[发明专利]一种基于融合遗传算法的空调节能方法

说明书

一种基于融合遗传算法的空调节能方法，包括以下步骤：步骤1，建立空调能耗预测评估模型；步骤2，种群初始化；步骤3，适应度函数建立：将步骤1中建立的空调能耗预测模型作为适应度函数，并增加惩罚函数约束优化范围；步骤4，选择交叉基因：使用梯度遗传算法和锦标赛算法选择基因，并对基因进行单点交叉，生成子代基因；步骤5，变异子代基因：使用大变异遗传算法变异子代基因；步骤6，使用精英策略保留父辈最优基因保存，替换子代最差基因；步骤7，重复步骤3到步骤6，直到经过100代进化，或超过10次迭代，最优染色体不变，算法停止。本发明提升了优化速度，并达到更好的优化效果。

技术领域

本发明涉及到一种基于融合遗传算法的空调节能方法。

背景技术

2017年中国节能协会统计，建筑相关能耗占社会总能耗的20％。公共建筑能耗占建筑总能耗的40％左右。且空调和供暖系统约占建筑总能耗的一半，而我国公共建筑节能达标率不足10％。

现代化公共建筑中，通常使用楼宇自动化系统(BAS)对建筑(群)的各种设备实施综合自动化监控与管理。与此同时，在其数据库中，记录着大量的空调日运行数据如温度、湿度、流量、功率等。但是这些数据很少有效的被用在空调分析、建模、优化当中。使用数据挖掘、机器学习、深度学习等方法，通过对大量空调日运行数据的分析、建模、优化，能更好的反映大楼内空调工况并对其进行针对性的优化，降低空调运行总能耗，达到节约能耗的目的。

发明内容

为了克服已有空调能耗优化方法的优化速度和效果无法兼备，优化方案不确定的问题，本发明提供一种优化速度快、且效果好的基于融合遗传算法的空调节能方法。

本发明解决其技术问题所采用的技术方案是：

一种基于融合遗传算法的空调节能方法，包括以下步骤：

步骤1，建立空调能耗预测评估模型：将空调日运行数据作为输入，使用机器学习算法或者使用深度学习算法建立空调能耗预测模型；

步骤2，种群初始化：用二进制编码将冷却供水温度、冷却供回水温差进行编码，根据此编码，在设定范围内，随机生成冷却供水温度、冷却供回水温差，得到若干染色体组成的初始种群；

步骤3，适应度函数建立：将步骤1中建立的空调能耗预测模型作为融合遗传算法的适应度函数值来源，并增加惩罚函数约束优化范围；

步骤4，选择交叉基因：使用梯度遗传算法重新计算每个基因的适应度值和梯度值，结合两者，得到新适应度值；使用锦标赛算法得到新适应度值最高的父辈基因，对基因进行单点交叉，生成子代基因；

步骤5，变异子代基因：使用大变异遗传算法。计算当前种群最大适应度值和平均适应度值，若满足设定条件，将变异概率提高5～10倍；若不满足，则使用普通变异概率进行变异；

步骤6，使用精英策略，将父辈最优基因保存，替换子代最差基因；

步骤7，重复步骤3到步骤6，直到算法停止。

进一步，所述步骤4中，锦标赛算法的过程为：

4.1.1)使用轮盘赌随机选择n个基因；

4.1.2)比较n个基因中的适应度值，选择适应度值最大的基因作为父辈基因，其中n人为设定，一般情况下小于种群中个体数的一半。

再进一步，所述步骤4中，梯度遗传算法计算新适应度值步骤如下：

4.2.1)获取种群中原最大适应度值和原最小适应度值；

4.2.2)计算每个个体的梯度值，获取种群中最大梯度值和最小梯度值；

计算梯度公式如下：