[发明专利]一种基于差分进化算法的光伏传感器优化布置方法

权利要求书

1.一种基于差分进化算法的光伏传感器优化布置方法，其特征在于，包括以下步骤：

确定光照灯的平均照度水平和照度均匀度的模型；以照明的能耗作为目标函数，以照度水平和均匀性作为约束条件进行优化设计；采用差分进化优化算法对该光传感器布局问题进行求解，差分进化优化算法应用到求解光传感器布局问题改进在于能够在基于光传感器布局的非线性函数优化问题，基于差分进化算法求解出的平均调光水平和最佳照度值区域确定传感器的最佳数量和传感器的最佳位置。

2.根据权利要求1所述的一种基于差分进化算法的光伏传感器优化布置方法，其特征在于，所述光照灯的平均照度水平和照度均匀度U_o的模型为：

其中Nl为灯具的数量，n_l为每个灯具的灯数，Φ_n为灯的输出，UF为利用率，MF为维持系数，BF为镇流器系数，A为房屋的表面积；

其中E_min是房间的最小照度值。

3.根据权利要求1所述的一种基于差分进化算法的光伏传感器优化布置方法，其特征在于，为了确定UF的值，需要先计算房间指数RI，RI的公式表示如下：

其中L和W分别是房间的长度和宽度，H是灯具到工作平面的垂直距离；在获得RI值之后，可以参考灯具制造商提供的灯具数据表来确定UF值。

4.根据权利要求1所述的一种基于差分进化算法的光伏传感器优化布置方法，其特征在于，当灯具采用LED灯具时，在控制策略上，采用脉宽调制PWM来控制调光电平，在PWM控制下，假设LED灯具的调光水平与其输出功率呈线性关系；将灯具的调光程度降至最低意味着将电能降至最低；为了找到与最小能耗相对应的光传感器的最优布置，建立了基于最小化LED灯具调光水平的问题公式。

5.根据权利要求4所述的一种基于差分进化算法的光伏传感器优化布置方法，其特征在于，以照明的能耗作为目标函数，以照度水平和均匀性作为约束条件进行优化设计，具体包括：

所述的目标函数和约束条件为：

目标函数表示为最小化照明器的平均调光水平，使用下式计算

其中N为传感器的总数，d_i为第i个区域灯具的调光水平，为维持平均照度水平设置点，(E_op，i)为第i个区域的最佳照度值，为E_m处的调光值，式(5)可用作与LED灯具调光水平相关的算法中的解析解。

6.根据权利要求5所述的一种基于差分进化算法的光伏传感器优化布置方法，其特征在于，为了最小化LED灯具的平均调光水平，需要满足几个约束条件，它们分为两类约束：基于灯具的，即灯具的调光能力和基于照度的，即平均照度水平第i个控制区的照度均匀度U₀和照度值限制；

灯具的调光容量限制是灯具可以调暗的最小值D_min和最大值D_max，灯具调光容量限值的典型值在0-1即完全调光的范围内，约束条件为：

D_min≤d_i≤D_max (6)

平均照度是衡量人体视觉舒适性的指标之一，推荐维持平均照度级别为500lux，约束条件为：

除了照度均匀性U_o也可以作为视觉舒适性的衡量标准，最小照度均匀性U_o，min为0.6，约束条件为：

U_o≥U_o，min (8)

第i个控制区照度E_i的限值最小为E_i，min，最大为E_i，max，基于所在区域不同，它们的值不同，则约束条件为：

E_i，min≤E_i≤E_i，max (9)。

7.根据权利要求6所述的一种基于差分进化算法的光伏传感器优化布置方法，其特征在于，所述采用差分进化优化算法对该光传感器布局问题进行求解，具体包括：

1)种群初始化：选择个数为NP的个体向量作为初始种群，并且该NP个个体向量为D维连续实值空间中的值，采用如下符号描述第G代中的第i个个体向量或目标向量：

X_i，G＝(X_1i，G，X_2i，G…，X_Di，G) (10)

式中，G＝0，1…，G_max，G表示该种群所属的代数，G＝0表示初始化种群向量，G_max为最大代数，i表示第i个个体向量，i＝1，2，…，NP，D表示D维空间，差分进化算法即在该D维连续的实数值参数空间求解全局最优解；

为保证初始化的目标向量范围能覆盖整个解空间，将初始化后的目标向量表示为下式：

X_j，i＝X_j.min+rand_j，i(0，1)×(X_j，max-X_j，min) (11)

式中，rand(0，1)为在(0，1)区间中随机生成的随机数，X_min＝{X_1，min，X_2，min，…，X_D，min}表示在D维连续实值空间中目标向量的下边界，X_max同理为D维连续实值空间中目标向量的上边界，其需要满足式(8)；

2)变异操作：在第1)步完成以后，DE算法通过对初始化后的目标向量X_i，G采用变异策略生成变异向量，变异向量为V_i，G＝(V_1i，G，V_2i，G…，V_Di，G)：

V_i，G＝X_r1，G+F(X_r2，G-X_r3，G) (12)

式中，r为[1，NP]中随机选取的正整数，F的取值范围为[0，1]，当希望进行局部搜索实现快速收敛时，F应取相对较小值；

3)交叉操作：把变异向量V_i，G和目标向量X_i，G所包含的参数交叉生成新的试验向量U_i，G：

式中，cr∈[0，1]为交叉概率；

4)选择操作：经过变异和交叉操作后生成的试验向量U_i，G，进行适应度值的计算，并将计算值与目标向量X_i，G进行适应度计算的值进行比较，选择两者中结果更优的个体作为下一代个体向量，DE算法得到的下一代个体向量表示为：