一种混合优化算法的温室能量预测方法

摘要

本发明公开了一种混合优化算法的温室能量预测方法，包括以下步骤：1）建立温度的微分方程；2）初始化参数；3）初始化种群，随机生成参数的初始值；4）令gen=1；5）如果，则执行步骤6），否则退出至步骤15）；6）令k=1；7）如果，则执行步骤8），否则执行步骤10）；8）得出局部最优解和全局最优解；9）令，返回步骤7）；10）将pop_size个粒子进行选择；11）将保留的M个粒子的信息来生成GA的种群；12）将得到的粒子用于GA的交叉和变异；13）将GA获得和PSO保留的粒子组合成新种群；14）令，执行步骤5）；15）最终输出最小的适应度函数值和参数，以及温室预测的能量值。

主权项

一种混合优化算法的温室能量预测方法，其特征在于包括以下步骤：步骤1：建立温室内温度的微分方程：（I）式中：为干燥空气的密度，为温室的体积，为空气中的热含量，、分别为温室的室内外温度，为温室覆盖材料的表面积，为温室地表面积，为室外辐射通量密度，为覆盖材料的总透光率，为温室供热系统热源提供的能量，为玻璃表面与空气之间的发射率，为Stefan‑Boltzman 常数，为天空温度，为覆盖材料的传热系数，为保温幕保温修正系数，为植物冠层叶面积指数，为冠层叶表面的温度，为边界层空气动力学阻抗，是时间序列，为相邻时间序列的时间间隔；其中，将，和作为参数调整辨识的对象；步骤2：参数的初始化，包括粒子总数pop_size ，择优函数的阀值，GA 中的初始交叉率和变异率，交叉率与变异率的比例系数c 和m ，最大的粒子速度V_max ，PSO_GA混合优化算法内嵌的PSO 算法的种群代数max_k ，PSO_GA 混合优化算法的种群代数gens_max ；步骤3：初始化种群，按种群规模和约束条件随机生成偶数个粒子组成种群P (t)；同时，随机生成需要辨识的参数，和的初始值；步骤4：令 gen =1 , 其中gen 是遗传操作的代数;步骤5：如果，则执行步骤6，否则退出至步骤15；步骤6：令k =1，其中k 表示PSO_GA 混合优化算法内嵌的PSO 算法的当前的种群代数；步骤7：如果，则执行步骤8，否则执行步骤10；步骤8：将步骤3中生成的，，和内外界温室环境变量输入用MATLAB 软件中的SIMULINK 功能模块建立的温室模型里面，得出当前局部最优解和全局最优解；然后根据公式II、III更新粒子群的速度和位置信息；（II）（III）式中：是第i 个粒子在第k 次种群进化中的速度，是第i 个粒子在第k 次进化后的局部最优解，是全局最优解，是第i 个粒子在第k 次进化中的位置，w 是约束因素，和分别是学习因子和社会因子，和是[0,1]之间的随机数；令=，然后根据公式IV来得到它们的值：（IV）式中：c为常数，且c>2；步骤9：令，返回步骤7；步骤10：将pop_size 个粒子按适应度函数的值进行从小到大的排列，然后利用公式V的择优函数进行选择：若某一个粒子的适应度函数的值J (i)大于或等于所选阀值，则该粒子为劣类粒子，舍弃；若某一个粒子的适应度函数的值J (i)小于所选阀值，则该粒子为优类粒子，保留；最后可以得到M 个适应度函数值在所选阀值内的粒子；（V）式中：表示第i 个粒子的择优函数，J (i)表示第i 个粒子的适应度函数的值，表示所选阀值；步骤11：将保留的M 个粒子的信息带入公式VI来重新生成GA 的种群；（VI）式中：是第i 个粒子被选择的可能性，是第i 个粒子的适应度函数的值，M 是种群的大小，是种群中所有粒子的适应度函数值的和；其中适应度函数可用公式VII来表示；（VII）是第t 个时间序列第i 个粒子计算的输出能量，是第t 个时间序列实验实测的输出能量，n 为时间序列的最大值；步骤12：将和带入公式VIII和IX，得到此时的交叉率和变异率：（VIII）（IX）式中：gen 是遗传操作的代数，gens_max是PSO_GA 混合优化算法最大的种群代数，和分别是初始交叉率和变异率，c 和m 分别为交叉率与变异率的比例系数，和分别是第gen 代的交叉率和变异率；接着，将步骤11得到的粒子用于GA 的交叉和变异；步骤13：将GA 获得的pop_size‑M 个粒子和PSO 保留的M 个粒子组合成个数为pop_size的新的种群；步骤14：令,执行步骤5；步骤15：最终输出最小的适应度函数值和模型中需要辨识的参数，和 , 以及温室预测的能量值。