16、电价最优搜索控制的实践探索

电价最优搜索控制的实践探索

1. 计算环境与初步结果

在特定的计算机上进行计算,该计算同时使用了 CPU 和 4 张 GPU 卡,总共启用 32,768 个线程。由于系统时间限制,SA + CPU 和 PSA + GPU 的搜索在 10 秒后终止。10 秒后,SA + CPU 和 PSA + GPU 的评估函数值分别为 1459 和 1397,PSA + GPU 比 SA + CPU 约低 4%。

2. 实时电价与空调系统
2.1 实时电价系统架构

假设在未来电力系统改革中引入实时电价(RTP),以建筑物多类型空调为例,探讨考虑电价的最优控制。实时电价最优控制系统由电力公司的电价信息服务器(DRAS Server)、聚合服务提供商的优化应用程序以及各建筑物的管理系统网关(BEMS Gateway)组成。电价在约 10 分钟的时间框架内会有显著变化,聚合器会在比电价时间框架更精细的控制框架内向各建筑物多类型空调发送功率限制命令,且电价在通知后的时间框架内不会改变。

graph LR
    A[电力公司 DRAS 服务器] -->|电价信息| B[聚合器]
    B -->|最优控制指令| C[BEMS GW]
    C -->|功率限制命令| D[建筑物多类型空调]
    D -->|房间温度、功率信息| C
    C -->|信息反馈| B
2.2 空调系统结构

建筑物多类型空调的制冷剂回路和控制网络较为复杂。一个室外机通过制冷剂管道与多个室内机相连,每个室内机控制各自

提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值