基于约束调度与遗传算法的楼宇机电设备低碳节能系统的制作方法

本发明涉及遗传算法，特别涉及基于约束调度与遗传算法的楼宇机电设备低碳节能系统。

背景技术：

1、传统的线性规划和动态规划方法已在一定程度上应用于设备运行计划的制定，但这些方法通常针对单一目标进行优化，且在处理非线性约束和多目标冲突时灵活性不足，难以兼顾低碳节能目标与其他功能性需求。负荷预测技术中，已有文献利用时间序列分析、机器学习等手段对建筑负荷进行短期或长期预测，但由于缺乏对设备能效动态变化和环境条件等因素的充分考虑，预测精度有待提高，这直接影响到后续设备调度方案的有效性和节能效果。

2、现有的一些楼宇自动化系统虽能实现部分设备的智能控制，但其调度策略往往忽视了全局优化的可能性，如仅根据简单预设规则调整设备状态，导致未能充分利用资源、降低能耗，尤其是在复杂多变的运行环境下，难以快速响应并做出最佳调度决策，因此为了解决上述问题一种基于约束调度与遗传算法的楼宇机电设备低碳节能系统的存在很有必要。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了基于约束调度与遗传算法的楼宇机电设备低碳节能系统，解决了上述背景技术中所存在的问题。

3、(二)技术方案

4、为实现上述目的，本发明提供如下技术方案：基于约束调度与遗传算法的楼宇机电设备低碳节能系统，包括以下步骤：

5、s1、获取基础信息：首先从楼宇自动化系统中获取机电设备的基本属性、运行数据、建筑能耗历史记录和当前环境条件信息；

6、s2、建立约束模型：根据实际需求构建包含约束条件的数学模型，在优化过程中考虑设备性能边界、用户需求以及低碳运行目标；

7、s3、初步调度生成：根据约束模型制定出初步的机电设备运行调度计划；

8、s4、遗传算法优化：将初步调度计划编码为遗传算法中的染色体，通过多代迭代，运用适应度函数评估方案的节能效果，并据此进行种群的筛选、交叉和变异操作，持续优化调度方案；

9、s5、结果对比与应用：对优化后的机电设备运行调度计划与原始计划进行能耗预测对比分析，验证节能效果，并应用于实际楼宇机电设备的日常运行调度中。

10、更进一步的，所述s1中在获取信息时对建筑内部机电设备的关键因素进行详细建模的并结合建筑空间布局与实际使用需求，设定约束条件，包括但不限于能耗上限、舒适度标准、设备启停频率。

11、更进一步的，所述s2中基于预设的约束条件，运用传统优化方法制定一个初步的机电设备运行调度方案，并且将每个设备运行策略转化为遗传算法中的染色体结构，其中各个基因对应特定时间段内设备的参数信息。

12、更进一步的，所述s3中在评估不同调度方案的性能优劣时，设计一个综合考量能耗降低程度、碳排放减少量、舒适度指标及经济效益多个评价维度的多目标适应度函数，函数通过遗传算法中的选择、交叉和变异操作，依据适应度值选取优秀个体进入下一代种群，实现基因信息的重组与交换，并引入随机变异以拓宽搜索最优解的空间。

13、更进一步的，所述s4中在实际应用阶段，借助楼宇自动化系统实时采集机电设备的运行数据，并将数据与利用遗传算法模拟优化得到的调度结果进行对比分析，运用数据分析技术和图像识别手段，精确比较模拟场景与实际运行现场数据的一致性，并计算二者之间的相似度水平。

14、更进一步的，所述s5中将优化过程类比为施工进度管理中的模拟与实况对照，每一轮遗传算法迭代优化视为施工进度节点的动态调整，通过对每一次优化结果与实际运行数据的细致比对，准确判断当前楼宇机电设备系统的实际运行状况。

15、更进一步的，所述s5中根据运行数据的反馈，对优化后的调度方案进行全面评估，优化方案未能达到理想效果时及时更新约束条件和调整遗传算法参数，持续优化设备的运行调度策略，以及在bim模型和可视化界面上采用颜色编码的方式区分不同的设备节能表现，进而直观展示和深入分析节能成果。

16、更进一步的，所述s4中遗传算法的算法步骤如下：

17、(1)初始化：设置进化代数计数器g＝0，设置最大进化代数gen，随机生成m个个体作为初始群体p(0)；

18、(2)个体评价：计算群体p(g)中各个个体的适应度；

19、(3)选择运算：将选择算子作用于群体，选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代，选择操作是建立在群体中个体的适应度评估基础上的；

20、(4)交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子；

21、(5)变异运算：将变异算子作用于群体，即是对群体中的个体串的某些基因座上的基因值作变动，群体p(g)经过选择、交叉、变异运算之后得到下一代群体p(g+1)；

22、(6)终止条件判断：若g＝gen,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算，种群目标函数的具体表达公式为：

23、

24、其中，aj＝max(f1j，f2j，...fnj)，bj＝min(f1j，f2j，...fnj)，n为种群中个体数量，m为目标函数的个数，fij为第i个种群个体的第j个目标函数值，t1和t2分别代表最小和最大限定数值，具体限定为设备性能边界、用户需求以及低碳运行目标，当qij小于t1或者大于t2时，重新添加遗传算法参数，重新优化设备的运行调度。

25、根据本发明的另一个方面，提供一种基于约束调度与遗传算法的楼宇机电设备低碳节能系统，包括楼宇机电设备节能优化平台，所述楼宇机电设备节能优化平台内置了适用于楼宇机电系统的能源消耗模型，并集成了约束调度模块和遗传算法优化引擎；

26、所述楼宇机电设备节能优化平台用于实时收集楼宇内各类机电设备的运行数据和环境参数；

27、所述约束调度模块用于依据约束条件对机电设备的运行计划进行初步安排，制定出满足各种约束条件下尽可能接近最优能耗状态的初步调度方案；

28、所述遗传算法优化引擎基于遗传算法的优化工具用于进一步改进初始调度计划，将初步调度方案作为种群个体，利用遗传算子模拟自然进化过程，不断迭代优化机电设备的启停时间、运行模式和功率输出，追求全局最优解。

29、(三)有益效果

30、本发明提供了基于约束调度与遗传算法的楼宇机电设备低碳节能系统，具备以下有益效果：

31、通过结合了约束调度理论与遗传算法的优势，针对楼宇机电设备的低碳节能问题提出了一套全面且高效的优化解决方案，并在实际应用中成功实现了对设备运行状态的动态监测、实时优化调整以及可视化结果反馈，通过上述设置有力的提高了楼宇机电设备绿色环保能力和智能性；

32、基于约束优化的设备调度策略框架，将机电设备运行的各类实际约束条件融入到优化模型中，通过智能算法进行精细化管理，这种策略框架能有效解决传统静态或规则性调度方法不能兼顾多元目标和实时变化环境的问题。通过自适应调整算法参数以及优化搜索策略，在复杂的约束环境下快速寻找到最优或接近最优的调度方案，自适应遗传算法能够根据设备运行状态、负荷预测结果及实时反馈信息动态调整优化过程，从而在保证设备正常运行和服务质量的同时，最大限度地减少能源消耗与碳排放，实现资源的有效利用和节能减排；

33、通过结合约束调度技术和遗传算法来实现优化排程和控制策略，以达到降低能耗、提升能效比以及减少碳排放的目标，楼宇机电设备节能优化平台内置了适用于楼宇机电系统的能源消耗模型，并集成了约束调度模块和遗传算法优化引擎，平台能够实时收集楼宇内各类机电设备的运行数据和环境参数。约束调度模块依据预设的约束条件对机电设备的运行计划进行初步安排，制定出满足各种约束条件下尽可能接近最优能耗状态的初步调度方案，遗传算法优化引擎基于遗传算法的优化工具用于进一步改进初始调度计划，将初步调度方案作为种群个体，利用遗传算子模拟自然进化过程，不断迭代优化机电设备的启停时间、运行模式和功率输出，进而提高系统的实用性。