一种基于NSGA-Ⅱ算法的中央空调系统能效优化方法[发明专利]

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202010381313.1
(22)申请日 2020.05.08
(71)申请人 华南理工大学
地址 510640 广东省广州市天河区五山路
381号
(72)发明人 闫军威　卢泽东　周璇　
(74)专利代理机构 广州市华学知识产权代理有
限公司 44245
代理人 李斌
(51)Int.Cl.
G06F 30/20(2020.01)
G06F 119/08(2020.01)
(54)发明名称
一种基于NSGA-Ⅱ算法的中央空调系统能效
优化方法
(57)摘要
本发明公开了一种基于NSGA ‑Ⅱ算法的中央
空调系统能效优化方法，方法包括以下步骤：数
据预处理，针对采集的中央空调系统历史运行数
据，运用数据预处理方法过滤掉异常数据得到可
用数据；运行工况划分，在完成数据预处理的基
础上，划分出运行工况并确定出各工况实验数
据；空调系统建模，以制冷量和中央空调系统能
耗为优化目标，以运行参数为决策变量，建立空
调系统模型；参数拟合，按工况将实验数据拟合
成数学模型，得到具体的目标函数；运用NSGA ‑Ⅱ
算法求解多目标优化模型。

基于本发明可以得到
各工况的Pareto最优解集，获取空调系统的最优
运行参数，
进而提高系统运行能效。

权利要求书3页 说明书7页 附图4页CN 111723456 A 2020.09.29
C N 111723456
A
1.一种基于NSGA-Ⅱ算法的中央空调系统能效优化方法，其特征在于，所述方法包括以下步骤：
数据预处理，对采集的中央空调系统历史运行数据运用数据预处理方法过滤掉异常数据后得到可用数据；
运行工况划分，对数据预处理后得到的可用数据，以负荷率为指标，划分出运行工况并确定出各工况实验数据；
空调系统建模，以制冷量和中央空调系统能耗为优化目标，以中央空调系统运行参数为决策变量，以各决策变量的阈值和运行参数间的数值关系为约束条件，建立中央空调系统多目标优化模型；
参数拟合，按工况将实验数据拟合成数学模型，得到各工况下的具体目标函数；
运用NSGA-Ⅱ算法求解多目标优化模型，针对参数拟合成的数学模型，以制冷量最大和系统总能耗最低为目标函数，融入NSGA-Ⅱ算法进行优化，得到Pareto最优解集。

2.根据权利要求1所述的一种基于NSGA-Ⅱ算法的中央空调系统能效优化方法，其特征在于，所述数据预处理方法具体为：
数据剔除，对数据传输过程中因传输错误造成数据缺失的缺失部分的数据进行剔除；
属性约简，空调运行参数众多，使用属性约简解除运行参数间的相互影响；
运用拉依达准则剔除误差大的异常数据。

3.根据权利要求1所述的一种基于NSGA-Ⅱ算法的中央空调系统能效优化方法，其特征在于，所述运行工况划分具体为：
根据空调运行状态划分出不同的运行情况，采用等宽离散化方法对负荷率参数进行分析；
将不同聚类结果作为一个运行工况，把不同工况的历史数据分成各个数据组，形成各工况实验数据。

4.根据权利要求1所述的一种基于NSGA-Ⅱ算法的中央空调系统能效优化方法，其特征在于，所述空调系统建模具体为：
根据空调运行机理，分别建立中央空调的冷水机组、冷冻水泵、冷却水泵、冷却塔各个模块的多元非线性能耗模型；
根据制冷量与空调系统运行参数的关系，建立函数表达式；
根据得到的多元非线性能耗模型和函数表达式，建立中央空调能效优化的多目标优化模型。

5.根据权利要求4所述的一种基于NSGA-II算法的中央空调系统能效优化方法，其特征在于，所述各模块的多元非线性能耗模型的建立依据及具体表达式为：
冷水机组模型，将冷水机组的能耗拟合为冷冻回水温度和冷却回水温度的函数：
其中f1为冷水机组功耗；T cl为冷却回水温度；为回归冷却水入口温度参数平均值；T el为冷冻回水温度；为回归冷冻水入口温度参数平均值；D ij为回归系数；
冷冻水泵模型，根据水泵变频运行数据，得出水能耗与流量的关系：
其中f2为冷冻水泵功耗；v cwh为冷冻水流量；a0、a1、a2、a3为回归系数；
冷却水泵模型：
其中f3为冷却水泵功耗；v cw为冷却水流量；b0、b1、b2、b3为回归系数；
冷却塔模型，冷却塔风机能耗模型表示如下：
f4＝P fan，nom(c0+c1PLR+c2PLR2+c3PLR3)
其中，f4为冷却塔功耗；f a为冷却塔风机实际频率；f a，nom为冷却塔风机额定频率；P fan，nom 为冷却塔风机额定功率；PLR为冷却塔风机部分负荷率；c0、c1、c2、c3为回归系数。

6.根据权利要求5所述的一种基于NSGA-II算法的中央空调系统能效优化方法，其特征在于，所述中央空调系统能效多目标优化模型包括最小系统总能耗模型和最大制冷量模型；制冷量是关于运行参数的确定表达式，系统总能耗等于各模块能耗的和，表达式分别为：
Q＝c·v cwh·(T el-T chws)
f min(T cl，T el，v cwh，v cw)＝f1+f2+f3+f4
其中Q为制冷量；c为水的比热容；v cwh为冷冻水流量；T chws为冷冻出水温度；f min为最小系统总能耗。

7.根据权利要求1所述的一种基于NSGA-II算法的中央空调系统能效优化方法，其特征在于，所述参数拟合具体为：
使用完成工况分组的实验数据回归能耗模型和制冷量模型，在Matlab平台或者python 上利用最小二乘法进行回归，得到目标函数的各项系数；不同工况的模型回归采用相对应的实验数据组，得到的每个具体模型都代表着同一中央空调系统在不同的外界环境和运行模式下的运行状态。

8.根据权利要求1所述的一种基于NSGA-II算法的中央空调系统能效优化方法，其特征在于，所述融入NSGA-II算法进行优化具体流程为：
读入系统运行参数以及目标变量值，输入参数拟合后的多目标函数；
随机产生初始种群，设置最大进化代数；输入决策变量的约束条件表达式，修正不可行解；
将初始种群进行非支配解排序，并对非可行解进行修正，然后通过遗传算法的选择、交叉和变异三个基本操作，得到第一代子代种群；
从第二代开始，将父代种群与子代种群合并，进行快速非支配排序，得到合并后的种群；
对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群；
达到满足程序结束的条件后，算法终止，否则，重新随机产生初始种群并重复后续流
程。

9.根据权利要求1所述的一种基于NSGA-II算法的中央空调系统能效优化方法，其特征在于，所述约束条件根据实际中央空调厂商的规定和实际运行参数，由于参数值均是连续性数值，采用变量的上下限定值表示，具体可以表达如下：
T cl，min≤T cl≤T cl，max
T el，min≤T el≤T el，max
v cwh，min≤v cwh≤v cwh，max
v cw，min≤v cw≤v cw，max
T chws，min≤T chws≤T chws，max
f a，min≤f a≤f a，max。

10.根据权利要求1所述的一种基于NSGA-II算法的中央空调系统能效优化方法，其特征在于，所述Pareto最优解集的每个解，其对应的决策变量均可作为当前工况下空调系统运行参数的优化值。

一种基于NSGA-Ⅱ算法的中央空调系统能效优化方法
技术领域
[0001]本发明涉及中央空调系统能效优化领域，具体为一种基于NSGA-Ⅱ算法的中央空调系统能效优化方法。

背景技术
[0002]随着全球气候变化问题越来越受到人们的重视，同时能源资源短缺的问题日益突出，建筑节能也在这个过程中显得日益重要。

根据最新《中国建筑节能年度发展研究报告2020》显示，从2001年到2018年，建筑能耗总量及其中电力消耗量均大幅增长；2018年，公共建筑能耗占中国民用建筑建造能耗的44％。

中央空调系统能耗在大型公共建筑能源消耗占比达到一半，中央空调的节能优化已是建筑节能的重点。

因此，提高中央空调运行能效对建筑节能有着重要意义。

[0003]高效运行一直是中央空调节能研究领域的目标，主要是通过优化设备配置和运行参数的方法来提高系统的能效比而使系统综合能耗降低，达到节能研究目的。

但是，目前有关中央空调系统优化的多目标优化研究较少，尤其是建立一种恰当的建模方法融入适当的多目标优化算法中在业内少有涉及。

发明内容
[0004]本发明的主要目的在于提供一种基于NSGA-Ⅱ算法的中央空调系统能效优化方法，该方法能将中央空调优化问题融入多目标优化，从空调系统机理模型出发，分析Pareto 最优解集结果，得到最优运行参数从而提高系统运行能效。

为了达到上述目的，本发明采用以下技术方案：
[0005]本发明的实现主要从模型建立和优化操作两个方面，建成的模型需输入优化操作中完成优化。

本发明方法具体包括以下步骤：
[0006]数据预处理，对采集的中央空调系统历史运行数据，运用数据预处理方法过滤掉异常数据后得到可用数据；
[0007]运行工况划分，对数据预处理后得到的可用数据，以负荷率为指标，划分出运行工况并确定出各工况实验数据；
[0008]空调系统建模，以制冷量和中央空调系统能耗为优化目标，以中央空调系统运行参数为决策变量，以各决策变量的阈值和运行参数间的数值关系为约束条件，建立中央空调系统多目标优化模型；
[0009]参数拟合，按工况将实验数据拟合成数学模型，得到各工况下的具体目标函数；[0010]运用NSGA-Ⅱ算法求解多目标优化模型，针对参数拟合成的数学模型，以制冷量最大和系统总能耗最低为目标函数，融入NSGA-Ⅱ算法进行优化，得到Pareto最优解集。

[0011]进一步的，所述数据预处理方法具体为：
[0012]数据剔除，对数据传输过程中因传输错误造成数据缺失的缺失部分的数据进行剔除；
[0013]属性约简，空调运行参数众多，使用属性约简解除运行参数间的相互影响；[0014]运用拉依达准则剔除误差大的异常数据。

[0015]进一步的，所述运行工况划分具体为：
[0016]根据空调运行状态划分出不同的运行情况，采取等宽离散化方法对负荷率参数进行分析；
[0017]将不同聚类结果作为一个运行工况，把不同工况的历史数据分成各个数据组，形成各工况实验数据。

[0018]进一步的，所述空调系统建模具体为：
[0019]根据空调运行机理，分别建立中央空调的冷水机组、冷冻水泵、冷却水泵、冷却塔各个模块的多元非线性能耗模型；
[0020]根据制冷量与空调系统运行参数的关系，建立函数表达式；
[0021]根据得到的多元非线性能耗模型和函数表达式，建立中央空调能效优化的多目标优化模型。

[0022]进一步的，所述各模块的多元非线性能耗模型建立依据及具体表达式为：[0023]冷水机组模型，将冷水机组的能耗拟合为冷冻回水温度和冷却回水温度的函数，采用两个二次多项式乘积的形式：
[0024]
[0025]其中f1为冷水机组功耗；T cl为冷却回水温度；为回归冷却水入口温度参数平均值；T el为冷冻回水温度；为回归冷冻水入口温度参数平均值；D ij为回归系数；
[0026]冷冻水泵模型，根据水泵变频运行数据，得出水能耗与流量的关系：
[0027]
[0028]其中f2为冷冻水泵功耗；v cwh为冷冻水流量；a0、a1、a2、a3为回归系数；
[0029]冷却水泵模型：
[0030]
[0031]其中f3为冷却水泵功耗；v cw为冷却水流量；b0、b1、b2、b3为回归系数；
[0032]冷却塔模型，在中央空调运行控制系统中，可以通过控制电机的转速来控制冷却塔风机的转速，冷却塔风机能耗模型表示如下：
[0033]
[0034]f4＝P fan，nom(c0+c1PLR+c2PLR2+c3PLR3)
[0035]其中，f4为冷却塔功耗；f a为冷却塔风机实际频率；f a，nom为冷却塔风机额定频率；P fan，nom为冷却塔风机额定功率；PLR为冷却塔风机部分负荷率；c0、c1、c2、c3为回归系数。

[0036]进一步的，所述中央空调系统能效多目标优化模型包括最小系统总能耗模型和最大制冷量模型；制冷量是关于运行参数的确定表达式，系统总能耗等于各模块能耗的和，表达式分别为为：
[0037]Q＝c·v cwh·(T el－T chws)
[0038]f min(T cl，T el，v cwh，v cw)＝f1+f2+f3+f4
[0039]其中Q为制冷量；c为水的比热容；v cwh为冷冻水流量；T chws为冷冻出水温度；f min为最小系统总能耗。

[0040]进一步的，所述参数拟合具体为：
[0041]将完成工况分组的实验数据用来回归能耗模型和制冷量模型，在Matlab平台或者python上利用最小二乘法进行回归，得到目标函数的各项系数，不同工况的模型回归采用对应的实验数据组，得到的每个具体模型都代表着同一中央空调系统在不同的外界环境和运行模式下的运行状态。

[0042]进一步的，所述融入NSGA-Ⅱ算法进行优化具体流程为：
[0043]读入系统运行参数以及目标变量值，输入参数拟合后的多目标函数；
[0044]随机产生初始种群，设置最大进化代数；输入决策变量的约束条件表达式，修正不可行解；
[0045]将初始种群进行非支配解排序，并对非可行解进行修正，然后通过遗传算法的选择、交叉和变异三个基本操作，得到第一代子代种群；
[0046]从第二代开始，将父代种群与子代种群合并，进行快速非支配排序，得到合并后的种群；
[0047]对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群；
[0048]达到满足程序结束的条件后，算法终止，否则，重新随机产生初始种群并重复后续流程。

[0049]进一步的，所述约束条件根据实际中央空调厂商的规定和实际运行参数，由于参数值均是连续性数值，采用变量的上下限定值表示，具体可以表达如下：
[0050]T cl，min≤T cl≤T cl，max
[0051]T el，min≤T el≤T el，max
[0052]v cwh，min≤v cwh≤v cwh，max
[0053]v cw，min≤v cw≤v cw，max
[0054]T chws，min≤T chws≤T chws，max
[0055]f a,min≤f a≤f a,max。

[0056]进一步的，所述Pareto最优解集的每个解，其对应的决策变量均可作为当前工况下空调系统运行参数的优化值。

[0057]本发明与现有技术相比，具有如下优点和有益效果：
[0058](1)本发明依据空调运行的外界环境状况和空调实时运行参数来划分运行工况，能切实地表现空调实际运行状况，提高模型的还原能力，同时能够大幅提高优化的准确性。

[0059](2)本发明针对系统能效，将制冷量和系统总能耗作为多目标函数来进行优化，实现更全面地表达中央空调系统运行原理，较好地挖掘出空调系统运行中的“隐藏”运行参数。

[0060](3)本发明根据中央空调运行参数间的机理关系，建立目标函数的多元非线性函数，运用具有较强的全局寻优能力的NSGA-Ⅱ算法，实现更好的参数优化结果。

附图说明
[0061]图1是本发明的流程图示意图；
[0062]图2是本发明数据预处理步骤的具体流程图；
[0063]图3是本发明融入NSGA-Ⅱ的多目标优化算法流程图；
[0064]图4是本发明建立多目标优化模型和融入NSGA-Ⅱ算法进行优化求解的流程图；[0065]图5是工况负荷率为80％-90％的Pareto前沿示意图。

具体实施方式
[0066]下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

[0067]NSGA-Ⅱ算法即非支配排序遗传算法Ⅱ，是常用于解决多目标优化问题的经典算法，该算法具有运行速度快以及避免陷入局部最优的特点，经常被用作其他多目标优化算法性能的基准。

NSGA-Ⅱ算法比NSGA算法更加优越：它采用了快速非支配排序算法，计算复杂度比NSGA大大的降低；采用了拥挤度和拥挤度比较算子，代替了需要指定的共享半径shareQ，并在快速排序后的同级比较中作为胜出标准，使准Pareto域中的个体能扩展到整个Pareto域，并均匀分布，保持了种群的多样性；引入了精英策略，扩大了采样空间，防止最佳个体的丢失，提高了算法的运算速度和鲁棒性。

[0068]本实施例以某大型商场中央空调系统为例详细说明本发明的实现过程。

本案例选取该空调系统在2018一年的历史运行数据。

如图1所示，本实施例基于NSGA-Ⅱ算法的中央空调系统能效优化方法，主要包含以下步骤：
[0069]S1、数据预处理，针对中央空调系统节能监管平台采集的大量历史运行数据，运用数据预处理方法过滤掉异常数据后得到可用数据，具体方法如图2所示，包含属性约简、剔除异常数据和运用拉依达准则剔除异常数据。

该中央空调系统记录有冷冻出水温度、冷冻进水温度、冷冻水流量、冷冻供回水压差、冷凝压力、蒸发压力、冷却出水温度、冷却进水温度、冷却水流量、冷却塔风扇功率共18列参量，数据量共计52125条，最终经过预处理后得到有效数据共计17380条。

[0070]S2、运行工况划分，在完成数据预处理的基础上，具体内容包括：
[0071]考虑空调运行状态而划分出多种运行情况，采取等宽离散化方法对负荷率参数进行分析。

[0072]工况划分结果为负荷率依次为60％-70％、70％-80％、80％-90％、90％-100％四种工况，其余工况数据量过小而无法保证模型建立的准确性，因此去除这部分数据。

[0073]S3、空调系统建模，如图4所示，以制冷量和中央空调系统能耗为优化目标，以中央空调系统的冷冻出水温度、冷冻回水温度、冷却回水温度、冷冻水流量、冷却水流量和冷却塔风机频率共6个运行参数为决策变量，同时以各决策变量的阈值和运行参数间的数值关系为约束条件，建立空调系统多目标优化模型。

具体模型建立如下：
[0074](1)冷水机组模型，将冷水机组的能耗拟合为冷冻回水温度和冷却回水温度的函数，采用两个二次多项式乘积的形式：
[0075]
[0076]其中f1为冷水机组功耗；T cl为冷却回水温度；为回归冷却水入口温度参数平均值；T el为冷冻回水温度；为回归冷冻水入口温度参数平均值；D ij为回归系数。

[0077](2)冷冻水泵能耗模型，理论上，变频条件下的水泵性能参数遵循相似定律，但在实际运行中，其运行工况点并不完全遵循相似定律。

根据水泵变频运行数据，可以得出水泵功耗与流量的关系：
[0078]
[0079]其中f2为冷冻水泵功耗；v cwh为冷冻水流量；a0、a1、a2、a3为回归系数。

[0080](3)冷却水泵能耗模型，该模型与冷冻水泵功耗模型类似，拟合为流量的三次多项式：
[0081]
[0082]其中f3为冷却水泵功耗；v cw为冷却水流量；b0、b1、b2、b3为回归系数。

[0083](4)冷却塔能耗模型，在中央空调运行控制系统中，可以通过控制电机的转速来控制冷却塔风机的转速，冷却塔风机能耗模型表示如下；
[0084]
[0085]f4＝P fan,nom(c0+c1PLR+c2PLR2+c3PLR3)
[0086]其中，f4为冷却塔功耗；f a为冷却塔风机实际频率；f a,nom为冷却塔风机额定频率；P fan，nom为冷却塔风机额定功率；PLR为冷却塔风机部分负荷率；c0、c1、c2、c3为回归系数。

[0087](5)多目标优化模型，多目标优化的能耗模型是空调系统冷水机组模块、冷却泵模块、冷冻泵模块和冷却塔模块能耗之和，制冷量模型是有关运行参数的确定表达式，表达式分别为：
[0088]f min(T cl，T el，v cwh，v cw)＝f1+f2+f3+f4
[0089]Q＝c·v cwh·(T el－T chws)
[0090]其中，f min为最小系统总能耗；Q为制冷量；c为水的比热容；v cwh为冷冻水流量；T chws 为冷冻出水温度；
[0091](6)根据中央空调机组厂商规定的标准状况下运行参数值以及该商场中央空调控制系统中的实际运行参数的设定范围，将决策变量的约束情况表示如下：
[0092]24≤T cl≤35
[0093]10≤T el≤14.5
[0094]150≤v cwh≤300
[0095]200≤v cw≤500
[0096]7≤T chws≤10
[0097]30≤f a≤50
[0098]S4、对模型进行参数拟合，利用最小二乘法按工况将实验数据拟合数学模型，得到
各工况下的具体目标函数。

由于制冷量模型是一个关于空调系统运行参数的确定式子，因此在参数拟合时，仅拟合出各工况下的能耗模型。

在Matlab平台上利用最小二乘法回归各模块函数的系数，详细参数拟合结果如下表所示：
[0099]
[0100]
[0101]S5、运用NSGA-Ⅱ算法求解模型，针对参数拟合得到的模型，以制冷量最大和系统总能耗最低为目标函数，融入NSGA-Ⅱ算法进行优化，得到Pareto最优解集。

如图3所示，对求解过程的具体实施方式进行说明，融入NSGA-Ⅱ算法的多目标优化流程，具体包括以下步骤：
[0102]S51、读入系统运行参数以及目标变量值，输入参数拟合后的多目标函数；[0103]S52、随机产生初始种群规模为500的初始种群P0，最大进化代数设置为300代；输入决策变量的约束条件表达式，修正不可行解；
[0104]S53、将初始种群进行非支配解排序，并对非可行解进行修正，然后通过遗传算法的选择、交叉和变异三个基本操作，得到第一代子代种群Q1；
[0105]S54、从第二代开始，将父代种群与子代种群合并，进行快速非支配排序，得到合并后的种群R t；
[0106]S55、对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群；
[0107]S56、达到满足程序结束的条件后，算法终止，否则，返回步骤S52。

[0108]各工况下模型经过NSGA-Ⅱ算法优化后会呈现Pareto前沿图，现以其中一种工况优化后的结果为例进行说明。

如图5所示，是负荷率工况为80％-90％时经过多目标优化后的Pareto前沿图示，表示的是两个目标函数优化值情况，如图5所示曲线上的每个点都是经过多目标算法优化后的最优解，其对应的决策变量均可以作为当前工况下空调系统运行参数的优化值。

该图横轴表示系统总功率，纵轴表示制冷量，曲线的斜率可以表示该状态点的
COP，为提高中央空调系统运行能效，选取斜率最大状态点作为优化参数。

多目标优化后的运行参数有利于空调系统节能，显著提高空调运行能效，同时更能满足不同用户的需求。

[0109]还需要说明的是，在本说明书中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0110]对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。

对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。

因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

图1
图2
图3
图4
图5。