【第一篇 原理篇】冷站优化的数学本质与三层解耦架构

导读：冷站节能到底在解一个什么数学问题？为什么传统的运筹学工具（MILP/MINLP）在现场总是“算得慢”甚至“算不出”？本文拆解这套开源算法最底层的系统工程思考：如何用“三层解耦”架构，将一个看似无解的高维非凸混合优化难题，降维到 3.5 秒极速收敛。

1. 冷站优化问题的数学本质

1.1 决策变量空间的混合特征

1. 连续物理控制变量（Continuous Variables）：

• 冷冻供水温度设定值 $T_{chws}(t)$（通常 $6\sim 12^\circ\text{C}$）

• 冷冻水温差 $\Delta T_{chw}(t)$（决定冷冻水流量）

• 冷却供水温度设定值 $T_{cws}(t)$（受室外湿球温度及逼近度限制）

• 冷却水温差 $\Delta T_{cw}(t)$（决定冷却水流量）

• 总维度：$24 \text{ 时段} \times 4 \text{ 变量} = 96$ 维连续实数空间（若按 15 分钟颗粒度，则高达 384 维！）。

1. 离散机组启停变量（Discrete Variables）：

• 4 台冷机各自的开停状态：$u_i(t) \in \{0, 1\}, \quad i \in \{1, 2, 3, 4\}$；

• 每时段存在 $2^4 = 16$ 种组合；

• 24 小时全生命周期的离散启停路径空间高达 $16^{24} \approx 7.9 \times 10^{28}$ 种！

1. 非凸、非线性的设备物理特性：

• 冷机 COP：负荷率（PLR）的二次分式非线性曲面，且与温升（Lift）强耦合；

• 水泵能耗：与管网流量近似呈三次方向关系（$P \propto Q^3$）；

• 冷却塔逼近度：基于 Merkel 理论的非线性对流传质换热方程。

2. 传统运筹学方案为什么在冷站落地困难？

痛点一：混合整数规划（MILP / MINLP）的“建模与求解泥潭”

• 分段线性化（Piecewise Linearization）失真：为了把冷机 COP 和水泵立方曲线塞进线性求解器（如 Cplex/Gurobi），必须引入大量辅助的二进制变量（Big-M 法）进行分段近似。分段粗了精度失真（甚至违背热力学节能常识），分段细了变量数呈指数级爆炸。

• 求解耗时过长与商业许可门槛：商业求解器成本昂贵；开源求解器（如 CBC/SCIP）面对多时间步长的复杂耦合，求解时间常常长达数十分钟甚至出现数值不稳定性，无法满足快速试算和未来 15 分钟滚动控制的需求。

痛点二：纯启发式智能算法（单一 GA / PSO）的“约束修复噩梦”

• 如果把连续水温（96 维）和二进制启停（$24 \times 4$ 位）一起打包进一条长染色体，用纯遗传算法（GA）或粒子群算法（PSO）寻优：

• 可行域极度狭窄：通过交叉、变异随机生成的个体，99.9% 都是“物理非法”的（例如：开机冷量不够负荷、冷机开机 1 小时突然关机、水温突变 5℃ 等）；

• 惩罚函数与修复算子难写：若直接赋极大惩罚值，种群多样性迅速崩溃，算法早熟停滞；若编写启发式修复算子，逻辑复杂度极高且代码冗长不堪。

3. 破局之道：三层解耦架构的哲学

为什么这套分层架构具有极高工程优势？

1. GA 只负责它最擅长的事：

• GA 染色体只包含 $[0, 1]$ 归一化的实数连续变量，没有离散 0-1 变量，无需设计复杂的二进制交叉算子。适应度函数评估非常平滑，35 代即可收敛。

1. Dispatch 充当天然物理防火墙：

• 不合法的组合（如供冷不足、设备喘振）在第二层被直接过滤抛弃，不会给上下游造成任何额外计算负担。

1. DP 彻底解决了跨时段时间锁定的难题：

• 最小开停机时间是冷机保护的最硬约束（频繁开关会严重损坏压缩机）。动态规划能够在多项式时间内完美保证跨时段路径的全局最优性，杜绝贪心算法造成的局部陷阱。

1. 计算速度跨越式提升：

• 整个 24 小时调度优化在普通 CPU 上 仅需 3.5 秒 即可完成，为后续演进到高频实时滚动控制奠定了坚实的基础。

4. 系统模块关系图与执行时序

1. Plant 初始化：构建所有设备的物理能力边界，预先计算冷却水温与室外湿球的可行区间；

2. SeriesGA 启动种群迭代（例如种群 32，迭代 35 代）；

3. 针对每个染色体，调用 Plant.decode(genes) 解码为平滑物理温度；

4. 遍历 24 个时段，构建 candidates（计算 16 种 mask 的单时段全站电功率）；

5. 调用 CommitmentPlanner.solve(candidates) 运行 DP 动态规划，返回该温度策略下的最低全天耗电与启停路径；

6. GA 将此电耗作为适应度（Fitness），进行选择、交叉与变异，直到收敛；

7. 最终调用 replay_commitment 执行独立物理复核，确保无任何约束违规，输出甘特图与报表。