一种中央空调冷水机组负荷优化方法、系统、介质及设备技术方案

本发明专利技术公开了一种中央空调冷水机组负荷优化方法、系统、介质及设备，对中央空调冷水机组负荷系统进行初始化，随机产生初始群体并设置中央空调冷水机组负荷系统的参数；根据设置的冷水机组负荷优化系统参数计算各个个体的适应度值F；根据各个个体的适应度值F选择遗传操作的顺序；根据确定的遗传操作顺序判断遗传操作结果是否已搜索到最优值或已迭代到设定的最大迭代次数；如果达到收敛条件，输出最小系统能耗值、平均系统能耗以及收敛速度，实现中央空调冷水机组负荷系统的优化。本发明专利技术在保证解的质量的同时提高了收敛速度，通过合理的负荷分配有效降低系统能耗。负荷分配有效降低系统能耗。

【技术实现步骤摘要】
一种中央空调冷水机组负荷优化方法、系统、介质及设备


[0001]本专利技术属于中央空调
，具体涉及一种中央空调冷水机组负荷优化方法、系统、介质及设备。

技术介绍

[0002]在我国大型公共建筑的能耗中，空调系统的能耗约占建筑总能耗的40％，然而，空调系统能耗主要来自冷水机组的能耗，对冷水机组而言，其控制策略的优劣将直接决定机组能耗的高低。因此，如何在不同冷负荷条件下降低冷水机组系统能耗，继而对其进行合理控制优化是一个亟待解决的问题。此外，由于冷机群控系统通常是由性能和容量各不相同的冷水机组构成，因此研究各冷水机组在部分负荷率(Partial Load Rate，PLR)下的运行优化组合对于实现建筑节能和绿色发展具有重要的现实意义。
[0003]目前，该领域提出了多种冷水机组负荷优化的模型和优化算法，以推进最优冷水机组负荷(Optimal Chiller Loading，OCL)问题的研究，但是当前基本智能算法优化环境下依然存在空调负荷分配不合理造成大量能源浪费的情况。
[0004]针对这个问题，考虑到差分进化(Differential Evoluation，DE)算法在求解OCL问题时的有效性，该算法不仅能找到问题最优解，也能获得较好的平均解，且该算法在求解最优解问题方面优于基本GA算法，并解决了拉格朗日方法在低需求下产生的发散问题，但也存在迭代后期收敛速度缓慢、易陷入局部最优等问题。除此之外，也考虑到自适应遗传算法(Adaptive Genetic Algorithm，AGA)改进了基本遗传算法其交叉概率和变异概率为经验值且固定不变，容易出现算法寻优性能差，导致所选的最优参数不准确的问题，它根据个体适应度值的不同自适应的调节交叉和变异概率，使每代最优个体不会处于一种不发生变化的状态，但在实际应用中最大的不足就是容易出现过早收敛即未成熟收敛，这种现象属于遗传算法所特有，而且有很强的随机性，几乎无法预见它是否会产生。

技术实现思路

[0005]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种中央空调冷水机组负荷优化方法、系统、介质及设备，对影响算法搜索边界的判断先交叉还是先变异的判断条件进行改进，对影响算法搜索速度的最佳个体选择概率公式进行改进，以解决中央空调OCL的问题。
[0006]本专利技术采用以下技术方案：
[0007]一种中央空调冷水机组负荷优化方法，包括以下步骤：
[0008]S1、对中央空调冷水机组负荷系统进行初始化，随机产生初始群体并设置中央空调冷水机组负荷系统的参数；
[0009]S2、根据步骤S1设置的冷水机组负荷优化系统参数计算各个个体的适应度值F；
[0010]S3、根据步骤S2各个个体的适应度值F选择遗传操作的顺序；
[0011]S4、根据步骤S3确定的遗传操作顺序判断遗传操作结果是否已搜索到最优值或已
迭代到设定的最大迭代次数；
[0012]S5、如果步骤S4达到收敛条件，输出最小系统能耗值、平均系统能耗以及收敛速度，实现中央空调冷水机组负荷系统的优化。
[0013]具体的，步骤S1中，中央空调冷水机组负荷系统参数包括：种群规模、染色体长度、交叉概率、变异概率、最大迭代次数和决策变量个数。
[0014]具体的，步骤S2中，根据各个个体的适应度值F对种群所有个体进行评价，保留最大适应度个体，淘汰最小适应度个体，适应度函数为冷水机组COP最高。
[0015]进一步的，个体适应度值F具体为：
[0016]F＝a
i
+b
i
PLR
i
+c
i
PLR
i2
+d
i
PLR
i3
[0017]其中，a
i
，b
i
，c
i
，d
i
是第i台冷水机组的能效曲线系数，PLR
i
是第i台冷水机组的部分负荷率。
[0018]具体的，步骤S3中，根据步骤S2确定的各个个体的适应度值F判断f
max
代表群体中的最大适应度值，f
avg
代表群体的平均适应度值，f
min
代表群体中的最小适应度值，λ为一无穷小正数，如果成立，以自适应概率先执行变异操作，然后以自适应概率进行交叉操作，最后执行选择操作。
[0019]进一步的，如果不成立，以自适应概率先执行交叉操作，再以自适应概率执行变异操作，最后执行选择操作。
[0020]具体的，步骤S4中，遗传操作包括变异操作、交叉操作和选择操作；
[0021]交叉操作：在种群个体进行交叉的时候，根据此时计算得到的适应度值的实际情况使概率自适应大小调整，交叉算子如下：
[0022][0023]其中，P
c1
和P
c2
分别是两个待交叉个体的交叉概率，f是两个交叉个体中较大的适应度值，f
avg
是种群中平均适应度值，f
max
是种群中最大适应度值；
[0024]变异操作：在种群个体进行变异的时候，根据此时计算得到的适应度值的实际情况使概率自适应大小调整，变异算子如下：
[0025][0026]其中，P
m1
和P
m2
分别是两个待变异个体的变异概率，f'是要变异个体的适应度值，f
avg
是种群中平均适应度值，f
max
是种群中最大适应度值；
[0027]选择操作：引入线性微分递减策略改进最佳个体的选择概率，寻找到最优值后收敛逼近于全局最优值，最佳个体在第N代的选择概率q
N
计算公式如下：
[0028][0029]其中，q
max
为最初定义的最佳个体的选择概率；q
min
为最初定义的最差个体的选择概率；M为最大迭代次数；
[0030]完成选择操作后得到一个新的群体进入下一代，迭代继续执行进化搜索过程，直到找到问题最优解。
[0031]本专利技术的另一个技术方案是，一种中央空调冷水机组负荷优化系统，包括：
[0032]初始化模块，对中央空调冷水机组负荷系统进行初始化，随机产生初始群体并设置中央空调冷水机组负荷系统的参数；
[0033]适应度模块，根据中央空调冷水机组负荷系统的参数计算各个个体的适应度值F；
[0034]遗传选择模块，根据各个个体的适应度值F选择遗传操作的顺序；
[0035]判断模块，根据遗传操作顺序判断遗传操作结果是否已搜索到最优值或已迭代到设定的最大迭代次数；
[0036]输出模块，如果判断模块达到收敛条件，输出最小系统能耗值、平均系统能耗以及收敛速度，完成优化。
[0037]本专利技术的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种中央空调冷水机组负荷优化方法，其特征在于，包括以下步骤：S1、对中央空调冷水机组负荷系统进行初始化，随机产生初始群体并设置中央空调冷水机组负荷系统的参数；S2、根据步骤S1设置的中央空调冷水机组负荷系统参数计算各个个体的适应度值F；S3、根据步骤S2各个个体的适应度值F选择遗传操作的顺序；S4、根据步骤S3确定的遗传操作顺序判断遗传操作结果是否已搜索到最优值或已迭代到设定的最大迭代次数；S5、如果步骤S4达到收敛条件，输出最小系统能耗值、平均系统能耗以及收敛速度，实现中央空调冷水机组负荷系统的优化。2.根据权利要求1所述的方法，其特征在于，步骤S1中，中央空调冷水机组负荷系统参数包括：种群规模、染色体长度、交叉概率、变异概率、最大迭代次数和决策变量个数。3.根据权利要求1所述的方法，其特征在于，步骤S2中，根据各个个体的适应度值F对种群所有个体进行评价，保留最大适应度个体，淘汰最小适应度个体，适应度函数为冷水机组COP最高。4.根据权利要求3所述的方法，其特征在于，个体适应度值F具体为：F＝a
i
+b
i
PLR
i
+c
i
PLR
i2
+d
i
PLR
i3
其中，a
i
，b
i
，c
i
，d
i
是第i台冷水机组的能效曲线系数，PLR
i
是第i台冷水机组的部分负荷率。5.根据权利要求1所述的方法，其特征在于，步骤S3中，根据步骤S2确定的各个个体的适应度值F判断f
max
代表群体中的最大适应度值，f
avg
代表群体的平均适应度值，f
min
代表群体中的最小适应度值，λ为一无穷小正数，如果成立，以自适应概率先执行变异操作，然后以自适应概率进行交叉操作，最后执行选择操作。6.根据权利要求5所述的方法，其特征在于，如果不成立，以自适应概率先执行交叉操作，再以自适应概率执行变异操作，最后执行选择操作。7.根据权利要求1所述的方法，其特征在于，步骤S4中，遗传操作包括变异操作、交叉操作和选择操作；交叉操作：在种群个体...

【专利技术属性】
技术研发人员：闫秀英，景媛媛，许成炎，范凯兴，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：