楼宇新能源控制系统算法研究

发布时间：2021-01-28 00:27

　　在应用新能源的楼宇能量控制系统中,对新能源控制系统的成本采用极值搜索算法,并运用具有深度结构的人工神经网络进行优化的随机失活（Dropout）方法的理念,对算法进行优化、分析。结果表明:此算法可快速找到楼宇新能源控制系统配置蓄电池的最佳容量、蓄电池成本的盈亏平衡点以及实时控制的最佳控制策略。 

【文章来源】：建筑电气. 2020,39(01)

【文章页数】：7 页

【部分图文】：

ELM神经网络法原理图

法，经过对特定类型蓄电池组的模拟训练，计算当前蓄电池组的SOC，。ELM神经网络法原理图如图2所示。蓄电池组剩余容量SOC可表示为［2-6，16-18］：fL（x）=Li=1ΣβiG（ai，bi，x）（5）式中：βi———第i个隐含层输出神经元之间的连接权值；G———隐含层输出函数；ai，bi———隐含层节点参数。求得的SOC与电压、电流关系如图3所示。2.3蓄电池组最大充放电功率拟合不同类型的蓄电池组最大充电功率会有很大区图1系统结构模型Fig.1Systemstructuremodel图2ELM神经网络法原理图Fig.2SchematicdiagramofELMneuralnetworkmethod电气节能楼宇新能源控制系统算法研究（吴咏昆李进曾泽荣和贺敏）*5959

时Ptype=0；ηc———蓄电池组充电费率。新能源的发电成本，主要受楼宇本身的因素影响，如光伏发电主要受屋顶面积、建筑物维护结构的面积和投资预算等因素影响装机容量，发电功率主要受天气影响，基本为不可控因素。一旦确定装机容量和投资规模，楼宇能量管理系统控制水平的优劣与新能源的发电成本没有直接关系。所以此处未计入新能源的发电成本。Dcp（t）=（Ptype-ηdc）×C（t）且C（t）>=0（8）式中：ηdc———蓄电池组放电费用。图3SOC与电压U、电流I关系图Fig.3RelationschemabetweenSOCandvoltageUandcurrentI图4SOC与最大充电功率关系曲线Fig.4RelationcurvebetweenSOCandmaximumchargingpower6060


本文编号：3004015