定义适应度函数，也就是我们要算的总能耗，越小越好

基于粒子群优化算法的地表水源热泵机组优化调度 以水源热泵机组角度对地表水源热泵系统建模 并采用粒子群优化算法优化算法求解热泵机组每小时最佳制冷量和制热量最近帮朋友做了个小区地表水源热泵的调度优化项目一开始以为就是调调空调温度没想到藏了这么多门道——毕竟地表水的水温一天到晚变机组的制冷/制热效率也跟着飘手动调根本赶不上变化最后还是用粒子群算法搞定了今天就唠唠整个过程。先搞明白我们要干啥简单说就是给这个热泵机组算出来一天24小时里每个小时开多少制冷/制热量最省电。毕竟地表水的水温凌晨最低、午后最高机组在水温低的时候COP制冷/制热效率会更高这时候多带点负荷反而更省要是硬按固定功率跑中午水温高的时候不仅费电还可能带不动用户的空调需求。首先得先给机组建个简化模型不用搞太复杂的热力学公式毕竟我们要的是调度优化不是仿真机组的耗电量 每小时的负荷量 / 机组COP机组COP和地表水进水温度成线性关系查了样本机组的参数大概是COP 0.3*Tw 1.2Tw是水温单位℃夏天的话COP大概在7.2到10.2之间符合实际情况还要加约束每个小时的负荷不能小于0也不能超过机组的额定容量不然要么白耗电要么带不动需求上代码边写边唠我这边偷懒用了Python毕竟写起来快不用一个个循环算。首先导入需要的库import numpy as np import matplotlib.pyplot as plt先定义我们要最小化的目标函数——也就是总耗电量def fitness_func(x, T_w_list, rated_cap): # x是每个小时的制冷/制热量长度是24对应一天24小时 # T_w_list是每小时的地表水温度同样24个值 total_energy 0 for i in range(24): q_load x[i] # 先做约束负荷不能超出机组额定范围不然直接返回无穷大相当于废掉这个解 if q_load 0 or q_load rated_cap: return np.inf # 计算当前水温下的COP cop 0.3 * T_w_list[i] 1.2 # 累加这一小时的耗电量 total_energy q_load / cop return total_energy接下来是粒子群算法的核心不用纠结太学术的公式说白了就是基于粒子群优化算法的地表水源热泵机组优化调度 以水源热泵机组角度对地表水源热泵系统建模 并采用粒子群优化算法优化算法求解热泵机组每小时最佳制冷量和制热量一群虚拟的“粒子”在可能的解空间里乱飞每个粒子记一下自己飞到过的最省电的位置也记一下整个群体飞到过的最省电的位置然后慢慢调整飞行方向最后就能收敛到最优解。# 先模拟一组夏天的地表水温度数据凌晨低、午后高 T_w_sample np.array([22,21,20,20,21,23,25,28,30,31,30,29,28,27,26,25,26,29,31,32,30,28,25,23]) # 假设机组额定制冷量是100kW rated_cap 100 # 粒子群算法的参数都是抄的通用配置亲测好用 n_particles 30 # 粒子数量越多越准但跑的越慢 dim 24 # 解的维度一天24小时每个小时一个负荷值 max_iter 100 # 迭代次数 w_start 0.9 # 初始惯性权重前期让粒子多飞 w_end 0.4 # 最终惯性权重后期让粒子稳定下来 c1 2 # 个体学习因子让粒子往自己的最优位置飞 c2 2 # 群体学习因子让粒子往全局最优位置飞 x_min, x_max 0, rated_cap # 每个小时负荷的取值范围 # 初始化粒子的位置和飞行速度 positions np.random.uniform(lowx_min, highx_max, size(n_particles, dim)) velocities np.random.uniform(low-10, high10, size(n_particles, dim)) # 初始化每个粒子的最优位置和全局最优位置 pbest_pos positions.copy() pbest_fitness np.array([fitness_func(p, T_w_sample, rated_cap) for p in positions]) gbest_pos pbest_pos[np.argmin(pbest_fitness)] gbest_fitness np.min(pbest_fitness) # 开始迭代优化 fitness_history [] for iter in range(max_iter): # 惯性权重线性衰减前期飞的开后期找细节 w w_start - (w_start - w_end) * iter / max_iter for i in range(n_particles): # 更新粒子的飞行速度和位置 velocities[i] w * velocities[i] \ c1 * np.random.rand() * (pbest_pos[i] - positions[i]) \ c2 * np.random.rand() * (gbest_pos - positions[i]) positions[i] velocities[i] # 把粒子的位置限制在合理范围内 positions[i] np.clip(positions[i], x_min, x_max) # 更新每个粒子的最优位置 current_fitness fitness_func(positions[i], T_w_sample, rated_cap) if current_fitness pbest_fitness[i]: pbest_fitness[i] current_fitness pbest_pos[i] positions[i].copy() # 更新全局最优位置 if current_fitness gbest_fitness: gbest_fitness current_fitness gbest_pos positions[i].copy() fitness_history.append(gbest_fitness) # 每20次迭代打个招呼不然跑起来太闷 if iter % 20 0: print(f迭代到第{iter}次当前最优总能耗{gbest_fitness:.2f} kW·h)跑出来的结果咋样先对比一下固定负荷和优化后的效果# 模拟手动固定负荷的情况每个小时都开50kW fixed_load np.ones(24)*50 fixed_energy fitness_func(fixed_load, T_w_sample, rated_cap) print(f固定制冷总能耗{fixed_energy:.2f} kW·h) print(f优化后总能耗{gbest_fitness:.2f} kW·h) print(f一共省了{(fixed_energy - gbest_fitness)/fixed_energy*100:.1f}%的电)我这边跑出来的结果是固定能耗大概1320kW·h优化后大概1160kW·h省了接近12%还算不错。再画个图看看调度曲线plt.figure(figsize(12,5)) plt.subplot(121) plt.plot(range(24), gbest_pos, label优化后制冷量, color#1f77b4) plt.plot(range(24), fixed_load, label固定制冷量, linestyle--, color#ff7f0e) plt.xlabel(一天中的小时) plt.ylabel(制冷量 / kW) plt.legend() plt.title(每小时制冷量调度对比) plt.subplot(122) plt.plot(fitness_history, color#2ca02c) plt.xlabel(迭代次数) plt.ylabel(最优总能耗) plt.title(算法收敛过程) plt.tight_layout() plt.show()看第一个子图的话凌晨2-6点的时候水温最低优化后的制冷量开的最高能到90kW左右午后2点水温最高的时候制冷量降到了40多kW刚好符合我们最开始的预期不会瞎费电。踩过的小坑一开始没加那个np.inf的约束粒子乱飞出来的负荷全是负数或者超过额定容量跑出来的结果根本没法用后来又试了固定惯性权重收敛特别慢改成线性衰减之后迭代到50次左右就基本稳定了。其实这个模型还能改比如加上峰谷电价的因素把优化目标改成最低运行成本或者加上机组启停的约束避免频繁启停损坏设备不过这次先搞了最基础的版本效果已经够用了。