法粒子进行初始化时，每个粒子有80％的概率将学习对象参数作为粒子初始位置，20％的概率随机初始位置，再进行PSO迭代计算，输出优化后的最佳粒子位置作为探子学习后可采纳的新政策参数，将该参数的适应度与探子原先参数适应度进行对比，若变差则探子不采纳他国朝臣的建议，政策参数不作改变；

以上过程重复s次，即探子随机选择了s个小国进行政策学习。记录各小国探子初次学习后的最佳参数集合；

S9：丞相初次收集百官意见

各小国的每位丞相选择所在小国的朝臣和探子中前30％最佳政策参数作为学习对象，以某种方式向其学习、调整小国初始政策参数；

采用同S8步骤相同的PSO粒子群算法进行学习，每位丞相随机选择本国朝臣和探子中前30％最佳政策参数中的某个参数作为学习对象，进行PSO迭代计算，输出优化后的最佳粒子位置作为丞相学习后的新政策参数，该过程重复p次，将p次学习过程中所得的最佳参数作为该丞相的新参数。记录各小国丞相初次学习的最佳参数集合；

S10：探子二次前往他国学习

各小国的每个探子随机选择一个其他小国，以某种方式向他国丞相的政策参数学习，计算学习后的参数适应度值，采用PSO粒子群算法进行学习，具体步骤同S8，不同的是，探子随机选择他国丞相中的最佳参数作为学习对象，记录各小国探子二次学习的最佳参数集合；

S11：丞相二次收集百官意见

每位丞相选择所在小国的朝臣和探子中前30％最佳政策参数的集合，以某种方式向其学习、调整政策参数；采用PSO粒子群算法进行学习，具体步骤同S9，记录各小国丞相二次学习的最佳参数集合；

S12：获得所有小国中的最佳政策参数

各小国更新政策参数：通过各小国丞相初次、二次学习的最佳参数集合，比较参数的适应度值，得到各小国丞相中的最佳政策参数，将其作为各小国新的政策参数。

比较各小国的新政策参数，获得所有小国中适应度最好的参数，可表示为：

X_best＝(x_best,1,…,x_best,d,…,x_best,D)s.t.d∈[1,D] (15)

式中：x_best,d表示所有小国中最佳政策参数第d维的值；

S13：拥有最佳政策参数的小国统一各国

拥有最佳政策参数X_best的小国统一各国，成为新的大国，将其政策参数作为新国家的初始政策参数；

S14：判断是否达到迭代终止条件

该算法迭代终止条件为达到最大迭代次数或达到规定收敛精度，若达到迭代终止条件则执行步骤S15，否则执行S2；

S15：输出最佳政策参数

经过国家不断的演变，最终拥有最佳政策参数

的大国作为最优值输出，完成优化计算。

所述最佳政策参数通过RS485通讯接口分别传送给所述冷水机组供水温度控制器和所述水泵频率控制器调整对应设备参数。

(三)有益效果

本发明提供了一种区域供冷系统智能优化节能控制算法及装置，具备以下有益效果：

本发明提出的一种区域供冷系统智能优化节能控制算法及装置，包括：构建区域供冷系统能耗模型；采用基于国家演变过程的智能优化算法对区域供冷系统进行节能优化，能够在循环次数较少的情况下实现快速收敛；本发明使用小国内互相学习、国与国之间相互学习的方式，使得算法在迭代前期就具有很好的全局搜索能力；通过选择优秀学习对象的方法，使得样本能向较优群体学习，避免了陷入局部最优的问题；本发明具有包容现有多种智能优化算法的能力，可以根据实际问题选择合适的算法，让丞相和探子以现有的智能优化算法向优秀学习对象靠近，解决了上述背景技术中提出的优化控制区域供冷系统能耗效果不佳的问题。

附图说明

图1为本发明实施例提供的一种区域供冷系统智能优化节能控制装置结构示意图；

图2为本发明实施例提供的一种区域供冷系统智能优化节能控制算法流程图；

图3为本发明实施例提供的一种区域供冷系统智能优化节能控制算法中的用基于国家演变过程的智能优化算法对区域供冷系统进行节能优化方法流程图；

图4为本发明实施例提供的一种区域供冷系统智能优化节能控制算法与其他算法优化后的能耗对比图。

图中：1、控制主机；2、CPU运算器；3、存储器；4、模拟信号输入接口；5、RS485通讯接口；6、冷水机组供水温度控制器；7、水泵频率控制器；8、温度传感器；9、冷水机组；10、冷却塔；11、水泵；12、分水器；13、集水器；14、区域供冷末端。

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。

如图1所示，本发明实施例提供一种区域供冷系统智能优化节能控制装置，包括：控制主机1、冷水机组供水温度控制器6、水泵频率控制器7、冷水机组9、冷却塔10、水泵11、分水器12、集水器13、区域供冷末端14；

控制主机1包括：CPU运算器2、存储器3、模拟信号输入接口4和RS485通讯接口5；

多个所述冷水机组9进出水侧均安装有温度传感器8，并通过模拟信号输入接口4连接到控制主机1上；

多个所述水泵频率控制器7分别连接多个水泵11，并连接RS485通讯接口5；

水泵频率控制器7的输入端和输出端分别与RS485通讯接口5及水泵11相连，实现对水泵11的频率控制；

多个所述冷水机组供水温度控制器6分别连接多个冷水机组9，并连接RS485通讯接口5；

冷水机组供水温度控制器6的输入端和输出端分别与RS485通讯接口5及冷水机组9相连，实现对冷水机组10的供水温度控制；

控制主机1内存储有区域供冷系统优化控制方法程序，所述控制主机1获取所述冷水机组供水温度控制器6、水泵频率控制器7、温度传感器8的数据；

模拟信号输入接口4支持4～20mA和0～10V/0～5V物理信号，RS485通信接口支持modbusRTU，modbusASCII，PPI串口协议。

如图2所示，本发明实施例还提供一种区域供冷系统智能优化节能控制算法，用于实现一种区域供冷系统优化节能控制装置功能，包括：

201构建区域供冷系统能耗模型；

202采用基于国家演变过程的智能优化算法对区域供冷系统进行节能优化。

优选地，所述区域供冷系统能耗模型，包括：水泵能耗模型和冷却机组能耗模型；

所述水泵能耗模型，包括：冷冻水泵模型，冷却水泵模型，二次泵模型。

优选地，所述水泵能耗模型，构建方法包括：

水泵的能耗模型通过下式建立：

s.t.G_w，min＜G_w＜G_w，max (16)

式中：下标pump表示水泵；P表示功率，kW；a_i(i＝0，1，2)表示设备模型拟合系数；G_w，max，G_w，min表示冷冻水质量流量G_w的上下限制，kg/s；相关系数以及约束由设备厂家给出。

优选地，所述冷却机组能耗模型，构建方法包括：

冷水机组能耗模型通过下式建立：

式中：P_chiller为机组能耗；Q_e为机组冷负荷；COP为机组性能系数；

机组性能系数COP通过下式得到：

式中，r为冷水机组负载率；T_c为机组冷凝温度；T_e为机组蒸发温度；a₁、a₂为设备模型拟合系数；

机组冷凝温度T_c通过下式得到：

式中，T_w，c，E为冷却水出水温度；Q_c为冷凝端负荷；c_w为水的比热容；G_w，c为冷却水流量；UA_c为冷凝器总传热系数，为

机组蒸发温度T_e通过下式得到：

式中，T_w，e，E为冷冻水出水温度；G_w，e为冷冻水流量；UA_e为蒸发器总传热系数，为

优选地，所述构建区域供冷系统能耗模型，为水泵能耗模型和冷却机组能耗模型之和；

式中：N表示区域供冷系统总能耗，kW；

分别表示各冷冻水泵、各冷却水泵、各二次泵的频率，Hz；

表示各冷水机组的冷冻水供水温度，℃；i表示冷水机组序号；I表示冷水机组总数；j表示冷冻水泵序号；J表示冷冻水泵总数；k表示冷却水泵序号；K表示冷却水泵总数；m表示二次泵序号；M表示二次泵总数。

如图3所示，所述采用基于国家演变过程的智能优化算法对区域供冷系统进行节能优化，包括：

S1：初始化国家

为初始建立的国家确定政策参数，设定政策参数

的个数为D，以式(4)作为目标函数，计算初始政策参数的适应度值。初始政策的参数可表示为：

式中：x_d表示政策参数中第d维的值；

S2：国家确定初步政策调整

采用大幅度或小幅度调整参数，生成(0，1)之间均匀分布的随机数R，若R＞0.8，进行大幅度调整，否则将进行小幅度调整。政策参数调整后计算新参数的适应度值；

大幅度调整：采用Levy flight随机生成新的参数，方法如下：

式中：u～N(0，σ²)，v～N(0，1)，通常β＝1.5；

新的参数计算如下：

若x_d′超过参数范围，则有：

x″_d＝|x′_d-x′_d，int|·(x_d，max-x_d，min)+x_d，min (26)

式中：x″_d为第d维新参数，x′_d，int为x′_d的整数部分，x_d，max和x_d，min分别为第d维数据的范围上限和范围下限；

小幅度调整：以大国对应维度的参数为基准，增加满足x～N(0，1)的正态分布的随机数，以此作为新的参数，即：

x′_d＝x_d+x (27)

式中：x′_d为第d维新参数；x_d为第d维原参数；x～N(0,1)；

若x′_d超过参数范围，则有：

式中：x″为第d维新参数，x_d,max和x_d,min分别为第d维数据的范围上限和范围下限；

S3：判断初步调整后的政策参数适应度是否变好

若初步调整后参数适应度变好，则执行步骤S2，继续进行政策调整，否则执行步骤S4；

S4：国家更新政策参数

国家以初步政策调整中适应度最好的参数作为新的国家政策；

S5：国家分裂成小国

大国分裂成n个小国，各小国随机保留大国的部分参数，其余参数在作小幅度调整，方法同S2中小幅度调整的方法，小国确立的政策参数可表示为：

X_i＝(x_i,1,…,x_i,d,…,x_i,D)s.t.d∈[1,D],i∈[1,n] (29)

式中：x_i,d表示第i个小国第d维的政策参数值；

若生成的新参数适应度和大国适应度相比变得更差，则小国参数不进行调整，保留大国所有参数；

S6：各小国设官分职

各小国均设立m个官员，其中40％为普通朝臣，40％为探子，20％为丞相；

为各官员规定职责：普通朝臣提出建议，进行政策调整。探子随机前往其他小国，向他国的朝臣或丞相学习较优的政策，丞相广泛听取本国朝臣和探子的建议，向朝臣和探子中较优的政策进行学习，最终获得最佳政策参数作为小国新的政策参数；

每位官员对各小国的政策参数都要进行调整，即每位官员初始参数均为式(12)所示；

S7：朝臣提出建议进行政策调整

各小国的各位朝臣都开始提出建议，对各小国的政策自行调整。每位朝臣生成(0,1)之间均匀分布的随机数R，若R>0.8，进行大幅度调整，否则将进行小幅度调整。计算每次调整后参数的适应度值；

大幅度调整方式采用Levy flight生成新参数，小幅度调整方式采用正态分布生成新的随机数，计算步骤同S2；

每位朝臣进行c次政策调整，记录每位朝臣政策调整中适应度最好的参数。

S8：探子初次前往他国学习

各小国的每个探子随机选择一个其他小国，以某种方式向他国朝臣提出的政策参数学习，计算学习后的参数适应度值；

采用PSO粒子群算法进行学习，探子选择他国朝臣中的最佳参数作为学习对象，即在PSO算法粒子进行初始化时，每个粒子有80％的概率将学习对象参数作为粒子初始位置，20％的概率随机初始位置，再进行PSO迭代计算，输出优化后的最佳粒子位置作为探子学习后可采纳的新政策参数，将该参数的适应度与探子原先参数适应度进行对比，若变差则探子不采纳他国朝臣的建议，政策参数不作改变；

以上过程重复s次，即探子随机选择了s个小国进行政策学习。记录各小国探子初次学习后的最佳参数集合；

S9：丞相初次收集百官意见

各小国的每位丞相选择所在小国的朝臣和探子中前30％最佳政策参数作为学习对象，以某种方式向其学习、调整小国初始政策参数；

采用同S8步骤相同的PSO粒子群算法进行学习，每位丞相随机选择本国朝臣和探子中前30％最佳政策参数中的某个参数作为学习对象，进行PSO迭代计算，输出优化后的最佳粒子位置作为丞相学习后的新政策参数，该过程重复p次，将p次学习过程中所得的最佳参数作为该丞相的新参数。记录各小国丞相初次学习的最佳参数集合；

S10：探子二次前往他国学习

各小国的每个探子随机选择一个其他小国，以某种方式向他国丞相的政策参数学习，计算学习后的参数适应度值，采用PSO粒子群算法进行学习，具体步骤同S8，不同的是，探子随机选择他国丞相中的最佳参数作为学习对象，记录各小国探子二次学习的最佳参数集合；

S11：丞相二次收集百官意见

每位丞相选择所在小国的朝臣和探子中前30％最佳政策参数的集合，以某种方式向其学习、调整政策参数；采用PSO粒子群算法进行学习，具体步骤同S9，记录各小国丞相二次学习的最佳参数集合；

S12：获得所有小国中的最佳政策参数

各小国更新政策参数：通过各小国丞相初次、二次学习的最佳参数集合，比较参数的适应度值，得到各小国丞相中的最佳政策参数，将其作为各小国新的政策参数。

比较各小国的新政策参数，获得所有小国中适应度最好的参数，可表示为：

X_best＝(x_best,1,…,x_best,d,…,x_best,D)s.t.d∈[1,D] (30)

式中：x_best,d表示所有小国中最佳政策参数第d维的值；

S13：拥有最佳政策参数的小国统一各国

拥有最佳政策参数X_best的小国统一各国，成为新的大国，将其政策参数作为新国家的初始政策参数；

S14：判断是否达到迭代终止条件

该算法迭代终止条件为达到最大迭代次数或达到规定收敛精度，若达到迭代终止条件则执行步骤S15，否则执行S2；

S15：输出最佳政策参数

经过国家不断的演变，最终拥有最佳政策参数

的大国作为最优值输出，完成优化计算。

所述最佳参数通过RS485通讯接口5分别传送给所述冷水机组供水温度控制器6和所述水泵频率控制器7调整对应设备参数。

为验证本发明实施例提供的控制算法，以包含3台冷水机组、4台冷冻水泵、8台二次泵、4台冷却水泵、4台冷却塔为例，各设备参数分别如下表所示：

表1冷水机组参数

表2水泵参数

*水泵拟合公式：

在室外温度34.5℃、室外相对湿度72％，预估冷负荷需求为4000KW工况下，采用传统固定参数的控制方式下系统能耗为1100.72kW。经过智能算法粒子群算法(PSO)、缎蓝园丁鸟算法(SBO)、麻雀搜索算法(SSA)和国家演变过程算法(CEA)进行优化后，系统的能耗分别为801.36kW、789.14kW、830.98kW、777.11kW，如图4所示。由优化结果可以看出本发明实施例提供的一种基于国家演变过程(CEA)的区域供冷系统优化控制方法的节能效果最佳，相较于传统控制方式降低了系统能耗323.61kW，优于SBO算法。

综上所述，本发明实施例提供的国家演变过程(CEA)在区域供冷系统智能优化控制中将具有最佳的优化效果。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种区域供冷系统智能优化节能控制装置，其特征在于，包括：控制主机、冷水机组供水温度控制器、水泵频率控制器、冷水机组、冷却塔、水泵、分水器、集水器、区域供冷末端；

控制主机包括：CPU运算器、存储器、模拟信号输入接口和RS485通讯接口；

多个所述冷水机组进出水侧均安装有温度传感器，并通过模拟信号输入接口连接到控制主机上；

多个所述水泵频率控制器分别连接多个水泵，并连接RS485通讯接口；

水泵频率控制器的输入端和输出端分别与RS485通讯接口及水泵相连；

多个所述冷水机组供水温度控制器分别连接多个冷水机组，并连接RS485通讯接口；

冷水机组供水温度控制器的输入端和输出端分别与RS485通讯接口及冷水机组相连；

控制主机内存储有区域供冷系统优化控制方法程序，所述控制主机获取所述冷水机组供水温度控制器、水泵频率控制器、温度传感器的数据；

模拟信号输入接口支持4～20mA和0～10V/0～5V物理信号，RS485通信接口支持modbusRTU，modbusASCII，PPI串口协议。

2.一种区域供冷系统智能优化节能控制算法，用于实现一种区域供冷系统智能优化节能控制装置功能，其特征在于，包括：构建区域供冷系统能耗模型；

采用基于国家演变过程的智能优化算法对区域供冷系统进行节能优化。

3.根据权利要求2所述的一种区域供冷系统智能优化节能控制算法，其特征在于，所述区域供冷系统能耗模型，包括：水泵能耗模型和冷却机组能耗模型；

所述水泵能耗模型，包括：冷冻水泵模型，冷却水泵模型,二次泵模型。

4.根据权利要求3所述的一种区域供冷系统智能优化节能控制算法，其特征在于，所述水泵能耗模型，构建方法包括：

水泵的能耗模型通过下式建立：

s.t.G_w,min＜G_w＜G_w,max (1)

式中：下标pump表示水泵；P表示功率，kW；a_i(i＝0,1,2)表示设备模型拟合系数；G_w,max,G_w,min表示冷冻水质量流量G_w的上下限制，kg/s；相关系数以及约束由设备厂家给出。

5.根据权利要求4所述的一种区域供冷系统智能优化节能控制算法，其特征在于，所述冷却机组能耗模型，构建方法包括：

冷水机组能耗模型通过下式建立：

式中：P_chiller为机组能耗；Q_e为机组冷负荷；COP为机组性能系数；

机组性能系数COP通过下式得到：

式中，r为冷水机组负载率；T_c为机组冷凝温度；T_e为机组蒸发温度；a₁、a₂为设备模型拟合系数；

机组冷凝温度T_c通过下式得到：

式中，T_w,c,E为冷却水出水温度；Q_c为冷凝端负荷；c_w为水的比热容；G_w,c为冷却水流量；UA_c为冷凝器总传热系数，为250W/(m²□K)；

机组蒸发温度T_e通过下式得到：

式中，T_w,e,E为冷冻水出水温度；G_w,e为冷冻水流量；UA_e为蒸发器总传热系数，为250W/(m²□K)。

6.根据权利要求5所述的一种区域供冷系统智能优化节能控制算法，其特征在于，所述构建区域供冷系统能耗模型，为水泵能耗模型和冷却机组能耗模型之和；

式中：N表示区域供冷系统总能耗，kW；

分别表示各冷冻水泵、各冷却水泵、各二次泵的频率，Hz；

表示各冷水机组的冷冻水供水温度，℃；i表示冷水机组序号；I表示冷水机组总数；j表示冷冻水泵序号；J表示冷冻水泵总数；k表示冷却水泵序号；K表示冷却水泵总数；m表示二次泵序号；M表示二次泵总数。

7.根据权利要求6所述的一种区域供冷系统智能优化节能控制算法，其特征在于，所述采用基于国家演变过程的智能优化算法对区域供冷系统进行节能优化，包括：

S1：初始化国家

为初始建立的国家确定政策参数，设定政策参数

的个数为D，以式(4)作为目标函数，计算初始政策参数的适应度值。初始政策的参数可表示为：

式中：x_d表示政策参数中第d维的值；

S2：国家确定初步政策调整

采用大幅度或小幅度调整参数，生成(0,1)之间均匀分布的随机数R，若R>0.8，进行大幅度调整，否则将进行小幅度调整。政策参数调整后计算新参数的适应度值；

大幅度调整：采用Levy flight随机生成新的参数，方法如下：

式中：u～N(0,σ²)，v～N(0,1)，通常β＝1.5；

新的参数计算如下：

若x_d′超过参数范围，则有：

x″_d＝|x′_d-x′_d,int|·(x_d,max-x_d,min)+x_d,min (11)

式中：x″_d为第d维新参数，x′_d,int为x′_d的整数部分，x_d,max和x_d,min分别为第d维数据的范围上限和范围下限；

小幅度调整：以大国对应维度的参数为基准，增加满足x～N(0,1)的正态分布的随机数，以此作为新的参数，即：

x′_d＝x_d+x (12)

式中：x′_d为第d维新参数；x_d为第d维原参数；x～N(0,1)；

若x′_d超过参数范围，则有：

式中：x″为第d维新参数，x_d,max和x_d,min分别为第d维数据的范围上限和范围下限；

S3：判断初步调整后的政策参数适应度是否变好

若初步调整后参数适应度变好，则执行步骤S2，继续进行政策调整，否则执行步骤S4；

S4：国家更新政策参数

国家以初步政策调整中适应度最好的参数作为新的国家政策；

S5：国家分裂成小国

大国分裂成n个小国，各小国随机保留大国的部分参数，其余参数在作小幅度调整，方法同S2中小幅度调整的方法，小国确立的政策参数可表示为：

X_i＝(x_i,1,…,x_i,d,…,x_i,D) s.t.d∈[1,D],i∈[1,n] (14)

式中：x_i,d表示第i个小国第d维的政策参数值；

若生成的新参数适应度和大国适应度相比变得更差，则小国参数不进行调整，保留大国所有参数；

S6：各小国设官分职

各小国均设立m个官员，其中40％为普通朝臣，40％为探子，20％为丞相；

为各官员规定职责：普通朝臣提出建议，进行政策调整。探子随机前往其他小国，向他国的朝臣或丞相学习较优的政策，丞相广泛听取本国朝臣和探子的建议，向朝臣和探子中较优的政策进行学习，最终获得最佳政策参数作为小国新的政策参数；

每位官员对各小国的政策参数都要进行调整，即每位官员初始参数均为式(12)所示；

S7：朝臣提出建议进行政策调整

各小国的各位朝臣都开始提出建议，对各小国的政策自行调整。每位朝臣生成(0,1)之间均匀分布的随机数R，若R>0.8，进行大幅度调整，否则将进行小幅度调整。计算每次调整后参数的适应度值；

大幅度调整方式采用Levy flight生成新参数，小幅度调整方式采用正态分布生成新的随机数，计算步骤同S2；

每位朝臣进行c次政策调整，记录每位朝臣政策调整中适应度最好的参数。

S8：探子初次前往他国学习

各小国的每个探子随机选择一个其他小国，以某种方式向他国朝臣提出的政策参数学习，计算学习后的参数适应度值；

采用PSO粒子群算法进行学习，探子选择他国朝臣中的最佳参数作为学习对象，即在PSO算法粒子进行初始化时，每个粒子有80％的概率将学习对象参数作为粒子初始位置，20％的概率随机初始位置，再进行PSO迭代计算，输出优化后的最佳粒子位置作为探子学习后可采纳的新政策参数，将该参数的适应度与探子原先参数适应度进行对比，若变差则探子不采纳他国朝臣的建议，政策参数不作改变；

以上过程重复s次，即探子随机选择了s个小国进行政策学习。记录各小国探子初次学习后的最佳参数集合；

S9：丞相初次收集百官意见

各小国的每位丞相选择所在小国的朝臣和探子中前30％最佳政策参数作为学习对象，以某种方式向其学习、调整小国初始政策参数；

采用同S8步骤相同的PSO粒子群算法进行学习，每位丞相随机选择本国朝臣和探子中前30％最佳政策参数中的某个参数作为学习对象，进行PSO迭代计算，输出优化后的最佳粒子位置作为丞相学习后的新政策参数，该过程重复p次，将p次学习过程中所得的最佳参数作为该丞相的新参数。记录各小国丞相初次学习的最佳参数集合；

S10：探子二次前往他国学习

各小国的每个探子随机选择一个其他小国，以某种方式向他国丞相的政策参数学习，计算学习后的参数适应度值，采用PSO粒子群算法进行学习，具体步骤同S8，不同的是，探子随机选择他国丞相中的最佳参数作为学习对象，记录各小国探子二次学习的最佳参数集合；

S11：丞相二次收集百官意见

每位丞相选择所在小国的朝臣和探子中前30％最佳政策参数的集合，以某种方式向其学习、调整政策参数；采用PSO粒子群算法进行学习，具体步骤同S9，记录各小国丞相二次学习的最佳参数集合；

S12：获得所有小国中的最佳政策参数

各小国更新政策参数：通过各小国丞相初次、二次学习的最佳参数集合，比较参数的适应度值，得到各小国丞相中的最佳政策参数，将其作为各小国新的政策参数。

比较各小国的新政策参数，获得所有小国中适应度最好的参数，可表示为：

X_best＝(x_best,1,…,x_best,d,…,x_best,D) s.t.d∈[1,D] (15)

式中：x_best,d表示所有小国中最佳政策参数第d维的值；

S13：拥有最佳政策参数的小国统一各国

拥有最佳政策参数X_best的小国统一各国，成为新的大国，将其政策参数作为新国家的初始政策参数；

S14：判断是否达到迭代终止条件

该算法迭代终止条件为达到最大迭代次数或达到规定收敛精度，若达到迭代终止条件则执行步骤S15，否则执行S2；

S15：输出最佳政策参数

经过国家不断的演变，最终拥有最佳政策参数

的大国作为最优值输出，完成优化计算。

Images