改进并行粒子群算法用于冷却水系统节能优化

针对冷却水系统优化问题提出一种改进并行粒子群(IPPSO)算法,以系统能耗最小为优化目标,以系统中各设备的运行参数为优化变量进行求解.在该算法中,采用随机和混沌序列机制分别对两个种群的粒子进行初始化,使两种群在产生初期便具有不同特征;并根据两种群特点,采用不同惯性权重改进策略,提高算法搜索能力;同时利用一种新迁移算子对种群间个体进行交换,增强粒子多样性,使种群向更高层次进化;此外,考虑到系统设备运行数量为整数且受到系统设计总台数的限制,引入穷举法机制对系统中设备部分运行参数进行求解,减少最优解验证工作量,缩短优化时间.最后对某实际冷却水系统进行了详细测试,结果表明,使用IPPSO算法对设备运行参数优化后,冷却水系统总能耗降低12.49%,具有较好的节能效果.同时相比于其他算法,IPPSO能得到更好的优化策略,且在收敛性、计算复杂度和鲁棒性方面具有优势.

人工鱼群算法在虚拟机分配中的应用

虚拟机分配是云数据中心的一个重要任务,它实现物理机和虚拟机的映射,这对整个云数据中心中计算集群的性能,响应时间和服务质量有重要影响。需要采用一定的虚拟机分配策略来保障在同一集群中自动地完成虚拟机分配,以便达到物理机集群的负载均衡,虚拟机迁移次数最小并且节能环保等目的。提出了一种添加新型行为策略的人工鱼群算法,并将该算法成功应用于虚拟机分配问题的求解。与多种虚拟机分配算法的对比结果表明,算法能更快获得符合云数据中心多个需求的分配方案,对于其他实时性要求较高的组合优化问题同样具有应用价值。

基于随机森林的大型公共建筑能耗混合预测模型

针对公共建筑能耗预测模型中影响变量相关性低、冗余性高的问题,提出了基于二氧化碳浓度的公共建筑人员流动率间接测量方法,以提高模型的预测精度,并提出了一种大型公共建筑能耗混合预测模型。首先利用LASSO变量选择算法筛选出与公共建筑能耗相关性高的影响因素,再引入改进的并行排序蚁群优化算法对随机森林预测模型的参数进行优化,进一步提高预测性能。最后,以西安某公共建筑监测数据为例进行预测分析。结果表明,人员流动率对公共建筑能耗预测有着重要的影响,所提模型的泛化能力强、预测精度高,可以为公共建筑节能优化提供有效的数据支撑。

中央空调冷冻水系统设备节能优化方法

针对中央空调冷冻水系统运行能耗高、系统设备参数难以随负荷变化而动态调节的问题,采用一种结合穷举法的自适应并行人工免疫算法(Adaptive parallel artificial immune algorithm combined with exhaustive method, EM-APAIA)优化系统设备在不同负荷下的运行参数,以降低冷冻水系统的运行能耗。首先建立了系统内各设备的功耗模型,以所有设备功耗最小作为冷冻水系统的优化控制目标。其次,采用EM-APAIA对冷冻水供水温度、冷冻水泵的运行台数和转速比等运行参数进行优化。在该算法中,对初始化方式、移民算子和变异概率进行了改进以及引进穷举法机制,增强了算法对冷冻水系统设备运行参数的优化能力。最后对某一实际中央空调冷冻水系统进行了仿真实验。结果表明:与常规设置相比,使用EM-APAIA对系统内各设备运行参数优化后,系统总能耗降低14.8%;同时相对于其他对比算法,该算法能得到更好的控制策略,且收敛速度快、稳定性强,可用于中央空调冷冻水系统内各设备的控制优化。

基于组合神经网络的建筑冷负荷混合预测模型

准确的建筑冷负荷预测是实现大型中央空调系统优化运行、节能降耗的关键.为此,提出一种天牛须搜索(BAS)算法优化的广义回归神经网络(GRNN)结合长短时记忆(LSTM)神经网络的混合预测模型(BAS-GRNN&LSTM),用于建筑冷负荷预测.首先,采用递归特征消除法得到最佳特征数量并结合随机森林算法做特征选择;再将天牛须搜索算法优化后的广义回归神经网络与长短时记忆神经网络组合,构建冷负荷混合预测模型;最后利用某大型建筑的实测数据进行了仿真实验.结果表明:天牛须搜索算法有很好的稳定性和收敛性,适用于广义回归神经网络参数优化;利用随机森林算法结合递归特征消除法提取出的特征能够更好地建立预测模型,有效增加模型预测精度;相比其他预测模型,BAS-GRNN&LSTM的预测效果更为优越,并能对不同月份冷负荷进行有效预测,泛化能力强,适用于建筑冷负荷预测.