CN115562034A - 并联冷机***的负荷分配控制方法、***、设备及介质 - Google Patents
并联冷机***的负荷分配控制方法、***、设备及介质 Download PDFInfo
- Publication number
- CN115562034A CN115562034A CN202211288740.0A CN202211288740A CN115562034A CN 115562034 A CN115562034 A CN 115562034A CN 202211288740 A CN202211288740 A CN 202211288740A CN 115562034 A CN115562034 A CN 115562034A
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- variable
- optimized
- distribution control
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种并联冷机***的负荷分配控制方法、***、设备及介质,方法包括:在满足空调***末端冷负荷需求条件下,将并联冷机***的总能耗最小作为优化目标,并将并联冷机***中每台预置冷水机组的部分负荷率作为待优化变量;采用改进的麻雀搜索算法,对所述待优化变量进行寻优,得到待优化变量的最优值;将所述待优化变量的最优值作为并联冷机***的负荷分配控制结果;其中,所述改进的麻雀搜索算法为在典型的麻雀搜索算法中引入混沌方式初始化种群策略、非线性递减惯性权重策略及狼群算法中猛狼的跟随策略;本发明实现对并联冷机内冷水机组负荷的精准调控,具有较好的收敛性,大大提升了***的灵活性,同时有效降低了***运行能耗。
Description
技术领域
本发明属于空调***控制技术领域,特别涉及一种并联冷机***的负荷分配控制方法、***、设备及介质。
背景技术
冷水机组作为中央空调***的主要能源消耗设备之一;由于空调***中冷水机组的运行效率低和灵活性差,导致能耗过大;在实际应用中,通常将多台冷水机组并联在一起形成并联冷机***;其中,冷水机组自身特性以及每台冷水机组之间不同的负荷分配策略都会影响并联冷机***的能耗;因此,在满足不同负荷需求条件下,如何制定最优的负荷分配控制策略,精准运行并联冷机***以最小化能耗才是高压交流***节能的关键。
目前,大多采用元启发式算法对并联冷机的负荷进行调控,但由于现有的元启发式算法在解决复杂多维优化问题时由于种群多样性下降容易陷入局部最优,从而导致算法收敛速度慢、寻优精度不高的问题,进而导致***调控灵活性差,无法达到降低***运行能耗的目的。
发明内容
针对现有技术中存在的问题,本发明提供了一种并联冷机***的负荷分配控制方法、***、设备及介质,以解决现有的并联冷机负荷调控方法收敛速度慢,寻优精度低,导致***调控灵活性差,无法达到降低***运行能耗的目的。
为达到上述目的,本发明采用的技术方案为:
本发明提供了一种并联冷机***的负荷分配控制方法,包括:
在满足空调***末端冷负荷需求条件下,将并联冷机***的总能耗最小作为优化目标,并将并联冷机***中每台预置冷水机组的部分负荷率作为待优化变量;
采用改进的麻雀搜索算法,对所述待优化变量进行寻优,得到待优化变量的最优值;将所述待优化变量的最优值作为并联冷机***的负荷分配控制结果;
其中,所述改进的麻雀搜索算法为在典型的麻雀搜索算法中引入混沌方式初始化种群策略、非线性递减惯性权重策略及狼群算法中猛狼的跟随策略。
进一步的,所述优化目标为:
其中,Obj为优化目标;Pchiller,i为第i台预置冷水机组的能耗;N为并联冷机***中冷水机组的总台数;ai,bi,ci及di分别为第i台预置冷水机组的kW-PLR的曲线系数;PLRi为第i台预置冷水机组的部分负荷率。
进一步的,采用改进的麻雀搜索算法,对所述待优化变量进行寻优,得到待优化变量的最优值的过程,具体如下:
在满足待优化变量的边界约束条件下,采用混沌序列机制构建初始种群;
分别计算种群中每个个体的个体适应度值;
在所有个体适应度值中,选择最小的个体适应度值作为群体极值的初始值,并将每个粒子的适应度值分别作为个体极值的初始值;
选取并保留最小的个体适应度值、最大的个体适应度值、种群中适应度最优的个体所处位置以及种群中适应度最差的个体所处的位置;
引入非线性递减惯性权重策略,结合粒子群算法中的速度、发现者所处最优位置及种群中适应度最优的个体所处的位置,对发现者的位置进行更新;
引入狼群算法中猛狼的跟随策略,结合所述种群中适应度最优的个体所处的位置以及种群中适应度最差的个体所处的位置,对跟随者的位置进行更新;
结合最小的个体适应度值、最大的个体适应度值、种群中适应度最优的个体所处的位置以及种群中适应度最差的个体所处的位置,对侦察者的位置进行更新;
对位置更新后的个体进行适应度值计算,并对个体极值和群体极值进行更新;
设置种群按照以上步骤独立运行M次,判断是否满足结束条件,若满足,则输出最优个体,得到待优化变量的最优值,即得到并联冷机***的负荷分配控制结果。
进一步的,在满足待优化变量的边界约束条件下,采用混沌序列机制构建初始种群的过程,具体如下:
在满足待优化变量的边界约束条件下,随机生成初始个体;
利用混沌序列机制使所述初始个体在待优化变量的可行解空间中均匀分布,得到所述初始种群。
进一步的,所述混沌序列机制为:
xi+1=mod(xi+4δ3-3δ,1)
其中,xi+1为经过混沌序列后第i个个体的位置向量;xi为随机生成的第i个个体的位置向量;δ为混沌因子。
进一步的,对发现者的位置进行更新时,按照发现者位置更新公式进行更新;
其中,所述发现者位置更新公式为:
vi+1=ω1*vi+c1*r1*(Xpbest-Xi)+c2*r2*(Xgbest-Xi)
其中,Xi+1为第i个麻雀更新后的位置;Xi为第i个麻雀的位置;α为随机数,α∈(0,1];M为最大独立运行次数;R2为发现者是否发现有捕食者存在的预警值;ST为发现者搜索的安全阈值;Q为服从正态分布的随机数;L为全1矩阵,所述全1矩阵的行数为1,列数为d;vi+1为第i个麻雀更新后的位置;ω1为惯性权重;vi为第i个麻雀的位置;c1为学习因子;r1为[0,1]的随机数;Xpbest为发现者所处最优位置;c2为学习因子;r2为[0,1]的随机数;Xgbest为种群中适应度最优的个体所处位置;ωstart为惯性权重的最大值;ωend为惯性权重的最小值;t为当前运行次数。
进一步的,对跟随者的位置更新时,采用跟随者位置更新公式进行更新;
其中,所述跟随者位置更新公式为:
其中,Xworst为种群中适应度最差的个体所处的位置;λ为变化步长。
本发明还提供了一种并联冷机***的负荷分配控制***,包括:
变量模块,用于在满足空调***末端冷负荷需求条件下,将并联冷机***的总能耗最小作为优化目标,并将并联冷机***中每台预置冷水机组的部分负荷率作为待优化变量;
寻优输出模块,用于采用改进的麻雀搜索算法,对所述待优化变量进行寻优,得到待优化变量的最优值;将所述待优化变量的最优值作为并联冷机***的负荷分配控制结果;
其中,所述改进的麻雀搜索算法为在典型的麻雀搜索算法中引入混沌方式初始化种群策略、非线性递减惯性权重策略及狼群算法中猛狼的跟随策略。
本发明还提供了一种并联冷机***的负荷分配控制设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述的并联冷机***的负荷分配控制方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述并联冷机***的负荷分配控制方法的步骤。
与现有技术相比,本发明的有益效果为:
本发明提供了一种并联冷机***的负荷分配控制方法及***,将并联冷机***中每台预置冷水机组的部分负荷率作为待优化变量,并利用改进的麻雀搜索算法进行寻优;其中,通过引入混沌方式初始化种群策略,有效增强了种群多样性,确保个体初始位置在搜索空间中均匀分布;通过引入非线性递减惯性权重策略,能够有效平衡搜索初期的全局和局部搜索能力;通过引入狼群算法中猛狼的跟随策略,能够有效提升种群跳出局部最优的能力,提高搜索效率;本发明实现对并联冷机内冷水机组负荷的精准调控,过程简单,具有较好的收敛性,大大提升了***的灵活性,同时有效降低了***运行能耗。
进一步的,在发现者的位置更新公式中引入“速度”概念,并在“速度”概念中引入非线性递减惯性权重,以使种群不仅受全局最优个***置的影响,还受个体历史最优位置的影响,实现平衡全局和局部搜索能力,有效地实现麻雀个体的位置信息交流能力,避免算法过早收敛于最优解,以提升迭代初期种群多样性。
进一步的,通过在跟随者的位置更新公式中引入狼群算法中猛狼的跟随策略,能够有效提升种群跳出局部最优的能力,从而加快搜索效率。
附图说明
图1为实施例中并联冷机***的结构示意图;
图2为实施例中改进的麻雀搜索算法的流程图;
图3为实施例中第一个中央空调***中并联冷机***的负荷分配控制收敛曲线对比图;
图4为实施例中第二个中央空调***中并联冷机***的负荷分配控制收敛曲线对比图。
具体实施方式
为了使本发明所解决的技术问题,技术方案及有益效果更加清楚明白,以下具体实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种并联冷机***的负荷分配控制方法,包括以下步骤:
步骤1、在满足空调***末端冷负荷需求条件下,将并联冷机***的总能耗最小作为优化目标,并将并联冷机***中每台预置冷水机组的部分负荷率作为待优化变量。
其中,所述优化目标为:
其中,Obj为优化目标;Pchiller,i为第i台预置冷水机组的能耗;n为并联冷机***中冷水机组的总台数;ai,bi,ci及di分别为第i台预置冷水机组的kW-PLR的曲线系数;PLRi为第i台预置冷水机组的部分负荷率。
步骤2、采用改进的麻雀搜索算法,对所述待优化变量进行寻优,得到待优化变量的最优值;将所述待优化变量的最优值作为并联冷机***的负荷分配控制结果;其中,所述改进的麻雀搜索算法为在典型的麻雀搜索算法中引入混沌方式初始化种群策略、非线性递减惯性权重策略及狼群算法中猛狼的跟随策略。
其中,采用改进的麻雀搜索算法,对所述待优化变量进行寻优,得到待优化变量的最优值的过程,具体包括以下步骤:
步骤21、在满足待优化变量的边界约束条件下,采用混沌序列机制构建初始种群;其中,采用混沌序列机制构建初始种群的过程,具体如下:
在满足待优化变量的边界约束条件下,随机生成初始个体;
利用混沌序列机制使所述初始个体在待优化变量的可行解空间中均匀分布,得到所述初始种群;其中,所述混沌序列机制为:
xi+1=mod(xi+4δ3-3δ,1)
其中,xi+1为经过混沌序列后第i个个体的位置向量;xi为随机生成的第i个个体的位置向量;δ为混沌因子。
步骤22、分别计算种群中每个个体的个体适应度值。
步骤23、在所有个体适应度值中,选择最小的个体适应度值作为群体极值的初始值,并将每个粒子的适应度值分别作为个体极值的初始值。
步骤24、选取并保留最小的个体适应度值、最大的个体适应度值、种群中适应度最优的个体所处位置以及种群中适应度最差的个体所处的位置。
步骤25、引入非线性递减惯性权重策略,结合粒子群算法中的速度、发现者所处最优位置及种群中适应度最优的个体所处的位置,对发现者的位置进行更新;其中,对发现者的位置进行更新时,按照发现者位置更新公式进行更新;
其中,所述发现者位置更新公式为:
vi+1=ω1*vi+c1*r1*(Xpbest-Xi)+c2*r2*(Xgbest-Xi)
其中,Xi+1为第i个麻雀更新后的位置;Xi为第i个麻雀的位置;α为随机数,α∈(0,1];M为最大独立运行次数;R2为发现者是否发现有捕食者存在的预警值;ST为发现者搜索的安全阈值;Q为服从正态分布的随机数;L为全1矩阵,所述全1矩阵的行数为1,列数为d;vi+1为第i个麻雀更新后的位置;ω1为惯性权重;vi为第i个麻雀的位置;c1为学习因子;r1为[0,1]的随机数;Xpbest为发现者所处最优位置;c2为学习因子;r2为[0,1]的随机数;Xgbest为种群中适应度最优的个体所处位置;ωstart为惯性权重的最大值;ωend为惯性权重的最小值;t为当前运行次数。
步骤26、引入狼群算法中猛狼的跟随策略,结合所述种群中适应度最优的个体所处的位置以及种群中适应度最差的个体所处的位置,对跟随者的位置进行更新;其中,对跟随者的位置更新时,采用跟随者位置更新公式进行更新;
其中,所述跟随者位置更新公式为:
其中,Xworst为种群中适应度最差的个体所处的位置;λ为变化步长。
步骤27、结合最小的个体适应度值、最大的个体适应度值、种群中适应度最优的个体所处的位置以及种群中适应度最差的个体所处的位置,对侦察者的位置进行更新。
步骤28、对位置更新后的个体进行适应度值计算,并对个体极值和群体极值进行更新。
步骤29、设置种群按照以上步骤独立运行M次,判断是否满足结束条件,若满足,则输出最优个体,得到待优化变量的最优值,即得到并联冷机***的负荷分配控制结果。
本发明中所述并联冷机***的负荷分配控制方法,以并联冷机***的总能耗最小作为优化目标,以并联冷机***中每台预置冷水机组的部分负荷率作为待优化变量,可根据用户的不同负荷需求,对并联冷机***的运行工况进行精准调控,提高***灵活性,同时有效降低***运行能耗。
本发明还提供了一种并联冷机***的负荷分配控制***,包括变量模块及寻优输出模块;所述变量模块,用于在满足空调***末端冷负荷需求条件下,将并联冷机***的总能耗最小作为优化目标,并将并联冷机***中每台预置冷水机组的部分负荷率作为待优化变量;所述寻优输出模块,用于采用改进的麻雀搜索算法,对所述待优化变量进行寻优,得到待优化变量的最优值;将所述待优化变量的最优值作为并联冷机***的负荷分配控制结果;其中,所述改进的麻雀搜索算法为在典型的麻雀搜索算法中引入混沌方式初始化种群策略、非线性递减惯性权重策略及狼群算法中猛狼的跟随策略。
本发明还提供了一种并联冷机***的负荷分配控制设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现所述一种并联冷机***的负荷分配控制方法的步骤。所述处理器执行所述计算机程序时实现上述并联冷机***的负荷分配控制方法的步骤,例如:在满足空调***末端冷负荷需求条件下,将并联冷机***的总能耗最小作为优化目标,并将并联冷机***中每台预置冷水机组的部分负荷率作为待优化变量;采用改进的麻雀搜索算法,对所述待优化变量进行寻优,得到待优化变量的最优值;将所述待优化变量的最优值作为并联冷机***的负荷分配控制结果;其中,所述改进的麻雀搜索算法为在典型的麻雀搜索算法中引入混沌方式初始化种群策略、非线性递减惯性权重策略及狼群算法中猛狼的跟随策略。
或者,所述处理器执行所述计算机程序时实现上述***中各模块的功能,例如:变量模块,用于在满足空调***末端冷负荷需求条件下,将并联冷机***的总能耗最小作为优化目标,并将并联冷机***中每台预置冷水机组的部分负荷率作为待优化变量;寻优输出模块,用于采用改进的麻雀搜索算法,对所述待优化变量进行寻优,得到待优化变量的最优值;将所述待优化变量的最优值作为并联冷机***的负荷分配控制结果;其中,所述改进的麻雀搜索算法为在典型的麻雀搜索算法中引入混沌方式初始化种群策略、非线性递减惯性权重策略及狼群算法中猛狼的跟随策略。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序在所述并联冷机***的负荷分配控制设备中的执行过程。例如,所述计算机程序可以被分割成变量模块及寻优输出模块;各模块具体功能如下:变量模块,用于在满足空调***末端冷负荷需求条件下,将并联冷机***的总能耗最小作为优化目标,并将并联冷机***中每台预置冷水机组的部分负荷率作为待优化变量;寻优输出模块,用于采用改进的麻雀搜索算法,对所述待优化变量进行寻优,得到待优化变量的最优值;将所述待优化变量的最优值作为并联冷机***的负荷分配控制结果;其中,所述改进的麻雀搜索算法为在典型的麻雀搜索算法中引入混沌方式初始化种群策略、非线性递减惯性权重策略及狼群算法中猛狼的跟随策略。
所述并联冷机***的负荷分配控制设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述并联冷机***的负荷分配控制设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述仅仅是并联冷机***的负荷分配控制设备的示例,并不构成对并联冷机***的负荷分配控制设备的限定,可以包括更多的部件,或者组合某些部件,或者不同的部件,例如所述并联冷机***的负荷分配控制设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,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。通用处理器可以是微处理器或者所述处理器也可以是任何常规的处理器等,所述处理器是所述并联冷机***的负荷分配控制设备的控制中心,利用各种接口和线路连接整个并联冷机***的负荷分配控制设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述并联冷机***的负荷分配控制设备的各种功能。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述一种并联冷机***的负荷分配控制方法的步骤。
所述并联冷机***的负荷分配控制设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
基于这样的理解,本发明实现上述方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述并联冷机***的负荷分配控制方法的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或预设中间形式等。
所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
实施例
本实施例中以对某中央空调***中并联冷机***的负荷分配控制过程为例。
如附图1所示,所述并联冷机***包括预置n台冷水机组,n台冷水机组分别通过并联管道连接到公共分配***,用于控制供水和回水的流量;所述中央空调***中所需的冷负荷分配给若干台相互独立工作的冷水机组;在中央空调***中,通过调控由不同容量和不同特性冷水机组成的并联冷机***的运行工况以降低能耗;本实施例中,在满足***末端负荷需求的条件下,通过对每台冷水机的负荷进行优化分配,从而使并联冷机***达到最佳的优化效果。
如附图2所示,本实施例提供了一种并联冷机***的负荷分配控制方法,包括以下步骤:
步骤1、建立并联冷机***的能耗模型
在中央空调***中,最佳冷水机组负荷分配问题是在满足空调***末端冷负荷需求的前提下,通过优化冷水机组件的负荷分配,达到并联冷机***能耗最小的目标;因此,在满足空调***末端冷负荷需求条件下,将并联冷机***的总能耗最小作为优化目标,并将并联冷机***中每台预置冷水机组的部分负荷率作为待优化变量;其中,冷水机组的负荷分配采用部分负荷率PLR表示,即冷负荷与设计负荷容量的比值。
其中,所述冷水机组的能耗模型为:
其中,Pchiller,i为第i台预置冷水机组的能耗;ai,bi,ci及di分别为第i台预置冷水机组的kW-PLR的曲线系数;PLRi为第i台预置冷水机组的部分负荷率。
其中,所述优化目标为:
其中,Obj为优化目标;n为并联冷机***中冷水机组的总台数。
本实施例中,冷水机组最佳负荷问题的目标函数是使并联冷机***的总能耗最小;空调***末端的负荷需求作为约束条件。
其中,所述空调***末端的负荷需求为:
其中,CL为空调***末端的负荷需求;RTi为第i台冷水机组的设计负荷容量。
在实际运行中,当冷水机组的部分负荷率PLRi值低于0.3时,表示该冷水机组处于低效率状态;因此,冷水机组的部分负荷率PLRi值不小于0.3;即满足:
PLRi∈[0.3,1]orPLRi=0
步骤2、在满足待优化变量的边界约束条件下,采用混沌序列机制构建初始种群;其中,采用混沌序列机制构建初始种群的过程,具体如下:
在满足待优化变量的边界约束条件下,随机生成初始个体;
利用混沌序列机制使所述初始个体在待优化变量的可行解空间中均匀分布,得到所述初始种群;其中,所述混沌序列机制为:
xi+1=mod(xi+4δ3-3δ,1)
其中,xi+1为经过混沌序列后第i个个体的位置向量;xi为随机生成的第i个个体的位置向量;δ为混沌因子,δ∈(0.3,1)。
本实施例中,考虑所述待优化变量会受到小范围边界约束,采用引入混沌序列机制的方式对种群进行初始化;通过混沌序列机制提升种群个体在可行解空间中分布的均匀性,并具有遍历性、非重复性和初始值敏感性的特点;因此,本实施例中采用立方映射在麻雀个体上,有效避免了初始解的不均匀性。
步骤3、分别计算种群中每个个体的个体适应度值。
步骤4、在所有个体适应度值中,选择最小的个体适应度值作为群体极值的初始值,并将每个粒子的适应度值分别作为个体极值的初始值。
步骤5、选取并保留最小的个体适应度值、最大的个体适应度值、种群中适应度最优的个体所处位置以及种群中适应度最差的个体所处的位置。
步骤6、引入非线性递减惯性权重策略,结合粒子群算法中的速度、发现者所处最优位置及种群中适应度最优的个体所处的位置,对发现者的位置进行更新;其中,对发现者的位置进行更新时,按照发现者位置更新公式进行更新;
其中,所述发现者位置更新公式为:
vi+1=ω1*vi+c1*r1*(Xpbest-Xi)+c2*r2*(Xgbest-Xi)
其中,Xi+1为第i个麻雀更新后的位置;Xi为第i个麻雀的位置;α为随机数,α∈(0,1];M为最大独立运行次数;R2为发现者是否发现有捕食者存在的预警值;ST为发现者搜索的安全阈值;Q为服从正态分布的随机数;L为全1矩阵,所述全1矩阵的行数为1,列数为d;vi+1为第i个麻雀更新后的位置;ω1为惯性权重;vi为第i个麻雀的位置;c1为学习因子;r1为[0,1]的随机数;Xpbest为发现者所处最优位置;c2为学习因子;r2为[0,1]的随机数;Xgbest为种群中适应度最优的个体所处位置;ωstart为惯性权重的最大值;ωend为惯性权重的最小值;t为当前运行次数。
本实施例中,在种群迭代过程中,寻优初期麻雀种群中个体会向全局最优值的位置靠拢,导致种群多样性下降,造成搜索精度不高的问题;由此,本实施例中提出在发现者的位置更新公式中引入粒子群算法中的“速度”概念,结合非线性递减惯性权重来平衡全局与局部搜索能力,有效地实现麻雀个体的位置信息交流能力,避免算法过早收敛于最优解,以提升迭代初期种群多样性。
步骤7、引入狼群算法中猛狼的跟随策略,结合所述种群中适应度最优的个体所处的位置以及种群中适应度最差的个体所处的位置,对跟随者的位置进行更新;其中,对跟随者的位置更新时,采用跟随者位置更新公式进行更新;
其中,所述跟随者位置更新公式为:
其中,Xworst为种群中适应度最差的个体所处的位置;λ为变化步长。
本实施例中,由于第i只麻雀个体的位置会根据第i-1只麻雀个***置进行更新,对先前个体的依赖性较强,且典型的麻雀搜索算法在解决复杂优化问题时,容易出现陷入局部最优难以跳出的问题,导致迭代后期种群多样性迅速下降,限制了算法的搜索速度;因此,本发明采用在跟随者的位置更新公式中加入狼群算法中猛狼的跟随策略,可有效提升种群跳出局部最优的能力,从而加快搜索效率。
步骤8、结合最小的个体适应度值、最大的个体适应度值、种群中适应度最优的个体所处的位置以及种群中适应度最差的个体所处的位置,对侦察者的位置进行更新。
步骤9、对位置更新后的个体进行适应度值计算,并对个体极值和群体极值进行更新。
步骤10、设置种群按照以上步骤独立运行M次,判断是否满足结束条件,若满足,则输出最优个体,得到待优化变量的最优值,即得到并联冷机***的负荷分配控制结果;本实施例中,将算法的结束条件设置为优化最大次数,有效降低了算法的复杂性。
以下给出利用不同负荷分配控制方法,对两个不同中央空调***中并联冷机***进行负荷分配控制的结果。
试验结果1
第一个中央空调***中空调***末端的冷负荷需求为960-2160RT,第一个中央空调***的并联冷机***中包括三台冷水机组;利用不同优化算法,对并联冷机***进行负荷分配控制时,并联冷机***的能耗优化结果如下表1所示;
表1第一个中央空调***中并联冷机***能耗优化对比
从表1中可以看出,与遗传算法(GA)相比,在不同负荷需求下本实施例所述的并联冷机***的负荷分配控制方法可节能2.83-149.93kW;与粒子群算法(PSO)相比,在不同负荷需求下可节能1.26-2.13kW;与进化策略(ES)相比,仍具有节能效果。
如附图3所示,附图3中给出了实施例中第一个中央空调***中并联冷机***的负荷分配控制收敛曲线对比图;从附图3中可以看出ISSA算法可以在20代之前收敛到最小值,达到最稳定的状态。
试验结果2
第二个中央空调***中空调***末端的冷负荷需求为5334-6858RT,第二个中央空调***的并联冷机***中包括六台冷水机组;利用不同优化算法,对并联冷机***进行负荷分配控制时,并联冷机***的能耗优化结果如下表2所示;
表2案例2中并联冷机***能耗优化对比
从表2可以看出,与遗传算法(GA)相比,在不同负荷需求下本实施例所述的并联冷机***的负荷分配控制方法可节能27.76-159.79kW;与粒子群算法(PSO)相比,在不同负荷需求下可节能0.96-96.12kW;与进化策略(ES)相比,可节能0.19-81.03kW;因此,本实施例所述的并联冷机***的负荷分配控制方法的整体节能效果相对更好,求解并联冷机负荷分配控制优化问题的性能更佳。
如附图4所示,附图4中给出了实施例中第二个中央空调***中并联冷机***的负荷分配控制收敛曲线对比图;从附图4中可以看出ISSA算法在40代之前就可以达到最稳定的状态。
本实施例提供的并联冷机***的负荷分配控制***、设备及介质中相关部分的说明可以参见本实施例所述的一种并联冷机***的负荷分配控制方法中对应部分的详细说明,在此不再赘述。
本发明所述的并联冷机***的负荷分配控制方法,以并联冷机***能耗最小为优化目标,以每台冷机的部分负荷率作为优化变量,利用改进的麻雀搜索算法对优化变量进行寻优求解,以此降低***运行能耗;其中,在种群初始化阶段,采用混沌序列机制对个体种群进行初始化,增强种群的多样性,确保个体初始位置在搜索空间中均匀分布;其次,根据种群特点,在改进麻雀搜索算法中发现者的“速度”基础上引入非线性递减惯性权重,使种群不仅受全局最优个***置的影响,还受个体历史最优位置的影响,提升种群之间的信息交流能力,同时还能有效平衡搜索初期的全局和局部搜索能力;同时,结合狼群算法中猛狼的跟随策略,将其引入到跟随者的位置更新公式中,可有效提升种群跳出局部最优的能力,从而加快搜索效率。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一,本发明所要求保护的范围并不仅仅受本实施例的限制,还包括在本发明所公开的技术范围内,任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (10)
1.一种并联冷机***的负荷分配控制方法,其特征在于,包括:
在满足空调***末端冷负荷需求条件下,将并联冷机***的总能耗最小作为优化目标,并将并联冷机***中每台预置冷水机组的部分负荷率作为待优化变量;
采用改进的麻雀搜索算法,对所述待优化变量进行寻优,得到待优化变量的最优值;将所述待优化变量的最优值作为并联冷机***的负荷分配控制结果;
其中,所述改进的麻雀搜索算法为在典型的麻雀搜索算法中引入混沌方式初始化种群策略、非线性递减惯性权重策略及狼群算法中猛狼的跟随策略。
3.根据权利要求1所述的一种并联冷机***的负荷分配控制方法,其特征在于,采用改进的麻雀搜索算法,对所述待优化变量进行寻优,得到待优化变量的最优值的过程,具体如下:
在满足待优化变量的边界约束条件下,采用混沌序列机制构建初始种群;
分别计算种群中每个个体的个体适应度值;
在所有个体适应度值中,选择最小的个体适应度值作为群体极值的初始值,并将每个粒子的适应度值分别作为个体极值的初始值;
选取并保留最小的个体适应度值、最大的个体适应度值、种群中适应度最优的个体所处的位置以及种群中适应度最差的个体所处的位置;
引入非线性递减惯性权重策略,结合粒子群算法中的速度、发现者所处最优位置及种群中适应度最优的个体所处的位置,对发现者的位置进行更新;
引入狼群算法中猛狼的跟随策略,结合所述种群中适应度最优的个体所处的位置以及种群中适应度最差的个体所处的位置,对跟随者的位置进行更新;
结合最小的个体适应度值、最大的个体适应度值、种群中适应度最优的个体所处的位置以及种群中适应度最差的个体所处的位置,对侦察者的位置进行更新;
对位置更新后的个体进行适应度值计算,并对个体极值和群体极值进行更新;
设置种群按照以上步骤独立运行M次,判断是否满足结束条件,若满足,则输出最优个体,得到待优化变量的最优值,即得到并联冷机***的负荷分配控制结果。
4.根据权利要求3所述的一种并联冷机***的负荷分配控制方法,其特征在于,在满足待优化变量的边界约束条件下,采用混沌序列机制构建初始种群的过程,具体如下:
在满足待优化变量的边界约束条件下,随机生成初始个体;
利用混沌序列机制使所述初始个体在待优化变量的可行解空间中均匀分布,得到所述初始种群。
5.根据权利要求4所述的一种并联冷机***的负荷分配控制方法,其特征在于,所述混沌序列机制为:
xi+1=mod(xi+4δ3-3δ,1)
其中,xi+1为经过混沌序列后第i个个体的位置向量;xi为随机生成的第i个个体的位置向量;δ为混沌因子。
6.根据权利要求3所述的一种并联冷机***的负荷分配控制方法,其特征在于,对发现者的位置进行更新时,按照发现者位置更新公式进行更新;
其中,所述发现者位置更新公式为:
vi+1=ω1*vi+c1*r1*(Xpbest-Xi)+c2*r2*(Xgbest-Xi)
其中,Xi+1为第i个麻雀更新后的位置;Xi为第i个麻雀的位置;α为随机数,α∈(0,1];M为最大独立运行次数;R2为发现者是否发现有捕食者存在的预警值;ST为发现者搜索的安全阈值;Q为服从正态分布的随机数;L为全1矩阵,所述全1矩阵的行数为1,列数为d;vi+1为第i个麻雀更新后的位置;ω1为惯性权重;vi为第i个麻雀的位置;c1为学习因子;r1为[0,1]的随机数;Xpbest为发现者所处最优位置;c2为学习因子;r2为[0,1]的随机数;Xgbest为种群中适应度最优的个体所处位置;ωstart为惯性权重的最大值;ωend为惯性权重的最小值;t为当前运行次数。
8.一种并联冷机***的负荷分配控制***,其特征在于,包括:
变量模块,用于在满足空调***末端冷负荷需求条件下,将并联冷机***的总能耗最小作为优化目标,并将并联冷机***中每台预置冷水机组的部分负荷率作为待优化变量;
寻优输出模块,用于采用改进的麻雀搜索算法,对所述待优化变量进行寻优,得到待优化变量的最优值;将所述待优化变量的最优值作为并联冷机***的负荷分配控制结果;
其中,所述改进的麻雀搜索算法为在典型的麻雀搜索算法中引入混沌方式初始化种群策略、非线性递减惯性权重策略及狼群算法中猛狼的跟随策略。
9.一种并联冷机***的负荷分配控制设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1-7任一项所述的并联冷机***的负荷分配控制方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述并联冷机***的负荷分配控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211288740.0A CN115562034A (zh) | 2022-10-20 | 2022-10-20 | 并联冷机***的负荷分配控制方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211288740.0A CN115562034A (zh) | 2022-10-20 | 2022-10-20 | 并联冷机***的负荷分配控制方法、***、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115562034A true CN115562034A (zh) | 2023-01-03 |
Family
ID=84746356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211288740.0A Pending CN115562034A (zh) | 2022-10-20 | 2022-10-20 | 并联冷机***的负荷分配控制方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115562034A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822709A (zh) * | 2023-05-22 | 2023-09-29 | 深圳市中电电力技术股份有限公司 | 一种并联式冷水机组负荷分配优化方法、***和存储介质 |
-
2022
- 2022-10-20 CN CN202211288740.0A patent/CN115562034A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822709A (zh) * | 2023-05-22 | 2023-09-29 | 深圳市中电电力技术股份有限公司 | 一种并联式冷水机组负荷分配优化方法、***和存储介质 |
CN116822709B (zh) * | 2023-05-22 | 2024-03-22 | 深圳市中电电力技术股份有限公司 | 一种并联式冷水机组负荷分配优化方法、***和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966431B (zh) | 一种数据中心能耗联合优化方法、***、介质及设备 | |
CN108108224B (zh) | 基于蚁群优化算法的云数据中心中虚拟机放置方法 | |
CN115562034A (zh) | 并联冷机***的负荷分配控制方法、***、设备及介质 | |
CN111339027A (zh) | 可重构的人工智能核心与异构多核芯片的自动设计方法 | |
CN110147372A (zh) | 一种面向htap的分布式数据库智能混合存储方法 | |
CN112365076B (zh) | 一种并联冷机负荷分配优化方法、存储介质及计算设备 | |
CN113835758B (zh) | 基于向量指令加速计算的Winograd卷积实现方法 | |
CN114254545A (zh) | 并联冷机***负荷控制优化方法、***、设备及介质 | |
CN117407921A (zh) | 基于必连和勿连约束的差分隐私直方图发布方法及*** | |
CN116151723B (zh) | 一种粮食综合储备基地多重计量方法及*** | |
CN112256427B (zh) | 一种基于改进分支限界法的大规模资源快速分配装置 | |
CN114002949B (zh) | 基于人工智能的控制方法与控制装置 | |
CN113094149B (zh) | 一种数据中心虚拟机放置方法、***、介质及设备 | |
CN111738432B (zh) | 一种支持自适应并行计算的神经网络处理电路 | |
CN113237162A (zh) | 一种冷冻水循环***控制优化方法、***及设备 | |
CN111382196B (zh) | 分布式账务处理方法及*** | |
CN113676955A (zh) | 5g/b5g环境下的虚拟网络功能通用迁移方法 | |
Liu et al. | Task scheduling model of edge computing for AI flow computing in Internet of Things | |
CN112699922A (zh) | 一种基于区域内距离的自适应聚类方法及*** | |
CN114691327B (zh) | 面向两阶段任务调度的多目标群智能优化方法与*** | |
Angsana et al. | Distributed intelligent control of flexible manufacturing systems | |
CN112766733B (zh) | 利用改进的K-means算法加速优化调度算法收敛的方法及*** | |
CN110533176A (zh) | 用于神经网络计算的缓存装置及其相关计算平台 | |
CN117745042B (zh) | 一种多受灾点的应急物资调度方法、装置、介质及设备 | |
CN113011785B (zh) | 基于自适应调整参数的多订单混合调度优化方法、介质 |
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 |