CN105071421A - 办公建筑能耗管理方法 - Google Patents

Abstract

本发明提供的办公建筑能耗管理方法，包括：获取用电需求信息；构造神经网络；根据所述用电需求信息对所述神经网络进行训练确定性能指标函数和控制策略；判断所述训练是否满足收敛精度；如果所述训练满足所述收敛精度，则根据所述性能指标函数获取控制策略，并计算用电费用。本发明可以降低能耗，并减少用电花费。

Description

办公建筑能耗管理方法

技术领域

本发明涉及建筑能耗管理技术领域技术，特别是涉及一种办公建筑能耗管理方法。

背景技术

随着经济发展与社会进步，人们对建筑使用的要求也将越来越高。随着能源供应的日益紧张，与人类生活息息相关的建筑节能，也受到越来越广泛的关注和重视，而办公建筑节能在其中具有至关重要的意义。

蓄电池储能是智能电网中住宅储能的重要环节，具有使用温度范围广、充电接受能力强、寿命长、易维护等特点，其中储能蓄电池是确保智能电网安全稳定运行的重要设备，能够为住宅用户提供应急电源、减少用电高峰时段的用电量、降低用电网的峰谷负荷差值，是智能电网极其重要的组成部分，而目前的办公建筑能耗管理方法成本较高，因此，基于电网运行中实时电价以及办公建筑房间的能耗需求，亟需设计一套有效的能耗管理方法。

发明内容

本发明提供的办公建筑能耗管理方法，可以降低能耗，并减少用电花费。

根据本发明的一方面，提供一种办公建筑能耗管理方法，包括：

获取用电需求信息；构造神经网络；根据所述用电需求信息对所述神经网络进行训练确定性能指标函数和控制策略；判断所述训练是否满足收敛精度；如果所述训练满足所述收敛精度，则根据所述性能指标函数获取控制策略，并计算用电费用。

本发明实施例提供的办公建筑能耗管理方法，通过获取用电需求信息，构造神经网络，根据用电需求信息对神经网络进行训练确定性能指标函数和控制策略，在训练满足所述收敛精度的情况下，根据性能指标函数获取控制策略，并计算用电费用，从而可以降低能耗，并减少用电花费。

附图说明

图1为本发明实施例提供的办公建筑能耗管理方法流程图；

图2为本发明实施例提供的评判网络和执行网络示意图；

图3为本发明实施例提供的办公建筑房间能耗管理系统示意图。

具体实施方式

下面结合附图对本发明实施例提供的办公建筑能耗管理方法进行详细描述。

图1为本发明实施例提供的办公建筑能耗管理方法流程图。

参照图1，在步骤S101，获取用电需求信息。

在步骤S102，构造神经网络。

这里，构造神经网络，即分别构造评判网络和执行网络。

设置评判网络的结构为3-15-1，其中3为评判网络输入层节点数量，15为隐层节点数量，1为输出层节点数；设置执行网络的结构为2-10-1，其中2为执行网络输入层节点数量，10为隐层节点数量，1为输出层节点数量。同时，在(-0.1,0.1)范围内采用随机方式进行评判网络和执行网络的权值初始化。

在步骤S103，根据所述用电需求信息对所述神经网络进行训练确定性能指标函数和控制策略。

在步骤S104，判断所述训练是否满足收敛精度。

在步骤S105，如果所述训练满足所述收敛精度，则根据所述性能指标函数获取控制策略，并计算用电费用。

这里，如果训练不满足收敛精度，则返回迭代训练。

如果迭代训练满足收敛精度，根据最优性能指标函数得到最优的电池控制策略，并分别计算插座、空调、照明用电需求对应的控制策略，进而计算各时刻电网供电功率以及电池电量变化，最终根据相应的结果以及实时电价计算用户的成本。

进一步地，所述获取用电需求信息包括：

采集用电数据；

对所述用电数据进行处理，从而得到所述用电需求信息。

这里，用电需求信息包括照明信息、插座信息和空调信息。

在获取用电数据的基础上，对用电数据进行筛选，并遍历全部用电数据，剔除其中的多余数据并补充缺失数据，从而改善数据质量，获取完整的用电数据作为各类型的用电需求。

进一步地，所述神经网络包括评判网络和执行网络，所述根据所述用电需求信息对所述神经网络进行训练确定性能指标函数和控制策略包括：

通过自适应动态规划算法对所述评判网络进行训练确定性能指标函数；

通过自适应动态规划算法对所述执行网络进行训练确定控制策略。

进一步地，所述通过自适应动态规划算法对所述评判网络进行训练确定性能指标函数包括：

根据公式(1)计算所述性能指标函数：

$\left\{\begin{array}{c}x(t-1)\\ u(t-1)\end{array}\right\}\→\left\{Q(t-1)\right\}---\left(1\right)$

其中，x(t-1)为t-1时刻的状态量，u(t-1)为t-1时刻的控制量，Q(t-1)为t-1时刻的性能指标函数。

这里，具体可参照如图2所示的评判网络和执行网络示意图，对任意时间t，令C(t)为电网电价，x₁(t)为电网供电功率，x₂(t)为电池电量，P_L(t)为用电需求，具体由公式(2)可知：

P_L(t)＝P_Ls(t)+P_La(t)+P_Ll(t)(2)

其中P_Ls(t)、P_La(t)和P_Ll(t)分别表示插座、空调和照明的用电需求。

电池模型由公式(3)可知：

η(u(t))＝0.898-0.173|u(t)|/P_rate(3)

其中，η(u(t))为电池充放电效率，u(t)为电池充放电功率，P_rate为电池的额定功率。

房间能耗管理函数由公式(4)可知：

x(t+1)＝F(x(t),u(t),t)

$F\left(x\right(t),u(t),t)=\left(\begin{array}{c}{P}_L\left(t\right)-u\left(t\right)\\ x_2\left(t\right)-u\left(t\right)\·\mathrm{\η}\left(u\left(t\right)\right)\end{array}\right)---\left(4\right)$

x(t)＝[x₁(t),x₂(t)]^T

效用函数由公式(5)可知：

U[x(t),u(t),t]＝C(t)·x₁(t)(5)

其中，效用函数表示t时刻的用电花费。

性能指标函数由公式(6)可知：

$J\[x\left(t\right),t\]=\underset{l=t}{\overset{\mathrm{\∞}}{\Σ}}{\mathrm{\γ}}^{l-t}U\[x\left(l\right),u\left(l\right),l\]---\left(6\right)$

其中，γ为折扣因子满足0＜γ≤1。

根据贝尔曼最优性原理，性能指标函数满足如下方程，具体由公式(7)可知：

$J^{*}\[x\left(t\right),t\]=\underset{u_l}{\min }\left(U\[x\left(t\right),u\left(t\right),t\]+{\mathrm{\γJ}}^{*}\[x\left(t+1\right),t+1\]\right)---\left(7\right)$

u^*(t)为t时刻的最优控制，满足公式(8)，具体为：

$u^{*}\left(t\right)=\arg \underset{u_l}{\min }\left(U\[x\left(t\right),u\left(t\right),t\]+{\mathrm{\γJ}}^{*}\[x\left(t+1\right),t+1\]\right)---\left(8\right)$

通过训练评判网络可以减小如下误差，由公式(9)可知：

$E_q=\underset{t}{\Σ}{E}_q\left(t\right)=\underset{t}{\Σ}{\[Q(t-1)-U\left(t\right)-\mathrm{\γ}Q\left(t\right)\]}^2---\left(9\right)$

其中，Q(t)表示t时刻的评判网络输出。

评判网络的输入输出关系由公式(10)可知：

Q(t)＝Q[x(t),u(t)](10)

当各时刻E_q(t)＝0时，可以得到公式(11)，具体为：

$\begin{array}{c}Q(t-1)=U\left(t\right)+\mathrm{\γ}Q\left(t\right)\\ =U\left(t\right)+\mathrm{\γ}\[U\left(t+1\right)+\mathrm{\γ}Q\left(t+1\right)\]\\ =\mathrm{...}\\ =\underset{l=t}{\overset{\mathrm{\∞}}{\Σ}}{\mathrm{\γ}}^{l-t}U\left(l\right).\end{array}---\left(11\right)$

从而可以得到公式(12)，具体为：

Q(t-1)＝J[x(t),t](12)

进一步地，对所述性能指标函数进行更新的规则由公式(13)可知：

w_c(k+1)＝w_c(k)+Δw_c(k)

${\mathrm{\Δw}}_c\left(k\right)={\mathrm{\θ}}_c\[-\frac{\∂E_c\left(k\right)}{\∂w_c\left(k\right)}\]$

$\frac{\∂E_c\left(k\right)}{\∂w_c\left(k\right)}=\[-\frac{\∂E_c\left(k\right)}{\∂Q_k(t-1)}\frac{\∂Q_k(t-1)}{\∂w_c\left(k\right)}\]---\left(13\right)$

$E_c\left(k\right)=\frac{1}{2}{\left(e_c\right(k\left)\right)}^2$

$e_c\left(k\right)={\hat{Q}}_k(t-1)-Q_k(t-1)$

其中，为评判网络的期望输出，Q_k(t-1)为评判网络的实际输出，E_c(k)表示评判网络的逼近误差，w_c(k)表示评判网络的权值，Δw_c(k)表示其权值变化量，θ_c表示评判网络的学习率，θ_c＞0，k为迭代指标。

进一步地，所述通过自适应动态规划算法对所述执行网络进行训练确定控制策略包括：

根据公式(14)计算所述控制策略：

{x(t)}→{u(t)}(14)

其中，x(t)为t时刻的状态量，u(t)为t时刻的控制量。

进一步地，所述控制策略更新的规则由公式(15)可知：

w_a(k+1)＝w_a(k)+Δw_a(k)

${\mathrm{\Δw}}_a\left(k\right)={\mathrm{\θ}}_a\[-\frac{\∂E_a\left(k\right)}{\∂w_a\left(k\right)}\]$

$\frac{\∂E_a\left(k\right)}{\∂w_a\left(k\right)}=\[-\frac{\∂E_a\left(k\right)}{\∂u_k\left(t\right)}\frac{\∂u_k\left(t\right)}{\∂w_a\left(k\right)}\]---\left(15\right)$

$E_a\left(k\right)=\frac{1}{2}{\left(e_a\right(k\left)\right)}^2$

$e_a\left(k\right)={\hat{u}}_k\left(t\right)-u_k\left(t\right)$

其中，为执行网络的期望输出，u_k(t)为执行网络的实际输出，E_a(k)表示执行网络的逼近误差，w_a(k)表示执行网络的权值，Δw_a(k)表示其权值变化量，θ_a表示执行网络的学习率，θ_a＞0。

这里，定义执行网络误差由公式(16)可知：

$e_a\left(k\right)={\hat{u}}_k\left(t\right)-u_k\left(t\right)---\left(16\right)$

其中，为执行网络的期望输出，u_k(t)为执行网络的实际输出。

执行网络的误差函数由公式(17)可知：

$E_a\left(k\right)=\frac{1}{2}{\left(e_a\right(k\left)\right)}^2---\left(17\right)$

本发明实施例提供的办公建筑能耗管理方法，通过获取用电需求信息，构造神经网络，根据用电需求信息对神经网络进行训练确定性能指标函数和控制策略，在训练满足所述收敛精度的情况下，根据性能指标函数获取控制策略，并计算用电费用，从而可以降低能耗，并减少用电花费。

图3为本发明实施例提供的办公建筑房间能耗管理系统示意图。

参照图3，办公建筑房间能耗管理系统包括电网10、电池系统20、能耗管理单元30和用电需求40。电池系统20包括电池和转换器，用电需求40包括插座、空调和照明。

在系统中，电池采取不同的控制策略以满足用电需求。系统中的电池具有三种运行模式：1、充电模式：当用电需求较低且电价较低时，电网直接满足用电需求，并对电池进行充电；2、挂起模式：电网在某些时刻直接满足用电需求，而电池能量保持恒定；3、放电模式：当用电需求较高且电价较高时，电池放电以满足用电需求。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种办公建筑能耗管理方法，其特征在于，所述方法包括：

获取用电需求信息；

构造神经网络；

根据所述用电需求信息对所述神经网络进行训练确定性能指标函数和控制策略；

判断所述训练是否满足收敛精度；

如果所述训练满足所述收敛精度，则根据所述性能指标函数获取控制策略，并计算用电费用。

2.根据权利要求1所述的方法，其特征在于，所述获取用电需求信息包括：

采集用电数据；

对所述用电数据进行处理，从而得到所述用电需求信息。

3.根据权利要求1所述的方法，其特征在于，所述神经网络包括评判网络和执行网络，所述根据所述用电需求信息对所述神经网络进行训练确定性能指标函数和控制策略包括：

通过自适应动态规划算法对所述评判网络进行训练确定性能指标函数；

通过自适应动态规划算法对所述执行网络进行训练确定控制策略。

4.根据权利要求3所述的方法，其特征在于，所述通过自适应动态规划算法对所述评判网络进行训练确定性能指标函数包括：

根据下式计算所述性能指标函数：

$\left\{\begin{array}{c}x(t-1)\\ u(t-1)\end{array}\right\}\→\left\{Q(t-1)\right\}$

其中，x(t-1)为t-1时刻的状态量，u(t-1)为t-1时刻的控制量，Q(t-1)为t-1时刻的性能指标函数。

5.根据权利要求4所述的方法，其特征在于，对所述性能指标函数进行更新的规则具体为：

w_c(k+1)＝w_c(k)+Δw_c(k)

${\mathrm{\Δw}}_c\left(k\right)={\mathrm{\θ}}_c\[-\frac{\∂E_c\left(k\right)}{\∂w_c\left(k\right)}\]$

$\frac{\∂E_c\left(k\right)}{\∂w_c\left(k\right)}=\[-\frac{\∂E_c\left(k\right)}{\∂Q_k\left(t-1\right)}\frac{\∂Q_k\left(t-1\right)}{\∂w_c\left(k\right)}\]$

$E_c\left(k\right)=\frac{1}{2}{\left(e_c\right(k\left)\right)}^2$

$e_c\left(k\right)={\hat{Q}}_k(t-1)-Q_k(t-1)$

其中，为评判网络的期望输出，Q_k(t-1)为评判网络的实际输出，E_c(k)表示评判网络的逼近误差，w_c(k)表示评判网络的权值，Δw_c(k)表示其权值变化量，表示评判网络的学习率，k为迭代指标。

6.根据权利要求3所述的方法，其特征在于，所述通过自适应动态规划算法对所述执行网络进行训练确定控制策略包括：

根据下式计算所述控制策略：

{x(t)}→{u(t)}

其中，x(t)为t时刻的状态量，u(t)为t时刻的控制量。

7.根据权利要求6所述的方法，其特征在于，所述控制策略更新的规则具体为：

w_a(k+1)＝w_a(k)+Δw_a(k)

${\mathrm{\Δw}}_a\left(k\right)={\mathrm{\θ}}_a\[-\frac{\∂E_a\left(k\right)}{\∂w_a\left(k\right)}\]$

$\frac{\∂E_a\left(k\right)}{\∂w_a\left(k\right)}=\[-\frac{\∂E_a\left(k\right)}{\∂u_k\left(t\right)}\frac{\∂u_k\left(t\right)}{\∂w_a\left(k\right)}\]$

$E_a\left(k\right)=\frac{1}{2}{\left(e_a\right(k\left)\right)}^2$

$e_a\left(k\right)={\hat{u}}_k\left(t\right)-u_k\left(t\right)$

其中，为执行网络的期望输出，u_k(t)为执行网络的实际输出，E_a(k)表示执行网络的逼近误差，w_a(k)表示执行网络的权值，Δw_a(k)表示其权值变化量，表示执行网络的学习率，