一种自适应建筑光伏表皮模型预测控制方法技术

本发明专利技术属于新能源与节能技术领域，具体涉及一种自适应建筑光伏表皮模型预测控制方法，本发明专利技术通过构建基于数据驱动的模型预测控制系统，将机器学习和人工神经网络与MPC控制器相结合，使自适应建筑光伏表皮模型预测控制更具精准性、便捷性；本发明专利技术通过MPC控制器辅助机器学习发掘并学习数据中的信息，由机器学习和人工神经网络快速完成室内热舒适度和自适应建筑光伏表皮发电量的模拟预测，然后通过MPC控制器生成控制信号。本发明专利技术通过模型预测控制实现自适应建筑光伏表皮主动式调节变化，高效改善室内热舒适环境，实现自适应建筑光伏表皮调节室内热舒适度的同时，合理利用太阳能资源，减少建筑碳排放。减少建筑碳排放。减少建筑碳排放。

【技术实现步骤摘要】
一种自适应建筑光伏表皮模型预测控制方法


[0001]本专利技术属于新能源与节能
，具体涉及一种自适应建筑光伏表皮模型预测控制方法。

技术介绍

[0002]建筑行业为三大用能领域之一，为实现国家提出的绿色发展目标，探索先进的自适应建筑光伏表皮控制技术，将成为零碳建筑发展的重要措施。先进的控制策略有利于改善建筑碳排放，其中模型预测控制(MPC)是最具潜力的控制技术之一，MPC(Model Predictive Control)技术可以对问题进行滚动优化，获得预测范围内的最佳控制策略，进行预测性地控制建筑物。MPC技术通过受控建筑物的模型并获取室外气候环境条件，例如：室外温度、室外相对湿度和室外风速等，通过在每个采样时刻求解相应的优化问题来计算最小化受约束的某个代价函数(考虑室内热舒适度)的控制输入，进行前向反馈预测和优化建筑室内环境性能，实现建筑节能减碳的目标，提高用户建筑室内环境的舒适度。现有MPC技术一般基于牛顿力学搭建的被控对象物理模型来预测控制，要提高控制性能，则需搭建更加复杂的物理模型，或者使用非线性的优化求解器，而过于复杂的物理模型和非线性优化，导致过高的计算负荷和存储需求，因此这项技术在自适应建筑光伏表皮的运用还处于早期阶段。
[0003]随着人工智能技术逐渐应用于各个行业领域，取得了一定成功。其中机器学习是人工智能技术的重要领域，是一种通过数据驱动的建模预测方法，区别于传统基于物理模型的预测方法，不需要具备大量的专业物理知识，采用机器学习进行数据训练，构建模型进行快速地分析预测；将机器学习与MPC技术相结合，把机器学习作为MPC控制器的状态估计器，快速预测室内热舒适环境变化，再通过MPC控制器进行滚动优化得到最佳室内热舒适度的控制策略。
[0004]建筑行业对于太阳能的利用方式主要是在建筑顶部安装光伏板进行太阳能发电，但对于建筑立面空间的开发利用仍处于初步阶段。自适应建筑光伏表皮作为一种新型的室内外环境交互界面，通过自适应建筑光伏表皮系统将光伏板与建筑立面空间设计进行结合，不仅能满足对建筑室内热舒适度的灵活调节，也能实现建筑立面上光伏发电产能，节能减碳的目标。现有的自适应建筑光伏表皮系统是根据室外气候环境变化后，再进行被动地调节，操作上具有一定的滞后性，未能进行提前预测，不能实现高效的自适应环境主动式调控，亟须一种高效可行的自适应建筑光伏表皮模型预测控制方法。

技术实现思路

[0005]本专利技术为解决以上
技术介绍
提出的问题，提出了一种自适应建筑光伏表皮预测控制方法，将机器学习与MPC技术相结合，预测室内热舒适环境变化，通过控制自适应建筑光伏表皮，调节室内热舒适度满足用户室内需求，同时利用自适应建筑光伏表皮的光伏板进行立面光伏发电产能，进一步实现节能减碳效率。
[0006]本专利技术为了达到上述目的，通过以下技术方案实现，具体包括如下步骤：
[0007]S1：构建自适应建筑光伏表皮参数化性能模拟优化模型
[0008]S1.1：定义自适应建筑光伏表皮参数化模型的边界条件和操纵参量，通过参数化设计平台，构建自适应建筑光伏表皮参数化模型；
[0009]S1.2：定义自适应建筑光伏表皮参数化性能模拟优化模型的历史气象数据参量、室内状态参量以及优化目标，借助物理性能模拟平台，将自适应建筑光伏表皮参数化模型转化为自适应建筑光伏表皮参数化性能模拟优化模型，进行室内状态参量模拟计算；再通过优化算法进行优化分析，生成操纵参量解集、室内状态参量解集和优化目标解集；
[0010]S1.3：建立多目标决策函数，对生成的优化目标解集进行决策分析，分别获取基于机器学习的室内状态参量预测模型训练样本数据，以及基于人工神经网络的优化目标预测模型训练样本数据。
[0011]优选地，所述步骤S1.1中边界条件包括：建筑朝向、建筑开间、建筑进深、建筑层高和建筑窗墙比；所述步骤S1.1中操纵参量为自适应建筑光伏表皮滑动步长，自适应建筑光伏表皮滑动步长包括沿水平方向的滑动步长(M
lev
)和沿竖直方向的滑动步长(M
ver
)；所述步骤S1.1中参数化设计平台可以选择BIM、MAYA、3DMax、Rhino
‑
Grasshopper等等，本专利技术优选参数化设计平台为Rhino
‑
Grasshopper，根据实验对象和定义的边界条件和操纵参量，通过Rhino
‑
Grasshopper进行自适应建筑光伏表皮参数化模型构建。
[0012]优选地，所述步骤S1.2中历史气象数据参量来源气象站预测信息数据和数据库储存的历史气候信息数据，所述历史气象数据参量包括太阳辐照度(L0)、室外温度(T
out
)、室外风速(W
out
)、室外相对湿度(RH
out
)和时间序列(hod)；室内热舒适度影响因素包括室内温度，室内湿度，室内风速，太阳辐射，服装热阻等，其中室内温度是最主要的因素，因此所述室内状态参量为室内温度(T
in
)；所述优化目标包括室内热舒适度(PMV)和自适应建筑光伏表皮发电量(EPV)，其中室内热舒适度(PMV)作为优化目标一，自适应建筑光伏表皮发电量(EPV)作为优化目标二，所述优化目标一优先级高于优化目标二，即需在满足室内热舒适度的条件下，再进行自适应建筑光伏表皮的发电量计算。
[0013]优选地，所述步骤S1.2物理性能模拟平台可以选择TRNSYS、DOE
‑
2、EnergyPlus、LadybugTools等等，本专利技术优选物理性能模拟平台为Ladybug Tools，借助物理性能模拟平台，将自适应建筑光伏表皮参数化模型转化为自适应建筑光伏表皮参数化性能模拟优化模型，进行室内状态参量以及各优化目标的模拟计算；采集用户室内需求，在自适应建筑光伏表皮参数化性能模拟优化模型中设置距离地面0.75m的室内热舒适度模拟平面，并进行0.5x0.5m的网格划分，利用LadybugTools平台调用EnergyPlus性能模拟引擎进行室内状态参量和室内热舒适度模拟计算，通过LadybugTools可再生能源模块进行自适应建筑光伏表皮发电量模拟计算。
[0014]优选地，所述步骤S1.2优化算法可以选择遗传算法、粒子群优化算法、蚁群算法等等，本专利技术优选遗传算法中的非支配排序遗传算法(NSGA
‑
II)进行多目标优化分析，以操纵参量作为自变量，以优化目标作为因变量，进行室内热舒适度(PMV)和自适应建筑光伏表皮发电量(EPV)的多目标优化分析，生成优化目标解集。
[0015]进行步骤S1.2优化目标模拟计算时，为提高获取训练样本数据效率，以历史气象数据参量为抽样对象，沿时间轴随机抽取1000组模拟样本，以1小时为模拟时间单元，模拟
沿时间轴随机抽取1000个小时；所述操纵参量以0.1m为滑动步长；通过物理性能模拟平台，同时进行室内状态参量和各优化目标的模拟计算，再通过优化算法对优化目标进行多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应建筑光伏表皮模型预测控制方法，其特征在于，包括如下步骤：S1：构建自适应建筑光伏表皮参数化性能模拟优化模型；S1.1：定义自适应建筑光伏表皮参数化模型的边界条件和操纵参量，通过参数化设计平台，构建自适应建筑光伏表皮参数化模型；S1.2：定义自适应建筑光伏表皮参数化性能模拟优化模型的历史气象数据参量、室内状态参量以及优化目标，借助物理性能模拟平台，将自适应建筑光伏表皮参数化模型转化为自适应建筑光伏表皮参数化性能模拟优化模型，进行室内状态参量模拟计算；再通过优化算法进行优化分析，生成操纵参量解集、室内状态参量解集和优化目标解集；所述历史气象数据参量包括太阳辐照度、室外温度、室外风速、室外相对湿度、时间序列；所述室内状态参量包括室内温度；所述优化目标包括室内热舒适度和自适应建筑光伏表皮发电量，其中室内热舒适度优先级高于自适应建筑光伏表皮发电量；S1.3：建立多目标决策函数，对生成的优化目标解集进行决策分析，分别获取基于机器学习的室内状态参量预测模型训练样本数据，以及基于人工神经网络的优化目标预测模型训练样本数据；S2：构建基于数据驱动的模型预测控制系统；S2.1：将步骤S1.3获得的基于机器学习的室内状态参量预测模型训练样本数据和基于人工神经网络的优化目标预测模型训练样本数据进行数据清洗，并归一化处理；S2.2：构建基于机器学习的室内状态参量预测模型；S2.3：构建基于人工神经网络的优化目标预测模型；S2.4：确定约束条件，建立代价函数；S2.5：将基于机器学习的室内状态参量预测模型作为模型预测控制系统的室内状态参量估计器，通过基于人工神经网络的优化目标预测模型进行快速的目标预测，构建基于数据驱动的模型预测控制系统；在预测控制周期内和约束条件下，基于数据驱动的模型预测控制系统利用穷举搜索法进行滚动优化，生成自适应建筑光伏表皮控制信号；S3：构建自适应建筑光伏表皮控制系统；通过单片机控制器接收基于数据驱动的模型预测控制系统生成的自适应建筑光伏表皮控制信号，通过控制自适应建筑光伏表皮传动装置，实现自适应建筑光伏表皮滑动变化，改善室内热舒适环境；S4：构建室内热舒适度监测系统；设置室内热舒适度测量设备进行室内热舒适度的实时监测，将测量的数据信号反馈给基于机器学习的模型预测控制系统，对基于机器学习的室内状态参量预测模型进行实时修正，再通过基于数据驱动的模型预测控制系统模拟预测自适应建筑光伏表皮控制信号。2.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S1.1中边界条件包括建筑朝向、建筑开间、建筑进深、建筑层高、建筑窗墙比；所述操纵参量为自适应建筑光伏表皮滑动步长，自适应建筑光伏表皮滑动步长包括沿水平方向的滑动步长和沿竖直方向的滑动步长。3.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S1.2物理性能模拟平台为LadybugTools，利用LadybugTools调用EnergyPlus性能模拟引擎进行室内状态参量和室内热舒适度模拟计算，通过LadybugTools可再生能源模块进行自
适应建筑光伏表皮发电量模拟计算。4.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S1.2中优化算法选择遗传算法、粒子群优化算法、蚁群算法中任一种。5.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S1.2中优化目标解集在t时刻下表示为：A(t)＝{(PMV1,EPV1),(PMV2,EPV2),...,(PMVm,EPVm)}；其中PMVm是t时刻下第m个室内热舒适度值；EPVm是t时刻下第m个自适应建筑光伏表皮发电量值；m＝1，2，3,...；n＝1,2,3,...，1000；操纵参量解集在t时刻下表示为：B(t)＝{(M
lev1
,M
ver1
),(M
lev2
,M
ver2
),...,(M
levm
,M
verm
)}；其中M
levm
为t时刻下第m个水平方向自适应建筑光伏表皮滑动步长值；M
verm
为t时刻下第m个竖直方向自适应建筑光伏表皮的滑动步长值；室内状态参量解集在t时刻下表示为：C(t)＝{T
in1
,T
in2
,...,T
inm
}；其中T
inm
为t时刻下第m个室内温度值；用自适应建筑光伏表皮滑动变化时所需的电机能耗值Q反映操纵参量的变化量，表达式为：Qm(t)＝λ(M
levm
+M
verm
)；其中Qm(t)表示为t时刻下自适应建筑光伏表皮滑动变化时，第m个所需电机能耗值；λ为电机控制自适应建筑光伏表皮滑动变化的能耗系数。6.根据权利要求1所述的自适应建筑光伏表皮模型预测控制方法，其特征在于，所述步骤S1.3中建立以最佳室内热舒适度和最低电机能耗为目标的多目标决策函数，将生成的优化目标解集通过多目标决策函数计算，通过多目标决策函数筛选出t时刻下最佳室内热舒适度和最低电机能耗，通过最佳室内热舒适度找到最优自适应建筑光伏表皮发电量，通过最优目标解确定t时刻下最优操纵参量解和最优室内状态参量解，所述多目标决策函数表达为：其中U(t)表示t时刻下多目标决策函数的计算值；表示为t时刻下自适应建筑光伏表皮滑动变化时，第m个电机能耗归一化处理后的值；表示为t时刻下第m个室内热舒适度归一化处理后的值；W表示权重因子；W
PMV
表示室内热舒适度的权重因子；表达式为：其中Qm(t)表示t时刻下模拟优化的第m个自适应建筑光伏表皮滑动变化时的所需电机能耗值；Qm
max
(t)表示t时刻下模拟优化中自适应建筑光伏表皮滑动变化最大距离时所需电机能耗值；表达式为：
PMVm(t)表示t时刻下模拟优化的第m个室内热舒适度值；PMVm
max
(t)表示t时刻下模拟优化中室内热舒适度的最大值；PMVm
...

【专利技术属性】
技术研发人员：陈平，唐浩，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：