[发明专利]基于神经网络和改进粒子群算法的中央空调系统优化方法和系统

权利要求书

1.一种基于神经网络和改进粒子群算法的中央空调系统优化方法，其特征在于，包括：

步骤1：对中央空调历史数据应用神经网络进行黑箱建模；

步骤2：对中央空调系统运行时进行改进粒子群算法优化；

步骤3：应用云计算平台实现云端的算法优化和指令下达。

2.根据权利要求1所述的基于神经网络和改进粒子群算法的中央空调系统优化方法，其特征在于，通过四分位法对历史数据进行数据清洗，在数据清洗完成后，通过系统负荷变换情况和控制策略对构建模型的数据进行筛选。

3.根据权利要求1所述的基于神经网络和改进粒子群算法的中央空调系统优化方法，其特征在于，在改进粒子群优化过程中，根据中央空调系统的热惯性，对优化过程中涉及的温度限制为±0.3℃，对涉及的频率限制为5Hz。

4.根据权利要求1所述的基于神经网络和改进粒子群算法的中央空调系统优化方法，其特征在于，确定优化的目标函数，对于整个中央空调系统，优化的目标选择为系统的单耗UC：

E表示整个系统的能耗；Q表示系统提供的冷负荷。

5.根据权利要求1所述的基于神经网络和改进粒子群算法的中央空调系统优化方法，其特征在于，初始化优化的粒子群优化的粒子个数n，确定粒子群优化过程中的学习因子c₁和c₂，粒子的初始位置X，以及优化的范围在[X_min,X_max]，X为优化变量组成的5维数组，粒子的初始寻优速度V，以及最大的粒子寻优速度V_max；

计算每个粒子的个体适应度，带入模型进行计算，对第i个粒子，计算该粒子的整个模型的耗能，记为E_init,i，计算该粒子的系统模型是否可以满足此时的末端负荷情况，记此时的模型计算结果为Q_init,i，计算此时系统的单耗UC_init,i；

保留此时的各粒子的适应度情况，记此时初始化完各个粒子的情况认为是粒子的个体最优情况，集为P_best，即保留此时各个粒子的耗能、可满足的末端负荷以及该粒子的单耗，并在各个粒子中，选取满足条件的粒子，以其单耗为目标，选择全局最优的粒子，记此时粒子的状态为G_best；

粒子群进行迭代，对于粒子i：

V_i＝V_i+c₁×rand()×(P_best,i-X_i)+c₂×rand()×(gbest_i-X_i)

其中，P_best,i,j-1表示第j-1次迭代过后，整个迭代过程中粒子i个体的最优位置；G_best,i,j-1表示第j-1次迭代过后，迭代过程中全局所有粒子中最优的位置；X_i,j-1表示粒子i在第j-1次迭代的位置；rand是介于(0，1)之间的随机数；

则其粒子位置X_i的迭代：

X_i＝X_i+V_i

其中，i表示第i个位置，j表示迭代的代数，X表示粒子的位置，V表示粒子的速度；

在第j次迭代中，对第i个粒子，计算该粒子的整个模型的耗能，记为E_i,j，计算该粒子的系统模型是否可以满足此时的末端负荷情况，记此时的模型计算结果为Q_i,j，计算此时系统的单耗UC_i,j；

比较第j次迭代中个体的适应度和之前个体最优值的大小，即比较UC_i,j和P_best,i的关系，若第j次迭代的个体适应度较优，则更新其个体最优值，将其作为新的个体最优值P_best；将所有的个体最优值与总体最优值G_best进行比较，若第i个粒子的个体最优值较之前总体最优值较优，则更新总体最优值，将其作为新的总体最优值G_best；

迭代优化停止过程，当迭代次数达到预设最大迭代次数或持续多次迭代过程变化量小于预设数值时，则认为迭代完成，终止整个优化算法；

输出迭代完成后的全局最优值作为整个中央空调能耗系统的最佳节能效果值，并输出此时的X值，作为控制变量；

计算完成之后，将云计算平台上的结果传入数据库，并通过数据库传出指令到中央空调系统的控制器，进行实时的控制过程。