CN108303898A - 新型太阳能-空气能耦合冷热联供***的智能调度方法 - Google Patents

Abstract

本发明涉及新型太阳能‑空气能耦合冷热联供***的智能调度方法。本发明基于用户运行数据，建立能量平衡数学模型进行高速寻优，自动控制太阳能和空气能耦合匹配，保证最大化利用太阳能资源，实现了全天候用能需求；本算法应用于高效太阳能‑空气能耦合智能冷热联供***，使得***不但提供充足的生活热水，而且解决了客户夏天制冷及冬季采暖的需求，提高设备的利用率，减少了重复投资，夏天制冷、冬季采暖***运行平稳、可靠，夏季室内温度恒温在24‑26℃，冬季室内温度恒定在18‑20℃，完全达到了设计要求。

Description

新型太阳能-空气能耦合冷热联供***的智能调度方法

技术领域

本发明属于涉及新型太阳能-空气能耦合冷热联供***的智能调度方法，具体涉及一种基于在线自学习神经网络模型建立、模糊推理的神经网络线性化模型抽取以及混合变量遗传优化算法的多能源多目标智能调度及优化算法，主要用于太阳能-空气能耦合智能冷热联供***。

背景技术

目前，热水供应设备主要有锅炉、燃气容积式热水器、电热水器、太能热水器和空气能热水器。它们既有自己的优点又有自己的缺点：锅炉，前期投入大和维护费用较高，且安装和维护都有相当严格的要求；普通燃气容积式热水器，单台的容积较小，一般只适合普通家庭使用，对于中小型商业项目的大水量需求则需要多台相结合使用，这样势必增加前期投入，同时燃气容积式热水器效率较低进而造成使用费用较高；电热水器，加热时间较长，使用费用高；太阳能热水器，使用成本低廉，但初期投入成本高，而且容易受到气候影响，热源单一，可靠性较差，不能全天候使用；空气能热水器，热效率高达300％以上，但其相对太阳能热水器又不能直接利用太阳能，使用成本相对较高。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种用于太阳能-空气能耦合智能冷热联供***的多能源多目标智能调度及优化算法，模型可根据用户用能习惯自主学习，将学习结果输至人工神经网络联想存储，进行Fuzzy推理决断，用户用冷或用热时，利用该数学模型高速寻优，自动控制太阳能和空气能能量耦合匹配，实现***自主优化运行；同时，根据冷热用能温度设定、冷热量、峰谷电价、日夜高效运行判断等多个目标约束条件进行优化，以保证高效、经济运行。

本专利解决上述技术问题的技术方案如下：新型太阳能-空气能耦合冷热联供***的智能调度方法，包括在线自学习神经网络模型的建立、基于模糊推理的神经网络线性化模型的抽取以及基于混合变量遗传优化算法的控制量计算。

所述在线自学习神经网络模型的建立过程采用神经网络模型混联辨识结构，为三层的多层感知器模型，包含一层输入层、一层隐含层与一层输出层，U(k)为耦合智能冷热联供***中可控制可调节的开关量与模拟量，Y(k)为输出量，如：***能耗量、***输出冷量、***输出热量以及***输出热水量等，将神经网络模型训练数据的输入量U(k)经过步进式暂时数据存储器后生成的输入部分表示为输出量Y(k)经过步进式暂时数据存储器后生成的输出部分表示为

f是隐含层的激活函数，具体结构为双曲正切函数表达式如下：

其中j表示隐含层第j个神经元，的计算公式为：

其中w_i,j与W_i,j分别为隐含层与输出层的连接权值，w_j,0与W_i,0分别是隐含层与输出层的偏置值；

F是输出层的激活函数，采用常规线性结构：

偏置值可以表示为输入为1的权系数，将连接权值与偏置值组成联合权值向量θ，最后得出神经网络模型的模型预测估计值

网络训练算法基本内容为在时刻k，通过给出的训练数据的输入量以及输出量通过自适应辨识训练算法计算输出估计值在k+1时刻，可得出神经网络联合权值参数，将其用于计算输出估计值，反复调整神经网络联合权值参数直到获得参数的估计值满足精度为止；具体参数估计算法基于丢弃旧数据信息的自适应机制，采用指数遗忘因子与重置算法的更新规则在每一个采样时刻产生新数据集并形成新数据对，通过高斯-牛顿算法的迭代递归形式计算得出。

所述基于模糊推理的神经网络线性化模型的抽取过程如下：首先基于模糊聚类方法T-S模糊模型前件参数的建立，模糊聚类的实现步骤如下：

1)给出初始划分聚类数c＝2，初始隶属度矩阵U₁，初始步数m＝1；

2)计算第i个模糊类的中心值c_i

其中，μ_ik为隶属度矩阵U的第i行第k列，x_k为第k个模型输入量，N为采集的历史数据总个数。

定义第k个数据与第i个模糊类的距离d_ik为：

d_ik＝||x_k-c_i|| (5)

3)m＝m+1,计算新的隶属度矩阵U_m+1，新的隶属度矩阵更新公式如下：

若d_ik＞0则

若d_ik＝0则μ_ik＝1，μ_jk＝0，j≠i (7)；

4)给定目标ε：

如果||U^m+1-U^m||≤ε，则c_i为聚类中心值点，否则增加模糊类数，返回2)；

其次基于最小二乘法T-S模糊模型后件参数的辨识，将神经网络模型激励数据进行整理，构造模型输入数据矩阵φ，模型输出数据向量Y，则T-S模糊模型后件参数θ₁可由以下表达式计算得出：

θ₁＝(φφ^T)φY (8)

其中，输入数据矩阵φ的构造方法为：

φ第K行为φ_k＝[μ_1k,...,μ_nk,μ_1kx_1k,...,μ_1kx_mk,...,μ_nkx_mk] (9)

其中，μ_1k为对应第k个输入量与第一个聚类中心点的隶属度值，μ_nk为对应第k个输入量与第n个聚类中心点的隶属度值，x_1k表示第一个输入量的第k次历史数据采样值，x_mk表示第m个输入量的第k次历史数据采样值。

Y是单个输出不同时刻模型预测估计值的向量，其构造方法为：

Y＝[y₁,y₂,...,y_N]^T (10)

其中，y_i为第i次采集的输出数据；

最后通过基于得出的后件参数可以得出不同聚类条件下的线性预测模型为：

其中，为基于模糊线性模型对单个输出值的预测估计值,φ′为当前采样时刻的输入数据向量，结构形式同φ_k。

所述基于混合变量遗传优化算法的控制量计算流程如下：

随机产生L个初始串结构数据，L一般取40-1000内的整数，每个串结构数据为一个个体，L个个体构成一个种群。遗传算法以这L个串结构作为初始点开始迭代，对于单个串结构数据的编码操作包含开关量与模拟量的编码，开关量只有1和0两种取值，1代表输入阀门开，0表示阀门关闭，对于模拟量则进行二进制编码。

遗传算法中使用适应度来度量群体中各个个体在优化计算中优化解的优良程度，适应度高的个体遗传到下一代的概率相对较大。这里，选取多个目标误差平方和的倒数作为适应度函数f(x)，其表达式为：

其中，***多目标需求值向量为R(k),单个目标值表示为r_i，R(k)包括：***输出冷量需求、***输出热量需求、***输出热水量需求以及温度设定等。

选择操作选用比例选择算子，即个体被选中并遗传到下一代种群中的概率与该个体的适应度大小成正比，具体操作过程如下：

3)计算种群中所有个体的适应度之和E，其表达式为：

4)计算种群中各个个体的相对适应度，并以此作为该个体被选中并遗传到下一代种群的概率p_k，其表达式为：

3)采用模拟轮盘赌操作，产生(0，1)之间的随机数，来确定各个个体被选中的次数，适应度大的个体，其选择概率较大。

交叉操作采用最简单的单点交叉算子，具体交叉过程如下：

(1)、先对种群中的个体进行两两配对。

(2)、对每一对配对个体，随机选择某一基因座之后的位置作为交叉点。

(3)、对毎一对配对个体，根据(2)中所确定的交叉点位置，相互交换两个个体的部分染色体，产生出两个新的个体。

变异操作采用单点变异算子，具体操作过程如下：

(1)、随机产生变异点；

(2)、根据(1)中的变异点位置，改变其对应的基因座上的基因值；

经过多次迭代进化，当满足迭代终止条件时，输出的末代种群最优个体对应的便是经过混合变量遗传优化算法得出的最优控制量的二进制编码，最后对最优基因的模拟量段进行十进制转换得出模拟控制量计算值，开关量状态值则对应最优基因的开关量段，1代表开通，0则代表关闭。

本专利的有益效果是：

1、本发明基于用户运行数据，建立能量平衡数学模型进行高速寻优，自动控制太阳能和空气能耦合匹配，保证最大化利用太阳能资源，实现了全天候用能需求；

2、本发明的算法应用于高效太阳能-空气能耦合智能冷热联供***，受到了用户的一致好评，***不但提供充足的生活热水，而且解决了客户夏天制冷及冬季采暖的需求，提高设备的利用率，减少了重复投资，夏天制冷、冬季采暖***运行平稳、可靠，夏季室内温度恒温在24-26℃，冬季室内温度恒定在18-20℃，完全达到了设计要求。

附图说明

图1是本发明在线自学习神经网络模型建立的结构示意图；

具体实施方式

本专利解决上述技术问题的技术方案如下：新型太阳能-空气能耦合冷热联供***的智能调度方法，包括在线自学习神经网络模型的建立A、基于模糊推理的神经网络线性化模型的抽取B以及基于混合变量遗传优化算法的控制量计算C。

如图1所示，需要建模的***与用于辨识***模型的神经网络模型并联，图中U(k)为耦合智能冷热联供***中可控制可调节的开关量与模拟量；Y(k)为输出量，为实际采集的输出数据，如：***能耗量、***输出冷量、***输出热量以及***输出热水量等；TDL表示步进式暂时数据存储器用于存储当前以及过去一定时间内采样时刻的输入信息。图1中包含了神经网络模型以及相关的训练算法。对于神经网络模型的输入通过l_m-TDL与i_n-TDL实现过去m个输入与n个输出采样值的存储，l_m与i_n分别为p×m与q×n维数的矩阵。

图1中的神经网络模型包含一个动态递归结构，包含暂时存储单元与***的实际输出反馈，即为典型监督学习算法，神经网络输出与***实际输出进行比较并送入训练过程实现快速实时在线训练。

所述在线自学习神经网络模型的建立过程采用神经网络模型混联辨识结构，为三层的多层感知器模型，包含一层输入层、一层隐藏层与一层输出层，U(k)为耦合智能冷热联供***中可控制可调节的开关量与模拟量，Y(k)为输出量，如：***能耗量、***输出冷量、***输出热量以及***输出热水量等，将神经网络模型训练数据的输入量U(k)经过步进式暂时数据存储器后生成的输入部分表示为输出量Y(k)经过步进式暂时数据存储器后生成的输出部分表示为

f是隐含层的激活函数，具体结构为双曲正切函数表达式如下：

其中j表示隐含层第j个神经元，的计算公式为：

其中w_i,j与W_i,j分别为隐含层与输出层的连接权值，w_j,0与W_i,0分别是隐含层与输出层的偏置值；

F是输出层的激活函数，采用常规线性结构：

偏置值可以表示为输入为1的权系数，将连接权值与偏置值组成联合权值向量θ，最后得出神经网络模型的模型预测估计值

网络训练算法基本内容为在时刻k，通过给出的输入训练数据的输入量以及模型的预测输出量通过自适应辨识训练算法计算输出估计值在k+1时刻，可得出神经网络联合权值参数，将其用于计算输出估计值，反复调整神经网络联合权值参数直到获得参数的估计值满足精度为止；具体参数估计算法基于丢弃旧数据信息的自适应机制，采用指数遗忘因子与重置算法的更新规则在每一个采样时刻产生新数据集并形成新数据对，通过高斯-牛顿算法的迭代递归形式计算得出。

所述基于模糊推理的神经网络线性化模型的抽取过程如下：首先基于模糊聚类方法T-S模糊模型前件参数的建立，模糊聚类的实现步骤如下：

1)给出初始划分聚类数c＝2，初始隶属度矩阵U₁，初始步数m＝1；

2)计算第i个模糊类的中心值c_i

其中，μ_ik为隶属度矩阵U的第i行第k列，x_k为第k个模型输入量，N为采集的历史数据总个数。

定义第k个数据与第i个模糊类的距离d_ik为：

d_ik＝||x_k-c_i|| (5)

3)m＝m+1,计算新的隶属度矩阵U_m+1，新的隶属度矩阵更新公式如下：

若d_ik＞0则

若d_ik＝0则μ_ik＝1，μ_jk＝0，j≠i(7)；

4)给定目标ε：

如果||U^m+1-U^m||≤ε，则c_i为聚类中心值点，否则增加模糊类数，返回2)；

其次基于最小二乘法T-S模糊模型后件参数的辨识，将神经网络模型激励数据进行整理，构造模型输入数据矩阵φ，模型输出数据向量Y，则T-S模糊模型后件参数θ₁可由以下表达式计算得出：

θ₁＝(φφ^T)φY (8)

其中，输入数据矩阵φ的构造方法为：

φ第K行为φ_k＝[μ_1k,...,μ_nk,μ_1kx_1k,...,μ_1kx_mk,...,μ_nkx_mk] (9)

其中，μ_1k为对应第k个输入量与第一个聚类中心点的隶属度值，μ_nk为对应第k个输入量与第n个聚类中心点的隶属度值，x_1k表示第一个输入量的第k次历史数据采样值，x_mk表示第m个输入量的第k次历史数据采样值。

Y是单个输出不同时刻模型预测估计值的向量，其构造方法为：

Y＝[y₁,y₂,...,y_N]^T (10)

其中，y_i为第i次采集的输出数据；

最后通过基于得出的后件参数可以得出不同聚类条件下的线性预测模型为：

其中，为基于模糊线性模型对单个输出值的预测估计值,φ′为当前采样时刻的输入数据向量，结构形式同φ_k。

通过调度控制策略的A在线自学习神经网络模型的建立与B基于模糊推理的神经网络线性化模型抽取可得出当前状态下的线性模型，基于该线性模型计算控制量输出最大的优势可实现控制量的高速计算。模块A的在线自学习的执行周期与***采样周期相同具有实时性；模块B的线性模型抽取过程无需实时进行，采用定长周期(以周或者月为单位)进行模糊推理线性模型抽取。最后在约束条件、***多目标需求值以及保证***能耗量最低值前提下，结合抽取的线性模型与混合变量遗传优化算法计算模型的逆，得出***的可控变量值。约束条件包括：控制量的可执行区间、采样周期内控制量增量可执行区间、被控量的最小最大出力区间。***多目标需求值R(k)包括：***输出冷量需求、***输出热量需求、***输出热水量需求以及温度设定等。

所述基于混合变量遗传优化算法的控制量计算流程如下：

随机产生L个初始串结构数据，L一般取40-1000内的整数，每个串结构数据为一个个体，L个个体构成一个种群。遗传算法以这L个串结构作为初始点开始迭代，对于单个串结构数据的编码操作包含开关量与模拟量的编码，开关量只有1和0两种取值，1代表输入阀门开，0表示阀门关闭，对于模拟量则进行二进制编码。

遗传算法中使用适应度来度量群体中各个个体在优化计算中优化解的优良程度，适应度高的个体遗传到下一代的概率相对较大。这里，选取多个目标误差平方和的倒数作为适应度函数f(x)，其表达式为：

其中，***多目标需求值向量为R(k),单个目标值表示为r_i，R(k)包括：***输出冷量需求、***输出热量需求、***输出热水量需求以及温度设定等。

选择操作选用比例选择算子，即个体被选中并遗传到下一代种群中的概率与该个体的适应度大小成正比，具体操作过程如下：

5)计算种群中所有个体的适应度之和E，其表达式为：

6)计算种群中各个个体的相对适应度，并以此作为该个体被选中并遗传到下一代种群的概率p_k，其表达式为：

3)采用模拟轮盘赌操作，产生(0，1)之间的随机数，来确定各个个体被选中的次数，适应度大的个体，其选择概率较大。

交叉操作采用最简单的单点交叉算子，具体交叉过程如下：

(1)、先对种群中的个体进行两两配对。

(2)、对每一对配对个体，随机选择某一基因座之后的位置作为交叉点。

(3)、对毎一对配对个体，根据(2)中所确定的交叉点位置，相互交换两个个体的部分染色体，产生出两个新的个体。

变异操作采用单点变异算子，具体操作过程如下：

(1)、随机产生变异点；

(2)、根据(1)中的变异点位置，改变其对应的基因座上的基因值；

经过多次迭代进化，当满足迭代终止条件时，输出的末代种群最优个体对应的便是经过混合变量遗传优化算法得出的最优控制量的二进制编码，最后对最优基因的模拟量段进行十进制转换得出模拟控制量计算值，开关量状态值则对应最优基因的开关量段，1代表开通，0则代表关闭。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (3)

1.新型太阳能-空气能耦合冷热联供***的智能调度方法，其特征在于：包括在线自学习神经网络模型的建立、基于模糊推理的神经网络线性化模型的抽取以及基于混合变量遗传优化算法的控制量计算；

所述在线自学习神经网络模型的建立过程采用神经网络模型混联辨识结构，为三层的多层感知器模型，包含一层输入层、一层隐含层与一层输出层，U(k)为耦合智能冷热联供***中可控制可调节的开关量与模拟量，Y(k)为输出量，将神经网络模型训练数据的输入量U(k)经过步进式暂时数据存储器后生成的输入部分表示为输出量Y(k)经过步进式暂时数据存储器后生成的输出部分表示为

f是隐含层的激活函数，具体结构为双曲正切函数表达式如下：

其中j表示隐含层第j个神经元，的计算公式为：

其中w_i,j与W_i,j分别为隐含层与输出层的连接权值，w_j,0与W_i,0分别是隐含层与输出层的偏置值；

F是输出层的激活函数，采用常规线性结构：

偏置值可以表示为输入为1的权系数，将连接权值与偏置值组成联合权值向量θ，最后得出神经网络模型的模型预测估计值

网络训练算法基本内容为在时刻k，通过给出的训练数据的输入量以及输出量通过自适应辨识训练算法计算输出估计值在k+1时刻，可得出神经网络联合权值参数，将其用于计算输出估计值，反复调整神经网络联合权值参数直到获得参数的估计值满足精度为止；具体参数估计算法基于丢弃旧数据信息的自适应机制，采用指数遗忘因子与重置算法的更新规则在每一个采样时刻产生新数据集并形成新数据对，通过高斯-牛顿算法的迭代递归形式计算得出。

2.根据权利要求1所述的新型太阳能-空气能耦合冷热联供***的智能调度方法，其特征在于：所述基于模糊推理的神经网络线性化模型的抽取过程如下：首先基于模糊聚类方法T-S模糊模型前件参数的建立，模糊聚类的实现步骤如下：

1)给出初始划分聚类数c＝2，初始隶属度矩阵U₁，初始步数m＝1；

2)计算第i个模糊类的中心值c_i

其中，μ_ik为隶属度矩阵U的第i行第k列，x_k为第k个模型输入量，N为采集的历史数据总个数；

定义第k个数据与第i个模糊类的距离d_ik为：

d_ik＝||x_k-c_i|| (5)

3)m＝m+1,计算新的隶属度矩阵U_m+1，新的隶属度矩阵更新公式如下：

若d_ik＞0则

若d_ik＝0则μ_ik＝1，μ_jk＝0，j≠i (7)

4)给定目标ε：

如果||U^m+1-U^m||≤ε，则c_i为聚类中心值点，否则增加模糊类数，返回2)；

其次基于最小二乘法T-S模糊模型后件参数的辨识，将神经网络模型激励数据进行整理，构造模型输入数据矩阵φ，模型输出数据向量Y，则T-S模糊模型后件参数θ₁可由以下表达式计算得出：

θ₁＝(φφ^T)φY (8)

其中，输入数据矩阵φ的构造方法为：

φ第K行为φ_k＝[μ_1k,...,μ_nk,μ_1kx_1k,...,μ_1kx_mk,...,μ_nkx_mk] (9)

其中，μ_1k为对应第k个输入量与第一个聚类中心点的隶属度值，μ_nk为对应第k个输入量与第n个聚类中心点的隶属度值，x_1k表示第一个输入量的第k次历史数据采样值，x_mk表示第m个输入量的第k次历史数据采样值；

Y是单个输出不同时刻模型预测估计值的向量，其构造方法为：

Y＝[y₁,y₂,...,y_N]^T (10)

其中，y_i为第i次采集的输出数据；

最后通过基于得出的后件参数可以得出不同聚类条件下的线性预测模型为：

其中，为基于模糊线性模型对单个输出值的预测估计值,φ′为当前采样时刻的输入数据向量，结构形式同φ_k。

3.根据权利要求2所述的新型太阳能-空气能耦合冷热联供***的智能调度方法，其特征在于：所述基于混合变量遗传优化算法的控制量计算流程如下：

随机产生L个初始串结构数据，L一般取40-1000内的整数，每个串结构数据为一个个体，L个个体构成一个种群；遗传算法以这L个串结构作为初始点开始迭代，对于单个串结构数据的编码操作包含开关量与模拟量的编码，开关量只有1和0两种取值，1代表输入阀门开，0表示阀门关闭，对于模拟量则进行二进制编码；

遗传算法中使用适应度来度量群体中各个个体在优化计算中优化解的优良程度，适应度高的个体遗传到下一代的概率相对较大；这里，选取多个目标误差平方和的倒数作为适应度函数f(x)，其表达式为：

其中，***多目标需求值向量为R(k),单个目标值表示为r_i，R(k)包括：***输出冷量需求、***输出热量需求、***输出热水量需求以及温度设定等；

选择操作选用比例选择算子，即个体被选中并遗传到下一代种群中的概率与该个体的适应度大小成正比，具体操作过程如下：

1)计算种群中所有个体的适应度之和E，其表达式为：

2)计算种群中各个个体的相对适应度，并以此作为该个体被选中并遗传到下一代种群的概率p_k，其表达式为：

3)采用模拟轮盘赌操作，产生(0，1)之间的随机数，来确定各个个体被选中的次数，适应度大的个体，其选择概率较大；

交叉操作采用最简单的单点交叉算子，具体交叉过程如下：

(1)、先对种群中的个体进行两两配对；

(2)、对每一对配对个体，随机选择某一基因座之后的位置作为交叉点；

(3)、对毎一对配对个体，根据(2)中所确定的交叉点位置，相互交换两个个体的部分染色体，产生出两个新的个体；

变异操作采用单点变异算子，具体操作过程如下：

(1)、随机产生变异点；

(2)、根据(1)中的变异点位置，改变其对应的基因座上的基因值；

经过多次迭代进化，当满足迭代终止条件时，输出的末代种群最优个体对应的便是经过混合变量遗传优化算法得出的最优控制量的二进制编码，最后对最优基因的模拟量段进行十进制转换得出模拟控制量计算值，开关量状态值则对应最优基因的开关量段，1代表开通，0则代表关闭。