一种基于任务流的空压系统控制方法

技术领域

本发明涉及空压系统设计及优化领域，尤其是涉及一种基于任务流的空压系统控制方法。

背景技术

空压系统是工业生产中不可缺少的一部分，也是工厂能耗大户。优化空压系统控制方法可以大大降低其在生产过程中的总能耗，这对于助于国家双碳战略具有重要意义。空压系统的控制优化通常依赖于给定的负荷表进行开停优化，这无法做到对空压机更细致的控制，如调整空压机的输出压力等，也无法适应目前任务流模式，也称为智能排程软件在工业生产中的大规模应用。

因此，目前空压系统的控制优化还存在以下需要改进的技术方向：

细致控制空压机的输出压力：目前的控制方法无法对空压机的输出压力进行精确调整，需要研究更精细的控制方法。

适应目前任务流模式：空压系统的控制优化需要适应目前工业生产中的智能排程软件大规模应用，需要研究与智能排程软件的协同控制方法，以实现更高效的生产。

减少总能耗：虽然优化空压系统控制可以降低总能耗，但仍需进一步研究控制方法，以实现更大程度的能耗降低，这对于国家双碳战略具有重要意义。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷中的至少一种而提供一种基于任务流的空压系统控制方法，对于任务流可以在考虑开停损失的情况下进行高效地全局优化，也可以针对临时任务进行即时优化，相比以往的空压系统控制优化，做到更细致、更灵活。

本发明的目的可以通过以下技术方案来实现：

本发明提供一种基于任务流的空压系统控制方法，包括以下步骤：

S1：对用气端任务流模式进行建模，根据空压系统任务流模型，采用改进哈里斯鹰算法对空压系统控制策略进行优化；

S2：构建空压系统模型，其中空压系统由空压机、储气罐、管网三部分组成；

S3：初始化改进哈里斯鹰算法的全局变量；

S4：通过反向映射优化原始哈里斯鹰的种群初始化；

S5：对初始化后的哈里斯鹰种群进行迭代优化；

S6：对优化后种群中的个体执行变量隔离下的分区精英主义策略；

S7：完成迭代过程，使用历史最佳个体的优化变量去控制空压系统的储气罐输出压力、各个空压机的开停时间与输出压力。

进一步地，S1中，对用气端任务流模式进行建模过程中，具体包括：

假定某一时刻，某用气端提交用气任务如下：

其中，user

对1时～h时，有n个用气端的任务流模型如下：

进一步地，S2中，构建空压系统模型过程中，包括：

根据空压系统管网拓扑结构搭建管网；

通过计算单管压降，得到用气端管道输出压力；

所述单管压降通过整体法计算，公式如下：

其中：

其中：Q_m为单管结构体参数质量流量，D为单管结构体参数管道内径，ρ为单管结构体参数进气端密度，v为气体速度，nodein

其中，空压机能耗为：

其中，W为空压机能耗，γ为绝热系数，对于空气取1.4，R为气体常数，对于空气取287，T

进一步地，S3中，所述哈里斯鹰算法的全局变量包括哈里斯鹰个数search_num、维度dim、变量区间上限UB和下限LB、最大迭代次数max_iter；

其中，每一个哈里斯鹰对应为一条空压系统控制策略，所述空压系统控制策略包括储气罐输出压力、空压机开停时间；

初始化改进哈里斯鹰算法的全局变量过程中，将空压机输出压力作为优化变量：

其中，

其中，

其中，hh＝0,…,24，表示小时，mm＝0,…,59,表示分钟。

进一步地，S4中，通过反向映射优化原始哈里斯鹰的种群初始化的过程中包括：

S4-1，依据哈里斯鹰个数search_num、维度dim、变量区间上限UB和下限LB随机生成优化种群，如公式(4)所示：

pop

其中，pop_r为随机生成的优化种群，random()为随机生成一个0到1区间内的服从于均匀分布的随机小数，random(search_num,dim)为随机生成一个行数为search_num,列数为dim的随机小数矩阵；

S4-2，计算pop

其中，fitness()为空压系统总能耗计算函数，即适应度计算函数，

根据公式(6)生成反向种群，并根据公式(7)计算反向种群的适应度值，公式(6)如下所示：

其中，pop

公式(7)为：

其中，fit

S4-3，将随机种群适应度fit

进一步地，S4中，对初始化后的哈里斯鹰种群进行迭代优化过程中包括：

通过公式(8)计算得到的E值的大小选择不同的进化策略：

其中，cur_iter为当前迭代次数，E

进一步地，S4中，选择不同的进化策略的过程中：

当E的绝对值大于或等于1时，此时个体选择公式(9)所示的进化策略：

其中，

进一步地，S4中，选择不同的进化策略的过程中：

当E小于1时，执行开发策略，所述开发策略包含具体四种策略，通过一个(0,1)内的随机小数r_select与E值的大小来决定执行哪一种进化策略：

(1)r_select大于等于0.5，且E的绝对值大于等于0.5，此时执行公式(10)所示的进化策略；

其中，r

(2)r_select大于等于0.5，且E的绝对值小于0.5，此时执行公式(11)所示的进化策略；

(3)r_select小于0.5，且E的绝对值大于等于0.5，此时执行公式(12)所示的进化策略；

其中，r

(4)r_select小于0.5，且E的绝对值小于0.5，此时执行公式(13)所示的进化策略；

其中，r

进一步地，S5中，执行变量隔离下的分区精英主义策略过程包括：

对于储气罐的输出压力，采用基于乐维飞行的扰动策略，具体采用如下公式：

其中，

其中，u，v为0-1之间的随机小数，Γ为伽马函数，β取值为1.5；

具体执行精英主义策略时，采用如下公式：

进一步地，S5中，执行变量隔离下的分区精英主义策略过程还包括：

空压机的输出压力采用差分进化策略，对于空压机的输出压力与开停时间，采用差分进化策略，公式如下：

其中，ind1,ind2,ind3,ind4,ind5,ind6为0-search_num之间的随机整数；

具体执行精英主义策略时，采用如下公式：

与现有技术相比，本发明具有以下技术优势:

A)空压系统优化变量区间不同，例如储气罐输出压力上下限通常在600-900，而空压机开停时间在0-24，且只有两位小数，因此，空压系统控制优化变量空间是一个不均匀的非连续的变量空间，这意味着原始哈里斯鹰算法所依赖的随机生成初始种群不适用用于空压系统控制优化问题。因为随机生成的初始种群无法均匀分布于不均匀的非连续空压系统控制优化变量空间。随机生成的初始种群会导致原始哈里斯鹰算法在优化过程中种群局限于局部搜索，无法做到真正意义上的全局搜索，造成过早收敛，无法搜索到最低能耗。因此，本发明引入反向映射进行种群初始化，通过反向映射，可以利用优化变量先验信息，将群体均匀地映射在空压系统优化变量空间中，防止群体陷入局部最佳与迭代过早收敛，提升本发明对空压系统控制策略的优化效果。

B)在基于任务流的空压系统控制优化的迭代过程中，占用计算时间最多的是适应度计算，即在该控制策略下空压系统总能耗的计算。原始哈里斯鹰算法中，在技术方案S5的(3)(4)中，设置了乐维即时搜索策略，即通过乐维飞行策略即时生成一个新的个体，并计算其适应度值，与当前个体的适应度值进行对比，如果新个体的适应度值小于当前个体的适应度值，即保留乐维飞行策略生成的新个体。但是该方法并不适用于空压系统控制优化。原因如下：

(1)乐维飞行策略并不适用于空压系统控制优化。乐维飞行策略本质上是假设优化变量服从于均匀分布，以此生成一系列随机小数以进行局部搜索。但是空压系统控制优化变量空间并不是均匀分布的，因此乐维飞行策略并不适用于空压系统控制优化。

(2)原始哈里斯鹰算法中需要在每一次迭代的即时精英主义中计算4次适应度值，这无疑是耗时且低效的，不符合空压系统实际应用场景。

因此，本发明基于优化变量的性质对迭代结构进行修改，取消即时精英主义，与其他改进方法搭配使用，化繁为简，提升本发明落地应用的有效性。

C)由于空压系统优化变量空间由于变量性质、区间的各不相同，具有非均匀、非连续的特点。据此，本发明提出变量隔离下的差分精英搜索策略，提升进化策略的更新颗粒度，有效解决原始哈里斯鹰算法中乐维飞行策略在非均匀非连续优化变量空间下难以发挥作用的痛点，提升改进哈里斯鹰算法的局部搜索能力。针对储气罐输出压力变量，由于其变量空间具有连续性，且需要随机扰动以进行局部搜索，所以本发明采用乐维飞行以提升储气罐压力变量的局部搜索能力。针对开停时间这种离散变量，本发明采用差分局部搜索策略，以增加空压机开停时间的局部搜索能力。

D)本发明提出的任务流模型有助于空压系统控制优化方法的实际落地。在实际工程中，通常是由用气端提交用气任务至空压站，空压站统筹规划空压机、储气罐等设备的各项操作。以往的涉及空压系统控制优化的发明中，并没有考虑实际的任务流情况，这会导致无法及时有效地处理实际工程中的空压系统的优化控制问题。因此，本发明结合实际工程，提出基于任务流的空压系统控制优化，建立空压系统任务流模型，有效解决难以落地的痛点，并且该任务流模型具有较强的可扩展性，可接入自动排程软件。

附图说明

图1为应用例1中空压系统结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本技术方案中如未明确说明的部件型号、材料名称、连接结构、控制方法、算法等特征，均视为现有技术中公开的常见技术特征。

实施例1

本技术方案中基于任务流的空压系统控制方法包括以下步骤：

S1：

首先对用气端任务流模式进行如下建模：

假定某一时刻，某用气端提交用气任务如下：

其中，user

依据上式，对1时～h时，有n个用气端的任务流模型如下：

之后，根据公式(1)所示的空压系统任务流模型，采用改进哈里斯鹰算法对空压系统控制策略进行优化，以达到降低空压系统总能耗的目的。

S2：

构建空压系统模型，空压系统由空压机、储气罐、管网三部分组成。空压机将空气压缩进入储气罐，储气罐将气体通过管网输出至用气端。

管网根据空压系统管网拓扑结构搭建，通过计算单管压降，得到用气端管道输出压力。单管压降通过整体法计算，公式如下：

其中：

Q_m为单管结构体参数质量流量，D为单管结构体参数管道内径，ρ为单管结构体参数进气端密度，v为气体速度，nodein

空压机能耗通过等熵压缩模型与等熵效率计算。等熵压缩模型如下所示：

将下式代入等熵压缩模型，

可得：

其中W为空压机能耗，γ为绝热系数，对于空气取1.4，R为气体常数，对于空气取287，T

空压系统所需的黏度与密度计算，通过调用开源物性计算库CoolProp实现。

S3：

初始化改进哈里斯鹰算法的全局变量，如哈里斯鹰个数search_num，每一只哈里斯鹰即一条空压系统控制策略，还包括维度dim、变量区间上限UB和下限LB、最大迭代次数max_iter。

由S2可知，空压系统需要控制储气罐输出压力、空压机开停时间与输出压力。因此一条空压系统控制策略包含储气罐输出压力、空压机开停时间，初始化改进哈里斯鹰算法的全局变量的过程中，将空压机输出压力作为优化变量，如下所示：

其中，

其中，hh＝0,…,24，表示小时，mm＝0,…,59,表示分钟。这样可以减小时间变量的变量区间，加快优化速度与提升优化结果。

S4:

本发明通过反向映射来优化原始哈里斯鹰的种群初始化，具体过程如下：

首先，依据哈里斯鹰个数search_num、维度dim、变量区间上限UB和下限LB随机生成优化种群，如公式(4)所示：

pop

其中，pop_r为随机生成的优化种群，random()为随机生成一个0到1区间内的服从于均匀分布的随机小数，random(search_num,dim)为随机生成一个行数为search_num，列数为dim的随机小数矩阵。

之后，计算pop

其中，fitness()为空压系统总能耗计算函数，即适应度计算函数，

根据公式(6)生成反向种群，并根据公式(7)计算反向种群的适应度值，公式(6)如下所示：

其中，pop

其中，fit

最后，将随机种群适应度fit

通过反向映射技术，可以将原始搜索空间重新定义，并将哈里斯鹰的初始位置从原始搜索空间映射到新的搜索空间，然后再将哈里斯鹰的位置从新的搜索空间映射回原始搜索空间，从而优化哈里斯鹰算法中种群的初始化，可以加速搜索收敛到全局最优解，并提高搜索精度。

S5：

对初始化种群pop迭代优化。通过公式(8)计算得到的E值的大小选择不同的进化策略。

其中，cur_iter为当前迭代次数，E

其中，

当E小于1时，执行开发策略，开发策略有四种策略，通过一个(0,1)内的随机小数r_select与E值的大小来决定执行哪一种进化策略。

(1)r_select大于等于0.5，且E的绝对值大于等于0.5。此时执行公式(10)所示的进化策略。

其中，r

(2)r_select大于等于0.5，且E的绝对值小于0.5。此时执行公式(11)所示的进化策略。

(3)r_select小于0.5，且E的绝对值大于等于0.5。此时执行公式(12)所示的进化策略。

其中，r

(4)r_select小于0.5，且E的绝对值小于0.5。此时执行公式(13)所示的进化策略。

其中，r

本发明中，由于空压系统总能耗计算耗时过长，且乐维飞行策略产生的一维小数与优化变量中的空压机开停时间并不适合，因此将原始哈里斯鹰算法的(3)与(4)的进化策略进行改进，取消原始哈里斯鹰中的乐维飞行策略与即时精英策略。

S6：

当个体执行完S5之后，执行本发明提出的变量隔离下的分区精英主义策略。所谓变量隔离，即为每一种优化变量设计一种符合自身性质的进化策略。

对于储气罐的输出压力，本发明采用基于乐维飞行的扰动策略，公式如下：

其中，

其中，u，v为0-1之间的随机小数，Γ为伽马函数，β取值为1.5。将

考虑到空压机的输出压力具有脉动现象，因此对空压机的输出压力采用差分进化策略，而不是乐维飞行策略。对于空压机的输出压力与开停时间，本发明采用差分进化策略，公式如下：

其中，ind1,ind2,ind3,ind4,ind5,ind6为0-search_num之间的随机整数。将

S7：

迭代结束后，使用历史最佳个体的优化变量去控制空压系统的储气罐输出压力、各个空压机的开停时间与输出压力。

应用例1

本应用例提供一种基于任务流的空压系统智能控制方法的具体实施案例。案例中空压系统示意图如图1所示。

S1：

根据技术方案S1，对任务流模型进行建模。

由图1，现有4个用气端的三小时内任务流模型如下：

抽象为如下矩阵：

S2：

根据技术方案S2，对空压系统进行建模。该案例如图1所示，由一个空压机负责向储气罐输气，再向4个用气端供气。

根据公式(3)对空压机建模，并计算空压机总能耗。对管网进行建模，管网中各管路流向已知，管路数为7个，具体参数如下表所示：

表1管网具体数据

根据表1中管网具体数据与公式(2)，根据输入压力，计算管网中每一根单管的实时压降。

S3：

案例中有1台空压机、1台储气罐，因此优化变量如下：

流量需求已知并且固定。在该案例中，假设管网质量流量守恒、三通分流处压力相等，约束条件为满足任务流中各用气端最低用气需求。

初始化改进哈里斯鹰优化算法的参数，哈里斯鹰个数search

S4:

根据技术方案S4-S7，在改进哈里斯鹰算法迭代完成之后，将历史最佳个体作为最终的空压系统控制策略。

优化结果如表2所示：

该结果与TPE算法、原始哈里斯鹰算法比较结果如表3所示：

从该实施案例上看，本发明中改进哈里斯鹰算法相比原始哈里斯鹰算法、TPE算法有较大提升，证实本发明提出的改进哈里斯鹰算法具有一定的优势与先进性。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和使用发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。