基于神经网络算法的多输出端太阳能电源的放电方法与流程

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：

1、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。

2、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。

技术实现思路

1、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。

2、为实现上述目的，本发明提供如下技术方案：

3、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：

4、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；

5、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；

6、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；

7、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；

8、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。

9、优选的，步骤s2中，具体流程为：

10、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；

11、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；

12、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；

13、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；

14、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；

15、s26、迭代更新模型的参数，最小化误差函数。

16、优选的，步骤s23中，向前传播计算式为：

17、

18、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。

19、优选的，步骤s24中，计算模型的预测误差采用如下计算式：

20、

21、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。

22、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：

23、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；

24、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；

25、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；

26、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。

27、优选的，步骤s4中，神经网络模型的向量化方程可以表示为：

28、y＝f[w2×relu(w1×x+b1)+b2]；

29、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。

30、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：

31、v(s)＝kp×e(s)+ki×∫e(s)dt；

32、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。

33、优选的，所述方法中对各个输出端的电能分配后，还包括：

34、信息反馈，用以监测实际放电效果与神经网络模型预测值之间的差异，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。

35、优选的，所述信息反馈计算式为：

36、

37、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。

38、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；

39、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；

40、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。

技术特征：

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：

2.根据权利要求1所述的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，步骤s2中，具体流程为：

3.根据权利要求2所述的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，步骤s23中，向前传播计算式为：

4.根据权利要求2所述的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，步骤s24中，计算模型的预测误差采用如下计算式：

5.根据权利要求1所述的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，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：

6.根据权利要求5所述的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，步骤s4中，神经网络模型的向量化方程可以表示为：

7.根据权利要求1所述的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：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：

8.根据权利要求1所述的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，所述方法中对各个输出端的电能分配后，还包括：

9.根据权利要求8所述的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，所述信息反馈计算式为：

技术总结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。技术研发人员：陈治国,贺勇,张松柏受保护的技术使用者：广东富登科技有限公司技术研发日：技术公布日：2024/9/9