一种基于神经网络的太阳能路灯智能充放电算法及系统的制作方法

1.本发明涉及太阳能路灯领域，具体的涉及一种基于神经网络的太阳能路灯智能充放电算法及系统。


背景技术：

2.太阳能路灯作为现在道路照明的行业新趋向,有着施工简单,节能环保的显著特点。，近年来称为道路照明的重要选择。一般太阳能路灯的电路系统由光伏电池板、照明子系统、电池系统和控制器组成，其中电池系统的安全稳定运行是整个系统安全稳定运行的最重要保证,而对于电池系统的安全稳定运行,实现一套高效的充放电算法是必不可少的。


技术实现要素：

3.本发明的目的在于克服上述技术问题，提供一种基于神经网络的太阳能路灯智能充放电算法及系统。
4.为实现上述目的，本发明所采用的技术方案是：基于神经网络的太阳能路灯智能充放电算法，所述方法包括以下步骤：获取电池电压和荷电状态 soc初始值，确定ocv-soc关系；通过滑动均值滤波法采样周期内的当前电池电压值和电流值，根据当前电池电压值和电流值，建立电池soc估算方程，得到当前实时电池soc先验估算值；利用卡尔曼滤波算法计算获得soc最优估算值；基于每日的所述soc最优估算值设立narx神经网络模型，将每日电池soc最优估算值带入narx神经网络模型完成训练，并输出当日的放电系数值；建立充放电评分模型确定评分指标，并对评分指标制定量化参考依据；根据各指标量化参考依据对每日完成照明工作后的电池充放电行为进行打分, 并计算每个周期的平均放电评分值；将平均放电评分值序列和放电系数序列输入训练好的narx神经网络模型中，计算网络目标函数，并更新网络参数，得到电池放电曲线数据。
5.进一步的，所述根据当前电池电压值和电流值，建立电池soc估算方程，具体包括：
[0006][0007]
式中，为t时刻电池soc先验估算值，soc(t-1)为t-1时刻生成的soc估算值，i(t)为t时刻对应的电流值，w1(t)为过程噪声。
[0008]
进一步的，所述利用卡尔曼滤波算法计算获得soc最优估算值，具体包括：
[0009]
生成误差协方差的初始化预测方程，即，
[0010][0011]
通过当前电池电压值测量得到的soc估算值方程，即，
[0012]
z(t)＝soc(t)+w2(t)
[0013]
根据卡尔曼增益，更新soc估算值及误差协方差，得到soc最优估算值和误差协方差更新值，即，
[0014]
卡尔曼增益的计算公式为：
[0015][0016]
soc最优估算值的计算公式为：
[0017][0018]
误差协方差更新值的计算公式为：
[0019][0020]
其中，q为过程噪声w1(t)的方差，w2(t)为测量噪声，r为测量噪声w2(t) 的方差。
[0021]
进一步的，所述评分指标包括不能使电池进入到深度放电区域和放电过程中尽可能按照预设值放电。
[0022]
进一步的，所述评分指标的量化参考依据包括电池放电深度和电池放电量。
[0023]
进一步的，所述根据各指标量化参考依据对每日完成照明工作后的电池充放电行为进行打分，具体包括：
[0024]
电池放电深度评分设置为分段函数，即，
[0025][0026]
其中，只要满足电池soc估算值处于20％以上得分都为1；
[0027]
电池放电量评分是放电量对于预设值的比例，即，
[0028]
score
discharge
＝γ，
[0029]
其中，γ为放电系数，指在当日夜间的放电实际设置值与预设值间的比例关系，取值范围(0,1]；
[0030]
每日完成照明工作的放电评分值计算公式为：
[0031]
score＝αscore
soc
+(1-α)score
discharge
[0032]
其中，α为比重参数，用以表征评分更关注于电池剩余电量还是更关注于照明用电量，取值范围[0,1]。
[0033]
进一步的，所述计算每个周期的平均放电评分值，具体包括：
[0034]
当所述周期天数小于五天，平均放电评分值计算公式为：
[0035][0036]
当所述周期天数大于五天，平均放电评分值计算公式为：
[0037][0038]
进一步的，所述网络目标函数设置为使得所述平均放电评分值取得最大值。
[0039]
基于神经网络的太阳能路灯智能充放电系统，包括soc估算模块，充放电评分模块、放电系数计算模块以及神经网络模块；所述soc估算模块，用于利用卡尔曼滤波算法和安时积分法对电池荷电状态soc进行估算得到当前实时soc最优估算值；所述充放电评分模块，用于建立充放电评分模型确定评分指标，并对评分指标制定量化参考依据，根据各指标量化参考依据对每日完成照明工作后的电池充放电行为进行打分,并计算每个周期的平均放电评分值；所述神经网络模块，用于设立narx神经网络模型，输出当日的放电系数值，并将放电系数值输入至所述充放电评分模块中计算以及使得输出的平均放电评分值取得最大值。
[0040]
进一步的，所述神经网络模块包括放电系数更新单元和数据处理单元，所述放电系数更新单元，用于基于每日的所述soc最优估算值设立narx神经网络模型，将每日电池soc最优估算值带入narx神经网络模型完成训练，并输出当日的放电系数值；所述数据处理单元，用于将平均放电评分值序列和放电系数序列输入训练好的narx神经网络模型中，计算网络目标函数，并更新网络参数，得到电池放电曲线数据。
[0041]
由上述对本发明的描述可知，与现有技术相比，本发明提供的一种基于神经网络的太阳能路灯智能充放电算法及系统具有如下优点：
[0042]
1、该发明利用卡尔曼滤波算法计算得到最优的soc估算值，并使用该 soc估算值监测太阳能路灯的电池充放电过程，合理规划照明放电曲线,使得电池soc一直能够处于比较“健康”的工作范围,避免落入到深度放电而影响电池健康，延长电池使用寿命；
[0043]
2、对于太阳能路灯这类处于环境多变而导致系统输入充电量多变的情况, 是典型的非线性系统,本发明中引入narx神经网络模型有助于处理非线性系统的问题,可灵活地设计narx神经网络去动态地调节放电系数，进而可以极大改善电池的放电深度。
附图说明
[0044]
图1为本发明基于神经网络的太阳能路灯智能充放电算法的流程图；
[0045]
图2为本发明基于神经网络的太阳能路灯智能充放电系统的结构框图
[0046]
图3为本发明soc估算模块的流程图；
[0047]
图4为本发明充放电评分模块的流程图；
[0048]
图5为本发明神经网络单元的流程图。
具体实施方式
[0049]
以下将结合本发明实施例中的附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。
[0050]
需要说明的是，本发明的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
[0051]
参照图1-5所示,基于神经网络的太阳能路灯智能充放电算法，所述方法包括以下步骤：
[0052]
步骤1，获取电池电压和荷电状态soc初始值，确定ocv-soc关系；
[0053]
步骤2，通过滑动均值滤波法采样周期内的当前电池电压值和电流值，根据当前电池电压值和电流值，建立电池soc估算方程，得到当前实时电池 soc先验估算值；
[0054]
其中，所述根据当前电池电压值和电流值，建立电池soc估算方程，具体包括：
[0055][0056]
式中，为t时刻电池soc先验估算值，soc(t-1)为t-1时刻生成的soc估算
值，i(t)为t时刻对应的电流值，w1(t)为过程噪声。
[0057]
步骤3，利用卡尔曼滤波算法计算获得soc最优估算值；
[0058]
其中，所述利用卡尔曼滤波算法计算获得soc最优估算值，具体包括：
[0059]
生成误差协方差的初始化预测方程，即，
[0060][0061]
通过当前电池电压值测量得到的soc估算值方程，即，
[0062]
z(t)＝soc(t)+w2(t)
[0063]
根据卡尔曼增益，更新soc估算值及误差协方差，得到soc最优估算值和误差协方差更新值，即，
[0064]
卡尔曼增益的计算公式为：
[0065][0066]
soc最优估算值的计算公式为：
[0067][0068]
误差协方差更新值的计算公式为：
[0069][0070]
其中，q为过程噪声w1(t)的方差，w2(t)为测量噪声，r为测量噪声w2(t) 的方差。
[0071]
步骤4，基于每日的所述soc最优估算值设立narx神经网络模型，将每日电池soc最优估算值带入narx神经网络模型完成训练，并输出当日的放电系数值；
[0072]
其中，narx神经网络模型输入值为每日的soc最优估算值，输出值为每日对应soc最优估算值的放电系数值，即γ值，并通过narx神经网络模型进行训练更新。
[0073]
步骤5，建立充放电评分模型确定评分指标，并对评分指标制定量化参考依据；
[0074]
其中，在太阳能照明环境下，电池充放电的最重要的两个指标是：(1) 不能使电池进入到深度放电区域；(2)放电过程中尽可能按照预设值放电。针对上述两个评分指标进行量化，用于对每个周期的充放电行为进行打分。
[0075]
步骤6，根据各指标量化参考依据对每日完成照明工作后的电池充放电行为进行打分,并计算每个周期的平均放电评分值；
[0076]
其中，所述述评分指标的量化参考依据包括电池放电深度和电池放电量，所述根据各指标量化参考依据对每日完成照明工作后的电池充放电行为进行打分，具体包括：
[0077]
电池放电深度评分设置为分段函数，即，
[0078][0079]
其中，只要满足电池soc估算值处于20％以上得分都为1；
[0080]
电池放电量评分是放电量对于预设值的比例，可见电池放电量评分就等于放电系数，即，
[0081]
score
discharge
＝γ，
[0082]
其中，γ为放电系数，指在当日夜间的放电实际设置值与预设值间的比例关系，取值范围(0,1]；
[0083]
该评分过程发生在每日完成照明工作，开始充电前，整体的评分还接入一个比重参数α，每日完成照明工作的放电评分值计算公式为：
[0084]
score＝αscore
soc
+(1-α)score
discharge
[0085]
其中，α为比重参数，用以表征评分更关注于电池剩余电量还是更关注于照明用电量，取值范围[0,1]。
[0086]
所述计算每个周期的平均放电评分值，具体包括：
[0087]
当所述周期天数小于五天，平均放电评分值计算公式为：
[0088][0089]
当所述周期天数大于五天，平均放电评分值计算公式为：
[0090][0091]
步骤7，将平均放电评分值序列和放电系数序列输入训练好的narx神经网络模型中，计算网络目标函数，并更新网络参数，得到电池放电曲线数据。
[0092]
其中，所述网络目标函数设置为使得所述平均放电评分值取得最大值，本发明采用narx神经网络模型，修改目标函数为使得平均放电评分值取得最大值，每日通过计算更新一次网络参数，即对放电系数进行更新。
[0093]
本发明通过基于卡尔曼滤波算法的soc估计值和narx神经网络模型计算放电曲线，硬件智能地优化了太阳能路灯在实际应用场景中存在的电池过放问题，从而延长了在实际场景汇总的电池使用寿命。
[0094]
基于神经网络的太阳能路灯智能充放电系统，包括soc估算模块，充放电评分模块、放电系数计算模块以及神经网络模块；所述soc估算模块，用于利用卡尔曼滤波算法和安时积分法对电池荷电状态soc进行估算得到当前实时soc最优估算值；所述充放电评分模块，用于建立充放电评分模型确定评分指标，并对评分指标制定量化参考依据，根据各指标量化参考依据对每日完成照明工作后的电池充放电行为进行打分,并计算每个周期的平均放电评分值；所述神经网络模块，用于设立narx神经网络模型，输出当日的放电系数值，并将放电系数值输入至所述充放电评分模块中计算以及使得输出的平均放电评分值取得最大值。
[0095]
所述神经网络模块包括放电系数更新单元和数据处理单元，所述放电系数更新单元，用于基于每日的所述soc最优估算值设立narx神经网络模型，将每日电池soc最优估算值带入narx神经网络模型完成训练，并输出当日的放电系数值；所述数据处理单元，用于将平均放电评分值序列和放电系数序列输入训练好的narx神经网络模型中，计算网络目标函数，并更新网络参数，得到电池放电曲线数据。
[0096]
本发明提供的一种基于神经网络的太阳能路灯智能充放电算法及系统具有如下优点：利用卡尔曼滤波算法计算得到最优的soc估算值，并使用该 soc估算值监测太阳能路灯的电池充放电过程，合理规划照明放电曲线,使得电池soc一直能够处于比较“健康”的工作范围,避免落入到深度放电而影响电池健康，延长电池使用寿命；对于太阳能路灯这类处于环境多变而导致系统输入充电量多变的情况,是典型的非线性系统,本发明中引入narx 神经网络模型有助于处理非线性系统的问题,可灵活地设计narx神经网络去动态地调节放电系数，进而可以极大改善电池的放电深度。
[0097]
上述仅为本发明的若干具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。