【技术实现步骤摘要】
一种智能家居的自循环优化自动控制系统及控制方法
本专利技术属于自动控制
，特别涉及一种智能家居的自循环优化自动控制系统及控制方法
技术介绍
现有技术中，进行智能家居的自动控制，智能家居的绝大分部设备都是需要使用电能的，然后单纯的电网进行供电并不是最好的方式，在未来的智能家居中，真正的智能家居是能够实现自循环的，并且这种自循环应当能够不断的进行优化，这是未来提升整个家居系统的生活体验的重要应用点，目前，针对智能家居主要的改进在于检测的精度改进、设备响应的改进，以及控制方式的改进，其中，智能家居的自动控制的改进是重点，自动控制就像是智能家居的大脑，是实现智能家居自动控制的重中之重，针对未来的智能家居，如何实现家居系统中的能量的自动化控制，实现多种清洁能源的自动输送，这是在未来充分利用清洁能源的难点。虽然清洁能源不受枯竭的局限，但是仍然要准确控制，才能够满足智能家居系统中的能量需求，如何实现多种不同清洁能量的自动精准控制，并保证智能家居中的循环满足自身的要求，是未来智能家居控制的难点。申请内容本专利技...
【技术保护点】
1.一种智能家居的自循环优化自动控制系统，其特征在于，包括：直流负载、交流负载、光伏板、风机、电池、优化自动控制器、调温器，所述优化自动控制器包括优化自学习模块、温度调节模块、环境检测模块、负载检测模块，所述调温器设置于所述电池外侧，用于根据所述优化自动控制器的温度调节模块的控制，调节所述电池的温度，在电池温度过低时加热所述电池，在电池温度过高时冷却所述电池；所述环境检测模块检测环境因素，所述负载检测模块检测所述直流负载和所述交流负载的运行状态，并将检测的结果输送到优化自学习模块，所述优化自学习模块根据当前的环境因素和负载运行状态，结果历史数据，进行当前场景的自学习，并给出...
【技术特征摘要】
1.一种智能家居的自循环优化自动控制系统，其特征在于，包括：直流负载、交流负载、光伏板、风机、电池、优化自动控制器、调温器，所述优化自动控制器包括优化自学习模块、温度调节模块、环境检测模块、负载检测模块，所述调温器设置于所述电池外侧，用于根据所述优化自动控制器的温度调节模块的控制，调节所述电池的温度，在电池温度过低时加热所述电池，在电池温度过高时冷却所述电池；所述环境检测模块检测环境因素，所述负载检测模块检测所述直流负载和所述交流负载的运行状态，并将检测的结果输送到优化自学习模块，所述优化自学习模块根据当前的环境因素和负载运行状态，结果历史数据，进行当前场景的自学习，并给出预测的未来家居系统的情况，根据预测的未来家居系统的情况，进行电池的电量控制、光伏板、风机的运行状态的控制。
2.如权利要求1所述的一种智能家居的自循环优化自动控制系统，其特征在于，所述优化自学习模块包括神经网络单元、输出单元、存储单元，所述存储单元用于存储历史数据，所述神经网络单元用于进行自学习，所述输出单元用于输出控制命令，控制电池传输给直流负载和交流负载的有效比率、电池的电量储备、光伏板发电效率、风机发电效率，所述优化自学习模块用于根据智能家居的电池电量和直流负载、交流负载的当前状态进行自学习，并通过自学习后进行预调配，在智能家居系统执行完成后，进行后期反馈修正，在后期反馈修正完成后再进行一次自学习后形成历史数据进行存储。
3.如权利要求2所述的一种智能家居的自循环优化自动控制系统，其特征在于，所述电池通过双向DC变换器进行充电和放电，其充电和放电的效率可进行调节，且单位时间内充电和放电效率保持一致。
4.如权利要求3所述的一种智能家居的自循环优化自动控制系统，其特征在于，所述神经网络单元根据自学习结果，进行电池电量控制，
通过下述方式计算电池的充电量Ebat1(t)：
其中，Ebat1(t)为电池t时刻的充电量，Ebat1(t-1)为电池t-1时刻的充电量，单位均为KWh，μi为第i个光伏板投入状态因子，EPVi(t)为第i个光伏板t时刻的发电量，μj第j个风机投入状态因子，EWGj(t))为第j个风机t时刻的发电量，ηinv为变换器的效率，Eload(t)为负载需求的功率，ηbc为电池的充电效率；i＝1…N，j＝1…M，N和M均为正整数；PB为新能源传输到电池的能量；σ为电池每小时自放电比率；ηDC为连接电池的双向DC变换器的转换效率；
光伏、风机能量传输到电池损失的功率分别为：Plossi、Plossj
其中，Bik为光伏板能量传输到电池传输损失率，Bjk为风机能量传输到电池传输损失率；D为正整数；
将计算的电池存储的能量的数值输送给所述存储单元进行存储，所述神经网络单元根据电池存储的能量，以及负载的当前运行状态，计算能量匹配值，当计算出能量匹配值无法满足在预测时间段的能量时，进行第一次预调配，调整光伏、风机的投入状态因子，以及调整电池充电效率、双向DC变换器的转换效率，增加电池的电量，当第一次预调配无法满足预测时间段的能量时，进行第二次预调配，调整Bik、Bjk，选择Bik、Bjk中较小的光伏和风机投入，进行电池电量的补充，其他的光伏和风机直接供应直流负载和交流负载，依次从小到大选择Bik、Bjk中较小的光伏和风机投入，进行第二次预调配的自动控制，增加电池的电量。
5.如权利要求4所述的一种智能家居的自循环优化自动控制系统，其特征在于，所述神经网络单元根据当前负载状态和历史数据进行自学习后，通过下述方式进行有效比率调节，
其中，Ebat2(t)为电池t时刻的放电量，Ebat2(t-1)为电池t-1时刻的放电量，ηBF为电池放电的效率；
电池到负载的有效比率为：
其中，PD(t)为电池的输出功率，Bfk为电池传输到负载的传输损失率，μf为第f个电池的投入状态因子；
所述自动控制单元通过下述方式进行反馈修正，计算电池的剩余电量Ebat(t)，
Ebat(t)＝Ebat1(t)-Ebat2(t)
判断Ebat(t)是否大于0，如果是，所述优化自学习模块根据自学习的结果与负载检测模块检测的负载的实际运行数据进行对比，如果预测自学习的结果与检测的数据相同或者如果自学习的结果小于检测的数据，则优化自学习单元调整的预调配的控制策略，并调整自学习的方向和自学习循环的次数，减小预调节配到电池的电量，如果自学习的结果大于检测的数据，则优化自学习模块不改变当前的预调配策略，保持当前自学习的方向和自学习循环的次数；判断Ebat(t)是否等于0，则优化自学习模块调取等于0的时刻，判断时刻是否与自学习预测时间长度一致，如果一致，则保持当前的当前自学习的方向和自学习循环的次数，进行当前自学习优化控制，如果不一致，则优化自学习模块调整的预调配的控制策略，调整当前自学习的方向和自学习循环的次数，增大预调节配到电池的电量，并在下次预调配时，增加一个额外余量值，通过多次测试，选择出合适的额外余量值；
所述额外余量值为固定值，所述选择出合适的额外余量值包括根据增大电池的电...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。