在應(yīng)用新能源的樓宇能量控制系統(tǒng)中,對(duì)新能源控制系統(tǒng)的成本采用極值搜索算法,并運(yùn)用具有深度結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的隨機(jī)失活（Dropout）方法的理念,對(duì)算法進(jìn)行優(yōu)化、分析。結(jié)果表明:此算法可快速找到樓宇新能源控制系統(tǒng)配置蓄電池的最佳容量、蓄電池成本的盈虧平衡點(diǎn)以及實(shí)時(shí)控制的最佳控制策略。 

【文章來(lái)源】：建筑電氣. 2020,39(01)

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

ELM神經(jīng)網(wǎng)絡(luò)法原理圖

法，經(jīng)過(guò)對(duì)特定類型蓄電池組的模擬訓(xùn)練，計(jì)算當(dāng)前蓄電池組的SOC，。ELM神經(jīng)網(wǎng)絡(luò)法原理圖如圖2所示。蓄電池組剩余容量SOC可表示為［2-6，16-18］：fL（x）=Li=1ΣβiG（ai，bi，x）（5）式中：βi———第i個(gè)隱含層輸出神經(jīng)元之間的連接權(quán)值；G———隱含層輸出函數(shù)；ai，bi———隱含層節(jié)點(diǎn)參數(shù)。求得的SOC與電壓、電流關(guān)系如圖3所示。2.3蓄電池組最大充放電功率擬合不同類型的蓄電池組最大充電功率會(huì)有很大區(qū)圖1系統(tǒng)結(jié)構(gòu)模型Fig.1Systemstructuremodel圖2ELM神經(jīng)網(wǎng)絡(luò)法原理圖Fig.2SchematicdiagramofELMneuralnetworkmethod電氣節(jié)能樓宇新能源控制系統(tǒng)算法研究（吳詠昆李進(jìn)曾澤榮和賀敏）*5959

時(shí)Ptype=0；ηc———蓄電池組充電費(fèi)率。新能源的發(fā)電成本，主要受樓宇本身的因素影響，如光伏發(fā)電主要受屋頂面積、建筑物維護(hù)結(jié)構(gòu)的面積和投資預(yù)算等因素影響裝機(jī)容量，發(fā)電功率主要受天氣影響，基本為不可控因素。一旦確定裝機(jī)容量和投資規(guī)模，樓宇能量管理系統(tǒng)控制水平的優(yōu)劣與新能源的發(fā)電成本沒(méi)有直接關(guān)系。所以此處未計(jì)入新能源的發(fā)電成本。Dcp（t）=（Ptype-ηdc）×C（t）且C（t）>=0（8）式中：ηdc———蓄電池組放電費(fèi)用。圖3SOC與電壓U、電流I關(guān)系圖Fig.3RelationschemabetweenSOCandvoltageUandcurrentI圖4SOC與最大充電功率關(guān)系曲線Fig.4RelationcurvebetweenSOCandmaximumchargingpower6060


本文編號(hào)：3004015