光伏加热系统中基于ANN的自适应负载预测与离线控制器的简化

《Energies》:Simplification of ANN-Based Adaptive Load Prediction and Offline Controller for Photovoltaic Heating Systems Shimin Xu, Yaxiong Wang, Shengli An and Qingzong Su

【字体: 大 中 小 】 时间:2026年03月06日 来源:Energies 3.9

编辑推荐:

  这项研究探讨了光伏加热系统中的需求负载预测和自适应负载控制多么依赖于计算密集型的人工神经网络(ANN)模型。为了简化计算流程并减少运行时资源需求,研究人员提出了一种结合相应离线控制策略的ANN负载预测与验证算法。通过优化算法结构并将重计算从在线执行中转移,所提

  
这项研究探讨了光伏加热系统中的需求负载预测和自适应负载控制多么依赖于计算密集型的人工神经网络(ANN)模型。为了简化计算流程并减少运行时资源需求,研究人员提出了一种结合相应离线控制策略的ANN负载预测与验证算法。通过优化算法结构并将重计算从在线执行中转移,所提出的方法大幅降低了运行计算负担,同时保持了预测准确性,实现了高效的实时负载预测和自适应控制。基于对由两个串联的330W组件组成的单晶PV串的建模研究,所提出的简化预测方法在五个辐照度区间[200,400)、[400,600)、[600,800)、[800,1000)和[1000,∞)上分别产生了年累积能量输出139.9、391.2、320.2、251.4和154.1 kW·h。与传统的基于人工神经网络(ANN)的预测方法相比,相应的偏差分别为1.1%、-0.1%、0.0%、0.1%和-0.4%,所有区间上的总年累积能量输出为1256.7 kW·h,平均偏差为-0.07%。此外,简化负载控制策略仅消耗传统ANN方法所需计算资源的3.57%。另外,该方法能够根据实时输入数据的变化快速重新分配计算资源,从而最小化冗余计算。总体而言,结果表明所提出的框架显著降低了计算复杂度而不牺牲准确性,为传统的基于ANN的解决方案提供了有效替代,并促进了光伏加热系统的实际部署。
**论文解读:光伏加热系统中基于ANN的自适应负载预测与离线控制器的简化**

**研究背景与问题**
随着全球对可再生能源的日益重视,光伏加热系统(photovoltaic heating system)——将太阳能-电能转换与热能输送相结合——已成为提升建筑能效和实现清洁供暖的重要研究方向。然而,这类系统优化面临的挑战在于:需要准确的动态负载预测和协调的实时响应,两者共同决定了转换效率与运行成本之间的权衡。传统的人工神经网络(ANN)模型在负载预测和控制中虽能捕捉强非线性关系,但多层级参数优化与迭代计算导致计算开销极大,响应延迟增加,尤其在资源受限的分布式部署(如偏远地区或小型社区)中,本地硬件难以承受。现有简化策略常在精度与速度间折中,且缺乏长期运行下区间式负载匹配与ANN基准的量化对比研究。为此,研究人员提出了一种低复杂度的区间式负载预测算法和离线控制器,旨在降低计算资源需求的同时维持预测精度,并验证其在实际工程中的可行性。该论文发表在《Energies》上。

**主要技术方法**
研究人员以经度109°15′–110°26′、纬度40°15′–42°43′(N1)区域为例,通过Meteonorm 7生成气象数据集,TRNSYS 18.02模拟年平面阵列(tilted-surface)辐照度和环境温度,利用Faiman模型计算光伏电池温度。在Simulink中建立无载和有载最大功率点(MPP)仿真模型,基于最大功率传输定理计算等效内阻。传统ANN模型将辐照度离散为10个区间(步长100 W/m2)、电池温度离散为14个区间(步长5°C),共140个节点构建预测模型;简化模型则将辐照度分为5个区间(步长200 W/m2),计算每个区间的年均辐照度和对应温度,进而确定5个等效负载电阻,通过互锁接触器逻辑实现自适应负载切换。

**研究结果**

**3.1 简化模型的输出功率计算**
研究人员将辐照度划分为[200,400)、[400,600)、[600,800)、[800,1000)和[1000,∞)五个区间,利用Simulink仿真得到各区间等效内阻分别为6.3、7.6、10.1、14.0和23.7 Ω。基于最大功率传输定理,提出自适应负载光伏直接加热系统,其工作原理为:实时测量平面阵列辐照度S,当S落入不同区间时,通过互锁接触器(KM1–KM5)闭合对应的负载电阻(RL1–RL5),实现自适应加热。同时引入延迟函数防止因辐照度快速变化导致的频繁切换。根据年累积辐照度比例和平均辐照度,计算得到简化模型各区间年累积能量输出分别为139.9、391.2、320.2、251.4和154.1 kW·h。

**3.2 使用人工神经网络的累积输出功率计算**
将传统ANN预测模型(10×14个节点)作为基准,输入相同的气象数据,得到各区间年累积能量输出分别为141.4、390.9、320.1、251.6和153.5 kW·h。简化模型与ANN模型在各区间的相对偏差分别为1.1%、-0.1%、0.0%、0.1%和-0.4%,总年累积能量输出简化模型为1256.7 kW·h,ANN模型为1257.5 kW·h,所有区间平均偏差为0.07%。该结果表明简化模型在精度上与ANN基准高度接近。

**3.3 两种模型控制输出数据需求比较**
研究人员对比了两种模型的控制节点数:传统ANN控制器需140个节点,而简化控制器仅需5个节点,占传统模型节点数的3.57%。简化控制器在运行时不执行任何ANN计算,仅将实测辐照度分类至五个预定区间并切换对应负载电阻,因此大幅降低了计算需求和硬件成本。此外,该框架具备可转移性,对于新场地或光伏配置,只需重新生成气象数据、计算辐照度分布和匹配负载电阻,区间式切换逻辑和误差评估方法保持不变。

**结论总结与讨论**
研究人员在讨论部分指出,简化控制器通过离线预处理和区间化设计,避免了在线ANN推理,从而在保持精度的前提下显著降低了计算复杂度。结论部分翻译如下:
(1)对于年累积输出功率,传统预测模型与简化模型之间的绝对偏差范围为-0.4%至1.1%,总体平均偏差为0.07%,表明简化模型达到了与传统模型相当的精度。
(2)在数据调用效率方面,传统控制器使用140个节点,而简化控制器仅使用5个,相当于传统模型节点数的3.57%,表明简化控制器能大幅降低计算需求和相关硬件成本,从而在性能与成本之间取得有利平衡。
(3)尽管结果仅针对一种组件/阵列配置、倾角和气候数据集,但所提出的框架是可转移的。对于新场地或光伏配置,只需生成场地特定的辐照度/温度序列、计算辐照度分布、选择代表性工作点并从光伏模型重新计算匹配负载电阻,区间式切换逻辑和误差评估方法保持不变。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号