论文部分内容阅读
随着经济的快速发展和社会的不断进步，人类对能源的需求与日俱增。在现今全球能源日益紧张的形势下，节能管理受到了世界各国的高度关注，尤其是建筑节能。目前，许多国家已建立起建筑能耗管理系统并开展能耗的分项计量，从而能够获得越来越多的建筑能耗数据，然而这些数据尚未能够为建筑节能提供充分有用的信息。 作为计算智能的重要组成部分，神经网络能够对大量数据进行学习，实现函数近似、系统辨识、模式分类等功能。回声状态网是一种新型的递归神经网络，训练过程得到了简化，能够避免传统神经网络训练算法复杂、易陷入局部极小等问题。自适应动态规划是一种基于神经网络的智能控制方法，具有较强的学习和优化能力，能够良好地解决复杂非线性系统的最优控制问题。因此，本文旨在研究采用以上两种基于神经网络的方法实现建筑能耗的分析与优化。 本文的主要工作和贡献体现在以下几个方面: 1、基于建筑能耗数据，提出基于回声状态网的办公建筑能耗预测方法，对建筑各房间插座、照明和空调三种能耗进行预测。针对回声状态网储备池拓扑结构的优化，提出几种简化的储备池拓扑结构，并将具有不同储备池拓扑结构的回声状态网应用于办公建筑的能耗预测中，比较不同拓扑结构的预测性能。实验分析表明所提出的储备池拓扑结构具有与传统回声状态网接近的良好预测性能，同时拓扑结构的参数灵敏度分析表明，各储备池拓扑结构均具有较强的参数鲁棒性。 2、根据建筑房间能耗模型，提出基于回声状态网的办公建筑房间分类方法，对建筑房间进行分类。该方法首先采用三个回声状态网分别建立办公建筑房间插座、照明和空调三种能耗的模型，然后基于所建立的能耗模型，采用第四个回声状态网，根据不同类型房间的能耗特征，将房间分为办公室、机房、储藏室和会议室等四种类型。理论分析证明了分类算法的收敛性。实验分析表明，所提出的方法能够取得较高的分类准确度，并且与几种传统的分类算法相比，所提出方法的分类效果更好。 3、在获取房间分类结果的基础上，在房间引入储能设备蓄电池作为控制变量，提出基于自适应动态规划的办公建筑能耗管理方法，根据实时电价和用电需求信息，获得最优的电池充放电控制策略，对不同类型房间的能耗进行控制和优化，从而实现办公建筑房间的能耗管理。实验分析表明，所提出的方法对于不同类型的房间均能够有效实现相应的最优电池充放电控制，从而显著减少各房间的用电花费，同时所提出的方法能够取得优于其他优化算法的节电效果。 4、引入太阳能作为可再生能源，提出基于Q学习的办公建筑可再生能源分配与电池控制方法，进一步优化房间能耗，减少用电花费。在所提出的方法中，引入两个迭代以分别近似自适应动态规划算法中的最优性能指标函数以及最优控制。实验分析围绕办公建筑中的办公室展开，结果表明，所提出的方法能够获得办公室不同季节下的最优可再生能源分配与电池控制方案，进一步减少了用电花费。此外，对比分析表明，所提出方法的节电效果优于其他几种优化算法。