冷站AI节能算法（二）算法篇：源码级算法机理与状态转移完全拆解

【第二篇算法篇】源码级核心机制与状态转移完全拆解

导读：一个优秀的工业算法，其高明之处不在于堆砌复杂的概念，而在于极度精巧的数据结构设计和数学剪枝。本文深入源码内部，剖析三大核心机制：“反向区间传播解码”、“负荷分配物理剪枝”以及“基于锁定时长的动态规划”。

1. 模块一：GA 染色体编码与“未来感知”反向区间解码

在许多初学者编写的 GA 程序中，经常会出现这样一个致命问题：变异出来的某个控制值在当前是合法的，但在下一步却发现无法在满足变化速率限制的前提下转移到合法值，导致后续时段“无解（Infeasible）”。

本框架在 optimize_utils.py 中实现了一种极具创意的反向动态区间传播算法（Backward Interval Propagation）。

1.1 染色体结构：纯实数归一化空间

个体维度：若有 $N$ 个时段（如 24h），每个时段 4 个控制量，染色体即为一个长度为 $4N$（96维）的一维浮点数组：

$$\mathbf{G} = [g_0, g_1, \dots, g_{95}], \quad g_k \in [0.0, 1.0]$$

对应物理量：

$4t + 0$：冷冻供水温度基因（$T_{chws}$）

$4t + 1$：冷冻温差基因（$\Delta T_{chw}$）

$4t + 2$：冷却温差基因（$\Delta T_{cw}$）

$4t + 3$：冷却供水温度基因（$T_{cws}$）

1.2 未来感知（Future-Aware）反向区间预计算

在 GA 开始之前，Plant.__init__ 会首先从最后一个时段逆向（从 $t=23$ 回溯到 $t=0$）传播收紧每一个时段的可行水温上下界：

这一设计的物理意义：

设想在时段 $t+1$，室外湿球温度急剧上升，要求冷却水温最低只能是 30℃；

如果允许时段 $t$ 自由选在 28℃，那么因为步长限制 $\le 1.5^\circ\text{C}$，从 28℃ 最多只能升到 29.5℃，时段 $t+1$ 将必然违约！

逆向预处理直接把时段 $t$ 的下限提前收紧到 $30 - 1.5 = 28.5^\circ\text{C}$，从而彻底保证：GA 在 $[0, 1]$ 空间内无论怎么随机变异取值，解码出的温度序列在时序上 100% 物理可行！

2. 模块二：单时段候选组合派发与负荷分配

在 GA 给定了某一候选温度序列的前提下，程序进入时段内核算：

2.1 16 种启停组合（Mask）与位运算表示

4 台冷机用 4 位二进制表示（$0 \sim 15$）：

0000（0）：全停（仅在时段负荷 $Q_{\text{load}} = 0$ 时合法）；

0001（1）：仅开 1# 机；

0011（3）：开 1# 和 2# 机；

1111（15）：4 台全开。

2.2 容量加权负荷分配（Capacity-Weighted Allocation）

在 load_allocation.py 中，默认分配逻辑极其纯粹：

$$Q_i = Q_{\text{load}} \times \frac{C_i}{\sum_{k \in \text{active}} C_k}$$

$C_i$ 为第 $i$ 台主机的额定冷量（kW）；

此时各开机冷机的负荷率完全相同：

$$\text{PLR}_i = \frac{Q_i}{C_i} = \frac{Q_{\text{load}}}{\sum C_k} = \text{PLR}_{\text{group}}$$

物理剪枝（Infeasibility Check）：

若 $\text{PLR}_{\text{group}} > \text{PLR}_{\max}$（如 1.0），说明开机总容量不足，抛弃该 mask；

若 $\text{PLR}_{\text{group}} < \text{PLR}_{\min}$（如 0.2），说明机组处于喘振风险区，抛弃该 mask。

对所有存活的合法 mask，调用冷机功率模型、水泵查表模型、冷却塔变频风机模型，计算出全站综合功率 $P_{\text{total}}(\text{mask})$。

3. 模块三：跨时段全局动态规划（CommitmentPlanner）

这是整个优化框架中最具含金量的核心模块（chiller_scheduling.py）。

3.1 DP 状态空间的精妙设计：`(mask, locks)`

为了在马尔可夫决策过程中兼顾“开机至少跑 2 小时、关机至少停 2 小时”的非马尔可夫历史记忆，作者将状态定义为：

$$S = (\text{mask}, \mathbf{locks})$$

mask：整数（$0\sim 15$），记录当前谁开谁关；

locks：包含 4 个浮点数的元组 $(l_1, l_2, l_3, l_4)$，记录每台冷机距离允许改变状态还需保持的剩余小时数。

3.2 极速状态转移与剪枝（`_transition`）

当尝试从状态 $A$（包含 $\text{locks}_A$）切换到时段目标 $\text{mask}_B$ 时：

通过位运算 previous ^ mask，仅仅几行代码，就以微秒级的速度在底层剔除了所有违反最小开停机时长的非法转移！

3.3 路径评估与“零成本”机组磨损均衡

在动态规划求解（solve）过程中，每个到达某个状态节点的候选路径，维护一个 4 元组标签：

$$\text{Label} = (\text{energy}, \text{score}, \mathbf{hours}, \text{path})$$

energy：从 $t=0$ 累积到当前的总电耗（kWh）；

$\mathbf{hours}$：各台机组本次优化计划中已累计运行的时长；

score：运行时长不均衡惩罚得分。

#### 为什么均衡算法可以做到“零能耗代价”？

当有多条路径转移到同一个状态节点时，算法的比较逻辑如下：

能耗绝对优先：只要路径 A 比路径 B 省电（差距大于数值容差 $10^{-9}$），坚决选 A；

平局决胜（Tie-break）：只有在两条路径的总耗电完全一致时，才比较 score，选择使机组运行更加均衡的方案！

#### 平方和增量得分的数学推导：

为什么累计运行时长均衡的得分是：

$$\Delta \text{score} = \sum_{i=1}^{4} \left( 2 \cdot H_{0, i} \cdot \Delta H_i + \Delta H_i^2 \right)$$

设冷机历史已运行时间为 $H_{0, i}$，本次计划新增运行时间为 $\Delta H_i$；

全寿命总运行时间的平方和为：

$$\sum_i (H_{0, i} + \Delta H_i)^2 = \sum_i H_{0, i}^2 + \sum_i \left( 2 H_{0, i} \Delta H_i + \Delta H_i^2 \right)$$

由于历史运行时间 $H_{0, i}^2$ 是固定的常数，最小化上述增量公式，数学上等价于最小化未来全寿命累计运行时间的方差！

这在数学上自然达成了：历史运行时间少的机组，新增运行时长的惩罚最小，算法会优先开启短历史机组。

4. 算法时间复杂度与性能指标

环节	计算规模	算法机制	耗时占比
GA 温度外层	种群 32，迭代 35 代	实数编码锦标赛选择 + 算术交叉 + 均匀变异	约 5%
Dispatch 核算	24 时段 × 16 组合	纯向量化物理公式与查表	约 15%
DP 路径求解	$T=24$, 每层状态约 $20\sim 40$ 个	拓扑分层 Bellman 递推	约 80%
全流程总耗时	24 小时 96 维优化	单核 Python（无 C 扩展）	约 3.5 秒

【第二篇 算法篇】源码级核心机制与状态转移完全拆解