开云优惠体育网页版入口

专利名称：基于神经网络算法的多输出端太阳能电源的放电方法

专利类型：发明专利

专利申请号：CN202410637720.2

专利申请（专利权）人：广东富登开云优惠体育网页版入口有限公司
权利人地址：广东省惠州市仲恺高新区潼湖镇三和村和溪路252号(联东U谷)10#厂房1-5层101-105号、11#厂房1-5层101-105号

专利发明（设计）人：陈治国,贺勇,张松柏

专利摘要：本发明公开了基于神经网络算法的多输出端太阳能电源的放电方法，涉及电变量调节领域，包括以下步骤：S1、配置一个多层神经网络模型；S2、对神经网络模型训练，训练使用的优化目标是最小化预测误差函数；S3、实时采集太阳能电源的当前充电状态、环境数据和即时用户用电需求信息，作为输入数据提供给经过训练的神经网络模型；S4、利用神经网络模型处理输入数据，并生成对应的放电控制信号；S5、根据神经网络模型生成的放电控制信号，调节多输出端太阳能电源的放电电流和电压，实现对各个输出端的电能分配。本方法通过采用神经网络算法优化目标是最小化预测误差函数，从而实现根据不断变化的环境条件和用户需求动态优化电源的放电性能。

主权利要求：
1.基于神经网络算法的多输出端太阳能电源的放电方法，其特征在于，包括以下步骤：S1、配置一个多层神经网络模型，所述模型包括输入层、隐藏层和输出层；
S2、对所述神经网络模型训练，以学习太阳能电源的充电状态、环境条件、用户用电需求和历史放电数据之间的映射关系，所述训练使用的优化目标是最小化预测误差函数，所述误差函数为实际放电效果与预期放电效果的差异；步骤S2中，具体流程为：S21、收集和整理训练数据集，包括太阳能电源的充电状态、环境条件、历史放电数据以及用户用电需求，以及对应的目标标签；
S22、定义神经网络的结构，包括确定输入层、隐藏层和输出层的神经元数量以及神经元数量之间的连接方式；
S23、向前传播，将训练数据输入到神经网络中，计算出每个神经元的激活值，最终得到模型的预测输出；
S24、将网络的预测输出与真实标签进行对比，并计算模型的预测误差；计算模型的预测误差采用如下计算式：；
式中：E是损失函数的值，即均方误差；N是样本数量；C是输出维度； 是第n个样本的第k个真实输出； 是第n个样本的第k个预测输出；
S25、反向传播，从输出层向输入层逐层更新网络中的权重和偏置参数，以降低误差函数的值；
S26、迭代更新模型的参数，最小化误差函数；
S3、实时采集太阳能电源的当前充电状态、环境数据和即时用户用电需求信息，作为输入数据提供给经过训练的神经网络模型；
S4、利用神经网络模型处理输入数据，并生成对应的放电控制信号，每个控制信号对应于一个输出端，以优化太阳能电源的放电效率和满足不同输出端的电力需求；步骤S4中，利用神经网络模型处理输入数据，并生成对应的放电控制信号，具体为：S41、对实时采集到的太阳能电源的当前充电状态、环境数据和即时用户用电需求信息进行预处理，所述预处理包括对数据进行归一化、去噪，确保数据的质量和准确性；
S42、将预处理后的数据作为输入层的输入，所述输入层包括若干组神经元，每个神经元对应一个特征；
S43、隐藏层对输入数据进行非线性变换，提取更高层次的特征，其中，输入层的数据通过权重矩阵与隐藏层的神经元相连；
S44、隐藏层的数据通过权重矩阵与输出层的神经元相连，并将数据传输至输出层，每个输出层神经元对应一个放电控制信号，调节相应输出端的放电电流和电压；
S5、根据神经网络模型生成的放电控制信号，调节多输出端太阳能电源的放电电流和电压，实现对各个输出端的电能分配；步骤S5中，所述调节多输出端太阳能电源的放电电流和电压采用PI控制模块，所述PI控制模块传递函数表示为：V（s）=Kp×e（s）+Ki×∫e（s）dt；
其中，V（s）是控制器输出，e（s）是误差信号，Kp是比例增益，Ki是积分增益，∫e(s)dt表示对误差信号进行积分操作，s表示复频域变量；
对各个输出端的电能分配后，还包括：
信息反。靡约嗖馐导史诺缧Ч肷窬缒Ｐ驮げ庵抵涞牟钜，并将此信息用于调整神经网络模型的权重和偏置，以提高预测的准确性。 说明书 : 基于神经网络算法的多输出端太阳能电源的放电方法技术领域[0001] 本发明属于电变量调节领域，更具体地说，尤其涉及基于神经网络算法的多输出端太阳能电源的放电方法。背景技术[0002] 随着可再生能源技术的迅速发展，太阳能发电系统已经成为一种广泛使用的能源解决方案，尤其是在偏远地区和需要独立电力供应的场合。传统的太阳能发电系统设计主要针对单一负载或输出，但实际应用中，太阳能电源需要为多种不同的负载设备供电，这些设备可能具有不同的功率需求和工作电压。[0003] 在现有的多输出端太阳能电源系统中，电能的分配和管理是一个关键问题。这些系统通常依赖于复杂的电力管理单元，包括多个最大功率点跟踪控制器，以优化每个输出端的能量利用。然而，这种设计可能导致系统复杂性增加，成本上升，且在能量分配上可能存在效率不高的问题；因此，我们提出基于神经网络算法的多输出端太阳能电源的放电方法。发明内容[0004] 本发明的目的是为了解决现有技术中存在的缺点，而提出的基于神经网络算法的多输出端太阳能电源的放电方法，本方法通过采用神经网络算法优化目标是最小化预测误差函数，从而实现根据不断变化的环境条件和用户需求动态优化电源的放电性能。[0005] 为实现上述目的，本发明提供如下技术方案：[0006] 基于神经网络算法的多输出端太阳能电源的放电方法，包括以下步骤：[0007] S1、配置一个多层神经网络模型，所述模型包括输入层、隐藏层和输出层；[0008] S2、对所述神经网络模型训练，以学习太阳能电源的充电状态、环境条件、历史放电数据和用户用电需求之间的映射关系，所述训练使用的优化目标是最小化预测误差函数，所述误差函数为实际放电效果与预期放电效果的差异；[0009] S3、实时采集太阳能电源的当前充电状态、环境数据和即时用户用电需求信息，作为输入数据提供给经过训练的神经网络模型；[0010] S4、利用神经网络模型处理输入数据，并生成对应的放电控制信号，每个控制信号对应于一个输出端，以优化太阳能电源的放电效率和满足不同输出端的电力需求；[0011] S5、根据神经网络模型生成的放电控制信号，调节多输出端太阳能电源的放电电流和电压，实现对各个输出端的电能分配。[0012] 优选的，步骤S2中，具体流程为：[0013] S21、收集和整理训练数据集，包括输入特征如太阳能电源的充电状态、环境条件、历史放电数据以及用户用电需求，以及对应的目标标签；[0014] S22、定义神经网络的结构，包括确定输入层、隐藏层和输出层的神经元数量以及神经元数量之间的连接方式；[0015] S23、向前传播，将训练数据输入到神经网络中，计算出每个神经元的激活值，最终得到模型的预测输出；[0016] S24、将网络的预测输出与真实标签进行对比，并计算模型的预测误差；[0017] S25、反向传播，从输出层向输入层逐层更新网络中的权重和偏置参数，以降低误差函数的值；[0018] S26、迭代更新模型的参数，最小化误差函数。[0019] 优选的，步骤S23中，向前传播计算式为：[0020][0021] 其中， 是第l?1层第j个神经元的输出， 是第l?1层第j个神经元的权重， 是第l?1层第j个神经元的偏置。[0022] 优选的，步骤S24中，计算模型的预测误差采用如下计算式：[0023][0024] 式中：E是损失函数的值，即均方误差；N是样本数量；C是输出维度；ynk是第n个样本的第k个真实输出； 是第n个样本的第k个预测输出。[0025] 优选的，步骤S4中，利用神经网络模型处理输入数据，并生成对应的放电控制信号，具体为：[0026] S41、对实时采集到的太阳能电源的当前充电状态、环境数据和即时用户用电需求信息进行预处理，所述预处理包括对数据进行归一化、去噪，确保数据的质量和准确性；[0027] S42、将预处理后的数据作为输入层的输入，所述输入层包括若干组神经元，每个神经元对应一个特征；[0028] S43、隐藏层对输入数据进行非线性变换，提取更高层次的特征，其中，输入层的数据通过权重矩阵与隐藏层的神经元相连；[0029] S44、隐藏层的数据通过权重矩阵与输出层的神经元相连，并将数据传输至输出层，每个输出层神经元对应一个放电控制信号，调节相应输出端的放电电流和电压。[0030] 优选的，步骤S4中，神经网络模型的向量化方程可以表示为：[0031] Y＝F[W2×ReLU(W1×X+B1)+B2]；[0032] 其中，W1是输入层到隐藏层的权重矩阵，W2为隐藏层到输出层的权重矩阵，B1是输入层到隐藏层的偏置向量，B2是隐藏层到输出层的偏置向量，ReLU是修正线性单元激活函数，F是输出层的激活函数。[0033] 优选的，步骤S5中，所述调节多输出端太阳能电源的放电电流和电压采用PI控制模块，所述PI控制模块传递函数表示为：[0034] V(s)＝Kp×e(s)+Ki×∫e(s)dt；[0035] 其中，V(s)是控制器输出，e(s)是误差信号，Kp是比例增益，Ki是积分增益，∫e(s)dt表示对误差信号进行积分操作，s表示复频域变量。[0036] 优选的，所述方法中对各个输出端的电能分配后，还包括：[0037] 信息反。靡约嗖馐导史诺缧Ч肷窬缒Ｐ驮げ庵抵涞牟钜，并将此信息用于调整神经网络模型的权重和偏置，以提高预测的准确性。[0038] 优选的，所述信息反馈计算式为：[0039][0040] 其中，ΔW是权重的调整值，ΔB是偏置的调整值，η是学习率， 和是误差函数E关于权重和偏置的偏导数。[0041] 本发明的技术效果和优点：本发明提供的基于神经网络算法的多输出端太阳能电源的放电方法，与现有技术相比，本发明通过采用神经网络算法优化目标是最小化预测误差函数，从而实现根据不断变化的环境条件和用户需求动态优化电源的放电性能；[0042] 其次，本发明中，以学习太阳能电源的充电状态、环境条件、历史放电数据和用户用电需求之间的映射关系，训练使用的优化目标是最小化预测误差函数，其自适应性、准确性、实时性、智能化的电能分配、减少人为干预、提升系统性能以及持续学习和优化的能力，有助于提高多输出端太阳能电源系统的效率和可靠性；[0043] 另外，将实时采集的太阳能电源的当前充电状态、环境数据和即时用户用电需求信息作为输入数据提供给经过训练的神经网络模型，使神经网络模型基于最新的情况做出更准确的预测，增强预测准确性，同时，实时数据的使用使得系统能够快速响应环境和负载的变化，从而及时调整放电策略，优化电能分配，确保高效稳定地运行。附图说明[0044] 图1为本发明基于神经网络算法的多输出端太阳能电源的放电方法流程图；[0045] 图2为本发明训练神经网络模型方法流程图；[0046] 图3为本发明神经网络模型生成的放电控制信号流程图。具体实施方式[0047] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0048] 本发明提供了基于神经网络算法的多输出端太阳能电源的放电方法，如图1所示，包括以下步骤：[0049] S1、配置一个多层神经网络模型，模型包括输入层、隐藏层和输出层；[0050] S2、对神经网络模型训练，以学习太阳能电源的充电状态、环境条件、历史放电数据和用户用电需求之间的映射关系，训练使用的优化目标是最小化预测误差函数，误差函数为实际放电效果与预期放电效果的差异；[0051] 步骤S2中，如图2所示，具体流程为：[0052] S21、收集和整理训练数据集，包括输入特征如太阳能电源的充电状态、环境条件、历史放电数据以及用户用电需求，以及对应的目标标签；[0053] 其中，在这个阶段，数据来自于现场传感器测量、历史记录或用户反。晃颂岣吣Ｐ偷姆夯芰，数据集应该尽可能多样化，覆盖不同季节、天气条件和用户行为模式；[0054] S22、定义神经网络的结构，包括确定输入层、隐藏层和输出层的神经元数量以及神经元数量之间的连接方式；[0055] S23、向前传播，将训练数据输入到神经网络中，计算出每个神经元的激活值，最终得到模型的预测输出；步骤S23中，向前传播计算式为：[0056][0057] 其中， 是第l?1层第j个神经元的输出， 是第l?1层第j个神经元的权重， 是第l?1层第j个神经元的偏置；[0058] S24、将网络的预测输出与真实标签进行对比，并计算模型的预测误差；步骤S24中，计算模型的预测误差采用如下计算式：[0059][0060] 式中：E是损失函数的值，即均方误差；N是样本数量；C是输出维度；ynk是第n个样本的第k个真实输出； 是第n个样本的第k个预测输出；[0061] S25、反向传播，从输出层向输入层逐层更新网络中的权重和偏置参数，以降低误差函数的值；[0062] S26、迭代更新模型的参数，最小化误差函数；[0063] 在神经网络训练过程中，会多次迭代地更新模型参数，以最小化误差函数，每次迭代后，模型的性能通常会有所提升，直到达到某个停止标准，停止标准为最大迭代次数。[0064] S3、实时采集太阳能电源的当前充电状态、环境数据和即时用户用电需求信息，作为输入数据提供给经过训练的神经网络模型；[0065] 示例性的，上述实时采集太阳能电源的当前充电状态、环境数据和即时用户用电需求信息，并将这些信息作为输入数据提供给经过训练的神经网络模型，采用如下流程：[0066] S31:数据采集[0067] 充电状态数据：从太阳能电源管理系统获取电池的当前电量；收集电池的温度、电压、电流参数；[0068] 环境数据：使用传感器测量环境温度、光照强度、风速等环境因素；从天气预报服务获取未来几小时或几天的天气预测数据；[0069] 用户用电需求信息：通过智能电表或家庭能源管理系统收集用户的实时用电量数据；根据用户的用电习惯和模式预测未来的用电需求；[0070] S32:数据预处理[0071] 清洗数据，去除异常值和噪声；[0072] 标准化或归一化数据，以确保不同的数据特征在同一量级；[0073] 对缺失数据进行处理，例如插值或使用历史数据填补；[0074] S33:数据融合与特征工程[0075] 将采集到的数据合并成一个数据集；[0076] 根据神经网络模型的输入要求，选择或构造相关特征；[0077] 根据需要进行特征选择，以减少维度并提高模型性能；[0078] S34:实时预测[0079] 将预处理后的数据输入到训练好的神经网络模型中；[0080] 使用模型进行实时预测，得到太阳能电源的放电效果预测结果；[0081] S35:反馈与调整[0082] 将模型的预测结果与实际放电效果进行比较，计算预测误差；[0083] 如果误差超出接受范围，可能需要对模型进行微调或重新训练；[0084] 根据实时数据更新模型，以适应环境变化和用户需求的动态性；[0085] S36:决策支持[0086] 利用模型的预测结果，为太阳能电源的充放电策略提供决策支持；[0087] 优化能源分配，确保电力供应的稳定性和效率。[0088] S4、利用神经网络模型处理输入数据，并生成对应的放电控制信号，每个控制信号对应于一个输出端，以优化太阳能电源的放电效率和满足不同输出端的电力需求；步骤S4中，利用神经网络模型处理输入数据，并生成对应的放电控制信号，如图3所示，具体为：[0089] S41、对实时采集到的太阳能电源的当前充电状态、环境数据和即时用户用电需求信息进行预处理，预处理包括对数据进行归一化、去噪，确保数据的质量和准确性；[0090] S42、将预处理后的数据作为输入层的输入，输入层包括若干组神经元，每个神经元对应一个特征；[0091] S43、隐藏层对输入数据进行非线性变换，提取更高层次的特征，其中，输入层的数据通过权重矩阵与隐藏层的神经元相连；[0092] S44、隐藏层的数据通过权重矩阵与输出层的神经元相连，并将数据传输至输出层，每个输出层神经元对应一个放电控制信号，调节相应输出端的放电电流和电压；[0093] 其中，神经网络模型的向量化方程可以表示为：[0094] Y＝F[W2×ReLU(W1×X+B1)+B2]；[0095] 其中，W1是输入层到隐藏层的权重矩阵，W2为隐藏层到输出层的权重矩阵，B1是输入层到隐藏层的偏置向量，B2是隐藏层到输出层的偏置向量，ReLU是修正线性单元激活函数，F是输出层的激活函数。[0096] 示例性的，包含两个输入节点、一个隐藏层和一个输出节点的神经网络。隐藏层的激活函数为ReLU函数，输出层的激活函数为恒等函数。[0097] 1、初始化权重和偏置：[0098] 输入层到隐藏层的权重矩阵W1，形状为(2,3)；[0099] 隐藏层到输出层的权重矩阵W2，形状为(3,1)；[0100] 隐藏层的偏置向量B1，形状为(3,1)；[0101] 输出层的偏置向量B2，形状为(1,1)；[0102] 2、前向传播：[0103] 计算隐藏层的加权输入Z1＝X×W1+B1，其中X是输入数据，形状为(n_samples,2)；[0104] 计算隐藏层的激活值A1＝ReLU(Z1)；[0105] 计算输出层的加权输入Z2＝A1×W2+B2；[0106] 计算输出层的激活值A2＝Z2(恒等函数)；[0107] 3、生成放电控制信号：[0108] 根据输出层的激活值A2，生成对应的放电控制信号，若A2的值大于某个阈值，则生成一个高电平信号；否则生成一个低电平信号；[0109] 4、将生成的放电控制信号发送给相应的输出端，以调节放电电流和电压。[0110] 5、重复2?4，根据实时采集到的数据不断更新模型，并生成新的放电控制信号。[0111] S5、根据神经网络模型生成的放电控制信号，调节多输出端太阳能电源的放电电流和电压，实现对各个输出端的电能分配；步骤S5中，调节多输出端太阳能电源的放电电流和电压采用PI控制模块，PI控制模块传递函数表示为：[0112] V(s)＝Kp×e(s)+Ki×∫e(s)dt；[0113] 其中，V(s)是控制器输出，e(s)是误差信号，Kp是比例增益，Ki是积分增益，∫e(s)dt表示对误差信号进行积分操作，s表示复频域变量。[0114] 上述方法中对各个输出端的电能分配后，还包括：[0115] 信息反。靡约嗖馐导史诺缧Ч肷窬缒Ｐ驮げ庵抵涞牟钜，并将此信息用于调整神经网络模型的权重和偏置，以提高预测的准确性，信息反馈计算式为：[0116][0117] 其中，ΔW是权重的调整值，ΔB是偏置的调整值，η是学习率， 和是误差函数E关于权重和偏置的偏导数。[0118] 综上，本发明通过采用神经网络算法优化目标是最小化预测误差函数，从而实现根据不断变化的环境条件和用户需求动态优化电源的放电性能；[0119] 其次，本发明中，以学习太阳能电源的充电状态、环境条件、历史放电数据和用户用电需求之间的映射关系，训练使用的优化目标是最小化预测误差函数，其自适应性、准确性、实时性、智能化的电能分配、减少人为干预、提升系统性能以及持续学习和优化的能力，有助于提高多输出端太阳能电源系统的效率和可靠性；[0120] 另外，将实时采集的太阳能电源的当前充电状态、环境数据和即时用户用电需求信息作为输入数据提供给经过训练的神经网络模型，使神经网络模型基于最新的情况做出更准确的预测，增强预测准确性，同时，实时数据的使用使得系统能够快速响应环境和负载的变化，从而及时调整放电策略，优化电能分配，确保高效稳定地运行。[0121] 最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：广东

专利申请日期：2024-05-22

专利公开日期：2024-11-29

专利公告号：CN118611174B