基于改進(jìn)后灰狼群體智能算法的校園節(jié)能系統(tǒng)方案設(shè)計

夏青楠 于蒙 韓瑜進(jìn) 郝嘉明

引言

校園能源浪費問題一直是社會的熱點話題之一，校園內(nèi)的用電設(shè)施種類多，人員密度大，人員流動性強等因素都使校園的能源使用難以進(jìn)行管控。如今國內(nèi)外對此類問題的研究主要分為以下三個方面，一是對單一用電設(shè)備進(jìn)行智能化改造，如聲光控節(jié)能燈具；二是在管理層面更好地安排校內(nèi)人員使用用電設(shè)備；三是設(shè)計整套的節(jié)能系統(tǒng)來調(diào)控校園能源的使用。

而現(xiàn)階段的校園節(jié)能系統(tǒng)普遍存在系統(tǒng)響應(yīng)時間長、控制設(shè)備種類單一等問題，使電能調(diào)配無法根據(jù)溫度、時間、人員的流動等因素進(jìn)行實時響應(yīng)。而節(jié)能系統(tǒng)的響應(yīng)時間主要由算法決定，在解決此類資源分配問題的過程中，蔡柳萍提出了一種基于改進(jìn)遺傳算法的云計算數(shù)據(jù)中心資源分配算法[1]，李炳坤將針對不可分物品的局部無嫉妒資源分配問題，轉(zhuǎn)變?yōu)榭蓾M足性模塊理論問題進(jìn)而進(jìn)行求解[2]。國外學(xué)者也同樣提出了多維資源分配問題的M-best算法和LP based算法[3-4]，并研究了遺傳算法在組織系統(tǒng)中的資源分配問題的應(yīng)用[5]。但以上算法的求解精密度偏低，且算法較為冗雜。[6]

本文從電源調(diào)配模型入手，提出了一種啟發(fā)式離散灰狼優(yōu)化算法求解校園電能資源分配問題并應(yīng)用于實際驗證算法的可行性。

一、電能調(diào)配優(yōu)化模型——多變量多約束非線性優(yōu)化節(jié)能方法模型

校園節(jié)能系統(tǒng)模型即每個房間在不同時間段內(nèi)對其電能分配量進(jìn)行整體協(xié)同控制，在樓棟供電電源的總可調(diào)功率范圍內(nèi)，保證每個用電器的合理負(fù)載，保證整個樓宇內(nèi)的用電器能夠連續(xù)高效運行；同時盡量減少電能調(diào)節(jié)頻率，增加樓棟中電能設(shè)備的機械使用壽命。依據(jù)教室中常用電器的工作時間長度和每周不同時間段內(nèi)教學(xué)樓中正在工作的用電器數(shù)量為算法的優(yōu)化對象，設(shè)計出了一個非線性的多目標(biāo)電能調(diào)配函數(shù)。[7]其具體表征如下所示：

其中 x=[x1,x2,...,xn]T，x 代表工作時長，x∈R+；y=[y1,y2,...,yn]，y 處于工作狀態(tài)的用電器的具體數(shù)量，y∈N+；n 表示用電設(shè)備的序列編號，n∈N ；g(x,y) 是同耗能率有關(guān)非線性函數(shù)；K=[K1,K2,...,Kn]，K 為模型中的相關(guān)系數(shù)，K∈R+；J 為用電設(shè)備每小時的耗電量，J=[J1,J2,...,Jn]，J∈R+；參數(shù) Z 是判斷工作日的參數(shù)表征量，其取值情況如下：

作為校園節(jié)能系統(tǒng)實現(xiàn)的核心，模型的算法設(shè)計是提高整個校園用能系統(tǒng)最終用能效率的動力源。算法的核心涵義在于挖掘事件的內(nèi)核驅(qū)動規(guī)律并對其進(jìn)行模擬，根據(jù)模擬成果對事件進(jìn)行預(yù)測，用最小的工作量換取最大的成果。[8]

二、校園用能調(diào)配算法設(shè)計

本文采用改進(jìn)后的灰狼算法，采用非支配排序遺傳算法求解多目標(biāo)優(yōu)化模型，并通過模糊隸屬度法對生成的解集進(jìn)行濾波選出最優(yōu)。[9]以實數(shù)編碼的加速灰狼優(yōu)化算法為基礎(chǔ)對能源網(wǎng)進(jìn)行經(jīng)濟調(diào)度優(yōu)化，來達(dá)成對電能利用的最優(yōu)調(diào)度，遠(yuǎn)程控制終端設(shè)備，以達(dá)到節(jié)能的目的。

（一）基本原理

灰狼算法效仿原始動物群體的等第規(guī)章與捕獵行為。所有的數(shù)據(jù)群被分為α、β、δ、ω四組。α、β、δ這三組根據(jù)次序是對模型響應(yīng)程度最好的三個數(shù)據(jù)群，而后這三個數(shù)據(jù)群引導(dǎo)其他的數(shù)據(jù)群向著最優(yōu)目標(biāo)斂迫。在這整個斂迫過程中，不斷更新α、β、δ、ω數(shù)據(jù)群的位置，直到能夠找到最優(yōu)解。式（1）表征各個群體之間的距離，式（2）表征數(shù)據(jù)個體的更新方式。

其中：D表征數(shù)據(jù)群與最優(yōu)解的距離大小；t 表征算法當(dāng)前的迭代次數(shù)；A 表示算法中的隨機向量，C 表示算法中的自適應(yīng)向量，其中 A=2a * r2- a ；C=2r1；Rp是表征當(dāng)前最優(yōu)解的位置遠(yuǎn)近，R 是表征當(dāng)前數(shù)據(jù)集與最優(yōu)解的位置向量。

（二）引入基于非線性收斂因子策略

灰狼優(yōu)化算法自問世以來就憑借其優(yōu)異的求解能力受到了極大的重視，但這種優(yōu)異求解能力也為其帶來了很多缺陷，斂迫速度不理想、整體搜尋能力較弱，在斂迫過程中，灰狼優(yōu)化算法尤其易表征出局部最優(yōu)，而不是總體最優(yōu)。普通灰狼算法的收斂因子 a 隨著迭代次數(shù)由2線性減少到0。[10]這種線性的斂迫遞減優(yōu)化不能映射出算法的優(yōu)化斂迫思想，還會導(dǎo)致斂迫速度減緩，為增加其收斂速度，引入一種非線性反余弦收斂因子，增加其收斂速度，更快地劃定各個用電器的最優(yōu)電能調(diào)配范圍。

上式中：t 代表當(dāng)前算法迭代尋優(yōu)的次數(shù)；而則代表著進(jìn)行當(dāng)前步驟時的最大迭代次數(shù)。

（三）引入動態(tài)權(quán)重策略

當(dāng)算法判斷出各個用電器的最優(yōu)電能調(diào)配范圍時，伴隨α、β、δ這三個數(shù)據(jù)集不斷地向最優(yōu)調(diào)配結(jié)果接近，但是灰狼算法的總體搜尋能力較弱，其α數(shù)據(jù)集不一定是全局解算最優(yōu)位置，這就會導(dǎo)致在進(jìn)一步的斂迫過程中，容易得出局部的最優(yōu)解，在此引入一種基于引導(dǎo)點和向量模長的比例權(quán)重方案，平衡電能調(diào)配的總體水平，實現(xiàn)智能教學(xué)樓的電能調(diào)配總體最優(yōu)。

在改進(jìn)后灰狼算法中，ω狼集合了三頭指導(dǎo)狼的導(dǎo)引，向最優(yōu)點斂迫。

表1 權(quán)重比例計算公式

最終迭代方式：

三、試算驗證

群體智能算法的性能優(yōu)劣體現(xiàn)在兩方面，其中一個是全局搜索能力，即從整體挖掘最優(yōu)點的能力，而另一個則是局部搜索能力，即針對夠局部算法進(jìn)行開發(fā)的能力，以提高算法的精度。[11]怎么樣在這兩方面之中找到一個均衡點是算法獲得較高斂算性的核心問題。

為了進(jìn)一步驗證算法斂迫能力，本文通過選擇 g1，g2，g3這三個常見的測試函數(shù)對改進(jìn)后的函數(shù)計算性能進(jìn)行驗證。其中包括復(fù)雜單峰測試函數(shù) g1和復(fù)雜多峰測試函數(shù) g2，g3測試函數(shù)信息如下表所示：

表2 測試函數(shù)信息

計算機仿真時所采用的基本配置是Microsoft Window 64位操作系統(tǒng)，計算環(huán)境為Matlab2016。

（一）非線性收斂因子仿真分析

圖1 g1尋優(yōu)結(jié)果

圖2 g2尋優(yōu)結(jié)果

由圖中可以看出，單獨引入新提出的非線性收斂因子在算法性能上有提升，但是仍有很大的提升空間，在單峰值實驗函數(shù) g1和多峰值實驗函數(shù) g2的尋優(yōu)過程中，算法沒有找到理論上的最優(yōu)解答。這是因為初始化時，電能的分布較為分散，隨機性較強，盡管單獨引入新的斂算因子提升效果并不是很好，但是進(jìn)行其他持續(xù)的算法改進(jìn)后，對于算法的求解能力會有一定優(yōu)化。

（二）引入動態(tài)權(quán)重策略仿真分析

通過前面的仿真測試，采用非線性收斂因子的算法在一定程度上提高了算法的收斂速率，但是其尋優(yōu)結(jié)果并不優(yōu)越，對于算法在尋找最優(yōu)調(diào)配點的過程中易陷入局部最優(yōu)的問題，本文通過引入動態(tài)權(quán)重策略來進(jìn)行仿真，避免這種問題的發(fā)生。測試前提設(shè)定，測試函數(shù)的維度為dim=30，測試中的最大迭代次數(shù)為，對單峰值實驗函數(shù) g1和多峰值實驗函數(shù) g3進(jìn)行模擬，測試結(jié)果如下圖所示。

圖3 g1尋優(yōu)結(jié)果

圖4 g3尋優(yōu)結(jié)果

由圖中數(shù)據(jù)可以得到，在引入動態(tài)權(quán)重策略后，優(yōu)化后的灰狼算法在單峰函數(shù) g1和多峰函數(shù) g3上能找到最優(yōu)值0，引入改進(jìn)動態(tài)權(quán)重策略的算法能夠找到整體最優(yōu)，大幅度提高了收斂效率。仿真測試證明，引入動態(tài)權(quán)重策略的灰狼算法在收斂精度和尋找整體最優(yōu)的效能上有很大提高。

總結(jié)

以降低校園整體能耗為出發(fā)點，建立多變量多約束非線性優(yōu)化節(jié)能方法模型，設(shè)計了采用灰狼群體智能算法的校園節(jié)能系統(tǒng)。經(jīng)試算驗證，可得出以下結(jié)論：（1）灰狼群體智能算法的非線性算法相較于線性算法具有前期求解范圍大，后期求解效率高的特點。（2）設(shè)計出的基于改進(jìn)后灰狼群體智能算法的校園節(jié)能系統(tǒng)節(jié)能效果明顯，節(jié)能率預(yù)計可達(dá)10%-25%。