空调系统的负荷分配方法、装置和电子设备与流程

1.本发明涉及空调系统的技术领域，尤其是涉及一种空调系统的负荷分配方法、装置和电子设备。


背景技术：

2.在楼宇空调系统的总能耗中，一般来说，冷水机组的能耗通常占空调系统的总能耗的40％以上，多数情况下建筑的空调系统由多机组组成，空调系统的选型设计一般会按最大负荷设计，然而多数的情况是空调负荷小于其设计的负荷，其部分负荷能耗与其本身的特性以及负荷分配有关，在部分负荷下空调系统存在多机组的负荷分配不合理情况，会降低空调系统的整体效率水平。
3.为了使空调系统在部分负荷运行时达到降低能耗的效果，在确定冷水机组选型后，楼宇空调系统的控制通常会在恒定供水温度之下，采用等比例分配，机组优先级等优化逻辑策略，但上述楼宇空调系统的控制方法仅仅实现了出水水温控制和简单优化，未从全局上控制优化空调系统的运行，导致空调系统的整体性能较差，能耗较高，并且优化速度较慢，不能适用于具有实时性需求的现场。因此，如何合理分配各冷水机组承担的冷负荷，尽可能降低系统总能耗已成为节能降耗的关键。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种空调系统的负荷分配方法、装置和电子设备，以提高空调系统的整体性能，降低能耗，增加优化速度，可以适用于具有实时性需求的现场。
5.第一方面，本发明实施例提供了一种空调系统的负荷分配方法，方法包括：确定空调系统的总负荷对应的多个负荷分配方案，计算多个分配方案对应的适应度；基于最佳适应度判断空调系统是否满足预先设定的约束条件；其中，最佳适应度为适应度中的最大值；如果否，调整空调系统中各个设备机组的负荷，并且基于调整后的各个设备机组的负荷计算空调系统的多个总能耗；继续执行计算多个分配方案对应的适应度的步骤，直至空调系统满足约束条件；控制空调系统基于满足约束条件的总能耗对应的分配方案执行运行操作。
6.在本技术较佳的实施例中，上述确定空调系统的总负荷对应的多个负荷分配方案，计算多个分配方案对应的适应度的步骤，包括：获取空调系统的总负荷对应的多个负荷分配方案；其中，每个分配方案包括空调系统的各个设备机组的负荷；基于空调系统的各个设备机组的负荷确定每个分配方案对应的总能耗。
7.在本技术较佳的实施例中，上述计算多个分配方案对应的适应度的步骤，包括：通过下述算式计算多个分配方案对应的适应度：其中，fi为第i个分配方案对应的适应度，p
max
为多个总能耗的最大值，p
min
为多个总能耗的最小值，pi为第i个总能
耗，δε为预设的第一边界处理系数，δε
′
为预设的第二边界处理系数。
8.在本技术较佳的实施例中，上述基于最佳适应度判断空调系统是否满足预先设定的约束条件的步骤，包括：确定空调系统的指定次数的迭代过程中的最佳适应度；如果相邻的最佳适应度的差值均小于预设的适应度阈值，则确定空调系统满足约束条件；如果至少存在一个相邻的最佳适应度的差值大于或等于适应度阈值，则确定空调系统不满足约束条件。
9.在本技术较佳的实施例中，上述方法还包括：确定空调系统的迭代次数；判断迭代次数是否大于预设的次数阈值；如果是，则确定空调系统满足约束条件；如果否，则确定空调系统不满足约束条件。
10.在本技术较佳的实施例中，上述调整空调系统中各个设备机组的负荷的步骤，包括：如果空调系统中设备机组的负荷大于预设的负荷阈值，减少空调系统中设备机组的负荷；如果空调系统中设备机组的负荷小于负荷阈值，增大空调系统中设备机组的负荷。
11.在本技术较佳的实施例中，上述基于调整后的各个设备机组的负荷计算空调系统的多个总能耗的步骤之后，方法还包括：将调整前的最佳适应度对应的分配方案对应的设备机组的负荷，替换调整后最小的适应度对应的分配方案对应的设备机组的负荷。
12.在本技术较佳的实施例中，上述基于调整后的各个设备机组的负荷计算空调系统的多个总能耗的步骤之后，方法还包括：从分配方案中随机选择第一分配方案和第二总分配方案；随机替换第一分配方案对应的设备机组的负荷和第二总分配方案对应的设备机组的负荷。
13.在本技术较佳的实施例中，上述从分配方案中随机选择第一分配方案和第二分配方案的步骤，包括：基于适应度计算每个分配方案的概率；基于概率随机选择第一分配方案和第二分配方案。
14.在本技术较佳的实施例中，上述基于适应度计算每个总分配方案的概率的步骤，包括：通过下述算式基于适应度计算每个分配方案的概率分布：pi＝∑fi′
，其中，(pi,p
i 1
]为第i个适应度的选中概率区间，m为适应度的数量，fi为第i个适应度。
15.在本技术较佳的实施例中，上述基于调整后的各个设备机组的负荷计算空调系统的多个总能耗的步骤之后，方法还包括：从空调系统的分配方案随机选择目标分配方案，调整目标分配方案对应的设备机组的负荷。
16.在本技术较佳的实施例中，上述调整目标分配方案对应的设备机组的负荷的步骤，包括：在预设的随机数范围内确定随机数；如果随机数小于预设的随机数阈值，通过下述算式，调整目标分配方案对应的设备机组的负荷：如果随机数大于或等于随机数阈值，通过下述算式，调整目标分配方案对应的设备机组的负荷：过下述算式，调整目标分配方案对应的设备机组的负荷：其中，f
ij
为第i个对应的第j个设备机组的负荷，c
ij
为第i个分配方案对应的第j个设备机组的制冷量，c
ij_max
为第i个分配方案对应的第j个设备机组的最大制冷量，c
ij_min
为第i个分配方案对应的第j个设备机组的最小制冷量，r为随机
数，g为当前的迭代次数，g为预先设定的次数阈值。
17.第二方面，本发明实施例还提供一种空调系统的负荷分配装置，装置包括：适应度计算模块，用于确定空调系统的总负荷对应的多个负荷分配方案，计算多个分配方案对应的适应度；约束条件判断模块，用于基于最佳适应度判断空调系统是否满足预先设定的约束条件；其中，最佳适应度为适应度中的最大值；负荷修正模块，用于如果否，调整空调系统中各个设备机组的负荷，并且基于调整后的各个设备机组的负荷计算空调系统的多个总能耗；空调机组迭代模块，用于继续执行计算多个分配方案对应的适应度的步骤，直至空调系统满足约束条件；空调系统运行模块，用于控制空调系统基于满足约束条件的总能耗对应的分配方案执行运行操作。
18.第三方面，本发明实施例还提供了一种电子设备，包括处理器和存储器，该存储器存储有能够被该处理器执行的计算机可执行指令，该处理器执行该计算机可执行指令以实现上述空调系统的负荷分配方法。
19.第四方面，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述空调系统的负荷分配方法。
20.本发明实施例带来了以下有益效果：
21.本发明实施例提供的一种空调系统的负荷分配方法、装置和电子设备，可以基于空调系统的多个负荷分配方案对应的适应度判断空调系统是否满足预先设定的约束条件；如果否，则调整空调系统中各个设备机组的负荷，直至调整的空调系统满足约束条件，并且控制空调系统基于满足约束条件的总能耗对应的负荷分配方案执行运行操作。该方式中，可以优化分配空调系统的各个设备机组的负荷，使得机组系统整体性能最佳、能耗最低，并且优化算法计算速度快，效率高，可以适用于具有实时性需求的现场。
22.本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
23.为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
24.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1为本发明实施例提供的另一种空调系统的负荷分配方法的流程图；
26.图2为本发明实施例提供的一种空调系统的负荷分配方法的流程图；
27.图3为本发明实施例提供的一种采用遗传算法进行空调系统的负荷分配的方式的示意图；
28.图4为本发明实施例提供的一种空调系统的负荷分配装置的结构示意图；
29.图5为本发明实施例提供的另一种空调系统的负荷分配装置的结构示意图；
30.图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
31.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
32.目前，在楼宇空调系统的总能耗中，一般来说，冷水机组的能耗通常占空调系统的总能耗的40％以上，多数情况下建筑的空调系统由多机组组成，空调系统的选型设计一般会按最大负荷设计，然而多数的情况是空调负荷小于其设计的负荷，其部分负荷能耗与其本身的特性以及负荷分配有关，在部分负荷下空调系统存在多机组的负荷分配不合理情况，会降低空调系统的整体效率水平。
33.为了使空调系统在部分负荷运行时达到降低能耗的效果，在确定冷水机组选型后，楼宇空调系统的控制通常会在恒定供水温度之下，采用等比例分配，机组优先级等优化逻辑策略，但上述楼宇空调系统的控制方法仅仅实现了出水水温控制和简单优化，未从全局上控制优化空调系统的运行，导致空调系统的整体性能较差，能耗较高，并且优化速度较慢，不能适用于具有实时性需求的现场。
34.因此，如何合理分配各冷水机组承担的冷负荷，尽可能降低系统总能耗已成为节能降耗的关键。基于此，本发明实施例提供的一种空调系统的负荷分配方法、装置和电子设备，具体涉及一种基于遗传算法的暖通水系统多机组负荷分配优化方法，可以优化分配空调系统的各个设备机组的负荷，使得机组系统整体性能最佳、能耗最低，并且优化算法计算速度快，效率高，可以适用于具有实时性需求的现场。
35.为便于对本实施例进行理解，首先对本发明实施例所公开的一种空调系统的负荷分配方法进行详细介绍。
36.实施例一：
37.本发明实施例提供一种空调系统的负荷分配方法，如图1所示的一种空调系统的负荷分配方法的流程图，该空调系统的负荷分配方法包括如下步骤：
38.步骤s102，确定空调系统的总负荷对应的多个负荷分配方案，计算多个分配方案对应的适应度。
39.本发明实施例中的空调系统中可以设置有多个空调设备，例如：压缩机、水泵等。一个机组可以包括一个压缩机和一个水泵，例如：空调系统中包括5个压缩机和5个水泵，则可以包括5个机组。
40.空调系统的负荷分配方案即确定空调系统中各个空调设备的开启程度的方案，其中，一般来说同一个设备机组的开启程度相同，因此，空调系统的负荷分配方案可以理解为确定不同设备机组的开启程度的方案。
41.具体地，本发明实施例中的多个分配方案具有相同的总负荷，即空调系统的总负荷，空调系统的总负荷可以理解为每个分配方案的空调系统中全部的设备机组的负荷的和。然而，虽然各个分配方案的总负荷相同，但是各个分配方案的总能耗不一定相同，本发明实施例可以采用预先设定的遗传算法中的适应度函数计算多个总能耗对应的适应度。
42.在遗传算法中，适应度是描述个体性能的主要指标。根据适应度的大小，对个体进行优胜劣汰。适应度是驱动遗传算法的动力。从生物学角度讲，适应度相当于“生存竞争、适
者生存”的生物生存能力，在遗传过程中具有重要意义。将优化问题的目标函数与个体的适应度建立映射关系，即可在群体进化过程中实现对优化问题目标函数的寻优。适应度函数也称评价函数，是根据目标函数确定的用于区分群体中个体好坏的标准，总是非负的，任何情况下都希望它的值越大越好。
43.本发明实施例中，可以将设备机组的制冷量作为遗传算法中的基因，多个基因组成1个遗传算法中的个体，即将空调系统的总负荷作为个体，多个负荷分配方案对应的总负荷作为遗传算法中的群体(也可以称为种群)。
44.步骤s104，基于最佳适应度判断空调系统是否满足预先设定的约束条件；其中，最佳适应度为适应度中的最大值。
45.在确定每个个体的适应度之后，可以根据这些适应度中的最佳适应度判断空调系统是否满足预先设定的约束条件，例如：判断连续地几次迭代过程中的最佳适应度的取值是否接近。当然，也可以通过其他方式判断空调系统是否满足预先设定的约束条件，例如：迭代次数是否超过了预设的阈值等。
46.步骤s106，如果否，调整空调系统中各个设备机组的负荷，并且基于调整后的各个设备机组的负荷计算空调系统的多个总能耗。
47.如果空调系统不满足预先设定的约束条件，则需要调整个体的值，即空调系统中各个设备机组的负荷，调整各个设备机组的负荷之后，分配方案随之变化，空调系统的多个总能耗也随之变化。
48.步骤s108，继续执行计算多个分配方案对应的适应度的步骤，直至空调系统满足约束条件。
49.在调整空调系统中各个设备机组的负荷之后，可以继续计算调整后的分配方案对应的适应度，并继续确定调整后的空调机组是否满足预先设定的约束条件；如果依旧不满足则需要继续调整，直至满足上述约束条件。
50.步骤s110，控制空调系统基于满足约束条件的总能耗对应的分配方案执行运行操作。
51.如果空调系统满足约束条件，则可以确定满足束条件的总能耗对应的分配方案，控制空调机组执行该分配方案，以优化分配空调系统的各个设备机组的负荷，使得机组系统整体性能最佳、能耗最低。
52.本发明实施例提供的一种空调系统的负荷分配方法，可以基于空调系统的多个负荷分配方案对应的适应度判断空调系统是否满足预先设定的约束条件；如果否，则调整空调系统中各个设备机组的负荷，直至调整的空调系统满足约束条件，并且控制空调系统基于满足约束条件的总能耗对应的负荷分配方案执行运行操作。该方式中，可以优化分配空调系统的各个设备机组的负荷，使得机组系统整体性能最佳、能耗最低，并且优化算法计算速度快，效率高，可以适用于具有实时性需求的现场。
53.实施例二：
54.本实施例提供了另一种空调系统的负荷分配方法，该方法在上述实施例的基础上实现，如图2所示的另一种空调系统的负荷分配方法的流程图，本实施例中的空调系统的负荷分配方法包括如下步骤：
55.步骤s202，确定空调系统的总负荷对应的多个负荷分配方案，计算多个分配方案
对应的适应度。
56.具体地，可以通过下述步骤确确定空调系统的总负荷对应的多个负荷分配方案，计算多个分配方案对应的适应度：获取空调系统的总负荷对应的多个负荷分配方案；其中，每个分配方案包括空调系统的各个设备机组的负荷；基于空调系统的各个设备机组的负荷确定每个分配方案对应的总能耗。
57.可以从空调系统的每个负荷分配方案中分别确定该方案的各个设备机组的负荷，可以基于该分配方案的各个设备机组的负荷计算该分配方案的总能耗。
58.本发明实施例可以采用遗传算法进行空调系统的负荷分配。遗传算法是一种基于自然选择和群体遗传机理的搜索算法，它模拟了自然选择和自然遗传过程中的繁殖、杂交和突变现象。再利用遗传算法求解问题时，问题的每一个可能解都被编码成一个“染色体”，即个体，若干个个体构成了群体(所有可能解)。在遗传算法开始时，总是随机的产生一些个体(即初始解)，根据预定的目标函数对每一个个体进行评估，给出一个适应度值，基于此适应度值，选择一些个体用来产生下一代，选择操作体现了“适者生存”的原理，“好”的个体被用来产生下一代，“坏”的个体则被淘汰，然后选择出来的个体，经过交叉和变异算子进行再组合生成新的一代，这一代的个体由于继承了上一代的一些优良性状，因而在性能上要优于上一代，这样逐步朝着最优解的方向进化。因此，遗传算法可以看成是一个由可行解组成的群体初步进化的过程。
59.参见图3所示的一种采用遗传算法进行空调系统的负荷分配的方式的示意图，首先需要进行编码和初始化种群(即计算适应度)，其中，本发明实施例采用的了浮点数编码，一般将多机组的空调系统的总能耗(目标函数)作为适应度。具体地，可以通过下述算式计算多个分配方案对应的适应度：其中，fi为第i个分配方案对应的适应度，p
max
为多个总能耗的最大值，p
min
为多个总能耗的最小值，pi为第i个总能耗，δε为预设的第一边界处理系数，δε
′
为预设的第二边界处理系数。
60.也即，fi为当前负荷下第i个个体适应度，p
max
为当前负荷下种群中的最大总能耗，p
min
为当前负荷下种群中的最小总能耗，pi为当前负荷下第i个个体的总能耗。通过上述算式可知，pi越小fi越大，负荷分配方案的总能耗越低。
61.步骤s204，基于最佳适应度判断空调系统是否满足预先设定的约束条件；其中，最佳适应度为适应度中的最大值。
62.如图3所示，初始化种群之后，需要判断是否满足约束条件，例如：连续m次最佳适应度的差值小于σ。具体地，可以通过下述步骤基于适应度判断空调系统是否满足预先设定的约束条件：确定空调系统的指定次数的迭代过程中的最佳适应度；如果相邻的最佳适应度的差值均小于预设的适应度阈值，则确定空调系统满足约束条件；如果至少存在一个相邻的最佳适应度的差值大于或等于适应度阈值，则确定空调系统不满足约束条件。
63.如图3所示，可以确定空调系统的指定次数(m次)的迭代过程中的最佳适应度，如果连续m次最佳适应度的差值小于适应度阈值σ，可以认为空调系统满足约束条件。如果至少存在一个相邻的最佳适应度的差值大于或等于适应度阈值σ，则确定空调系统不满足约束条件。
64.此外，除了上述判断是否满足约束条件的方式之外，还可以再通过迭代次数进行
判断，例如：确定空调系统的迭代次数；判断迭代次数是否大于预设的次数阈值；如果是，则确定空调系统满足约束条件；如果否，则确定空调系统不满足约束条件。
65.如图3所示，如果迭代次数n大于次数阈值n，则认为满足约束条件；如果迭代次数n小于或等于次数阈值n，则认为满足不约束条件。
66.步骤s206，如果否，调整空调系统中各个设备机组的负荷，并且基于调整后的各个设备机组的负荷计算空调系统的多个总能耗。
67.如图3所示，如果不满足约束条件就需要进行个体修正，例如：如果空调系统中设备机组的负荷大于预设的负荷阈值，减少空调系统中设备机组的负荷；如果空调系统中设备机组的负荷小于负荷阈值，增大空调系统中设备机组的负荷。
68.上述个体修正方法的原则是机组负荷尽可能在高负荷区间，高负荷的设备机组增加负荷，低负荷的设备机组减少负荷，例如，个体的总冷量大于分配的负荷时，从低负荷的设备机组减少负荷；或者，个体的总冷量小于分配的负荷时，如果在运行的机组的剩余容量大于未分配的负荷，则按运行机组剩余容量，比例分配给运行的各机组；否则按剩余容量比，比例分配给所各机组。
69.步骤s208，将调整前的最佳适应度对应的分配方案对应的设备机组的负荷，替换调整后最小的适应度对应的分配方案对应的设备机组的负荷。
70.如图3所示，在进行个体修正之后，可以将上次最佳个体替换本次种群最差个体，即将上一次迭代时的最佳适应度的分配方案对应的设备机组的负荷替换本次迭代时的最小的适应度对应的分配方案对应的设备机组的负荷。
71.如图3所示，完成个体替代之后可以进行选择操作和交叉操作，例如：从分配方案中随机选择第一分配方案和第二总分配方案；随机替换第一分配方案对应的设备机组的负荷和第二总分配方案对应的设备机组的负荷。
72.选择操作是指从群体中选择优良个体并淘汰劣质个体的操作。它建立在适应度评估的基础上。适应度越大的个体，被选中上的可能性就越大，他的“子孙”在下一代中的个数就越多，选择出来的个体就被放入配对库中。目前常用的选择方法有轮赌盘方法、最佳个体保留法、期望值法、排序选择法、竞争法、线性标准化法等。
73.本发明实施例可以采用轮赌盘方法执行选择操作，因此进行适应度概率分布计算。例如：基于适应度计算每个分配方案的概率；基于概率随机选择第一分配方案和第二分配方案。
74.具体地，可以通过下述算式基于适应度计算每个分配方案的概率分布：pi＝∑fi′
，其中，(pi,p
i 1
]为第i个适应度的选中概率区间，m为适应度的数量，fi为第i个适应度。
75.交叉操作就是指把两个父代个体的部分结构加以替换重组而生成新的个体的操作，交叉的目的是为了在下一代产生新的个体，通过交叉操作，遗传算法的搜索能力得到了飞跃性的提高。交叉是遗传算法获取优良个体的重要手段。交叉操作是按照一定的交叉概率在匹配库中随机的选取两个个体进行的，交叉位置也是随机的。
76.例如，在满足一定概率情况下随机选择两个个体，再随机生成交叉起始点进行间隔交叉。即选择两个个体：第一分配方案和第二分配方案，随机替换两个个体的基因，即随
机替换第一分配方案对应的设备机组的负荷和第二总分配方案对应的设备机组的负荷。
77.如图3所示，除了选择和交叉之外，还可以进行变异操作，变异操作就是以很小的变异概率随机地改变种群中个体的某些基因的值。例如，在满足一定概率情况下随机选择某个个体的某个基因，进行变异操作。具体地，可以从空调系统的分配方案随机选择目标分配方案，调整目标分配方案对应的设备机组的负荷。
78.举例来说，可以在预设的随机数范围内确定随机数；如果随机数小于预设的随机数阈值，通过下述算式，调整目标分配方案对应的设备机组的负荷：如果随机数大于或等于随机数阈值，通过下述算式，调整目标分配方案对应的设备机组的负荷：过下述算式，调整目标分配方案对应的设备机组的负荷：
79.其中，f
ij
为第i个对应的第j个设备机组的负荷，c
ij
为第i个分配方案对应的第j个设备机组的制冷量，c
ij_max
为第i个分配方案对应的第j个设备机组的最大制冷量，c
ij_min
为第i个分配方案对应的第j个设备机组的最小制冷量，r为随机数，g为当前的迭代次数，g为预先设定的次数阈值；通过上述变异方式，变异函数随着迭代次数的增加，变异的数值变小，可以加快遗传算法的收敛速度，提高计算的速度和效率。
80.步骤s210，继续执行计算多个分配方案对应的适应度的步骤，直至空调系统满足约束条件。
81.空调系统每调整一次的过程可以称为一次迭代，迭代次数加1，即图3中的n＝n 1，通过多次迭代之后，就可以确定空调系统满足约束条件。
82.步骤s212，控制空调系统基于满足约束条件的总能耗对应的分配方案执行运行操作。
83.本发明实施例提供的上述方法，可以通过采用遗传算法对机组的负荷分配全局搜索，求解在部分负荷下机组整体的能耗最低。
84.与其他采用的遗传优化算法相比，本发明实施例在结合实际情况下对适应度函数计算、交叉方法和变异方法和函数作改进处理。本发明实施例在种群迭代中保留了最佳的染色体。本发明实施例可以对不满足约束条件的个体进行修正，再次放回种群，以扩大种群个体的差异性，防止过快陷入局部最优的情况。
85.因此，本发明实施例可以使遗传算法迅速收敛，得到优化结果。在一台普通计算机平均可以50ms内优化一个点，能满足实时性需求，即在产品控制系统中或节能方案中迅速提供依据。
86.此外，相比现有的优先级加比例的负荷分配方法，本发明实施例的负荷分配方法优化后的能耗明显较低。2台不同组优化的平均节能大约降低了4％，3台不同机组的优化平均节能大约降低了9％，4台不同机组的优化平均节能大约降低了13％，即机组越多样性，本发明实施例的负荷分配方法的优化效果越好。
87.实施例三：
88.对应于上述方法实施例，本发明实施例提供了一种空调系统的负荷分配装置，参见图4所示的一种空调系统的负荷分配装置的结构示意图，该空调系统的负荷分配装置包
括：
89.适应度计算模块41，用于确定空调系统的总负荷对应的多个负荷分配方案，计算多个分配方案对应的适应度；
90.约束条件判断模块42，用于基于最佳适应度判断空调系统是否满足预先设定的约束条件；其中，最佳适应度为适应度中的最大值；
91.负荷修正模块43，用于如果否，调整空调系统中各个设备机组的负荷，并且基于调整后的各个设备机组的负荷计算空调系统的多个总能耗；
92.空调机组迭代模块44，用于继续执行计算多个分配方案对应的适应度的步骤，直至空调系统满足约束条件；
93.空调系统运行模块45，用于控制空调系统基于满足约束条件的总能耗对应的分配方案执行运行操作。
94.本发明实施例提供的一种空调系统的负荷分配装置，可以基于空调系统的多个负荷分配方案对应的适应度判断空调系统是否满足预先设定的约束条件；如果否，则调整空调系统中各个设备机组的负荷，直至调整的空调系统满足约束条件，并且控制空调系统基于满足约束条件的总能耗对应的负荷分配方案执行运行操作。该方式中，可以优化分配空调系统的各个设备机组的负荷，使得机组系统整体性能最佳、能耗最低，并且优化算法计算速度快，效率高，可以适用于具有实时性需求的现场。
95.上述适应度计算模块，用于获取空调系统的总负荷对应的多个负荷分配方案；其中，每个分配方案包括空调系统的各个设备机组的负荷；基于空调系统的各个设备机组的负荷确定每个分配方案对应的总能耗。
96.上述适应度计算模块，用于通过下述算式计算多个分配方案对应的适应度：其中，fi为第i个分配方案对应的适应度，p
max
为多个总能耗的最大值，p
min
为多个总能耗的最小值，pi为第i个总能耗，δε为预设的第一边界处理系数，δε
′
为预设的第二边界处理系数。
97.上述约束条件判断模块，用于确定空调系统的指定次数的迭代过程中的最佳适应度；如果相邻的最佳适应度的差值均小于预设的适应度阈值，则确定空调系统满足约束条件；如果至少存在一个相邻的最佳适应度的差值大于或等于适应度阈值，则确定空调系统不满足约束条件。
98.上述装置还包括：第二约束条件判断模块，用于确定空调系统的迭代次数；判断迭代次数是否大于预设的次数阈值；如果是，则确定空调系统满足约束条件；如果否，则确定空调系统不满足约束条件。
99.上述负荷修正模块，用于如果空调系统中设备机组的负荷大于预设的负荷阈值，减少空调系统中设备机组的负荷；如果空调系统中设备机组的负荷小于负荷阈值，增大空调系统中设备机组的负荷。
100.参见图5所示的另一种空调系统的负荷分配装置的结构示意图，该空调系统的负荷分配装置还包括：选择交叉模块46，与负荷修正模块43连接，选择交叉模块46，用于将调整前的最佳适应度对应的分配方案对应的设备机组的负荷，替换调整后最小的适应度对应的分配方案对应的设备机组的负荷。
101.上述选择交叉模块，用于从分配方案中随机选择第一分配方案和第二总分配方案；随机替换第一分配方案对应的设备机组的负荷和第二总分配方案对应的设备机组的负荷。
102.上述选择交叉模块，用于基于适应度计算每个分配方案的概率；基于概率随机选择第一分配方案和第二分配方案。
103.上述选择交叉模块，用于通过下述算式基于适应度计算每个分配方案的概率分布：pi＝∑fi′
，其中，(pi,p
i 1
]为第i个适应度的选中概率区间，m为适应度的数量，fi为第i个适应度。
104.如图5所示，该空调系统的负荷分配装置还包括：变异模块47，选择交叉模块46、变异模块47、空调机组迭代模块44依次连接，变异模块47，用于从空调系统的分配方案随机选择目标分配方案，调整目标分配方案对应的设备机组的负荷。
105.上述变异模块，用于在预设的随机数范围内确定随机数；如果随机数小于预设的随机数阈值，通过下述算式，调整目标分配方案对应的设备机组的负荷：如果随机数大于或等于随机数阈值，通过下述算式，调整目标分配方案对应的设备机组的负荷：其中，f
ij
为第i个对应的第j个设备机组的负荷，c
ij
为第i个分配方案对应的第j个设备机组的制冷量，c
ij_max
为第i个分配方案对应的第j个设备机组的最大制冷量，c
ij_min
为第i个分配方案对应的第j个设备机组的最小制冷量，r为随机数，g为当前的迭代次数，g为预先设定的次数阈值。
106.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的空调系统的负荷分配装置的具体工作过程，可以参考前述的空调系统的负荷分配方法的实施例中的对应过程，在此不再赘述。
107.实施例四：
108.本发明实施例还提供了一种电子设备，用于运行上述空调系统的负荷分配方法；参见图6所示的一种电子设备的结构示意图，该电子设备包括存储器100和处理器101，其中，存储器100用于存储一条或多条计算机指令，一条或多条计算机指令被处理器101执行，以实现上述空调系统的负荷分配方法。
109.进一步地，图6所示的电子设备还包括总线102和通信接口103，处理器101、通信接口103和存储器100通过总线102连接。
110.其中，存储器100可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是isa总线、pci总线或eisa总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
111.处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上
述的处理器101可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100，处理器101读取存储器100中的信息，结合其硬件完成前述实施例的方法的步骤。
112.本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述空调系统的负荷分配方法，具体实现可参见方法实施例，在此不再赘述。
113.本发明实施例所提供的空调系统的负荷分配方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
114.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和/或装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
115.另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
116.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
117.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
118.最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员
在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。