基于差分進化算法的供熱節(jié)能控制系統(tǒng)*

閆 峰

(1. 河北工業(yè)大學 建筑與藝術設計學院， 天津 300401； 2. 邢臺學院 科研處， 河北 邢臺 054001)

控制工程

基于差分進化算法的供熱節(jié)能控制系統(tǒng)*

閆 峰1，2

(1. 河北工業(yè)大學 建筑與藝術設計學院， 天津 300401； 2. 邢臺學院 科研處， 河北 邢臺 054001)

針對公共建筑集中供熱系統(tǒng)能耗高、自動調節(jié)和實時監(jiān)控難度大的問題，將數(shù)字溫度傳感器、芯片控制技術及CAN總線技術結合到一起，設計了一種基于差分進化算法的神經網絡控制的公共建筑集中供熱系統(tǒng).系統(tǒng)具有降低遺傳算法復雜性、快速收斂的優(yōu)勢，且自適應能力較強，能夠實現(xiàn)供熱流量自動調節(jié)和網絡實時監(jiān)控.為了驗證該系統(tǒng)的節(jié)能效果，與傳統(tǒng)節(jié)能控制系統(tǒng)的供熱消耗進行了試驗比較，結果表明，該系統(tǒng)最低平均節(jié)能10.1%，最高節(jié)能16.3%，節(jié)能效果更好.

公共建筑； 集中供熱； 傳感器； CAN總線； 節(jié)能控制系統(tǒng)； 差分進化算法； 神經網絡

集中供熱是指用熱水和蒸汽作為熱源，通過管網向城鎮(zhèn)或其中一些鄉(xiāng)鎮(zhèn)區(qū)域提供熱能的方式，在我國北方地區(qū)比較多見，它與傳統(tǒng)的分散供熱相比，具有節(jié)約能源、減少環(huán)境污染等優(yōu)點[1].目前，隨著供熱管網規(guī)模的逐年增大，公共建筑供熱存在建筑面積大、空間密閉性差、供熱能耗高、自動調節(jié)及實時監(jiān)控困難等問題，如何能夠將集中供熱系統(tǒng)進行合理的調節(jié)和控制，從而達到供熱效果最好、節(jié)能減排、科學管理的目的成為了研究關注的焦點[2-5].本文從低耗運行和系統(tǒng)實時監(jiān)控兩方面出發(fā)，設計了一種基于差分進化算法的神經網絡集中控制供熱節(jié)能系統(tǒng)，并與現(xiàn)場總線數(shù)據信號實現(xiàn)通信，從而達到實時監(jiān)控和自動控制，節(jié)能和科學化管理的目的.

1 總體控制方案

目前，公共建筑集中供熱系統(tǒng)的熱流量調節(jié)大多是開環(huán)控制系統(tǒng)，其供熱負荷大小僅與室外溫度的變化相關，缺乏自動調節(jié)能力，且由于供熱負荷的頻繁增減，致使電動三通閥、蝶閥、旁通閥等閥門開啟困難，引起系統(tǒng)水力工況失調，產生供熱流量不均的情況[6-8].對此，本文設計一種基于差分進化算法優(yōu)化的神經網絡調控的閉環(huán)供熱系統(tǒng)，其結構組成如圖1所示.該系統(tǒng)將數(shù)字溫度傳感器、芯片控制技術及總線技術結合到一起，具有較強自適應能力，具備提高供熱系統(tǒng)控制效率的功能[9-11].該系統(tǒng)實現(xiàn)自動控制的過程是：首先將當前監(jiān)測的室外環(huán)境數(shù)據與給定量進行比較，并在差分進化優(yōu)化的神經網絡算法模型中進行訓練學習，計算出所需的供熱量，預測供熱負荷，然后由控制器對電動三通閥進行調控，以達到預測供熱量所需的供水流量，以平均室溫為被控對象，利用數(shù)字溫度傳感器對室溫變化進行監(jiān)測，并使用智能控制器對電動三通閥進行適當控制，使被控制值與室溫平均值的誤差最小，達到低耗節(jié)能的目的，最后通過CAN總線將平均溫度、閥門開度等數(shù)據實時傳輸?shù)奖O(jiān)控系統(tǒng)，達到系統(tǒng)實時監(jiān)控的目的.

圖1 基于差分進化算法的神經網絡控制系統(tǒng)

2 系統(tǒng)設計方案

2.1 系統(tǒng)硬件設計

系統(tǒng)硬件設計結構圖如圖2所示，主控制器采用MSP430F413單片機，它是IT推出的一種最新超低耗混合信號16位單片機，具有5種低功耗模式；采用DS18B20數(shù)字溫度傳感器，測量范圍在-55～125 ℃，輸出溫度信號為阿拉伯數(shù)字，線路串行結構，其硬件電路簡單，抗外界干擾能力強，可安裝在電動三通閥上，以便通過溫差來實現(xiàn)供熱流量的調節(jié)；CAN總線具有穩(wěn)定性及可靠性高的優(yōu)勢，它能夠將DS18B20數(shù)字溫度傳感器的溫度及對應的時間傳輸至監(jiān)控系統(tǒng)，對移動物體的網絡傳輸有較好的處理能力.

圖2 系統(tǒng)硬件設計結構

2.2 系統(tǒng)軟件設計

系統(tǒng)采用差分進化算法對神經網絡進行優(yōu)化控制，差分進化算法首先是基于差分的簡單變異和交叉操作產生新個體，然后通過將新、舊個體的適應值進行比較，篩選出并保留適應值較優(yōu)的個體，且能利用個體局部信息和群體全局信息協(xié)同搜索，具有較強的搜索能力[12-13].假設種群的范圍為R，種群中可行解維數(shù)為D，每個基因的變化范圍為[Zmin，Zmax]，差分進化初始化種群后產生的新種群個體為

Xij=rand(j)Zmax+(1-rand(j))Zmin

(1)

(2)

式中：m為當前進化代數(shù)；n1、n2、n3為隨機選取的個體序號；ξ為變異因子，主要控制差分矢量的縮放，其取值范圍為[0，2].

交叉量取值為

(3)

式中，JC為交叉因子.

選擇量取值為

(4)

式中，f()為交叉量迭代函數(shù).

由式(2)～(4)可知，如果變異因子過大，則收斂效率會降低，求解得出的最優(yōu)解精度不高；如果變異因子過小，則不能保證種群的多樣性，易出現(xiàn)早熟現(xiàn)象.為此引入了自適應的變異因子，使變異率可以逐漸減小，這樣既保證了初期種群的多樣性，又保證了后期個體的優(yōu)良性，自適應變異因子的表達式為

(5)

式中：Bmin、Bmax分別為變異因子最小值與最大值；Dmax為最大迭代代數(shù).

為了避免差分進化算法的早熟現(xiàn)象，并提高算法后期的搜索收斂能力，可將差分進化算法與神經網絡相結合，既彌補了差分進化算法的不足，又降低了神經網絡算法的復雜性，使收斂速度更快[14-15].其基本思想是[16]：先用差分進化算法對神經網絡的權值和閥值進行全局預尋優(yōu)，然后把最優(yōu)解作為神經網絡的初始權值和閥值，最后采用基于神經網絡的算法進行局部尋優(yōu)，從而確定最佳的權值和閥值.

3 實驗仿真驗證

由上述系統(tǒng)硬件及軟件設計方案得到系統(tǒng)的主程序結構流程圖如圖3所示.為了驗證該系統(tǒng)的有效性及可靠性，特以實驗室大樓作為研究對象，大樓為塊磚砌筑，建筑面積約為3.6×104m2，傳熱系數(shù)K=1.58 W/(m2·℃)，設置種群范圍R=60，總進化代數(shù)m=100，訓練次數(shù)為2 000次，收斂精度0.000 01，最大迭代次數(shù)Dmax=50次，最小變異因子Bmin=0.2，最大變異因子Bmax=0.7，交叉因子JC?[0.1，0.5]，并利用MATLAB軟件將提出的算法與傳統(tǒng)PID控制算法進行了比較.

圖3 主程序流程圖

實驗室大樓集中供熱時間基本固定，具有階段性供暖的特點，且每一個供暖季節(jié)包含不同的工作日、非工作日及加班情況，每日又包括不同的工作時間段，依照這些情況在本系統(tǒng)上實施自動調控和實時監(jiān)控，并與傳統(tǒng)PID控制系統(tǒng)(延遲時間為300 s，一階慣性環(huán)節(jié)時間常數(shù)為4 000，仿真步長10 s)進行比較.通過對2015-11-01至2016-03-20這個階段時間內的供暖能耗進行監(jiān)測，得出兩種算法的供熱量關系曲線如圖4所示，每日平均供熱量如表1所示(部分日期).從表1中可以看出，采用差分進化算法優(yōu)化的神經網絡控制相比于傳統(tǒng)的PID控制供熱，最低平均節(jié)能10.1%，最高16.3%，節(jié)能效果十分明顯.

4 結 論

本文設計了一種基于差分進化算法的神經網絡控制系統(tǒng)，實現(xiàn)了對公共建筑集中供熱節(jié)能系統(tǒng)的自動調節(jié)和實時監(jiān)控，并與傳統(tǒng)節(jié)能控制系統(tǒng)的供熱消耗進行比較，從而驗證了系統(tǒng)的節(jié)能效果，可以得到以下幾點結論：

圖4 兩種系統(tǒng)的供熱量曲線比較

1) 基于差分進化算法的神經網絡控制系統(tǒng)具有降低遺傳算法復雜性、快速收斂的優(yōu)勢，能夠有效預測公共建筑集中供熱負荷的發(fā)展趨勢，便于主控制器對熱流量進行自動調控和實時監(jiān)控；

2) 由于公共建筑集中供熱系統(tǒng)具有較大延遲性，傳統(tǒng)的PID系統(tǒng)控制算法相對簡單，不能很好適應室外內多參數(shù)變化，而基于差分進化算法的控制系統(tǒng)可實現(xiàn)網絡實時監(jiān)控，使供熱系統(tǒng)安全、節(jié)能運行.

表1 集中供暖季平均供熱量統(tǒng)計

[1]吳潔清.適量供熱系統(tǒng)控制策略研究 [D].哈爾濱：哈爾濱工業(yè)大學，2012.

(WU Jie-qing.Research on strategy for district heating regulation [D].Harbin：Harbin Institute of Technology，2012.)

[2]郭阿梅.集中供熱管網監(jiān)控及節(jié)能優(yōu)化控制策略研究 [D].天津：河北工業(yè)大學，2013.

(GUO A-mei.Study on the monitoring and energy-saving optimization control strategie for centralized heat-supply network [D].Tianjin：Hebei University of Technology，2013.)

[3]李垚，王嘉.基于實測數(shù)據的某小區(qū)集中供熱系統(tǒng)節(jié)能與優(yōu)化研究 [J].四川建筑科學研究，2015，41(3)：223-227.

(LI Yao，WANG Jia.Research on energy saving and optimization of a district heating system based on measured data [J].Sichuan Building Science，2015，41(3)：223-227.)

[4]Mallipeddi R，Suganthan P N，Pan Q K，et al.Differen-tial evolution algorithm with ensemble of parameters and mutation strategies [J].Applied Soft Computing，2011，11(2)：1679-1696.

[5]焦永華.大型公建樓宇供熱節(jié)能控制系統(tǒng)研究 [D].西安：西安建筑科技大學，2015.

(JIAO Yong-hua.Research on energy conservation heating control system of large public buildings [D].Xi’an：Xi’an University of Architecture and Techno-logy，2015.)

[6]宋陽，張作偉，焦永華，等.基于模糊算法的樓宇供熱控制系統(tǒng) [J].工業(yè)控制計算機，2014(8)：64-65.

(SONG Yang，ZHANG Zuo-wei，JIAO Yong-hua，et al.Building heating control system based on fuzzy algorithm [J].Industrial Control Computer，2014(8)：64-65.)

[7]黎延海.粒子群差分混合算法在PID 參數(shù)優(yōu)化中的應用 [J].河南科學，2015，33(12)：2146-2150.

(LI Yan-hai.PSO-DE hybrid algorithm for tuning of PID parameters [J].Henan Science，2015，33(12)：2146-2150.)

[8]顧吉浩，齊承英，夏國強.基于通/斷式供熱控制模式的熱分攤技術應用實例 [J].暖通空調，2013，43(3)：67-70.

(GU Ji-hao，QI Cheng-ying，XIA Guo-qiang.Application of heat allocation technique based on on-off value regulation mode of heat supply [J].Journal of HV & AC，2013，43(3)：67-70.)

[9]王林，彭璐，夏德，等.自適應差分進化算法優(yōu)化 BP 神經網絡的時間序列預測 [J].計算機工程與科學，2015，37(12)：2270-2275.

(WANG Lin，PENG Lu，XIA De，et al.BP neural network incorporating self-adaptive differential evolution algorithm for time series forecasting [J].Computer Engineering & Science，2015，37(12)：2270-2275.)

[10]梁玉其.公共建筑智能供熱節(jié)能控制與優(yōu)化管理系統(tǒng)研究 [D].天津：河北工業(yè)大學，2011.

(LIANG Yu-qi.Research on intelligence heating energy control and optimization management system of public building [D].Tianjin：Hebei University of Technology，2011.)

[11]畢曉君，張夢瑩，朱曈.基于差分進化算法的MU-MIMO用戶調度算法 [J].沈陽工業(yè)大學學報，2013，35(5)：548-554.

(BI Xiao-jun，ZHANG Meng-ying，ZHU Tong.MU-MIMO user scheduling algorithm based on differential evolution algorithm [J].Journal of Shenyang University of Technology，2013，35(5)：548-554.)

[12]Wang L，Zeng Y，Chen T.Back propagation neural network with adaptive differential evolution algorithm for time series forecasting [J].Expert Systems with Applications，2015，42(2)：855-863.

[13]李艷瑋，鄭偉勇.基于神經網絡實現(xiàn)分布評估的多目標差分算法 [J].計算機工程與設計，2015，36(11)：3092-3096.

(LI Yan-wei，ZHENG Wei-yong.Multi-objective differential algorithm based on neural network to realize distribution evaluation [J].Computer Engineering and Design，2015，36(11)：3092-3096.)

[14]鄒翔.基于改進的分數(shù)階PID廣義預測控制算法在集中供熱網中的仿真研究 [D].沈陽：沈陽工業(yè)大學，2013.

(ZOU Xiang.Simulation research of improved frac-tional-order PID-GPC algorithm in concentration heating network [J].Shenyang：Shenyang University of Technology，2013.)

[15]杜慶東，劉杰，趙海.一種基于混合建模的模塊化神經網絡控制方法 [J].計算機工程與應用，2006，42(11)：215-217.

(DU Qing-dong，LIU Jie，ZHAO Hai.A modular neural networks control method based on hybrid modeling [J].Computer Engineering and Applications，2006，42(11)：215-217.)

[16]李媛，武巖巖，王思琪.基于混沌時間序列的Elman神經網絡工業(yè)用電預測 [J].沈陽工業(yè)大學學報，2016，38(2)：196-200.

(LI Yuan，WU Yan-yan，WANG Si-qi.Elman neural network for forecasting industrial electricity consumption based on chaotic time series [J].Journal of Shenyang University of Technology，2016，38(2)：196-200.)

(責任編輯：景 勇 英文審校：尹淑英)

Heating energy saving control system based on differential evolution algorithm

YAN Feng1,2

(1. School of Architecture and Art Design, Hebei University of Technology, Tianjin 300401, China; 2. Research Department, Xingtai University, Xingtai 054001, China)

Aiming at the problem that the energy consumption of central heating system in public buildings is high, and the automatic regulation and real-time monitoring are quite difficult, a central heating system in public buildings based on the neural network control of differential evolution algorithm was designed with the combination of digital temperature sensor, chip control technology and CAN bus technology. The system has the advantages in realizing the fast convergence and reducing the complexity of genetic algorithm, and has strong adaptive ability. The system can realize the automatic regulation and real-time network monitoring of heating flow. In order to verify the energy saving effect of the system, the proposed system was compared with the heating consumption of the traditional energy saving control system. The results show that the minimum average energy saving of the proposed system is 10.1%, and the maximum energy saving is 16.3%. And the proposed system has better energy saving effect.

public building; central heating; sensor; CAN bus; energy saving control system; differential evolution algorithm; neural network

2016-05-06.

河北省科技廳科普專項資助項目(16K576650)； 河北省社會科學基金資助項目(HB15SH007).

閆 峰(1977-)，女，河北樂亭人，副教授，博士生，主要從事綠色建筑及建筑節(jié)能控制等方面的研究.

10.7688/j.issn.1000-1646.2017.03.16

TM 343

A

1000-1646(2017)03-0328-05

*本文已于2017-03-28 17∶02在中國知網優(yōu)先數(shù)字出版. 網絡出版地址： http：∥www.cnki.net/kcms/detail/21.1189.T.20170328.1702.006.html