[发明专利]一种并联冷机负荷分配优化方法、存储介质及计算设备

说明书

本发明公开了一种并联冷机负荷分配优化方法、存储介质及计算设备，在并联冷机系统中各冷机类型、额定制冷量、性能参数已知的基础上计算不同末端负荷需求下各冷机的部分负荷率，依据结果计算不同末端负荷需求下系统的总功率消耗；通过将分数阶达尔文粒子群算法的寻优概念引入并联冷机系统的节能研究中，将系统总能耗最小作为优化目标，每一个粒子各个维度的数值作为负荷分配优化问题在搜索空间的优化变量即对应冷机的部分负荷率，并用速度和位置来表示当前粒子的运动状态，用适应度函数判断粒子的优劣程度；通过不断迭代更新优化各个粒子各维度优化变量来达到优化对应冷机部分负荷率的目的，使并联冷机系统具有一组能够以最佳效率运行的冷水机组。

技术领域

本发明属于空调制冷技术领域，具体涉及一种基于改进分数阶达尔文粒子群算法的并联冷机负荷分配优化方法、存储介质及计算设备。

背景技术

近年来，中央空调系统在大型公共建筑中得到了广泛的应用，冷水机组作为中央空调系统的主要耗能设备，其运行能耗约占中央空调系统总能耗的60％，而该能耗约占建筑总能耗的25％-40％，因此，如何提高并联冷机系统的运行效率使其运行能耗最低成为当代建筑节能有价值的研究课题之一。

目前，中央空调冷水机组在进行设计规划时主要依靠室外温度以及最大室内负荷来决定并联冷机系统的末端负荷需求，以此确定各冷机额定容量和数量。但在绝大部分时间冷机都在部分负载情况下运行，由于各冷机经过长时间的运行后设计温度、流量等均存在差异，导致各冷水机组的性能曲线并不相同。

同时，各并联冷机的运行大多采用平均负载策略或预先设定的阈值来制定的加减机策略来满足末端负荷需求变化，但无法根据实时变化的末端负荷需求来调整冷机的运行策略，导致系统中各冷机未能在最佳效率下运行，造成能源浪费。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于改进分数阶达尔文粒子群算法的并联冷机负荷分配优化方法、存储介质及计算设备，在保证末端负荷需求的情况下，根据末端负荷需求的变化进行负荷分配优化，通过优化系统中各冷机的部分负荷率，使系统可以调整本身的负荷大小，每台冷机都运行在最佳工况点，达到各冷机的能耗总和达到最小的目的。

本发明采用以下技术方案：

一种并联冷机负荷分配优化方法，包括以下步骤：

S1、利用蒙特卡洛模拟方法和BaOA选择机制对并行种群中所有粒子位置、个体最优和全局最优进行初始化；

S2、采用动态变化的自适应更新步骤S1初始化后并行种群的惯性权重和学习因子；

S3、将步骤S2自适应更新后的并行种群分为两个子群，采用维度学习和异构综合学习的两群学习策略并以多重优化策略的更新方式对各并行种群中粒子的速度和位置进行更新；

S4、根据步骤S3更新后的结果计算粒子适应度值，更新个体最优和全局最优，并利用达尔文自然选择机制动态改变各种群的种群规模和搜索空间，同时利用多重优化逐维对粒子优化变量进行迭代选择，在满足末端负荷需求的前提下以系统总能耗为目标函数，以目标函数最小为目标进化下一代，直至得到最低能耗值或达到最大的迭代次数；

S5、将步骤S4迭代完成后的所有并行种群的全局最优进行比较，选择适应度最好对应的粒子位置作为负荷分配优化的结果并输出，完成并联冷机系统的负荷分配优化。

具体的，步骤S1具体为：

S101、对满足冷机PLR的预定义范围的随机数数组即x_i,j∈{(0.3,1),0}的随机数数组采用蒙特卡洛模拟通过重复随机抽样找到全局最优解的近似解；

S102、对蒙特卡洛模拟得出的全局最优解的近似解采用BaOA选择机制使用基本算数运算符对近似最优解进行处理，乘法和除法运算符分别生成距近似解较近和较远区域的粒子位置；加法和减法运算符生成距近似解中等距离区域的粒子位置；