[发明专利]新型太阳能-空气能耦合冷热联供系统的智能调度方法

权利要求书

1.新型太阳能-空气能耦合冷热联供系统的智能调度方法，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系统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系统的智能调度方法，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系统的智能调度方法，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，系统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：系统输出冷量需求、系统输出热量需求、系统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。