[發明專利]一種并聯冷機負荷分配優化方法、存儲介質及計算設備

有效

• 申請號: 202011304111.3
• 申請日: 2020-11-19
• 公開（公告）號: CN112365076B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 于軍琪;趙澤華;趙安軍;王福;陳時羽
• 申請（專利權）人: 西安建筑科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/006;G06N7/01
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

1.一種并聯冷機負荷分配優化方法，其特征在于，包括以下步驟：

S1、利用蒙特卡洛模擬方法和BaOA選擇機制對并行種群中所有粒子位置、個體最優和全局最優進行初始化，具體為：

S101、對滿足冷機PLR的預定義范圍的隨機數數組即x_i,j∈{(0.3,1),0}的隨機數數組采用蒙特卡洛模擬通過重復隨機抽樣找到全局最優解的近似解；

S102、對蒙特卡洛模擬得出的全局最優解的近似解采用BaOA選擇機制使用基本算數運算符對近似最優解進行處理，乘法和除法運算符分別生成距近似解較近和較遠區域的粒子位置；加法和減法運算符生成距近似解中等距離區域的粒子位置；

S103、利用初始化的粒子位置和各冷機內置的冷機部分負荷率-功率的性能參數計算每個粒子的適應度，設置粒子當前位置為個體最優位置，設置初始全局最佳粒子的位置為全局最優位置；

S2、采用動態變化的自適應更新步驟S1初始化后并行種群的慣性權重和學習因子，更新公式分別如下：

其中，t為當前迭代次數，T為設定的總迭代次數，ω為粒子速度更新過程中的慣性權重，c為學習因子；

S3、將步驟S2自適應更新后的并行種群分為兩個子群，采用維度學習和異構綜合學習的兩群學習策略并以多重優化策略的更新方式對各并行種群中粒子的速度和位置進行更新；

異構綜合學習具體為：將用于異構綜合學習的子群分為兩個異質子群，分別專注于全局勘探和局部開發，更新第i個粒子第j維的速度，生成一個隨機數，如果小于學習概率P_ci，任選兩個粒子，選取適應度值更好的粒子對應維度的值作為f_i(j)；反之粒子i自身的個體最優位置對應維度的值作為f_i(j)；第i個(1≤i≤M)粒子進行學習概率設置，使粒子的全局勘探和局部開發平衡，同時選擇f_i(j)進而更新PLR_j后更新所有粒子個體最優位置，然后選擇f_i(j+1)更新PLR_j+1；

維度學習具體為：

以5臺并聯冷機總能耗最低為優化目標；是用于維度學習的子群中粒子i的初始個體最優位置，是全局最優位置，PLR_j更新完畢后會更新和x^gbest用于PLR_j+1的更新；兩者各維度的值分別代表對應冷機PLR在更新過程中的個體最優和全局最優，同時設置x^test用于維度學習的過程中更新粒子個體最優位置過程如下：

S301、首先將初始個體最優位置賦給對于第一臺冷機，使則因此PLR₁個體最優不更新，粒子個體最優位置

S302、對于第二臺冷機，使則因此更新PLR₂個體最優粒子個體最優位置

S303、對于第三臺冷機，使則因此更新PLR₃個體最優粒子個體最優位置

S304、對于第四臺冷機，使則因此PLR₄個體最優不更新，粒子個體最優位置

S305、對于第五臺冷機，使則因此更新PLR₅個體最優粒子個體最優位置

S4、根據步驟S3更新后的結果計算粒子適應度值，更新個體最優和全局最優，并利用達爾文自然選擇機制動態改變各種群的種群規模和搜索空間，同時利用多重優化逐維對粒子優化變量進行迭代選擇，在滿足末端負荷需求的前提下以系統總能耗為目標函數，以目標函數最小為目標進化下一代，直至得到最低能耗值或達到最大的迭代次數，具體為：

S401、采用多重優化策略，在一次迭代過程中順序更新各冷機PLR，在進行迭代選擇時，從PLR₁開始更新；首先使除PLR₁外的其余冷機的PLR保持不變，經過兩群學習更新PLR₁；然后使除了PLR₂外的其余冷機的PLR保持不變，對PLR₂進行更新；依次完成剩余所有冷機PLR的更新，并依S403的達爾文選擇機制進化種群，即一次迭代過程結束，進入下一次迭代過程，直至達到終止迭代的條件；

S402、在多重優化過程中，如果優于當前的個體最優，則更新對應粒子的個體最優位置；如果存在某一粒子的最優值優于當前全局最優位置，則更新種群的全局最優位置；

S403、當各種群搜索趨向于局部最優解時，丟棄對應搜索區域并在另一個區域開始新的搜索；

S5、將步驟S4迭代完成后的所有并行種群的全局最優進行比較，選擇適應度最好對應的粒子位置作為負荷分配優化的結果并輸出，完成并聯冷機系統的負荷分配優化。