李 華，彭曉云*，賈 彥

(1. 河北工程技術學院土木工程學院，河北 石家莊 050000；2. 內蒙古工業(yè)大學能源與動力學院，內蒙古 呼和浩特 010051)

1 引言

建材局相關文件表明，我國城市中，日常城市建筑能耗占社會總能耗的27%，并且還在不斷增加，至2020年我國的新增建筑面積已達到200億平方千米，能源緊缺成為我國面臨的重要挑戰(zhàn)[1，2]。作為能源消耗巨大的國家之一，必要的建筑能耗節(jié)能是我國經濟可持續(xù)發(fā)展的重要保障基礎。而對樓宇建筑進行有效的電氣自動化節(jié)能，一時間成為節(jié)能環(huán)保領域亟需解決決的問題之一。

在此背景下，相關領域專家得到了一些較好的研究成果。文獻[3]提出適用于周期性勢能負荷電機系統的動態(tài)平衡-調壓綜合節(jié)能控制方法。該方法使用平衡動態(tài)調節(jié)法對系統峰值功率進行降值處理，將系統最大負載需求作為限制條件，通過平衡負載獲取最小能耗目標；使用調壓節(jié)能法對系統效率進行提升，從而完成系統節(jié)能要求。該方法由于未能利用BP神經網絡算法對諧波進行診斷，所以導致該方法在進行節(jié)能時輸出電壓的波形穩(wěn)定性差。文獻[4]提出關于城市中市政電氣節(jié)能設計的研究。該方法通過對電氣設備的現狀分析，設計電氣節(jié)能的主要原則；依據電氣節(jié)能措施，將電氣節(jié)能流程分為照明節(jié)能設計、變壓器節(jié)能生成優(yōu)化方案、新能源開發(fā)利用以及減少線路損耗幾大步驟。最后通過步驟完成電氣的節(jié)能。該方法在進行照明節(jié)能時存在偏差，導致該方法節(jié)能時的功率損耗大。文獻[5]提出基于外部參照優(yōu)化算法的空調系統節(jié)能控制。該方法將系統的目標解進行劃分，尋找目標解Pareto的最優(yōu)解前沿；通過獲取的Pareto最優(yōu)解前沿計算系統的整體能耗；基于外部參照對粒子群算法進行優(yōu)化；使用優(yōu)化后的粒子群算法對整體能耗值進行計算，從而實現節(jié)能目標。該方法在獲取Pareto最優(yōu)解時存在偏差，導致該方法在進行節(jié)能時的節(jié)能時間長。

為解決上述節(jié)能方法中存在的問題，提出光伏能源應用下樓宇建筑電氣自動化節(jié)能方法。

2 光伏能源應用

傳統樓宇建筑電氣資源消耗量巨大，光伏新能源[6]的出現，可以大幅的縮減樓宇建筑帶來的巨大能耗。光伏能源作為當前高端的技術，依據其自身的清潔特點，一經出現就成為各個國家廣泛使用的新能源。

由于光伏能源自身存在限制，因此在樓宇建筑中使用時，需要注意如下問題：

1)安裝時，需要通過科學的計算，設計光伏的安裝位置，規(guī)避環(huán)境原因給電池板帶來的損傷。

2)安裝后，需采用相應措施對光伏進行隔離。

光伏電池板本身極易受損，所以需要對其進行保護，從而保證電池板在惡劣天氣中可以正常運行。

3)采取措施規(guī)避光伏在雷雨天氣中出現故障。由于雷電破壞力驚人，光伏裝置又較為脆弱，因此需要對光伏外側安裝全面的防雷、防火裝置。

4)為保證安裝的光伏能夠長期運行，需對其進行長期的全面檢測。

3 樓宇電氣諧波診斷

光伏應用后，為降低諧波對樓宇建筑內各個電氣設備產生的影響，需要利用適當的方法對諧波進行診斷，找出異常諧波并對其進行剔除。

3.1 諧波抑制

依據IEEE相關標準可知，諧波為正弦的周期波變量，通過傅立葉分析法，對諧波的正弦電壓進行計算，結果如下式所示

(1)

式中，電壓能效用U表示，角頻率用ω表示，初始相位角為α，正弦電壓為u(t)，頻率函數為sin，周期為t。

若諧波電壓發(fā)生變形，則需要滿足約束條件，使用傅立葉級數對電壓進行分解，分解結果如下式所示

(2)

式中，同頻率諧波電壓分別為cosnωt以及sinnωt，諧波幅值為a0，正弦諧波數量an與余弦諧波數量bn的總幅值為cn，常數為n，反正切諧波相位為θn。

依據上式計算結果，可將諧波電壓的非正弦波形分解為直流分量，當諧波[7]分量大于角速度時，可依據諧波幅值以及相位，對控制結果進行補償，從而抑制諧波變形。

基于傅立葉三角形式，對諧波幅值進行規(guī)格化處理，結果如下式所示

(3)

(4)

式中，信號的諧波信息長度為T。

為了能夠準確的對諧波含量進行表述，需要科學的提出諧波的補償原則，具體如下：

3.1.1 諧波含有率

3.1.2 諧波總畸變

電氣在周期性流動過程中，電壓諧波用THDn進行表示，電流諧波則為THDi，諧波電壓的表達過程如下式所示

(5)

式中，電氣中的電壓含量用UH表述。

基于上述諧波的補償原則，完成電氣中諧波的抑制。

3.2 諧波診斷

基于BP神經網絡算法[8]，對抑制后的諧波進行診斷，找出其中的變異諧波，對其進行剔除。

首先設定電氣諧波的雅克比矩陣為J，替換矩陣為H，訓練梯度用g，神經網絡的誤差向量用e表示，由此獲取該網絡的迭代方程，結果如下式所示

xk+1=xk-[-JTJ+μI]-IJTe

(6)

式中，收斂速度為I，收斂系數為μ，誤差向量為e，電氣中第k個諧波用xk表示。

將諧波畸變率的實際值作為神經網絡的輸入數據，基于三層神經網絡對諧波中的干擾諧波進行診斷分類處理。設定輸入層神經元數量為7，并依據實際需要設定輸出層神經元數量，從而獲取隱藏層與二者之間的近似關系值，結果如下式所示

(7)

式中，神經網絡的隱藏層神經元數量為n1，輸入層為n2，輸出層為n3，閾值區(qū)間為a。由此可知n1=14，n2=14，n3=2。

最后通過獲取的輸出層輸出向量，完成諧波分類，并將其中的變異諧波進行剔除。

4 自動化節(jié)能

基于諧波的診斷結果，設計樓宇建筑的電氣自動化節(jié)能控制器，最后通過節(jié)能控制器完成樓宇建筑面積的電氣自動化節(jié)能。

4.1 控制器設計

4.1.1 變量模糊化

設定節(jié)能控制器的輸入數據中變量偏差為e，變化率為Δe，量化因子分別為ke*和kΔe*，基于上述變量，獲取控制器的輸入數據，結果如下式所示

(8)

式中，計算過程中的輸出值為y(k)，設定值為r(k)，當前時刻的誤差用e(k)表示，前一時刻誤差用e(k-1)表示。

將控制器的偏差變化率控制在[-L，L]區(qū)間內，從而降低控制的敏感度。設定控制器的語義變量模糊集為{-N，P}，則該控制器的隸屬度函數如下式所示

(9)

式中，變量偏差的隸屬度函數分別為μNe*、μPe*，偏差變化率的隸屬度函數分別為μNΔe*、μPΔe*。

4.1.2 控制器輸出

使用乘積推理方法，對控制器的輸出向量進行計算，結果如下式所示

(10)

式中，模糊集的輸出面積為S，R1至R4分別為控制器的各項控制準則，S(μR1)至S(μR4)分別為各項準則下隸屬度的加權面積。

節(jié)能控制器的輸出數據如下式所示

(11)

式中，控制器的輸出數據為U，其中ke1、kΔe1、ku1都為電氣節(jié)能控制器的參數。

4.2 參數尋優(yōu)

利用粒子群算法[9]對控制器中的參數進行尋優(yōu)處理。

4.2.1 粒子群優(yōu)化算法

對粒子群進行初始化處理，通過迭代計算使粒子完成最優(yōu)解的跟蹤處理，從而更像粒子群，達到全局空間的最優(yōu)解搜索。其中粒子群在進行迭代計算時，第i顆粒子的移動速度以及位置如下式所示

(12)

式中，粒子總數量為N，第i粒子的移動速度為Vi(k)，位置為Xi(k)，迭代系數為k。

迭代過程中，粒子根據追蹤的兩個極值來更新移動速度以及位置，其中兩個極值分別為粒子個體極值pBest以及粒子群全局極值gBest。在進行第k+1次計算時，第i顆粒子的更新規(guī)則如下式所示

(13)

式中，學習因子用c1、c2表示，隨機數為r1和r2，粒子的維數向量值為n，粒子在n維中的速度為Vin(k)，位置為Xin(k)，慣性權值為ω。

對上式中的慣性權值進行調整，調整結果如下式所示

(14)

式中，最大權重為ωmax，最小權重為ωmin，全局的粒子群適應度函數為Jopt，平均適應度為Jmean，迭代次數為k，調整后的慣性權值為ω(k)。

4.2.2 目標函數尋優(yōu)

通過調整的慣性權重[10]，利用目標函數對控制器中的參數進行尋優(yōu)處理。使用的目標函數如下式所示

(15)

式中，函數的加權因子用c，參數的采樣間隔為T，迭代次數為k，參數誤差為e(k)，目標函數為JITAE，第k次計算出的參數目標最小值為min(y(k))。

將樓宇中的電氣數據放入參數整定后的自動化節(jié)能控制器中，依據節(jié)能控制器的輸出數據，完成對樓宇建筑電氣的自動化節(jié)能。

5 實驗設計與結果分析

為了驗證上述樓宇建筑電氣自動化節(jié)能方法的整體有效性，需要對此方法進行測試。

分別采用光伏能源應用下樓宇建筑電氣自動化節(jié)能方法(方法1)、適用于周期性勢能負荷電機系統的動態(tài)平衡-調壓綜合節(jié)能控制方法(方法2)、關于城市中市政電氣節(jié)能設計的研究(方法3)進行測試；

1)在進行節(jié)能控制時，節(jié)能效果的優(yōu)劣與最終的節(jié)能輸出電壓相關。采用方法1、方法2以及方法3進行節(jié)能控制，測試三種節(jié)能方法的輸出電壓波形幅度，測試結果如圖1所示。

圖1 不同方法的輸出電壓波形測試結果

分析圖1可知，方法2與方法3所檢測出的電壓行波幅度要高于本文所提方法，且方法3檢測出的電壓行波幅度穩(wěn)定性最差。本文所提方法在進行節(jié)能控制時，針對諧波電壓的影響，對其進行了抑制處理，并通過BP神經網絡算法對諧波進行了診斷，因此本文所提方法節(jié)能后獲取的輸出電壓波形較為穩(wěn)定。

2)不同的實驗環(huán)境，光伏的轉換效率之間存在差異，節(jié)能時所需要的功率能耗也不相同。設定低溫和高溫兩種天氣類型，對方法1、方法2以及方法3進行節(jié)能控制時的功率損耗進行測試，測試結果如圖2所示。

圖2 不同方法的節(jié)能控制功率損耗測試

分析圖2可知，當實驗次數不斷增多時，三種方法的所需功率能耗都呈現出增加趨勢。由于光伏影響，所提方法的控制器在低溫環(huán)境下對節(jié)能控制產生的功率能耗要高于高溫環(huán)境下的功率能耗。而低溫環(huán)境中，光伏會受到天氣影響，使需要轉化的電能減少，在轉化期間極有可能存有故障，因此對電氣進行自動化節(jié)能時所需功率能耗較大，這種情況下所提方法檢測出的功率能耗依舊低于其余兩種方法，可見所提方法的節(jié)能控制效果最優(yōu)。

3)基于上述實驗結果，測試方法1、方法2以及方法3進行節(jié)能控制時的節(jié)能時間，測試結果如圖3所示。

圖3 不同節(jié)能方法的耗時間測試結果

分析圖3可知，隨著實驗過程中，實驗次數的不斷增加，三種節(jié)能方法的節(jié)能時間都在不斷上漲。本文所提方法檢測出的節(jié)能時間較方法2以及方法3來看，低于其它兩種方法。這主要是因為本文所提方法在進行節(jié)能控制時，利用了BP神經網絡算法對諧波進行了計算，并從中剔除了變異的諧波，所以本文所提方法在進行節(jié)能控制時的節(jié)能時間短。

6 結束語

針對傳統電氣節(jié)能方法中存在的諸多問題，提出光伏能源應用下樓宇建筑電氣自動化節(jié)能方法。該方法將光伏能源應用進樓宇的電氣資源當中，從而有效縮減電氣能源的使用；在此情況下，利用BP神經網絡電氣中的諧波電壓進行診斷，并根據診斷結果設計節(jié)能控制器，并對其進行優(yōu)化；最后通過優(yōu)化的控制器實現對樓宇建筑的電氣自動化節(jié)能。該方法由于在參數尋優(yōu)過程中還存在一些問題，今后會針對該項缺陷，對該節(jié)能方法進行針對性的優(yōu)化。