楼宇建筑电气节能中光伏技术的应用与仿真

李 华，彭晓云*，贾 彦

(1. 河北工程技术学院土木工程学院，河北 石家庄 050000；2. 内蒙古工业大学能源与动力学院，内蒙古 呼和浩特 010051)

1 引言

建材局相关文件表明，我国城市中，日常城市建筑能耗占社会总能耗的27%，并且还在不断增加，至2020年我国的新增建筑面积已达到200亿平方千米，能源紧缺成为我国面临的重要挑战[1，2]。作为能源消耗巨大的国家之一，必要的建筑能耗节能是我国经济可持续发展的重要保障基础。而对楼宇建筑进行有效的电气自动化节能，一时间成为节能环保领域亟需解决决的问题之一。

在此背景下，相关领域专家得到了一些较好的研究成果。文献[3]提出适用于周期性势能负荷电机系统的动态平衡-调压综合节能控制方法。该方法使用平衡动态调节法对系统峰值功率进行降值处理，将系统最大负载需求作为限制条件，通过平衡负载获取最小能耗目标；使用调压节能法对系统效率进行提升，从而完成系统节能要求。该方法由于未能利用BP神经网络算法对谐波进行诊断，所以导致该方法在进行节能时输出电压的波形稳定性差。文献[4]提出关于城市中市政电气节能设计的研究。该方法通过对电气设备的现状分析，设计电气节能的主要原则；依据电气节能措施，将电气节能流程分为照明节能设计、变压器节能生成优化方案、新能源开发利用以及减少线路损耗几大步骤。最后通过步骤完成电气的节能。该方法在进行照明节能时存在偏差，导致该方法节能时的功率损耗大。文献[5]提出基于外部参照优化算法的空调系统节能控制。该方法将系统的目标解进行划分，寻找目标解Pareto的最优解前沿；通过获取的Pareto最优解前沿计算系统的整体能耗；基于外部参照对粒子群算法进行优化；使用优化后的粒子群算法对整体能耗值进行计算，从而实现节能目标。该方法在获取Pareto最优解时存在偏差，导致该方法在进行节能时的节能时间长。

为解决上述节能方法中存在的问题，提出光伏能源应用下楼宇建筑电气自动化节能方法。

2 光伏能源应用

传统楼宇建筑电气资源消耗量巨大，光伏新能源[6]的出现，可以大幅的缩减楼宇建筑带来的巨大能耗。光伏能源作为当前高端的技术，依据其自身的清洁特点，一经出现就成为各个国家广泛使用的新能源。

由于光伏能源自身存在限制，因此在楼宇建筑中使用时，需要注意如下问题：

1)安装时，需要通过科学的计算，设计光伏的安装位置，规避环境原因给电池板带来的损伤。

2)安装后，需采用相应措施对光伏进行隔离。

光伏电池板本身极易受损，所以需要对其进行保护，从而保证电池板在恶劣天气中可以正常运行。

3)采取措施规避光伏在雷雨天气中出现故障。由于雷电破坏力惊人，光伏装置又较为脆弱，因此需要对光伏外侧安装全面的防雷、防火装置。

4)为保证安装的光伏能够长期运行，需对其进行长期的全面检测。

3 楼宇电气谐波诊断

光伏应用后，为降低谐波对楼宇建筑内各个电气设备产生的影响，需要利用适当的方法对谐波进行诊断，找出异常谐波并对其进行剔除。

3.1 谐波抑制

依据IEEE相关标准可知，谐波为正弦的周期波变量，通过傅立叶分析法，对谐波的正弦电压进行计算，结果如下式所示

(1)

式中，电压能效用U表示，角频率用ω表示，初始相位角为α，正弦电压为u(t)，频率函数为sin，周期为t。

若谐波电压发生变形，则需要满足约束条件，使用傅立叶级数对电压进行分解，分解结果如下式所示

(2)

式中，同频率谐波电压分别为cosnωt以及sinnωt，谐波幅值为a0，正弦谐波数量an与余弦谐波数量bn的总幅值为cn，常数为n，反正切谐波相位为θn。

依据上式计算结果，可将谐波电压的非正弦波形分解为直流分量，当谐波[7]分量大于角速度时，可依据谐波幅值以及相位，对控制结果进行补偿，从而抑制谐波变形。

基于傅立叶三角形式，对谐波幅值进行规格化处理，结果如下式所示

(3)

(4)

式中，信号的谐波信息长度为T。

为了能够准确的对谐波含量进行表述，需要科学的提出谐波的补偿原则，具体如下：

3.1.1 谐波含有率

3.1.2 谐波总畸变

电气在周期性流动过程中，电压谐波用THDn进行表示，电流谐波则为THDi，谐波电压的表达过程如下式所示

(5)

式中，电气中的电压含量用UH表述。

基于上述谐波的补偿原则，完成电气中谐波的抑制。

3.2 谐波诊断

基于BP神经网络算法[8]，对抑制后的谐波进行诊断，找出其中的变异谐波，对其进行剔除。

首先设定电气谐波的雅克比矩阵为J，替换矩阵为H，训练梯度用g，神经网络的误差向量用e表示，由此获取该网络的迭代方程，结果如下式所示

xk+1=xk-[-JTJ+μI]-IJTe

(6)

式中，收敛速度为I，收敛系数为μ，误差向量为e，电气中第k个谐波用xk表示。

将谐波畸变率的实际值作为神经网络的输入数据，基于三层神经网络对谐波中的干扰谐波进行诊断分类处理。设定输入层神经元数量为7，并依据实际需要设定输出层神经元数量，从而获取隐藏层与二者之间的近似关系值，结果如下式所示

(7)

式中，神经网络的隐藏层神经元数量为n1，输入层为n2，输出层为n3，阈值区间为a。由此可知n1=14，n2=14，n3=2。

最后通过获取的输出层输出向量，完成谐波分类，并将其中的变异谐波进行剔除。

4 自动化节能

基于谐波的诊断结果，设计楼宇建筑的电气自动化节能控制器，最后通过节能控制器完成楼宇建筑面积的电气自动化节能。

4.1 控制器设计

4.1.1 变量模糊化

设定节能控制器的输入数据中变量偏差为e，变化率为Δe，量化因子分别为ke*和kΔe*，基于上述变量，获取控制器的输入数据，结果如下式所示

(8)

式中，计算过程中的输出值为y(k)，设定值为r(k)，当前时刻的误差用e(k)表示，前一时刻误差用e(k-1)表示。

将控制器的偏差变化率控制在[-L，L]区间内，从而降低控制的敏感度。设定控制器的语义变量模糊集为{-N，P}，则该控制器的隶属度函数如下式所示

(9)

式中，变量偏差的隶属度函数分别为μNe*、μPe*，偏差变化率的隶属度函数分别为μNΔe*、μPΔe*。

4.1.2 控制器输出

使用乘积推理方法，对控制器的输出向量进行计算，结果如下式所示

(10)

式中，模糊集的输出面积为S，R1至R4分别为控制器的各项控制准则，S(μR1)至S(μR4)分别为各项准则下隶属度的加权面积。

节能控制器的输出数据如下式所示

(11)

式中，控制器的输出数据为U，其中ke1、kΔe1、ku1都为电气节能控制器的参数。

4.2 参数寻优

利用粒子群算法[9]对控制器中的参数进行寻优处理。

4.2.1 粒子群优化算法

对粒子群进行初始化处理，通过迭代计算使粒子完成最优解的跟踪处理，从而更像粒子群，达到全局空间的最优解搜索。其中粒子群在进行迭代计算时，第i颗粒子的移动速度以及位置如下式所示

(12)

式中，粒子总数量为N，第i粒子的移动速度为Vi(k)，位置为Xi(k)，迭代系数为k。

迭代过程中，粒子根据追踪的两个极值来更新移动速度以及位置，其中两个极值分别为粒子个体极值pBest以及粒子群全局极值gBest。在进行第k+1次计算时，第i颗粒子的更新规则如下式所示

(13)

式中，学习因子用c1、c2表示，随机数为r1和r2，粒子的维数向量值为n，粒子在n维中的速度为Vin(k)，位置为Xin(k)，惯性权值为ω。

对上式中的惯性权值进行调整，调整结果如下式所示

(14)

式中，最大权重为ωmax，最小权重为ωmin，全局的粒子群适应度函数为Jopt，平均适应度为Jmean，迭代次数为k，调整后的惯性权值为ω(k)。

4.2.2 目标函数寻优

通过调整的惯性权重[10]，利用目标函数对控制器中的参数进行寻优处理。使用的目标函数如下式所示

(15)

式中，函数的加权因子用c，参数的采样间隔为T，迭代次数为k，参数误差为e(k)，目标函数为JITAE，第k次计算出的参数目标最小值为min(y(k))。

将楼宇中的电气数据放入参数整定后的自动化节能控制器中，依据节能控制器的输出数据，完成对楼宇建筑电气的自动化节能。

5 实验设计与结果分析

为了验证上述楼宇建筑电气自动化节能方法的整体有效性，需要对此方法进行测试。

分别采用光伏能源应用下楼宇建筑电气自动化节能方法(方法1)、适用于周期性势能负荷电机系统的动态平衡-调压综合节能控制方法(方法2)、关于城市中市政电气节能设计的研究(方法3)进行测试；

1)在进行节能控制时，节能效果的优劣与最终的节能输出电压相关。采用方法1、方法2以及方法3进行节能控制，测试三种节能方法的输出电压波形幅度，测试结果如图1所示。

图1 不同方法的输出电压波形测试结果

分析图1可知，方法2与方法3所检测出的电压行波幅度要高于本文所提方法，且方法3检测出的电压行波幅度稳定性最差。本文所提方法在进行节能控制时，针对谐波电压的影响，对其进行了抑制处理，并通过BP神经网络算法对谐波进行了诊断，因此本文所提方法节能后获取的输出电压波形较为稳定。

2)不同的实验环境，光伏的转换效率之间存在差异，节能时所需要的功率能耗也不相同。设定低温和高温两种天气类型，对方法1、方法2以及方法3进行节能控制时的功率损耗进行测试，测试结果如图2所示。

图2 不同方法的节能控制功率损耗测试

分析图2可知，当实验次数不断增多时，三种方法的所需功率能耗都呈现出增加趋势。由于光伏影响，所提方法的控制器在低温环境下对节能控制产生的功率能耗要高于高温环境下的功率能耗。而低温环境中，光伏会受到天气影响，使需要转化的电能减少，在转化期间极有可能存有故障，因此对电气进行自动化节能时所需功率能耗较大，这种情况下所提方法检测出的功率能耗依旧低于其余两种方法，可见所提方法的节能控制效果最优。

3)基于上述实验结果，测试方法1、方法2以及方法3进行节能控制时的节能时间，测试结果如图3所示。

图3 不同节能方法的耗时间测试结果

分析图3可知，随着实验过程中，实验次数的不断增加，三种节能方法的节能时间都在不断上涨。本文所提方法检测出的节能时间较方法2以及方法3来看，低于其它两种方法。这主要是因为本文所提方法在进行节能控制时，利用了BP神经网络算法对谐波进行了计算，并从中剔除了变异的谐波，所以本文所提方法在进行节能控制时的节能时间短。

6 结束语

针对传统电气节能方法中存在的诸多问题，提出光伏能源应用下楼宇建筑电气自动化节能方法。该方法将光伏能源应用进楼宇的电气资源当中，从而有效缩减电气能源的使用；在此情况下，利用BP神经网络电气中的谐波电压进行诊断，并根据诊断结果设计节能控制器，并对其进行优化；最后通过优化的控制器实现对楼宇建筑的电气自动化节能。该方法由于在参数寻优过程中还存在一些问题，今后会针对该项缺陷，对该节能方法进行针对性的优化。