低碳園區(qū)智能感知系統(tǒng)優(yōu)化配置設(shè)計方法

摘 要：

針對目前低碳園區(qū)具有規(guī)模較大、信息分散、數(shù)據(jù)采集成本較高的問題，本文提出了一種智能感知系統(tǒng)的多目標(biāo)優(yōu)化配置方法?；谔岢龅闹悄芨兄到y(tǒng)結(jié)構(gòu)，以傳感網(wǎng)絡(luò)節(jié)點覆蓋率最高為目標(biāo)進(jìn)行節(jié)點選址;同時以投資成本、故障損失成本和運維成本最小為目標(biāo)，建立數(shù)據(jù)采集設(shè)備優(yōu)化配置模型。采用量子遺傳算法求解多目標(biāo)優(yōu)化模型，結(jié)合工程實際，以獲得傳感網(wǎng)絡(luò)覆蓋率和經(jīng)濟(jì)效益最大化的配置方案。最后通過算例分析驗證所提出的基于量子遺傳算法的智能感知系統(tǒng)多目標(biāo)優(yōu)化配置方法的有效性。

關(guān)鍵詞：

智能感知系統(tǒng); 傳感網(wǎng)絡(luò); 數(shù)據(jù)采集設(shè)備; 優(yōu)化配置; 量子遺傳算法

中圖分類號： TU855

文獻(xiàn)標(biāo)志碼： A

文章編號： 1674-8417（2024）04-0008-08

DOI：

10.16618/j.cnki.1674-8417.2024.04.002

0 引 言

園區(qū)是我國制造戰(zhàn)略的載體，各類園區(qū)對經(jīng)濟(jì)貢獻(xiàn)超30%。然而2022年，僅國家和省級園區(qū)消耗的電力占全社會消耗電力的37%［1］。所以在“雙碳”目標(biāo)背景下，園區(qū)的低碳發(fā)展對我國碳排放治理有重要意義。園區(qū)內(nèi)信息具有大規(guī)模、分散性等特點，能源情況較難進(jìn)行采集和控制［2］。因此借助智能感知系統(tǒng)對低碳園區(qū)進(jìn)行數(shù)據(jù)采集日益重要。

智能感知系統(tǒng)配置主要有兩方面：① 減少傳感設(shè)備數(shù)量并實現(xiàn)最大覆蓋面積［3］;② 配置數(shù)據(jù)采集設(shè)備，滿足數(shù)據(jù)采集需要并控制成本［4］。這類問題具有高度的非線性［5］，通常使用智能算法進(jìn)行處理。文獻(xiàn)［6］使用灰狼算法進(jìn)行感知設(shè)備配置，可顯著降低成本，但僅考慮其經(jīng)濟(jì)性，未涉及實際設(shè)備規(guī)劃問題。文獻(xiàn)［7］提出郊狼優(yōu)化算法，實現(xiàn)光伏終端的合理配置，但也僅考慮其經(jīng)濟(jì)性。文獻(xiàn)［8］將優(yōu)化算法應(yīng)用在節(jié)點布置上，提高了網(wǎng)絡(luò)性能但存在實際工程限制。文獻(xiàn)［9］提出改進(jìn)流向算法，可實現(xiàn)更均勻的節(jié)點分布和更低的部署成本，但忽略了能耗、障礙物等因素。文獻(xiàn)［10］使用遺傳算法讓傳感器配置更合理，但存在易陷入局部最優(yōu)等問題。目前這方面的研究更多聚焦于單一目標(biāo)方向優(yōu)化且缺少考慮實際限制，具有一定的局限性。

本文提出一種基于量子遺傳算法（QGA）的優(yōu)化配置模型，以低碳園區(qū)為背景，結(jié)合工程實際，針對數(shù)據(jù)采集需要，設(shè)計滿足傳感網(wǎng)絡(luò)覆蓋率與經(jīng)濟(jì)效益的多目標(biāo)智能感知系統(tǒng)優(yōu)化配置方法。

1 低碳園區(qū)中的智能感知系統(tǒng)

為實現(xiàn)對園區(qū)內(nèi)建筑環(huán)境信息全面的感知，智能感知系統(tǒng)常采用多類型傳感設(shè)備進(jìn)行數(shù)據(jù)采集，并進(jìn)行上傳分析［11］?；诓杉降臄?shù)據(jù)，調(diào)整設(shè)備工作狀態(tài)。智能感知系統(tǒng)的任務(wù)主要包括：① 通過傳感設(shè)備采集環(huán)境狀態(tài)并上傳;② 基于采集數(shù)據(jù)預(yù)測環(huán)境變化;③ 協(xié)同控制設(shè)備運行，營造舒適的環(huán)境。

本文的智能感知系統(tǒng)分為感知控制層、網(wǎng)絡(luò)傳輸層以及應(yīng)用分析層。感知控制層進(jìn)行傳感設(shè)備配置，實時采集房間內(nèi)光照、溫度等環(huán)境信息以及水表等設(shè)備信息。網(wǎng)絡(luò)傳輸層通過數(shù)據(jù)采集設(shè)備將數(shù)據(jù)上傳到云服務(wù)器。應(yīng)用分析層在應(yīng)用端分析各類數(shù)據(jù)并做出環(huán)境變化預(yù)測，并反饋控制命令，維持低碳舒適的環(huán)境。低碳園區(qū)智能感知系統(tǒng)結(jié)構(gòu)圖如圖1所示。

智能感知系統(tǒng)中，傳感設(shè)備的安裝方式應(yīng)根據(jù)國家規(guī)定進(jìn)行位置確定與配置。網(wǎng)絡(luò)傳輸層須考慮網(wǎng)絡(luò)節(jié)點配置，保證數(shù)據(jù)采集設(shè)備對環(huán)境信息的全面監(jiān)測，并在此基礎(chǔ)上設(shè)計出經(jīng)濟(jì)效益最高的智能感知系統(tǒng)配置方案。

2 傳感網(wǎng)絡(luò)節(jié)點選址方法

覆蓋率是傳感網(wǎng)絡(luò)節(jié)點配置的主要目標(biāo)，合理的節(jié)點部署能有效提高網(wǎng)絡(luò)感知能力和經(jīng)濟(jì)性，本文通過QGA求解傳感網(wǎng)絡(luò)節(jié)點配置問題。

2.1 節(jié)點配置

傳感網(wǎng)絡(luò)節(jié)點配置共分為3個部分：網(wǎng)絡(luò)初始化階段;節(jié)點計算階段;感知方向調(diào)整階段［12］。

網(wǎng)絡(luò)初始化階段，隨機部署節(jié)點、定義感知半徑和方向等。節(jié)點計算階段，根據(jù)節(jié)點的感知半徑和位置信息將整個傳感網(wǎng)絡(luò)劃分成若干子區(qū)，通過QGA算出最佳感知方向。感知方向調(diào)整階段，根據(jù)計算數(shù)據(jù)調(diào)整感知方向，實現(xiàn)傳感網(wǎng)絡(luò)最高覆蓋率。

2.2 節(jié)點選址模型

在傳感網(wǎng)絡(luò)區(qū)域A中存在隨機網(wǎng)絡(luò)節(jié)點集合V={V1，V2，V3，…，Vn}，其中vi（i=1，2，3，…，n）是以（xi，yi）為坐標(biāo)的網(wǎng)絡(luò)節(jié)點，感知半徑為ri（i=1，2，3，…，n），集合為R={r1，r2，r3，…，rn}。以節(jié)點vi為圓心，ri為半徑的圓形區(qū)域Avi即為節(jié)點vi的覆蓋區(qū)域，如果區(qū)域C=∪i∈{1，2，3，…，n}Avi且C=A，V={V1，V2，V3，…，Vn}，則目標(biāo)區(qū)域A被節(jié)點集合A覆蓋;節(jié)點集合V和對應(yīng)節(jié)點的傳感半徑所構(gòu)成的集合G（V，R）為目標(biāo)區(qū)域A的覆蓋集合。

所以傳感網(wǎng)絡(luò)節(jié)點覆蓋問題可描述為尋找一個子集G′∈G，使得集合G′覆蓋的區(qū)域C′最大，而G′最小。因此目標(biāo)函數(shù)為

f（G′）=CoverRate2G′

（1）

CoverRate=100×C′A

（2）

傳感網(wǎng)絡(luò)節(jié)點選址問題變?yōu)榍蠼夤剑?）的最大值問題。選擇G′為適應(yīng)度函數(shù)，適應(yīng)度函數(shù)值越大的個體綜合性越好。

3 數(shù)據(jù)采集設(shè)備配置方法

在智能感知系統(tǒng)優(yōu)化配置方面，數(shù)據(jù)采集設(shè)備的數(shù)量與位置是決定其經(jīng)濟(jì)性的重要因素。本文綜合考慮投資成本、故障損失成本與運維成本，結(jié)合傳感網(wǎng)絡(luò)覆蓋模型，通過虛擬適應(yīng)度計算，在保證完整數(shù)據(jù)監(jiān)測的前提下，實現(xiàn)最優(yōu)成本。

3.1 目標(biāo)函數(shù)

3.1.1 投資成本

對于經(jīng)濟(jì)性的分析，首要考慮的因素就是投資成本，主要包括購買和安裝數(shù)據(jù)采集設(shè)備的費用，數(shù)學(xué)模型表示為

3.4 基于QGA的低碳園區(qū)數(shù)據(jù)采集設(shè)備優(yōu)化配置模型求解方法

數(shù)據(jù)采集設(shè)備的優(yōu)化配置問題是一個多目標(biāo)、多約束的非線性問題，本文針對此問題采用QGA求解所建立的配置模型。QGA基于量子計算，使用一種復(fù)數(shù)形式的編碼方法和量子旋轉(zhuǎn)門更新方法，具有更高的并行性和避免局部最優(yōu)解的能力。基于QGA的低碳園區(qū)數(shù)據(jù)采集設(shè)備優(yōu)化配置模型求解流程如圖2所示。

（1） 輸入模型原始參數(shù)。包括最大迭代次數(shù)T，種群初始數(shù)量M等，隨機生成初始種群Q。

（2） 染色體編碼。QGA中使用量子位與量子疊加態(tài)，一個量子比特能處于多個幅度之和為1的疊加態(tài)中，表達(dá)方式為

其中，|α|2和|β|2表示量子比特坍縮成0或1的概率。

（3） 種群測量。通過測量種群中所有個體

可得到確定解的編碼形式，獲得確定解的虛擬適應(yīng)度值。

（4） 個體評價。結(jié)合快速非支配排序，記錄迭代過程中的最優(yōu)個體及虛擬適應(yīng)度值，以當(dāng)前最優(yōu)數(shù)據(jù)采集設(shè)備配置方案為進(jìn)化目標(biāo)。

（5） 變異量子旋轉(zhuǎn)門。在QGA中，更新子代就是通過旋轉(zhuǎn)復(fù)數(shù)幅改變?nèi)旧w的量子角度，使染色體的狀態(tài)信息趨于更優(yōu)的狀態(tài)信息。但傳統(tǒng)量子旋轉(zhuǎn)門采用的是固定旋轉(zhuǎn)角，雖然收斂速度較快，但更新后個體易陷入局部最優(yōu)。所以通過調(diào)整概率幅度上下限使其收斂于ε或1-ε，可避免局部最優(yōu)，并確保種群多樣性。在本文中，ε取0.01。

4 算例分析

4.1 算例概況

本文選取某低碳園區(qū)智慧樓宇某層，房間布局如圖3所示，房間示意圖如圖4所示。房間細(xì)節(jié)如表1所示。光源分布如表2所示。

按照國家設(shè)計規(guī)范進(jìn)行各類型傳感設(shè)備配置，設(shè)計方案如下。

（1） 電表。依據(jù)GB 50054—2011《低壓配電設(shè)計規(guī)范》，電表應(yīng)安裝在配電室配電柜中，每一個區(qū)域配置1個。

（2） 水表、熱量表。根據(jù)GB/T 778.2—2018《國家冷水水表和熱水水表安裝規(guī)范》，水表和熱量表應(yīng)裝在進(jìn)水管或回水管位置。

（3） 溫濕度傳感器。根據(jù)JJF 1101—2003《環(huán)境試驗設(shè)備溫度濕度校準(zhǔn)規(guī)范》，溫濕度傳感器應(yīng)放置在被測量區(qū)域的中心位置。

（4） 光照度傳感器。由于工作面照度與天花板光照度傳感器測量的照度不完全相關(guān)。所以為得出最優(yōu)的配置方案，在房間內(nèi)預(yù)設(shè)置8個輔助光照度傳感器，在窗外安裝4個（Wd1～Wd4），離地面2 m的4個角的墻上安裝4個（W1～W4）［13］。結(jié)合JB/T 9479—2011《光敏電阻器總規(guī)范》，選取不同布局測試后得出結(jié)果：選擇Wd2、Wd3、W3、W4時工作區(qū)桌面照度與室內(nèi)外照度相關(guān)性最大。

（5） 碳表。根據(jù)GB/T 51366—2019《建筑碳排放計算標(biāo)準(zhǔn)》，在計算建筑碳排放流中，需要結(jié)合考慮電網(wǎng)側(cè)動態(tài)碳排放［14］，碳表應(yīng)以配電側(cè)為節(jié)點，布置在負(fù)載進(jìn)線處。

（6） 數(shù)據(jù)采集設(shè)備。根據(jù)GB/T 38888—2020《數(shù)據(jù)采集設(shè)備的性能及校準(zhǔn)辦法》規(guī)范的數(shù)據(jù)采集設(shè)備配置點位進(jìn)行配置。

結(jié)合智慧建筑數(shù)據(jù)和各類型傳感設(shè)備的參數(shù)，數(shù)學(xué)模型參數(shù)如表3所示。

設(shè)置種群數(shù)目為100，最大迭代次數(shù)為200，每個種群中含有7個量子位，最大交叉概率和變異概率分別為0.9和0.1。

4.2 數(shù)據(jù)采集設(shè)備優(yōu)化配置結(jié)果

基于QGA，以數(shù)據(jù)采集器數(shù)量及位置為變量，以傳感器網(wǎng)絡(luò)覆蓋和經(jīng)濟(jì)效益最高為目標(biāo)，求得一組最優(yōu)解。數(shù)據(jù)采集設(shè)備的優(yōu)化配置方案如圖5所示。

此優(yōu)化方案中選擇了8個數(shù)據(jù)采集器，覆蓋率為96.24%，網(wǎng)絡(luò)節(jié)點分布均勻，采集重疊區(qū)域較少，基本滿足數(shù)據(jù)采集需求，對應(yīng)的虛擬適應(yīng)度值為0.167 97。數(shù)據(jù)采集器與被監(jiān)測設(shè)備對照表如4表所示。

經(jīng)計算，此優(yōu)化方案總成本為83 309元。造價詳情如表5所示。

為驗證QGA的優(yōu)越性，本文將QGA與遺傳算法進(jìn)行比較分析。選擇ZDT1作為測試函數(shù)，通過GD指標(biāo)、CPFr指標(biāo)、HV指標(biāo)［15］來比較兩種算法在收斂性、種群多樣性及綜合性方面的差異。GD值越小，算法的收斂性速度越快;CPF值越大，種群多樣性越好;HV值越大，最優(yōu)解綜合性越好。設(shè)置種群最大迭代200次，種群數(shù)為100，迭代完成后，兩種算法的指標(biāo)結(jié)果如表6所示。

由表6可知，QGA雖然在最優(yōu)解的綜合性方面和遺傳算法相差無幾，但是在收斂速度和種群多樣性方面有顯著提高，可有效避免遺傳算法的一些局限性。收斂速度的提高表現(xiàn)在虛擬適應(yīng)度的計算方面，兩種算法的虛擬適應(yīng)度值隨迭代次數(shù)的變化過程如圖6所示。

從圖6可知，QGA在迭代初期曲線斜率明顯大于遺傳算法，隨后趨于平穩(wěn)，而遺傳算法需更多迭代，可見QGA收斂更快，因此在搜索時效率更高，虛擬適應(yīng)度值更低。

5 結(jié) 語

本文針對“雙碳”目標(biāo)背景下，低碳園區(qū)數(shù)據(jù)信息采集困難、成本較高的問題，提出了基于QGA的智能感知系統(tǒng)多目標(biāo)優(yōu)化配置方法。建立傳感無線網(wǎng)絡(luò)覆蓋模型，綜合考慮投資成本、故障損失、運維成本等因素建立數(shù)據(jù)采集設(shè)備配置模型，結(jié)合工程實際，形成以網(wǎng)絡(luò)覆蓋率和經(jīng)濟(jì)效益最高的多目標(biāo)優(yōu)化模型。算例表明，本文提出的優(yōu)化配置方法可以實現(xiàn)數(shù)據(jù)采集器對傳感設(shè)備的全面覆蓋，并有效降低成本。同時，通過測試函數(shù)對比QGA與遺傳算法，得出QGA在收斂速度和種群多樣性方面的優(yōu)越性，為低碳園區(qū)智能感知系統(tǒng)的研究提供一定的參考價值。

［1］ 朱法華，王玉山.中國電力行業(yè)碳達(dá)峰、碳中和的發(fā)展路徑研究［J］.電力科技與環(huán)保，2021，37（3）：9-16.

［2］ 鄭加健.面向園區(qū)能源互聯(lián)網(wǎng)的綜合用能感知技術(shù)［D］.濟(jì)南：齊魯工業(yè)大學(xué)，2023.

［3］ 席云華.電網(wǎng)企業(yè)碳排放核算存在問題及建議［J］.中國電業(yè)，2021（4）：88-89.

［4］ 葛磊蛟.智能配電網(wǎng)態(tài)勢感知關(guān)鍵技術(shù)及實施效果評價［J］.高電壓技術(shù)，2021，47（7）：2269-2280.

［5］ 劉斌.大跨度空間網(wǎng)格結(jié)構(gòu)健康監(jiān)測中傳感器優(yōu)化布置方法研究［D］.青島：青島理工大學(xué)，2018.

［6］ 潘霄.面向能源互聯(lián)網(wǎng)的零碳園區(qū)智能感知設(shè)備優(yōu)化規(guī)劃方法［J］.電力建設(shè)，2022，43（12）：47-55.

［7］ 劉嘉恒，張明.基于改進(jìn)郊狼優(yōu)化算法的光伏智能邊緣終端優(yōu)化配置方法［J］.電工技術(shù)學(xué)報，2021，36（7）：1368-1379.

［8］ CAZZULANI G.Optimal sensor placement for continuous optical fiber sensors［J］.Sensors and Smart Structures Technologies for Aerospace System，2018，10（5）：5-8.

［9］ 楊盤隆.改進(jìn)流向算法的無線傳感器網(wǎng)絡(luò)覆蓋優(yōu)化［J］.深圳大學(xué)學(xué)報，2023，41（2）：241-247.

［10］ CHAI W H，YANG Y X.Optimal sensor placement of bridge structure based on sensitivity effective independence method［J］.IET Circuits Devices amp; Systems，2022，16（2）：125-135.

［11］ 張宇陽.智能感控技術(shù)在智能家居中的應(yīng)用［J］.中國科技信息，2024，1（1）：119-123.

［12］ 張江山，熊哲源.無線傳感網(wǎng)絡(luò)覆蓋優(yōu)化技術(shù)研究［J］.信息與智能，2022，23（12）：6-20.

［13］ 孫科學(xué)，渠吉慶.基于線性優(yōu)化模糊C均值算法和人工神經(jīng)網(wǎng)絡(luò)的光照傳感器布局方法［J］.電子與信息學(xué)報，2023，45（9）：1766-1773.

［14］ 何恒靜.電網(wǎng)側(cè)動態(tài)碳排放計量模型及方法［J］.現(xiàn)代電力，2023，41（7）：1-7.

［15］ TIAN Y，CHENG R，ZHANG X，et al.Diversity assessment of multi-objective evolutionary algorithms：performance metric and benchmark problems［J］.IEEE Computational Intelligence Magazine，2019，14（3）：61-74.

收稿日期： 2024-03-15

Design Method for Optimal Configuration of Intelligent

Sensing Equipment in Low-Carbon Parks

SUN Zheyu1， WANG Qi1， YIN Yaohua2， KE Ji1， DUAN Chendong1， XING Xueshu2

（1.School of Energy and Electrical Engineering， Chang’an University， Xi’an 710064， China;

2.Power China Guiyang Engineering Co.， Ltd.， Guiyang 550081， China）

Abstract：

Directing at the problems of large scale，scattered information and high cost of data collection in low-carbon parks，this paper proposes a multi-objective optimization configuration method of intelligent sensing system.Based on the proposed structure of the intelligent sensing system，node selection is carried out with the target of the highest node coverage of the sensor network.Meanwhile，aiming at the minimum investment cost，failure loss cost and operation maintenance cost，the optimal configuration model of data acquisition equipment is established.In this paper，quantum genetic algorithm is used to solve the multi-objective optimization model，combined with the engineering practice，in order to obtain the configuration scheme of the sensor network coverage and economic benefit maximization.Finally，an example is given to verify the effectiveness of the proposed multi-objective optimal configuration method for intelligent sensing system based on quantum genetic algorithm.

Key words：

intelligent sensing device; sensor network; data acquisition equipment; optimize configuration; quantum genetic algorithm