基于差分进化算法的供热节能控制系统*

闫 峰

(1. 河北工业大学 建筑与艺术设计学院， 天津 300401； 2. 邢台学院 科研处， 河北 邢台 054001)

控制工程

基于差分进化算法的供热节能控制系统*

闫 峰1，2

(1. 河北工业大学 建筑与艺术设计学院， 天津 300401； 2. 邢台学院 科研处， 河北 邢台 054001)

针对公共建筑集中供热系统能耗高、自动调节和实时监控难度大的问题，将数字温度传感器、芯片控制技术及CAN总线技术结合到一起，设计了一种基于差分进化算法的神经网络控制的公共建筑集中供热系统.系统具有降低遗传算法复杂性、快速收敛的优势，且自适应能力较强，能够实现供热流量自动调节和网络实时监控.为了验证该系统的节能效果，与传统节能控制系统的供热消耗进行了试验比较，结果表明，该系统最低平均节能10.1%，最高节能16.3%，节能效果更好.

公共建筑； 集中供热； 传感器； CAN总线； 节能控制系统； 差分进化算法； 神经网络

集中供热是指用热水和蒸汽作为热源，通过管网向城镇或其中一些乡镇区域提供热能的方式，在我国北方地区比较多见，它与传统的分散供热相比，具有节约能源、减少环境污染等优点[1].目前，随着供热管网规模的逐年增大，公共建筑供热存在建筑面积大、空间密闭性差、供热能耗高、自动调节及实时监控困难等问题，如何能够将集中供热系统进行合理的调节和控制，从而达到供热效果最好、节能减排、科学管理的目的成为了研究关注的焦点[2-5].本文从低耗运行和系统实时监控两方面出发，设计了一种基于差分进化算法的神经网络集中控制供热节能系统，并与现场总线数据信号实现通信，从而达到实时监控和自动控制，节能和科学化管理的目的.

1 总体控制方案

目前，公共建筑集中供热系统的热流量调节大多是开环控制系统，其供热负荷大小仅与室外温度的变化相关，缺乏自动调节能力，且由于供热负荷的频繁增减，致使电动三通阀、蝶阀、旁通阀等阀门开启困难，引起系统水力工况失调，产生供热流量不均的情况[6-8].对此，本文设计一种基于差分进化算法优化的神经网络调控的闭环供热系统，其结构组成如图1所示.该系统将数字温度传感器、芯片控制技术及总线技术结合到一起，具有较强自适应能力，具备提高供热系统控制效率的功能[9-11].该系统实现自动控制的过程是：首先将当前监测的室外环境数据与给定量进行比较，并在差分进化优化的神经网络算法模型中进行训练学习，计算出所需的供热量，预测供热负荷，然后由控制器对电动三通阀进行调控，以达到预测供热量所需的供水流量，以平均室温为被控对象，利用数字温度传感器对室温变化进行监测，并使用智能控制器对电动三通阀进行适当控制，使被控制值与室温平均值的误差最小，达到低耗节能的目的，最后通过CAN总线将平均温度、阀门开度等数据实时传输到监控系统，达到系统实时监控的目的.

图1 基于差分进化算法的神经网络控制系统

2 系统设计方案

2.1 系统硬件设计

系统硬件设计结构图如图2所示，主控制器采用MSP430F413单片机，它是IT推出的一种最新超低耗混合信号16位单片机，具有5种低功耗模式；采用DS18B20数字温度传感器，测量范围在-55～125 ℃，输出温度信号为阿拉伯数字，线路串行结构，其硬件电路简单，抗外界干扰能力强，可安装在电动三通阀上，以便通过温差来实现供热流量的调节；CAN总线具有稳定性及可靠性高的优势，它能够将DS18B20数字温度传感器的温度及对应的时间传输至监控系统，对移动物体的网络传输有较好的处理能力.

图2 系统硬件设计结构

2.2 系统软件设计

系统采用差分进化算法对神经网络进行优化控制，差分进化算法首先是基于差分的简单变异和交叉操作产生新个体，然后通过将新、旧个体的适应值进行比较，筛选出并保留适应值较优的个体，且能利用个体局部信息和群体全局信息协同搜索，具有较强的搜索能力[12-13].假设种群的范围为R，种群中可行解维数为D，每个基因的变化范围为[Zmin，Zmax]，差分进化初始化种群后产生的新种群个体为

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

(1)

(2)

式中：m为当前进化代数；n1、n2、n3为随机选取的个体序号；ξ为变异因子，主要控制差分矢量的缩放，其取值范围为[0，2].

交叉量取值为

(3)

式中，JC为交叉因子.

选择量取值为

(4)

式中，f()为交叉量迭代函数.

由式(2)～(4)可知，如果变异因子过大，则收敛效率会降低，求解得出的最优解精度不高；如果变异因子过小，则不能保证种群的多样性，易出现早熟现象.为此引入了自适应的变异因子，使变异率可以逐渐减小，这样既保证了初期种群的多样性，又保证了后期个体的优良性，自适应变异因子的表达式为

(5)

式中：Bmin、Bmax分别为变异因子最小值与最大值；Dmax为最大迭代代数.

为了避免差分进化算法的早熟现象，并提高算法后期的搜索收敛能力，可将差分进化算法与神经网络相结合，既弥补了差分进化算法的不足，又降低了神经网络算法的复杂性，使收敛速度更快[14-15].其基本思想是[16]：先用差分进化算法对神经网络的权值和阀值进行全局预寻优，然后把最优解作为神经网络的初始权值和阀值，最后采用基于神经网络的算法进行局部寻优，从而确定最佳的权值和阀值.

3 实验仿真验证

由上述系统硬件及软件设计方案得到系统的主程序结构流程图如图3所示.为了验证该系统的有效性及可靠性，特以实验室大楼作为研究对象，大楼为块砖砌筑，建筑面积约为3.6×104m2，传热系数K=1.58 W/(m2·℃)，设置种群范围R=60，总进化代数m=100，训练次数为2 000次，收敛精度0.000 01，最大迭代次数Dmax=50次，最小变异因子Bmin=0.2，最大变异因子Bmax=0.7，交叉因子JC⊆[0.1，0.5]，并利用MATLAB软件将提出的算法与传统PID控制算法进行了比较.

图3 主程序流程图

实验室大楼集中供热时间基本固定，具有阶段性供暖的特点，且每一个供暖季节包含不同的工作日、非工作日及加班情况，每日又包括不同的工作时间段，依照这些情况在本系统上实施自动调控和实时监控，并与传统PID控制系统(延迟时间为300 s，一阶惯性环节时间常数为4 000，仿真步长10 s)进行比较.通过对2015-11-01至2016-03-20这个阶段时间内的供暖能耗进行监测，得出两种算法的供热量关系曲线如图4所示，每日平均供热量如表1所示(部分日期).从表1中可以看出，采用差分进化算法优化的神经网络控制相比于传统的PID控制供热，最低平均节能10.1%，最高16.3%，节能效果十分明显.

4 结 论

本文设计了一种基于差分进化算法的神经网络控制系统，实现了对公共建筑集中供热节能系统的自动调节和实时监控，并与传统节能控制系统的供热消耗进行比较，从而验证了系统的节能效果，可以得到以下几点结论：

图4 两种系统的供热量曲线比较

1) 基于差分进化算法的神经网络控制系统具有降低遗传算法复杂性、快速收敛的优势，能够有效预测公共建筑集中供热负荷的发展趋势，便于主控制器对热流量进行自动调控和实时监控；

2) 由于公共建筑集中供热系统具有较大延迟性，传统的PID系统控制算法相对简单，不能很好适应室外内多参数变化，而基于差分进化算法的控制系统可实现网络实时监控，使供热系统安全、节能运行.

表1 集中供暖季平均供热量统计

[1]吴洁清.适量供热系统控制策略研究 [D].哈尔滨：哈尔滨工业大学，2012.

(WU Jie-qing.Research on strategy for district heating regulation [D].Harbin：Harbin Institute of Technology，2012.)

[2]郭阿梅.集中供热管网监控及节能优化控制策略研究 [D].天津：河北工业大学，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.基于实测数据的某小区集中供热系统节能与优化研究 [J].四川建筑科学研究，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]焦永华.大型公建楼宇供热节能控制系统研究 [D].西安：西安建筑科技大学，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]宋阳，张作伟，焦永华，等.基于模糊算法的楼宇供热控制系统 [J].工业控制计算机，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 参数优化中的应用 [J].河南科学，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]顾吉浩，齐承英，夏国强.基于通/断式供热控制模式的热分摊技术应用实例 [J].暖通空调，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.自适应差分进化算法优化 BP 神经网络的时间序列预测 [J].计算机工程与科学，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.公共建筑智能供热节能控制与优化管理系统研究 [D].天津：河北工业大学，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]毕晓君，张梦莹，朱曈.基于差分进化算法的MU-MIMO用户调度算法 [J].沈阳工业大学学报，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]李艳玮，郑伟勇.基于神经网络实现分布评估的多目标差分算法 [J].计算机工程与设计，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]邹翔.基于改进的分数阶PID广义预测控制算法在集中供热网中的仿真研究 [D].沈阳：沈阳工业大学，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]杜庆东，刘杰，赵海.一种基于混合建模的模块化神经网络控制方法 [J].计算机工程与应用，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，武岩岩，王思琪.基于混沌时间序列的Elman神经网络工业用电预测 [J].沈阳工业大学学报，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.)

(责任编辑：景 勇 英文审校：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.

河北省科技厅科普专项资助项目(16K576650)； 河北省社会科学基金资助项目(HB15SH007).

闫 峰(1977-)，女，河北乐亭人，副教授，博士生，主要从事绿色建筑及建筑节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在中国知网优先数字出版. 网络出版地址： http：∥www.cnki.net/kcms/detail/21.1189.T.20170328.1702.006.html