本发明涉及一种基于自适应的冷库温度模糊控制方法，属于冷库温度控制技术领域。
背景技术：
我过冷冻业、冷藏业发送迅速，低温仓储业取得了重大进步，据统计我国冷库的电能消耗约占整个冷库成本的25％-30％左右，因此冷库作为冷藏连中最重要的一个环节，其制冷技术显得尤为重要。冷库随着自动化行业的发展也变得越来越智能化，然而冷库自动化的同事，冷库的节能技术始终没有得到重视，一方面由于国内很少有将节能技术和自动化技术结合的案例，另一方面则是工程上应用一些控制思想也存在着一些困难。
技术实现要素：
本发明为了解决现有技术中存在的上述缺陷和不足，提供了一种基于自适应的冷库温度模糊控制方法，该方法综合考虑了冷库温度的影响因素，动态调整冷库内温度，大大降低了系统能耗。
为解决上述技术问题，本发明提供一种基于自适应的冷库温度模糊控制方法，包括以下步骤：
步骤一，参数数据的采集：根据影响冷库内温度的因素，确定冷库总负荷量、冷库内外温差、时间点为影响冷库温度的参数，且上述参数分为若干个等级；
其中，冷库总负荷量q的计算公式为：
q＝hasa(tout-tsp)
ha为冷库内与冷库外环境的综合传热系数，sa为冷库内与冷库外环境换热的总面积，tout为冷库外环境温度，tsp冷库内所需温度；
冷库内外温差的计算方法：利用温度传感器分别采集冷库内外温度，冷库外温度与冷库内温度之差的绝对值即为冷库内外温差；
步骤二，参数数据的隶属度计算：将冷库总负荷量、冷库内外温差和时间点的值带入隶属度函数，计算出上述参数的隶属度数据；
步骤三，模糊控制模型的建立：分别建立冷库总负荷量、冷库内外温度差和时间点与冷库所需温度之间的模糊控制模型，具体过程如下：
3.1分别以冷库总负荷量、冷库内外温度差和时间点的参数数据作为训练样本，计算模糊信息熵h(d)：
上式中，d为训练样本的模糊集，n为冷库需求温度的类别数，pi为模糊集中不同冷库温度等级的样本数与样本总数的比值；
3.2模糊信息增益率的计算；
以时间点划分模糊集d，假设时间点为属性a，计算时间点对模糊集的划分信息熵ha(d)：
式中，|di|为属性a在某个时刻每个取值对应的样本数，|d|为模糊集d样本总数，h(di)为属性a的每个取值的模糊信息熵；
计算属性a即时间点划分模糊集d的模糊信息增益gain(a)：
gain(a)＝h(d)-ha(d)
引入时间点的分裂信息调节信息增益，得到调节后的模糊信息增益s(a)：
计算属性a划分模糊集的模糊信息增益率gainratio(a)：
同理，计算出冷库总负荷量、冷库内外温度差的模糊信息增益率，并按信息增益率的大小对属性进行排序，按信息增益率由大到小依次称为第一属性、第二属性和第三属性，然后选取第一属性作为模糊决策树的根节点；
3.3首先，对根节点按照参数等级进行分裂，得到第一属性的各个参数等级分支，然后对当前属性的隶属度值进行计算，当隶属度值大于参数等级分支的显著性水平值α时，则当前属性被划分至该参数等级分支中；
然后，计算各个参数等级分支所述参数等级的分类置信水平，当分类置信水平大于其真实水平值β时，则该第参数等级分支作为叶子节点，停止分裂；否则，继续分裂；
继续分裂的参数等级分支以第二属性的参数等级进行分裂，得到第二属性的各个参数等级分支，继续上述过程，直至每个参数等级分支均为叶子节点，如此，完成模糊控制模型的建立；
步骤四，将当前参数隶属度数据代入步骤三建立的模糊控制模型中，获得满足当前温度需求的冷库制冷设备的工作等级信息。
其中，步骤3.3通过粒子群算法智能整定显著性水平值α和真实水平值β的步骤如下：
3.3.1对粒子群x＝{x1...xm}进行初始化，其中，第i个粒子xi在空间的初始位置表示为xi0＝(xi10，xi20)，初始飞行速度表示为vi0＝(vi10，vi20)；
3.3.2计算每个粒子xi的适应度值fitness(xit)；
3.3.3将每个粒子xi的适应度值fitness(xit)与其历经的最佳位置pbest的值进行比较，若该粒子的适应度值fitness(xit)优于其历经的最佳位置pbest的值，则该粒子所在位置作为最优位置pbest＝(pi1，pi2)；
3.3.4将每个粒子xi的适应度值fitness(xit)与所有粒子历经的最佳位置gbest的值进行比较，若该粒子的应度值fitness(xit)优于所有粒子历经的最佳位置gbest的值，在该粒子所在位置作为最好位置gbest＝(pg1，pg2)；
3.3.5对xi的速度和位置按照以下公式进行迭代：
上述计算式中：d＝1,2为粒子的维数；vidt 1为粒子i在第t 1次迭代中第d维的速度；vidt为粒子i在第t次迭代中第d维的速度；xidt为粒子i在第t次迭代中第d维的位置；pidt为粒子i在第d维的个体极值点的位置；pgdt为粒子群在第d维全局极值点的位置；其中，c1、c2为加速度常数，rand1和rand2为随机函数，取值为[0,1]；
3.3.6若xi的速度和位置未达到设定精度，则返回步骤3.3.2；若达到设定精度，则此时，设定精度的位置xi中的xi1、xi2分别为显著性水平值α值和真实水平值β值。
进一步，在实际测量计算过程中，当冷库一个或者多个表面与不同外界环境同事进行换热时，综合传热系数ha的计算公式如下：
其中，vm为冷库内送风量，to为送风温度，tj为回风温度，ca为冷库内空气密度，假设冷库与n个外界环境进行换热，则saj为与第j个外界环境的换热面积，tout，j为第j个外界环境的环境温度，t1为冷库控制系统的输出温度；
由于热惯性的存在，因为冷库总负荷量q的计算公式为：
其中，tm为烯烃惯性时间常数，t为系统纯时滞时间常数。
进一步，冷库内外温差分为p1、p2、p3三个等级；p1表示温差范围为0—10度，p2表示温差范围为10—20度，p3表示温差范围为20—30度，隶属度计算公式如下：
冷库总负荷量的隶属度计算方法同上。
进一步，时间点分为夜晚和白天，夜晚时间区间为17:00—5:00，白天时间区间为5:00—17:00，计算时间点的隶属度时，将时间点落在白天的时间区间取1，落在夜晚的时间区间取0。
进一步，冷库内温度分为一级、二级、三级共三个等级，一级是指冷库制冷设备以50％功率输出，二级是指冷库制冷设备以75％功率输出，三级是指冷库制冷设备以100％功率输出。
本发明所达到的有益技术效果：本发明提供的一种基于自适应的冷库温度模糊控制方法，解决了现有技术中冷库制冷设备不能根据冷库环境因素进行动态调控的问题。通过确定了影响冷库温度的因素，以冷库总负荷量、冷库内外温差和时间点作为主要影响因素建立了模糊控制模型，实现了制冷设备可以根据实际情况进行动态调控，避免了能源浪费的情况出现。
具体实施方式
下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
下面结合实施例对本发明专利进一步说明。
本发明提供一种基于自适应的冷库温度模糊控制方法，包括以下步骤：
步骤一，参数数据的采集：
根据影响冷库内温度的因素，确定冷库总负荷量、冷库内外温差、时间点为影响冷库温度的参数，且上述参数分为若干个等级；
其中，冷库总负荷量q的计算公式为：
q＝hasa(tout-tsp)
ha为冷库内与冷库外环境的综合传热系数，sa为冷库内与冷库外环境换热的总面积，tout为冷库外环境温度，tsp冷库内所需温度；
在实际测量计算过程中，当冷库一个或者多个表面与不同外界环境同事进行换热时，综合传热系数ha的计算公式如下：
其中，vm为冷库内送风量，to为送风温度，tj为回风温度，ca为冷库内空气密度，假设冷库与n个外界环境进行换热，则saj为与第j个外界环境的换热面积，tout，j为第j个外界环境的环境温度，t1为冷库控制系统的输出温度；
由于热惯性的存在，因为冷库总负荷量q的计算公式为：
其中，tm为烯烃惯性时间常数，t为系统纯时滞时间常数。
冷库内外温差的计算方法：利用温度传感器分别采集冷库内外温度，冷库外温度与冷库内温度之差的绝对值即为冷库内外温差；
步骤二，参数数据的隶属度计算：
将冷库总负荷量、冷库内外温差和时间点的值带入隶属度函数，计算出上述参数的隶属度数据；
时间点分为夜晚和白天，夜晚时间区间为17:00—5:00，白天时间区间为5:00—17:00，计算时间点的隶属度时，将时间点落在白天的时间区间取1，落在夜晚的时间区间取0；
冷库内外温差分为p1、p2、p3三个等级；p1表示温差范围为0—10度，p2表示温差范围为10—20度，p3表示温差范围为20—30度，隶属度计算公式如下：
冷库总负荷量的隶属度计算方法同上。
步骤三，模糊控制模型的建立：
分别建立冷库总负荷量、冷库内外温度差和时间点与冷库所需温度之间的模糊控制模型，具体过程如下：
3.1分别以冷库总负荷量、冷库内外温度差和时间点的参数数据作为训练样本，计算模糊信息熵h(d)：
上式中，d为训练样本的模糊集，n为冷库需求温度的类别数，pi为模糊集中不同冷库温度等级的样本数与样本总数的比值；
3.2模糊信息增益率的计算；
以时间点划分模糊集d，假设时间点为属性a，计算时间点对模糊集的划分信息熵ha(d)：
式中，|di|为属性a在某个时刻每个取值对应的样本数，|d|为模糊集d样本总数，h(di)为属性a的每个取值的模糊信息熵；
计算属性a即时间点划分模糊集d的模糊信息增益gain(a)：
gain(a)＝h(d)-ha(d)
引入时间点的分裂信息调节信息增益，得到调节后的模糊信息增益s(a)：
计算属性a划分模糊集的模糊信息增益率gainratio(a)：
同理，计算出冷库总负荷量、冷库内外温度差的模糊信息增益率，并按信息增益率的大小对属性进行排序，按信息增益率由大到小依次称为第一属性、第二属性和第三属性，然后选取第一属性作为模糊决策树的根节点；
3.3首先，对根节点按照参数等级进行分裂，得到第一属性的各个参数等级分支，然后对当前属性的隶属度值进行计算，当隶属度值大于参数等级分支的显著性水平值α时，则当前属性被划分至该参数等级分支中；
然后，计算各个参数等级分支所述参数等级的分类置信水平，当分类置信水平大于其真实水平值β时，则该第参数等级分支作为叶子节点，停止分裂；否则，继续分裂；
继续分裂的参数等级分支以第二属性的参数等级进行分裂，得到第二属性的各个参数等级分支，继续上述过程，直至每个参数等级分支均为叶子节点，如此，完成模糊控制模型的建立；
其中，通过粒子群算法智能整定显著性水平值α和真实水平值β的步骤如下：
3.3.1对粒子群x＝{x1...xm}进行初始化，其中，第i个粒子xi在空间的初始位置表示为xi0＝(xi10，xi20)，初始飞行速度表示为vi0＝(vi10，vi20)；
3.3.2计算每个粒子xi的适应度值fitness(xit)；
3.3.3将每个粒子xi的适应度值fitness(xit)与其历经的最佳位置pbest的值进行比较，若该粒子的适应度值fitness(xit)优于其历经的最佳位置pbest的值，则该粒子所在位置作为最优位置pbest＝(pi1，pi2)；
3.3.4将每个粒子xi的适应度值fitness(xit)与所有粒子历经的最佳位置gbest的值进行比较，若该粒子的应度值fitness(xit)优于所有粒子历经的最佳位置gbest的值，在该粒子所在位置作为最好位置gbest＝(pg1，pg2)；
3.3.5对xi的速度和位置按照以下公式进行迭代：
上述计算式中：d＝1,2为粒子的维数；vidt 1为粒子i在第t 1次迭代中第d维的速度；vidt为粒子i在第t次迭代中第d维的速度；xidt为粒子i在第t次迭代中第d维的位置；pidt为粒子i在第d维的个体极值点的位置；pgdt为粒子群在第d维全局极值点的位置；其中，c1、c2为加速度常数，rand1和rand2为随机函数，取值为[0,1]；
3.3.6若xi的速度和位置未达到设定精度，则返回步骤3.3.2；若达到设定精度，则此时，设定精度的位置xi中的xi1、xi2分别为显著性水平值α值和真实水平值β值。
步骤四，将当前参数隶属度数据代入步骤三建立的模糊控制模型中，获得满足当前温度需求的冷库制冷设备的工作等级信息；
冷库内温度分为一级、二级、三级共三个等级，一级是指冷库制冷设备以50％功率输出，二级是指冷库制冷设备以75％功率输出，三级是指冷库制冷设备以100％功率输出。
以上已以较佳实施例公布了本发明，然其并非用以限制本发明，凡采取等同替换或等效变换的方案所获得的技术方案，均落在本发明的保护范围内。
1.一种基于自适应的冷库温度模糊控制方法，其特征在于包括以下步骤：
步骤一，参数数据的采集：根据影响冷库内温度的因素，确定冷库总负荷量、冷库内外温差、时间点为影响冷库温度的参数，且上述参数分为若干个等级；
其中，冷库总负荷量q的计算公式为：
q＝hasa(tout-tsp)
ha为冷库内与冷库外环境的综合传热系数，sa为冷库内与冷库外环境换热的总面积，tout为冷库外环境温度，tsp冷库内所需温度；
冷库内外温差的计算方法：利用温度传感器分别采集冷库内外温度，冷库外温度与冷库内温度之差的绝对值即为冷库内外温差；
步骤二，参数数据的隶属度计算：将冷库总负荷量、冷库内外温差和时间点的值带入隶属度函数，计算出上述参数的隶属度数据；
步骤三，模糊控制模型的建立：分别建立冷库总负荷量、冷库内外温度差和时间点与冷库所需温度之间的模糊控制模型，具体过程如下：
3.1分别以冷库总负荷量、冷库内外温度差和时间点的参数数据作为训练样本，计算模糊信息熵h(d)：
上式中，d为训练样本的模糊集，n为冷库需求温度的类别数，pi为模糊集中不同冷库温度等级的样本数与样本总数的比值；
3.2模糊信息增益率的计算；
以时间点划分模糊集d，假设时间点为属性a，计算时间点对模糊集的划分信息熵ha(d)：
式中，|di|为属性a在某个时刻每个取值对应的样本数，|d|为模糊集d样本总数，h(di)为属性a的每个取值的模糊信息熵；
计算属性a即时间点划分模糊集d的模糊信息增益gain(a)：
gain(a)＝h(d)-ha(d)
引入时间点的分裂信息调节信息增益，得到调节后的模糊信息增益s(a)：
计算属性a划分模糊集的模糊信息增益率gainratio(a)：
同理，计算出冷库总负荷量、冷库内外温度差的模糊信息增益率，并按信息增益率的大小对属性进行排序，按信息增益率由大到小依次称为第一属性、第二属性和第三属性，然后选取第一属性作为模糊决策树的根节点；
3.3首先，对根节点按照参数等级进行分裂，得到第一属性的各个参数等级分支，然后对当前属性的隶属度值进行计算，当隶属度值大于参数等级分支的显著性水平值α时，则当前属性被划分至该参数等级分支中；
然后，计算各个参数等级分支所述参数等级的分类置信水平，当分类置信水平大于其真实水平值β时，则该第参数等级分支作为叶子节点，停止分裂；否则，继续分裂；
继续分裂的参数等级分支以第二属性的参数等级进行分裂，得到第二属性的各个参数等级分支，继续上述过程，直至每个参数等级分支均为叶子节点，如此，完成模糊控制模型的建立；
步骤四，将当前参数隶属度数据代入步骤三建立的模糊控制模型中，获得满足当前温度需求的冷库制冷设备的工作等级信息。
2.根据权利要求1所述的基于自适应的冷库温度模糊控制方法，其特征在于，步骤3.3通过粒子群算法智能整定显著性水平值α和真实水平值β的步骤如下：
3.3.1对粒子群x＝{x1...xm}进行初始化，其中，第i个粒子xi在空间的初始位置表示为xi0＝(xi10，xi20)，初始飞行速度表示为vi0＝(vi10，vi20)；
3.3.2计算每个粒子xi的适应度值fitness(xit)；
3.3.3将每个粒子xi的适应度值fitness(xit)与其历经的最佳位置pbest的值进行比较，若该粒子的适应度值fitness(xit)优于其历经的最佳位置pbest的值，则该粒子所在位置作为最优位置pbest＝(pi1，pi2)；
3.3.4将每个粒子xi的适应度值fitness(xit)与所有粒子历经的最佳位置gbest的值进行比较，若该粒子的应度值fitness(xit)优于所有粒子历经的最佳位置gbest的值，在该粒子所在位置作为最好位置gbest＝(pg1，pg2)；
3.3.5对xi的速度和位置按照以下公式进行迭代：
上述计算式中：d＝1,2为粒子的维数；vidt 1为粒子i在第t 1次迭代中第d维的速度；vidt为粒子i在第t次迭代中第d维的速度；xidt为粒子i在第t次迭代中第d维的位置；pidt为粒子i在第d维的个体极值点的位置；pgdt为粒子群在第d维全局极值点的位置；其中，c1、c2为加速度常数，rand1和rand2为随机函数，取值为[0,1]；
3.3.6若xi的速度和位置未达到设定精度，则返回步骤3.3.2；若达到设定精度，则此时，设定精度的位置xi中的xi1、xi2分别为显著性水平值α值和真实水平值β值。
3.根据权利要求1所述的基于自适应的冷库温度模糊控制方法，其特征在于：在实际测量计算过程中，当冷库一个或者多个表面与不同外界环境同事进行换热时，综合传热系数ha的计算公式如下：
其中，vm为冷库内送风量，to为送风温度，tj为回风温度，ca为冷库内空气密度，假设冷库与n个外界环境进行换热，则saj为与第j个外界环境的换热面积，tout，j为第j个外界环境的环境温度，t1为冷库控制系统的输出温度；
由于热惯性的存在，因为冷库总负荷量q的计算公式为：
其中，tm为烯烃惯性时间常数，t为系统纯时滞时间常数。
4.根据权利要求1所述的基于自适应的冷库温度模糊控制方法，其特征在于：冷库内外温差分为p1、p2、p3三个等级；p1表示温差范围为0—10度，p2表示温差范围为10—20度，p3表示温差范围为20—30度，隶属度计算公式如下：
冷库总负荷量的隶属度计算方法同上。
5.根据权利要求1所述的基于自适应的冷库温度模糊控制方法，其特征在于：时间点分为夜晚和白天，夜晚时间区间为17:00—5:00，白天时间区间为5:00—17:00，计算时间点的隶属度时，将时间点落在白天的时间区间取1，落在夜晚的时间区间取0。
6.根据权利要求1所述的基于自适应的冷库温度模糊控制方法，其特征在于：冷库内温度分为一级、二级、三级共三个等级，一级是指冷库制冷设备以50％功率输出，二级是指冷库制冷设备以75％功率输出，三级是指冷库制冷设备以100％功率输出。
技术总结