閆 峰

(1. 河北工業(yè)大學(xué) 建筑與藝術(shù)設(shè)計(jì)學(xué)院， 天津 300401； 2. 邢臺(tái)學(xué)院 科研處， 河北 邢臺(tái) 054001)

控制工程

基于差分進(jìn)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(xué) 建筑與藝術(shù)設(shè)計(jì)學(xué)院， 天津 300401； 2. 邢臺(tái)學(xué)院 科研處， 河北 邢臺(tái) 054001)

針對(duì)公共建筑集中供熱系統(tǒng)能耗高、自動(dòng)調(diào)節(jié)和實(shí)時(shí)監(jiān)控難度大的問題，將數(shù)字溫度傳感器、芯片控制技術(shù)及CAN總線技術(shù)結(jié)合到一起，設(shè)計(jì)了一種基于差分進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)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(fù)雜性、快速收斂的優(yōu)勢(shì)，且自適應(yīng)能力較強(qiáng)，能夠?qū)崿F(xiàn)供熱流量自動(dòng)調(diào)節(jié)和網(wǎng)絡(luò)實(shí)時(shí)監(jiān)控.為了驗(yàn)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(jìn)行了試驗(yàn)比較，結(jié)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(jìn)化算法； 神經(jīng)網(wǎng)絡(luò)

集中供熱是指用熱水和蒸汽作為熱源，通過管網(wǎng)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(guó)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(diǎn)[1].目前，隨著供熱管網(wǎng)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(dòng)調(diào)節(jié)及實(shí)時(shí)監(jiān)控困難等問題，如何能夠?qū)⒓泄嵯到y(tǒng)進(jìn)行合理的調(diào)節(jié)和控制，從而達(dá)到供熱效果最好、節(jié)能減排、科學(xué)管理的目的成為了研究關(guān)注的焦點(diǎn)[2-5].本文從低耗運(yùn)行和系統(tǒng)實(shí)時(shí)監(jiān)控兩方面出發(fā)，設(shè)計(jì)了一種基于差分進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)集中控制供熱節(jié)能系統(tǒng)，并與現(xiàn)場(chǎng)總線數(shù)據(jù)信號(hào)實(shí)現(xiàn)通信，從而達(dá)到實(shí)時(shí)監(jiān)控和自動(dòng)控制，節(jié)能和科學(xué)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(diào)節(jié)大多是開環(huán)控制系統(tǒng)，其供熱負(fù)荷大小僅與室外溫度的變化相關(guān)，缺乏自動(dòng)調(diào)節(jié)能力，且由于供熱負(fù)荷的頻繁增減，致使電動(dòng)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(diào)，產(chǎn)生供熱流量不均的情況[6-8].對(duì)此，本文設(shè)計(jì)一種基于差分進(jìn)化算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)調(diào)控的閉環(huán)供熱系統(tǒng)，其結(jié)構(gòu)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(shù)及總線技術(shù)結(jié)合到一起，具有較強(qiáng)自適應(yīng)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(shí)現(xiàn)自動(dòng)控制的過程是：首先將當(dāng)前監(jiān)測(cè)的室外環(huán)境數(shù)據(jù)與給定量進(jìn)行比較，并在差分進(jìn)化優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法模型中進(jìn)行訓(xùn)練學(xué)習(xí)，計(jì)算出所需的供熱量，預(yù)測(cè)供熱負(fù)荷，然后由控制器對(duì)電動(dòng)三通閥進(jìn)行調(diào)控，以達(dá)到預(yù)測(cè)供熱量所需的供水流量，以平均室溫為被控對(duì)象，利用數(shù)字溫度傳感器對(duì)室溫變化進(jìn)行監(jiān)測(cè)，并使用智能控制器對(duì)電動(dòng)三通閥進(jìn)行適當(dāng)控制，使被控制值與室溫平均值的誤差最小，達(dá)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(jù)實(shí)時(shí)傳輸?shù)奖O(jiān)控系統(tǒng)，達(dá)到系統(tǒng)實(shí)時(shí)監(jiān)控的目的.

圖1 基于差分進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)

2 系統(tǒng)設(shè)計(jì)方案

2.1 系統(tǒng)硬件設(shè)計(jì)

系統(tǒng)硬件設(shè)計(jì)結(jié)構(gòu)圖如圖2所示，主控制器采用MSP430F413單片機(jī)，它是IT推出的一種最新超低耗混合信號(hào)16位單片機(jī)，具有5種低功耗模式；采用DS18B20數(shù)字溫度傳感器，測(cè)量范圍在-55～125 ℃，輸出溫度信號(hào)為阿拉伯?dāng)?shù)字，線路串行結(jié)構(gòu)，其硬件電路簡(jiǎn)單，抗外界干擾能力強(qiáng)，可安裝在電動(dòng)三通閥上，以便通過溫差來實(shí)現(xiàn)供熱流量的調(diào)節(jié)；CAN總線具有穩(wěn)定性及可靠性高的優(yōu)勢(shì)，它能夠?qū)S18B20數(shù)字溫度傳感器的溫度及對(duì)應(yīng)的時(shí)間傳輸至監(jiān)控系統(tǒng)，對(duì)移動(dòng)物體的網(wǎng)絡(luò)傳輸有較好的處理能力.

圖2 系統(tǒng)硬件設(shè)計(jì)結(jié)構(gòu)

2.2 系統(tǒng)軟件設(shè)計(jì)

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

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

(1)

(2)

式中：m為當(dāng)前進(jìn)化代數(shù)；n1、n2、n3為隨機(jī)選取的個(gè)體序號(hào)；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(huì)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(yīng)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(gè)體的優(yōu)良性，自適應(yīng)變異因子的表達(dá)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(jìn)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(jìn)化算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，既彌補(bǔ)了差分進(jìn)化算法的不足，又降低了神經(jīng)網(wǎng)絡(luò)算法的復(fù)雜性，使收斂速度更快[14-15].其基本思想是[16]：先用差分進(jìn)化算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值進(jìn)行全局預(yù)尋優(yōu)，然后把最優(yōu)解作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閥值，最后采用基于神經(jīng)網(wǎng)絡(luò)的算法進(jìn)行局部尋優(yōu)，從而確定最佳的權(quán)值和閥值.

3 實(shí)驗(yàn)仿真驗(yàn)證

由上述系統(tǒng)硬件及軟件設(shè)計(jì)方案得到系統(tǒng)的主程序結(jié)構(gòu)流程圖如圖3所示.為了驗(yàn)證該系統(tǒng)的有效性及可靠性，特以實(shí)驗(yàn)室大樓作為研究對(duì)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(shè)置種群范圍R=60，總進(jìn)化代數(shù)m=100，訓(xùn)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(jìn)行了比較.

圖3 主程序流程圖

實(shí)驗(yàn)室大樓集中供熱時(shí)間基本固定，具有階段性供暖的特點(diǎn)，且每一個(gè)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(shí)間段，依照這些情況在本系統(tǒng)上實(shí)施自動(dòng)調(diào)控和實(shí)時(shí)監(jiān)控，并與傳統(tǒng)PID控制系統(tǒng)(延遲時(shí)間為300 s，一階慣性環(huán)節(jié)時(shí)間常數(shù)為4 000，仿真步長(zhǎng)10 s)進(jìn)行比較.通過對(duì)2015-11-01至2016-03-20這個(gè)階段時(shí)間內(nèi)的供暖能耗進(jìn)行監(jiān)測(cè)，得出兩種算法的供熱量關(guān)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(jìn)化算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)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(jié) 論

本文設(shè)計(jì)了一種基于差分進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，實(shí)現(xiàn)了對(duì)公共建筑集中供熱節(jié)能系統(tǒng)的自動(dòng)調(diào)節(jié)和實(shí)時(shí)監(jiān)控，并與傳統(tǒng)節(jié)能控制系統(tǒng)的供熱消耗進(jìn)行比較，從而驗(yàn)證了系統(tǒng)的節(jié)能效果，可以得到以下幾點(diǎn)結(jié)論：

圖4 兩種系統(tǒng)的供熱量曲線比較

1) 基于差分進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)具有降低遺傳算法復(fù)雜性、快速收斂的優(yōu)勢(shì)，能夠有效預(yù)測(cè)公共建筑集中供熱負(fù)荷的發(fā)展趨勢(shì)，便于主控制器對(duì)熱流量進(jìn)行自動(dòng)調(diào)控和實(shí)時(shí)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(duì)簡(jiǎn)單，不能很好適應(yīng)室外內(nèi)多參數(shù)變化，而基于差分進(jìn)化算法的控制系統(tǒng)可實(shí)現(xiàn)網(wǎng)絡(luò)實(shí)時(shí)監(jiān)控，使供熱系統(tǒng)安全、節(jié)能運(yùn)行.

表1 集中供暖季平均供熱量統(tǒng)計(jì)

[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(xué)，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(wǎng)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(xué)，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(shí)測(cè)數(shù)據(jù)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(xué)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(xué)，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(jì)算機(jī)，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(yīng)用 [J].河南科學(xué)，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(guó)強(qiáng).基于通/斷式供熱控制模式的熱分?jǐn)偧夹g(shù)應(yīng)用實(shí)例 [J].暖通空調(diào)，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(yīng)差分進(jìn)化算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè) [J].計(jì)算機(jī)工程與科學(xué)，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(xué)，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(mèng)瑩，朱曈.基于差分進(jìn)化算法的MU-MIMO用戶調(diào)度算法 [J].沈陽工業(yè)大學(xué)學(xué)報(bào)，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(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)分布評(píng)估的多目標(biāo)差分算法 [J].計(jì)算機(jī)工程與設(shè)計(jì)，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(jìn)的分?jǐn)?shù)階PID廣義預(yù)測(cè)控制算法在集中供熱網(wǎng)中的仿真研究 [D].沈陽：沈陽工業(yè)大學(xué)，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(jīng)網(wǎng)絡(luò)控制方法 [J].計(jì)算機(jī)工程與應(yīng)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(shí)間序列的Elman神經(jīng)網(wǎng)絡(luò)工業(yè)用電預(yù)測(cè) [J].沈陽工業(yè)大學(xué)學(xué)報(bào)，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(zé)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(xiàng)資助項(xiàng)目(16K576650)； 河北省社會(huì)科學(xué)基金資助項(xiàng)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(guó)知網(wǎng)優(yōu)先數(shù)字出版. 網(wǎng)絡(luò)出版地址： http：∥www.cnki.net/kcms/detail/21.1189.T.20170328.1702.006.html