本发明属于空气源热泵,涉及一种空气源热泵多目标优化设计方法。
背景技术:
空气源热泵,主要通过吸收低温热源中的热量作为热能来源,通过少量电能驱动压缩机运转将蒸发器吸收的空气中的热量经换热器释放到加热对象中,是一种利用高位能使热量从低位热源空气流向高位热源的节能装置。空气源热泵在当今生活中应用广泛,一方面给人们的生活带来了便宜,另一方面由于对环境没有污染,因此在节能环保方面做出了重大的贡献。
工作状态下的能效比cop和成本是衡量空气源热泵性能优劣的重要参数,对于热泵来说,气冷器的换热温差tgc、蒸发器的换热温差tev和气冷器的压力pgc对热泵的压缩机功率w、制冷量qc、压缩机进口压力p1和压缩机出口压力p2有较大的影响,进而影响热泵系统的cop和成本。若要针对系统cop和成本这两个目标对热泵进行优化设计,就必须找出优化变量与输入变量以及优化变量之间的相互关系。传统的设计方法仅仅是通过变量对系统进行单目标的研究,无法对系统进行多目标的优化,而且也不能精确地找到运行工况,不适合对设计及相关循环的研究。
技术实现要素:
为了克服已有的热泵模型的精度较低,耗时过长和优化目标单一的问题,本发明提供了一种精度较高且能够快速实现对系统的cop和成本多目标优化的bp神经网络辅助的多父代遗传算法的空气源热泵多目标优化设计方法。
本发明解决其技术问题所采用的技术方案是:
一种融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法,包括以下步骤:
步骤1、根据设计要求进行参数选取和数据处理
选择气冷器换热温差tgc、蒸发器换热温差tev、气冷器压力pgc作为输入变量,系统cop、成本cost作为输出变量,并对输入输出变量作归一化处理,使其处于[0,1]之间,归一化公式如下:
其中k为归一化后的值,x为被归一化的数据,xmin、xmax分别为被归一化数据中的最小值和最大值;
步骤2、构建bp神经网络模型,过程如下:
2.1参数初始化,设置隐含层的神经元个数,神经元个数的计算可根据经验公式:
2.2训练神经网络,将步骤1中的数据分成训练集和测试集两个部分,bp神经网络将随机地选取训练集中的数据进行训练并计算隐含层和输出层的值;
2.3误差计算,计算预测输出与期望输出的差值;
2.4判断误差是否符合要求,若不符合则更新输入层和隐含层的权值和阈值后返回步骤2.2,进行下一轮学习,若误差符合规定要求或者达到最大训练次数时,则训练结束;
2.5测试神经网络,完成所有的数据训练后,用测试集里的数据对神经网络进行测试,直至满足训练误差规定的范围,自此bp神经网络模型构建完成;
步骤3、基于训练完成的bp神经网络,利用多父代遗传算法对空气源热泵进行多目标优化;
步骤4、通过上述步骤可以根据pareto解得到最优解的输入变量的参数值,从而得到各个部件的设计参数值,进而反馈给设计者。
进一步,所述步骤3的过程如下:
3.1参数初始化:采用实数编码的方式对种群及个体进行编码,设置种群的规模n1,进化次数g,交叉概率pc和变异概率pm,种群规模n1根据热泵的实际情况而定,取值范围为10~100,进化次数为100~1000,交叉概率pc的取值范围为0.25~1,变异概率pm的取值范围为0.001~0.1;
3.2种群初始化:设进化代数计数器t=0和最大进化代数g,随机生成初始父代种群2pt;
3.3目标函数的计算:计算种群中各个体的目标函数值,将bp神经网络学习的输入输出的映射关系中的输出作为多父代遗传算法的目标函数值;
3.4非支配排序和拥挤度计算:为了进行多目标的优化和增加种群的多样性,对个体进行非支配排序和拥挤度计算,在非支配排序中,非支配序等级较高的个体优先被选择,若两个个体属于同一个非支配层,则要依据拥挤度来选择;为了更好地取到种群中不同的个体,要选取周围较不拥挤的个体,即拥挤度较大的个体。根据非支配排序和拥挤度比较算子,将比较算子作为种群的适应度值,选择适应度较高的pt个个体组成新的父代种群;
3.5多父代交叉和变异操作:从父代种群中选取多条染色体进行下一代染色体的操作,通过染色体的交叉组合来产生新的个体:将变异算子作用于群体,对于选中的个体中改变某一个或者某一些基因后得到子代种群qt:
3.6选择操作:将交叉变异后得到的子代种群与父代种群合并为新种群rt,根据bp神经网络模型计算得到的种群目标函数值对个体进行非支配排序和拥挤度计算,根据非支配排序和拥挤度比较算子,将比较算子作为种群的适应度值,选择适应度较高的个体组成新的父代种群pt+1;
3.7计算是否满足最大进化次数,若满足最大进化次数,则计算结束;若不满足最大进化次数则重复步骤3.5~3.6,直至满足进化次数为止;计算结束后在所有剩余的个体中依据非支配排序和拥挤度比较算子选取所需的个体作为最终的pareto解。
本发明的技术构思为:为了能够同时优化系统cop和经济性这两个具有对立关系的目标,解决常规的分析方法很难解决多目标优化的问题,提出了一种融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法。
bp神经网络是一种误差反向传播算法的多层感知器,是目前应用最广泛的神经网络模型之一。bp网络可以快速的拟合出输入-输出模型,通过反向传播来不断调整网络的权值和阀值,使网络的误差平方和最小。
遗传算法是一种解决优化问题的借鉴生物界进化规律的随机化搜索方法,通过选择、交叉、变异,自适应地调整搜索方向得到最优解和与之对应的输入变量的值。
本发明利用bp网络与多父代遗传算法相结合的方法对目标进行优化,利用这种方法可以快速地建立输入输出模型,克服了先前用时过长、精度过低且无法对各种因素影响的多目标的综合优化的缺点。通过优化的目标变量值来确定各个部件的设计参数,从而得到一个优化的空气源热泵机组。
本发明的有益效果主要表现在:本发明根据优化的目标变量值来确定各个部件的设计参数,从而得到一个优化的空气源热泵机组。bp神经网络可以快速地建立输入输出关系,有效地解决了传统方法误差普遍较大的问题;多父代遗传算法通过选取多条染色体合成的下一代染色体可以获得多条染色体的优点。本发明的设计方法不仅减少了改造的时间和成本,而且还可以较高精度地进行多目标优化,从而得到两个优化目标相互制约下的最高系统效率和最低热泵成本。
附图说明
图1是bp神经网络的结构示意图。
图2是融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法,包括以下步骤:
步骤1、根据设计要求进行参数选取和数据处理
选择气冷器换热温差tgc、蒸发器换热温差tev、气冷器压力pgc作为输入变量,系统cop、成本cost作为输出变量,并对输入输出变量作归一化处理,使其处于[0,1]之间,训练样本数据可来自于文献或在实验中测得,归一化公式如下:
其中k为归一化后的值,x为被归一化的数据,xmin、xmax分别为被归一化数据中的最小值和最大值;
步骤2、构建bp神经网络模型,过程如下:
2.1参数初始化,设置隐含层的神经元个数,神经元个数的计算可根据经验公式:
2.2训练神经网络,将步骤1中的数据分成训练集和测试集两个部分,bp神经网络将随机地选取训练集中的数据进行训练并计算隐含层和输出层的值;
2.3误差计算,计算预测输出与期望输出的差值;
2.4判断误差是否符合要求,若不符合则更新输入层和隐含层的权值和阈值后返回步骤2.2,进行下一轮学习,若误差符合规定要求或者达到最大训练次数时,则训练结束;
2.5测试神经网络,完成所有的数据训练后,用测试集里的数据对神经网络进行测试,直至满足训练误差规定的范围,自此bp神经网络模型构建完成;
步骤3、基于训练完成的bp神经网络,利用多父代遗传算法对空气源热泵进行多目标优化;
步骤4、通过上述步骤可以根据pareto解得到最优解的输入变量的参数值,从而得到各个部件的设计参数值,进而反馈给设计者。
进一步,所述步骤3的过程如下:
3.1参数初始化:采用实数编码的方式对种群及个体进行编码,设置种群的规模n1,进化次数g,交叉概率pc和变异概率pm,种群规模n1根据热泵的实际情况而定,取值范围为10~100,进化次数为100~1000,交叉概率pc的取值范围为0.25~1,变异概率pm的取值范围为0.001~0.1;
3.2种群初始化:设进化代数计数器t=0和最大进化代数g,随机生成初始父代种群2pt;
3.3目标函数的计算:计算种群中各个体的目标函数值,将bp神经网络学习的输入输出的映射关系中的输出作为多父代遗传算法的目标函数值;
3.4非支配排序和拥挤度计算:为了进行多目标的优化和增加种群的多样性,对个体进行非支配排序和拥挤度计算,在非支配排序中,非支配序等级较高的个体优先被选择,若两个个体属于同一个非支配层,则要依据拥挤度来选择;为了更好地取到种群中不同的个体,要选取周围较不拥挤的个体,即拥挤度较大的个体。根据非支配排序和拥挤度比较算子,将比较算子作为种群的适应度值,选择适应度较高的pt个个体组成新的父代种群;
3.5多父代交叉和变异操作:从父代种群中选取多条染色体进行下一代染色体的操作,通过染色体的交叉组合来产生新的个体:将变异算子作用于群体,对于选中的个体中改变某一个或者某一些基因后得到子代种群qt:
3.6选择操作:将交叉变异后得到的子代种群与父代种群合并为新种群rt,根据bp神经网络模型计算得到的种群目标函数值对个体进行非支配排序和拥挤度计算,根据非支配排序和拥挤度比较算子,将比较算子作为种群的适应度值,选择适应度较高的个体组成新的父代种群pt+1;
3.7计算是否满足最大进化次数,若满足最大进化次数,则计算结束;若不满足最大进化次数则重复步骤3.5~3.6,直至满足进化次数为止;计算结束后在所有剩余的个体中依据非支配排序和拥挤度比较算子选取所需的个体作为最终的pareto解。