一种基于差分进化算法的光伏传感器优化布置方法

1.本发明属于建筑物能源技术领域，尤其涉及一种基于差分进化算法的光伏传感器优化布置方法。


背景技术：

2.全球建筑物中使用的能源占总能源的很大一部分，约占总能源的40％，约占二氧化碳排放量的30％，从而导致温室气体效应，如气候变化和全球变暖。照明是建筑能源系统的主要子系统之一，约占总能耗的20％-45％。
3.照明系统通过实施几种策略，例如采用节能灯技术、适当的照度级别设计和调光控制，在建筑物中实现更高的节能潜力。对于调光控制，基于光感的控制策略是增加建筑物照明节能的主要策略。因此，光传感器在数量和位置上的布置对传感器的成本和控制系统的性能至关重要。光传感器放置不当导致系统的能源性能不佳，无法实现节能建筑。光传感器的布置方法可以分为三种：固定式(即传感器并置在灯具上)、数学函数和基于优化的方法。
4.大多数研究都是基于数学函数来考虑光传感器的布局问题。这些方法导致传感器的数量更多，并且传感器的位置不是最优的。因此，它增加了光传感器的初始成本，并且照明系统在不太理想的条件下运行。另一方面，一旦传感器的数量超过灯具的数量，中央控制器就会发生冲突，传感器作为输入向控制器提供照度信息。实际上，在照明系统设计中，传感器的数量(ns)指的是等于或小于灯具数量(n
l
)的逻辑区域的数量，并且可以数学地表示为ns≤n
l
。此外，对于光传感器的布局，将照度均匀性作为设计参数，至今还没有观察到最优的方法。
5.差分进化算法(de)是一种著名的基于种群的随机优化技术，它具有参数设置少、计算时间短和自由导数算法等优点。de已广泛应用于供暖、通风和空调(hvac)系统。例如，优化房间内区域和冷水的温度设置点。实际上，在照明系统中，de已被用于优化人工照明和灯具布局设计的调光级别。因此，本研究选择差分进化算法作为光传感器布局问题中led灯具调光水平的优化技术。以前的工作大多集中在传统优化方法的使用上，如凸优化、线性规划和迭代法。然而，传统的优化方法在处理复杂问题和大型系统时存在较大的缺点，如计算量较大。
6.因此，设计一种新的光传感器优化布置方法，利用差分进化优化算法，通过最小化灯具的调光水平来实现照明系统控制策略的优化，从而最大限度地降低照明能耗，保持建筑物的视觉舒适性，同时降低传感器的初始成本。
7.经过检索，申请公开号cn104156584a，一种多目标优化差分进化算法的传感器目标分配方法，该方法包括：根据目标信息进行目标重要程度计算，建立传感器目标分配约束多目标优化函数，分配方案编码和初始种群染色体生成，利用差分进化算法产生子代方案种群，种群合并与筛选，获取分配方案pareto前端解集等。本发明结合差分进化算法在群体差异启发式随机搜索方面简单易用，鲁棒性好，且具有强有力的全局搜索能力等特点，提供
了一种pareto集多目标优化分配策略；在传感器目标监测效能函数的基础上增加了传感器使用率函数，将分配问题转化为多目标优化问题，可在满足监测精度要求下尽量节约传感器资源，实现传感器资源合理有效的分配。该技术只从求解优化函数的角度出发，虽然优化了传感器的分配，但是增加了目标函数的个数，增加了求解问题的难度和时间。
8.本发明在建立优化函数之前，在控制策略上，采用脉宽调制pwm来控制调光电平，将能耗提前降至最低，降低了在求解优化问题时的难度。
9.cn110062389a，基于改进差分进化算法的传感器网络节点优化部署方法，并成功应用于无线传感器网络的节点优化部署，通过设置混沌映射群体初始化，提升了初始种群的多样性；使用精英群体实现对变异向量的引导，加快种群全局的寻优速度；使用参数自适应调整机制增强算法对节点的适应能力。本发明的优点：与基本差分进化算法相比，改进后的算法在节点覆盖率和收敛速度上均有较大程度的提升，同时能够有效应对节点可能出现的突发状况，增强了算法的适应能力；改进的差分进化算法有效避免了种群陷入局部最优，提高了算法的寻优能力。对比改进前的差分进化算法提升了5％左右的网络覆盖率，满足了监测区域的覆盖要求，并加快了收敛速度，而且改进后的算法具有较强的适应性。该技术未曾考虑在实际感知中网络所感知范围是处于不规则状态，而这种状态会给路由节点覆盖质量带来影响，而本发明考虑的是实际感知中的节点，覆盖范围即是实际范围。


技术实现要素：

10.本发明旨在解决以上现有技术的问题。提出了一种基于差分进化算法的光伏传感器优化布置方法。本发明的技术方案如下：
11.一种基于差分进化算法的光伏传感器优化布置方法，其包括以下步骤：
12.确定光照灯的平均照度水平和照度均匀度的模型；以照明的能耗作为目标函数，以照度水平和均匀性作为约束条件进行优化设计；采用差分进化优化算法对该光传感器布局问题进行求解，差分进化优化算法应用到求解光传感器布局问题改进在于能够在基于光传感器布局的非线性函数优化问题表现极强的稳健性，在同样的精度要求下，差分进化算法收敛速度快；基于差分进化算法求解出的平均调光水平和最佳照度值区域确定传感器的最佳数量和传感器的最佳位置。
13.进一步的，所述光照灯的平均照度水平和照度均匀度uo的模型为：
[0014][0015]
其中nl为灯具的数量，n
l
为每个灯具的灯数，φn为灯的输出，uf为利用率，mf为维持系数，bf为镇流器系数，a为房屋的表面积；
[0016][0017]
其中e
min
是房间的最小照度值。
[0018]
进一步的，为了确定uf的值，需要先计算房间指数ri，ri的公式表示如下：
[0019][0020]
其中l和w分别是房间的长度和宽度，h是灯具到工作平面的垂直距离；在获得ri值
之后，可以参考灯具制造商提供的灯具数据表来确定uf值。
[0021]
进一步的，当灯具采用led灯具时，在控制策略上，采用脉宽调制pwm来控制调光电平，在pwm控制下，假设led灯具的调光水平与其输出功率呈线性关系；将灯具的调光程度降至最低意味着将电能降至最低；为了找到与最小能耗相对应的光传感器的最优布置，建立了基于最小化led灯具调光水平的问题公式。
[0022]
进一步的，以照明的能耗作为目标函数，以照度水平和均匀性作为约束条件进行优化设计，具体包括：
[0023]
所述的目标函数和约束条件为：
[0024][0025]
目标函数表示为最小化照明器的平均调光水平，使用下式计算的平均调光水平，使用下式计算
[0026][0027]
其中n为传感器的总数，di为第i个区域灯具的调光水平，为维持平均照度水平设置点，(e
op
，i)为第i个区域的最佳照度值，为em处的调光值；式(5)可用作与led灯具调光水平相关的算法中的解析解。
[0028]
进一步的，为了最小化led灯具的平均调光水平，需要满足几个约束条件，它们分为两类约束：基于灯具的，即灯具的调光能力和基于照度的，即平均照度水平，第i个控制区的照度均匀度u0和照度值限制；
[0029]
灯具的调光容量限制是灯具可以调暗的最小值d
min
和最大值d
max
，灯具调光容量限值的典型值在0-1即完全调光的范围内，约束条件为：
[0030]dmim
≤di≤d
max
ꢀꢀꢀ
(6)
[0031]
平均照度是衡量人体视觉舒适性的指标之一，推荐维持平均照度级别为500lux，约束条件为：
[0032][0033]
除了照度均匀性uo也可以作为视觉舒适性的衡量标准，最小照度均匀性u
o，min
为0.6，约束条件为：
[0034]
uo≥u
o，min
ꢀꢀꢀ
(8)
[0035]
第i个控制区照度ei的限值最小为e
i，min
，最大为e
i，max
，基于所在区域不同，它们的值不同，则约束条件为：
[0036]ei，min
≤ei≤e
i，max
ꢀꢀꢀ
(9)
[0037]
进一步的，所述采用差分进化优化算法对该光传感器布局问题进行求解，具体包括：
[0038]
1)种群初始化：选择个数为np的个体向量作为初始种群，并且该np个个体向量为d维连续实值空间中的值，采用如下符号描述第g代中的第i个个体向量或目标向量：
[0039]
x
i，g
＝(x
1i，g
，x
2i，g
…
，x
di，g
)
ꢀꢀꢀ
(10)
[0040]
式中，g＝0，1
…
，g
max
，g表示该种群所属的代数，g＝0表示初始化种群向量，g
max
为最大代数，i表示第i个个体向量，i＝1，2，
…
，np，d表示d维空间，差分进化算法即在该d维连续的实数值参数空间求解全局最优解；
[0041]
为保证初始化的目标向量范围能覆盖整个解空间，将初始化后的目标向量表示为下式：
[0042]
x
j，i
＝x
j.mi
n rand
j，i
(0，1)
×
(x
j，max-x
j，min
)
ꢀꢀꢀ
(11)
[0043]
式中，rand(0，1)为在(0，1)区间中随机生成的随机数，x
min
＝{x
1，min
，x
2，min
，
…
，x
d，min
}表示在d维连续实值空间中目标向量的下边界，x
max
同理为d维连续实值空间中目标向量的上边界，其需要满足式(8)；
[0044]
2)变异操作：在第1)步完成以后，de算法通过对初始化后的目标向量x
i，g
采用变异策略生成变异向量，变异向量为v
i，g
＝(v
1i，g
，v
2i，g
…
，v
di，g
)：
[0045]vi，g
＝x
r1，g
f(x
r2，g-x
r3，g
)
ꢀꢀꢀ
(12)
[0046]
式中，r为[1，np]中随机选取的正整数，f的取值范围为[0，1]，当希望进行局部搜索实现快速收敛时，f应取相对较小值；
[0047]
3)交叉操作：把变异向量v
i，g
和目标向量x
i，g
所包含的参数交叉生成新的试验向量u
i，g
：
[0048][0049]
式中，cr∈[0，1]为交叉概率；
[0050]
4)选择操作：经过变异和交叉操作后生成的试验向量u
i，g
，进行适应度值的计算，并将计算值与目标向量x
i，g
进行适应度计算的值进行比较，选择两者中结果更优的个体作为下一代个体向量，de算法得到的下一代个体向量表示为：
[0051][0052]
其中f为适应度函数，也即目标函数(3)。
[0053]
本发明的优点及有益效果如下：
[0054]
本发明提出了一种基于差分进化算法的光伏传感器优化布置方法，以最小化初始成本和能量成本，建立了目标函数及其约束条件：led灯具的平均调光水平、照度水平和均匀性。采用差分进化优化算法(de)对该问题进行求解。最后，根据差分进化算法的结果确定传感器的最优位置，从而最大限度地降低照明能耗，保持建筑物的视觉舒适性，同时降低传感器的初始成本。
[0055]
利用差分进化算法开发了一种新的光传感器数量和位置布局方法，以最小化成本(即传感器和电能)、提高视觉舒适性和控制器性能(即降低复杂性)。该方法在计算量小和最优解(即光传感器的数目和位置)方面具有优越的性能。此外，该方法对于小型和大型建筑、新建建筑和改造工程中的有线和无线光传感器的实现具有较强的实用性。
[0056]
式(5)是本发明新定义的。计算第i个区域灯具的调光水平值的公式在以前的研究中没有推导出来，是因为di的值是从基于控制器和优化的解决方案中获得的。为此，通过考
虑维持平均照度水平设置点(em)、第i区的最佳照度值(e
op
,i)和em处的调光值来计算di。
[0057]
所述权利要求的4为了估算传感器的投资成本和控制器的容量，确定要安装在房间中的光传感器的数量是至关重要的。在照明控制策略的一般做法中，传感器的数量应小于或等于灯具的数量。在以往的传感器优化布置方法中并没有加入控制策略，在控制策略上，通常采用脉宽调制(pwm)来控制调光电平。在pwm控制下，可以假设led灯具的调光水平与其输出功率呈线性关系。将灯具的调光程度降至最低意味着将电能降至最低。
[0058]
所述权利要求的5创新点在于同时考虑传感器位置和传感器数量，将位置与数量作为优化问题的目标，通过求解该优化问题使得在满足视觉舒适度的前提下，达到传感器数量最少。另外将照度水平和照度均匀性作为约束条件，光线分布越均匀说明照度越好，视觉感受越舒服，照度均匀度越接近1越好；反之越小越增加视觉疲劳。使优化结果达到经济性的同时，光照强度能够达到要求。
附图说明
[0059]
图1是本发明提供优选实施例基于差分进化算法的光伏传感器优化布置方法流程图。
具体实施方式
[0060]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
[0061]
本发明解决上述技术问题的技术方案是：
[0062]
本发明方法整体框架流程图如图1所示，首先需要确定两个基于照度的度量是平均照度级别和照度均匀度(uo)。为了计算需要考虑几个参数，包括反射系数(即天花板、墙壁和地板)、与灯具相关的参数以及房间面积。为了确定被测区域中的可以用以下公式表示：
[0063][0064]
其中nl为灯具的数量，n
l
为每个灯具的灯数，φn为灯的输出，uf为利用率，mf为维持系数，bf为镇流器系数，a为房屋的表面积。uf的公用值为0.9。bf总是被认为是1。在照明系统设计中，最常用的mf值是0.8。为了确定uf的值，需要先计算房间指数ri。ri的公式表示如下：
[0065][0066]
其中l和w分别是房间的长度和宽度，h是灯具到工作平面的垂直距离。在获得ri值之后，可以参考灯具制造商提供的灯具数据表来确定uf值。照度均匀度(uo)是与房间内人员视觉舒适性相关的定性指标之一，可用以下公式计算：
[0067][0068]
其中e
min
是房间的最小照度值。
[0069]
光传感器的最佳布置方法对于确定最佳的光传感器数量和位置，以实现节能和令人满意的基于照度的视觉舒适性至关重要。为了实现基于能效的传感器布置方法，以人工照明能耗为目标函数，以照度指标(即照度水平和均匀性)为约束条件进行优化设计。
[0070]
为了估算传感器的投资成本和控制器的容量，确定要安装在房间中的光传感器的数量是至关重要的。在照明控制策略的一般做法中，传感器的数量应小于或等于灯具的数量。本发明的主要目的是寻找符合节能和视觉舒适性的光传感器的最佳数量和位置。为了最大化照明系统的能量和控制系统的性能，使用led灯具。在控制策略上，采用脉宽调制(pwm)来控制调光电平。在pwm控制下，可以假设led灯具的调光水平与其输出功率呈线性关系。将灯具的调光程度降至最低意味着将电能降至最低。为了找到与最小能耗相对应的光传感器的最优布置，建立了基于最小化led灯具调光水平的问题公式。目标函数可以表示为最小化照明器的平均调光水平，如下所示：
[0071][0072]
使用下式计算
[0073][0074][0075]
其中n为传感器的总数，di为第i个区域灯具的调光水平，为维持平均照度水平设置点，(e
op
，i)为第i个区域的最佳照度值，为em处的调光值。(e
op
，i)的值是从基于优化的方法(即de)获得的。该方程可用作与led灯具调光水平相关的算法中的解析解。
[0076]
如上所述，led灯具的输出功率与其调光程度呈线性关系，因此，建筑物内led灯具的能耗可以用功率需求(pd)来表示，单位为kw。可以通过考虑第i区域的led灯具的总功率(pi)和计算出的di来计算：
[0077][0078]
其中i为区域总数。为了最小化led灯具的平均调光水平，需要满足几个约束条件，它们分为两类约束：基于灯具的，即灯具的调光能力和基于照度的，即平均照度水平()，第i个控制区的照度均匀度(u0)和照度值限制。灯具的调光容量限制是灯具可以调暗的最小值(d
min
)和最大值(d
max
)。灯具调光容量限值的典型值在0-1(完全调光)的范围内。约束条件为：
[0079]dmin
≤di≤d
max
ꢀꢀꢀ
(6)
[0080]
平均照度是衡量人体视觉舒适性的指标之一。推荐维持平均照度级别为
500lux。约束条件为：
[0081][0082]
除了照度均匀性(uo)也可以作为视觉舒适性的衡量标准。最小照度均匀性(u
o，min
)为0.6。约束条件为：
[0083]
uo≥u
o，min
ꢀꢀꢀ
(8)
[0084]
第i个控制区照度ei的限值最小为e
i，min
，最大为e
i，max
。基于所在区域不同，它们的值不同。则约束条件为：
[0085]ei，min
≤ei≤e
i，max
ꢀꢀꢀ
(9)
[0086]
在考虑led灯具平均调光水平最小化的情况下，第i个区域的最佳照度值的差分进化算法如下：
[0087]
1)种群初始化：选择个数为np的个体向量作为初始种群，并且该np个个体向量为d维连续实值空间中的值，采用如下符号描述第g代中的第i个个体向量或目标向量：
[0088]
x
i，g
＝(x
1i，g
，x
2i，g
…
，x
di，g
)
ꢀꢀꢀ
(10)
[0089]
式中，g＝0，1
…
，g
max
，g表示该种群所属的代数，g＝0表示初始化种群向量，g
max
为最大代数，i表示第i个个体向量，i＝1，2，
…
，np，d表示d维空间，差分进化算法即在该d维连续的实数值参数空间求解全局最优解；
[0090]
为保证初始化的目标向量范围能覆盖整个解空间，将初始化后的目标向量表示为下式：
[0091]
x
j，i
＝x
j.min
rand
j，i
(0，1)
×
(x
j，max-x
j，min
)
ꢀꢀꢀ
(11)
[0092]
式中，rand(0，1)为在(0，1)区间中随机生成的随机数，x
min
＝{x
1，min
，x
2，min
，
…
，x
d，min
}表示在d维连续实值空间中目标向量的下边界，x
max
同理为d维连续实值空间中目标向量的上边界，其需要满足式(8)；
[0093]
2)变异操作：在第1)步完成以后，de算法通过对初始化后的目标向量x
i，g
采用变异策略生成变异向量，变异向量为v
i，g
＝(v
1i，g
，v
2i，g
…
，v
di，g
)：
[0094]vi，g
＝x
ri，g
f(x
r2，g-x
r3，g
)
ꢀꢀꢀ
(12)
[0095]
式中，r为[1，np]中随机选取的正整数，f的取值范围为[0，1]，当希望进行局部搜索实现快速收敛时，f应取相对较小值；
[0096]
3)交叉操作：把变异向量v
i，g
和目标向量x
i，g
所包含的参数交叉生成新的试验向量u
i，g
：
[0097][0098]
式中，cr∈[0，1]为交叉概率；
[0099]
4)选择操作：经过变异和交叉操作后生成的试验向量u
i，g
，进行适应度值的计算，并将计算值与目标向量x
i，g
进行适应度计算的值进行比较，选择两者中结果更优的个体作为下一代个体向量，de算法得到的下一代个体向量表示为：
[0100]
[0101]
其中f为适应度函数，也即目标函数(3)。
[0102]
本发明利用差分进化优化算法，通过最小化灯具的调光水平来实现照明系统控制策略的优化，从而最大限度地降低照明能耗，保持建筑物的视觉舒适性，同时降低传感器的初始成本。
[0103]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0104]
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。