CN104636987B - 一种公共楼宇空调负荷广泛参与的电网负荷调度方法 - Google Patents
一种公共楼宇空调负荷广泛参与的电网负荷调度方法 Download PDFInfo
- Publication number
- CN104636987B CN104636987B CN201510064481.7A CN201510064481A CN104636987B CN 104636987 B CN104636987 B CN 104636987B CN 201510064481 A CN201510064481 A CN 201510064481A CN 104636987 B CN104636987 B CN 104636987B
- Authority
- CN
- China
- Prior art keywords
- conditioning
- load
- air
- central air
- public building
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004378 air conditioning Methods 0.000 claims abstract description 131
- 230000033228 biological regulation Effects 0.000 claims abstract description 52
- 238000011217 control strategy Methods 0.000 claims abstract description 43
- 230000007935 neutral effect Effects 0.000 claims description 11
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 240000002853 Nelumbo nucifera Species 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 4
- 238000013277 forecasting method Methods 0.000 description 4
- 238000005057 refrigeration Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种大规模公共楼宇空调负荷广泛参与电网负荷调度方法,首先进行区域网供负荷及区域内各公共楼宇空调负荷的短时负荷预测,并统计各公共楼宇的行业类型及其空调设备类型;确定公共楼宇空调负荷参与区域电网负荷调度的调控场景,选择区域内各公共楼宇空调负荷参与电网负荷调度的组合方式和控制策略;计算参与电网负荷调度的区域内各公共楼宇空调负荷的可控容量,并确定该区域大规模公共楼宇空调负荷的调控目标;计算参与区域电网负荷调度的区域内各公共楼宇空调负荷的最佳组合调控容量。本发明适用于夏季全国范围内公共楼宇空调负荷用电量较大区域的网供负荷调控,可以改善区域电网负荷曲线,将对中国电网负荷调度技术的发展做出贡献。
Description
技术领域
本发明涉及电网负荷调度的技术领域,特别是一种大规模公共楼宇空调负荷广泛参与电网负荷调度方法,适用于公共楼宇空调负荷用电量较大区域的网供负荷调控。
背景技术
随着经济和电力需求的快速增长,中国电力供需经常处于偏紧状态。另一方面,由于中国产业结构的调整,第三产业的用电量和耗电比重逐年上升,其电力终端设备中比重较大的为空调负荷,该类负荷数量大、容量总和大,一般构成用电峰荷,导致峰谷差进一步拉大。电力短缺主要发生在夏季或冬季的负荷高峰时段,空调负荷占比高,并出现显著的负荷尖峰现象,我国一些大中城市和经济发达省份的空调负荷已占到夏季最大负荷的30%以上,某些地区甚至已经超过了40%,并呈现逐年上升的趋势。
空调负荷具备热存储能力,通过合理的直接负荷控制手段,不仅能够快速响应电网侧的调度,降低高峰时段的电力需求,有效缓解电力供需矛盾,而且与发电装机容量的投资相比,需求响应的成本较低,合理的负荷控制对于用户用电舒适度的影响很小。集中控制后的空调负荷数量可观,调度方式灵活,参与系统调峰的潜力巨大,对于电力公司来说是重要的需求响应资源,可以通过需求响应将其纳入到常态化的电力系统调度运行中。
目前,针对聚合后的分散式空调负荷作为电网需求侧调度资源的控制策略,已有大量相关的研究甚至实际应用,但国内外还没有关于如何对大规模不同类型的公共楼宇空调负荷进行组合优化控制来参与电网负荷调度的专利和文献。
发明内容
要解决的技术问题:针对现有技术的不足,本发明提出一种楼宇空调负荷广泛参与电网负荷调度方法,用于解决目前国内外缺乏对大规模不同类型的公共楼宇空调负荷进行组合优化控制来参与电网负荷调度的技术问题。
技术方案:为解决上述技术问题,本发明采用以下技术方案:
一种大规模公共楼宇空调负荷广泛参与电网负荷调度方法,首先对区域网供负荷及区域内各公共楼宇空调负荷分别进行短时负荷预测获得各公共楼宇空调负荷未参与调控时的预测负荷量L,并统计各公共楼宇的行业类型及其空调设备类型;然后在确定了区域电网负荷调度的调控场景和调控时段的基础上,选择区域内各公共楼宇空调负荷参与电网负荷调度的组合方式和控制策略;根据获得的各公共楼宇空调负荷未参与调控时的预测负荷量L再计算参与电网负荷调度的各公共楼宇空调负荷分别在所选取的控制策略下的可调度容量,依此提出区域电网调度指令,进而确定该区域大规模公共楼宇空调负荷的调控目标作为优化目标函数;最后基于调控目标,采用遗传算法,计算出参与调度的区域内各公共楼宇空调负荷的最佳组合调控容量。其中:
短时负荷预测需考虑温度和湿度两种实时气象因素。利用预测日之前的典型时段日构成训练样本,每个训练样本包含温度、湿度以及负荷量三个参数,以N个训练样本为一组,选定其中一个训练样本的负荷量为训练目标,按照将N个训练样本中除训练目标外的参数作为输入、训练目标作为输出的方法从而对Elman神经网络进行训练;经过多轮训练,当训练完成后,选取N-1个训练样本的参数以及预测日的温度、湿度作为Elman神经网络的输入,获得Elman神经网络的输出作为预测日的预测负荷量L。
各公共楼宇的行业类型包括:办公楼、写字楼、酒店、图书馆、商场、体育馆;各公共楼宇的空调设备类型包括:分散式空调、蓄冷式中央空调、离心式中央空调和螺杆式中央空调;公共楼宇空调负荷参与区域电网负荷调度的调控场景包括:日前负荷调度和日内滚动负荷调度;公共楼宇空调负荷参与区域电网负荷调度的调控时段包括:工作日的白天负荷高峰时段(一般为上午10时至下午2时30分)和晚上负荷高峰时段(一般为晚上8时至9时30分);公共楼宇空调负荷的具体控制策略包括:中央空调的定比例蓄冷控制策略、基于占空比控制的分散式空调分组轮停控制策略、基于升温控制的分散式空调轮停控制策略、公共楼宇楼层间轮停控制策略及公共楼宇间周期性暂停控制策略。区域内各公共楼宇空调负荷参与电网负荷调度组合方式的选择,考虑了调控场景、调控时段、公共楼宇行业类型及空调设备类型四个维度因素;区域内各公共楼宇空调负荷参与电网负荷调度具体控制策略的选择,考虑了公共楼宇行业类型、空调设备类型及用户舒适度三个维度因素。
在确定了参与调度的公共楼宇空调负荷组合方式及具体控制策略的基础上,采用遗传算法,建立基于调度指令的目标函数,考虑用户舒适度、蓄冰槽的允许剩余冰量范围和空调机组启停特性为约束条件,形成参与区域电网负荷调度的各公共楼宇空调负荷的具体调控容量组合方案。
有益效果:本发明的原理是基于区域电网负荷调度的调控场景和调控时段,选择区域内各公共楼宇空调负荷参与调度的组合方式和具体控制策略,根据参与调度的各公共楼宇空调负荷可控容量,确定区域电网调度指令,基于调控指令,计算参与调度的区域内各公共楼宇空调负荷的最佳组合调控容量。本发明中区域内各公共楼宇空调负荷参与电网负荷调度组合方式和控制策略的确定,分别考虑了多个维度的影响因素,并采用了智能算法计算公共楼宇空调负荷的具体组合调控容量。因此,本发明可在不影响用户满意度和空调设备寿命的前提下,有效改善区域电网负荷曲线,并具有广泛的工程适用性。
本发明的优点在于:
采用了考虑温度和湿度两种实时气象因素的负荷预测方法,对区域网供负荷及区域内各公共楼宇空调负荷进行了短时负荷预测,提高了负荷预测的准确性,进而有利于得到更精确的电网负荷调控效果;
区域内各公共楼宇空调负荷参与电网负荷调度组合方式和控制策略的选择,分别考虑了多个维度的影响因素,因此,本发明涉及的公共楼宇空调负荷组合调控策略,可适用于多种电网负荷调度场景,对空调设备寿命的损害和用户舒适度的影响小,调控手段灵活;
结合公共楼宇空调负荷参与调度的组合方式及控制策略,采用智能算法,计算出各公共楼宇空调负荷满足区域电网调度目标的具体组合调控容量,能有效改善区域电网负荷曲线,便于工程实现;
本发明可用于夏季全国范围内公共楼宇空调负荷用电量较大区域的网供负荷调控,为中国电网负荷调度技术的发展提供理论支持和数据支撑;
基于本发明提出的大规模公共楼宇空调负荷广泛参与电网负荷调度方法,可以有效改善夏季区域电网负荷曲线,便于实际应用。
附图说明
图1为本发明提供的一种大规模公共楼宇空调负荷广泛参与电网负荷调度方法流程图;
图2为考虑实时气象因素的短期负荷预测方法流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明提供一种大规模公共楼宇空调负荷广泛参与电网负荷调度方法,其方法流程如图1所示,包括:步骤S1,进行区域网供负荷及区域内各公共楼宇空调负荷的短时负荷预测获得各公共楼宇空调负荷未参与调控时的预测负荷量,并统计各公共楼宇的行业类型及其空调设备类型;步骤S2,确定公共楼宇空调负荷参与区域电网负荷调度的调控场景和调控时段,选择区域内各公共楼宇空调负荷参与电网负荷调度的组合方式和控制策略;步骤S3,根据步骤S1中获得的各公共楼宇空调负荷未参与调控时的预测负荷量计算参与电网负荷调度的区域内各公共楼宇空调负荷的可调度容量,并确定该区域大规模公共楼宇空调负荷的调控目标;步骤S4,计算参与区域电网负荷调度的区域内各公共楼宇空调负荷的最佳调控容量组合方案。具体的实施过程分为以下4步:
①采用考虑温度和湿度两种实时气象因素的负荷预测方法,对区域网供负荷及区域内各公共楼宇空调负荷分别进行短时负荷预测。同时,统计各公共楼宇的行业类型及其空调设备类型,其中公共楼宇行业类型包括:办公楼、写字楼、酒店、图书馆、商场、体育馆;公共楼宇空调设备类型包括:分散式空调、蓄冷式中央空调、离心式中央空调和螺杆式中央空调。
考虑实时气象因素的短时负荷预测方法的具体实施流程如图2所示,包括:步骤S5,采用三次样条插值法得到预测日连续四个时段的实时气象数据;步骤S6,基于该四个时段的实时气象数据值,选取预测日的典型时段日;步骤S7,采用Elman神经网络,计算预测日该四个时段的负荷预测值;步骤S8,重复以上步骤,得到预测日96个时段的负荷预测值。
步骤S5中,基于预测日24个整点时刻的气象数据预测值,采用三次样条插值的方法,得到预测日某整点时刻以及该整点时刻的前三个时段(15分钟为一个时段)的实时预测温、湿度值,即在预测日的每个整点对应均获得四个时段的实时预测温度值和湿度值,24个整点共获得96个时段的预测温度值和湿度值。
步骤S6中,分别计算预测日前一个月内每日24个整点对应的四个时段与预测日相应时段的温、湿度值的误差平方和,选取误差平方和最小的10天作为预测日的典型时段日,并分别记为第1至第10天;
步骤S7中,针对某个整点时刻,将第1天至第3天该整点时刻对应的四个时段的温度值、湿度值和负荷量以及第4天相应四个时段的温度值、湿度值作为Elman神经网络的输入量,将第4天的相应四个时段的负荷量作为Elman神经网络的4个输出量,依此循环,形成7组样本集,训练该Elman神经网络;再采用训练好的Elman神经网络,输入第8天至第10天该四个时段的温度值、湿度值和负荷量以及预测日相应四个时段的温度值、湿度值,输出的4个变量即为预测日相应四个时段的负荷预测值。
②确定公共楼宇空调负荷参与区域电网负荷调度的调控场景和调控时段,其中,调控场景包括:日前负荷调度和日内滚动负荷调度,调控时段包括:工作日的白天负荷高峰时段(本发明中为上午10时至下午2时30分)和工作日的晚上负荷高峰时段(本发明中为晚上8时至9时30分)。考虑调控场景、调控时段、公共楼宇行业类型及空调设备类型四个维度因素的影响,选择区域内各公共楼宇空调负荷参与电网负荷调度的组合方式,具体的组合方式分为以下四类:
1)参与工作日的白天负荷高峰时段的日前调度:拥有蓄冷式中央空调的办公楼、拥有离心式中央空调的办公楼、拥有分散式空调的办公楼、拥有分散式空调的写字楼、拥有离心式中央空调的写字楼、拥有螺杆式中央空调的写字楼、拥有螺杆式和离心式中央空调的酒店、拥有离心式中央空调的酒店、拥有离心式中央空调的图书馆、拥有离心式中央空调的大型商场、拥有螺杆式中央空调的小型商场、拥有蓄冷式中央空调的体育馆;
2)参与工作日的晚上负荷高峰时段的日前调度:拥有螺杆式和离心式中央空调的酒店、拥有离心式中央空调的酒店、拥有离心式中央空调的图书馆、拥有离心式中央空调的大型商场、拥有螺杆式中央空调的小型商场、拥有蓄冷式中央空调的体育馆;
3)参与工作日的白天负荷高峰时段的日内滚动调度:拥有离心式中央空调的办公楼、拥有分散式空调的办公楼、拥有分散式空调的写字楼、拥有离心式中央空调的写字楼、拥有螺杆式中央空调的写字楼、拥有螺杆式和离心式中央空调的酒店、拥有离心式中央空调的酒店、拥有离心式中央空调的图书馆、拥有离心式中央空调的大型商场、拥有螺杆式中央空调的小型商场;
4)参与工作日的晚上负荷高峰时段的日内滚动调度:拥有螺杆式和离心式中央空调的酒店、拥有离心式中央空调的酒店、拥有离心式中央空调的图书馆、拥有离心式中央空调的大型商场、拥有螺杆式中央空调的小型商场。
考虑公共楼宇行业类型、空调设备类型及用户舒适度三个维度因素,选择区域内各公共楼宇空调负荷参与电网负荷调度控制策略,其中,公共楼宇空调负荷的具体控制策略包括:中央空调的定比例蓄冷控制策略、基于占空比控制的分散式空调分组轮停控制策略、基于升温控制的分散式空调轮停控制策略、公共楼宇楼层间轮停控制策略及公共楼宇间周期性暂停控制策略。公共楼宇空调负荷参与调度的具体控制策略的选择分类如下:
1)选择中央空调的定比例蓄冷控制策略:拥有蓄冷式中央空调的办公楼、拥有蓄冷式中央空调的体育馆;
2)选择基于占空比控制的公共楼宇分散式空调分组轮停控制策略:拥有分散式空调的办公楼、拥有分散式空调的写字楼;
3)选择基于升温控制的公共楼宇分散式空调的升温控制策略:拥有分散式空调的办公楼、拥有分散式空调的写字楼;
4)选择公共楼宇楼层间轮停控制策略:拥有离心式中央空调的办公楼、拥有离心式中央空调的写字楼、拥有螺杆式和离心式中央空调的酒店、拥有离心式中央空调的酒店、拥有离心式中央空调的图书馆、拥有离心式中央空调的大型商场;
5)选择公共楼宇间周期性暂停控制策略:拥有螺杆式中央空调的写字楼、拥有螺杆式中央空调的小型商场。
③计算参与电网负荷调度的各公共楼宇空调负荷在分别所选取的控制策略下的可调度容量,依此提出区域电网调度指令,进而确定该区域大规模公共楼宇空调负荷的调控目标,其中:
选择中央空调的定比例蓄冷控制策略的公共楼宇空调负荷,在调控时段的可调度容量具体计算公式为:
P=(1-kt)L (1)
其中,kt为蓄冷控制的定比例系数,L为该公共楼宇空调负荷未参与调控时的预测负荷量。
选择基于占空比控制的公共楼宇分散式空调分组轮停控制策略的公共楼宇空调负荷,在调控时段的可调度容量具体计算公式为:
其中,n为该公共楼宇参与调控的分散式空调负荷台数,ε为散热函数,Δt为负控时间间隔,Tc为时间常数,Tmin为室内温度下限,Tmax为室内温度上限,Tout为室外温度,为制冷机的平均能效比,为平均额定制冷功率,A为导热系数,其余参数参考上文。
选择基于占空比控制的公共楼宇分散式空调分组轮停控制策略的公共楼宇空调负荷,在调控时段的可调度容量具体计算公式为:
其中,Ts为室内温度的设定值,Δ/2为室内温度的上、下变化幅值,一般取为0.5,其余参数参考上文。
选择公共楼宇楼层间轮停控制策略的公共楼宇空调负荷,在调控时段的可调度容量具体计算公式为:
其中,m为该公共楼宇的总楼层数,k为该公共楼宇实行楼层间轮停控制策略时停止供应冷负荷的楼层数。
选择公共楼宇间周期性暂停控制策略的公共楼宇空调负荷,在调控时段的可调度容量具体计算公式为:
其中,τon为该公共楼宇实行周期性暂停控制策略时一个周期内中央空调的开启时间,τoff为该公共楼宇实行周期性暂停控制策略时一个周期内中央空调的关断时间,Qcool中央空调制冷机的额定制冷量,εCOP为中央空调制冷机的能效比。
④设定区域电网负荷调度周期为0.5小时,空调负荷控制的时间间隔为5分钟。基于已选择的参与调度的公共楼宇空调负荷组合方式及控制策略,采用遗传算法,建立区域公共楼宇空调负荷总容量与调控目标的偏差最小的目标函数,以用户舒适度(包括对变量Tmin、Tmax、Ts取值范围的设定,反映了室内温度的允许变化区间)、蓄冰槽的允许剩余冰量(包括对变量k取值范围的设定)和空调机组启停特性(包括对中央空调制冷机最小开机和最小停机时间的设定)为约束条件,求解优化模型,得到参与区域电网负荷调度的各公共楼宇空调负荷的最佳调控容量组合方案。
以上对本发明的原理及实施方式进行了详细阐述,根据以上所述,即可实现本发明。本领域的技术人员根据此具体实施方案进行的各种等同、变形处理,也在本发明的保护范围之内。
Claims (5)
1.一种公共楼宇空调负荷广泛参与的电网负荷调度方法,其特征在于:包括顺序执行的以下步骤:
步骤S1:进行区域网供负荷及区域内各公共楼宇空调负荷的短时负荷预测获得各公共楼宇空调负荷未参与调控时的预测负荷量L,并统计各公共楼宇的行业类型及其空调设备类型;
步骤S2:确定公共楼宇空调负荷参与区域电网负荷调度的调控场景和调控时段;调控场景包括日前负荷调度和日内滚动负荷调度两种,调控时段包括工作日的白天负荷高峰时段和工作日的晚上负荷高峰时段;考虑调控场景、调控时段、公共楼宇行业类型及空调设备类型四个维度因素的影响,选择区域内各公共楼宇空调负荷参与电网负荷调度的组合方式,包括S2-1至S2-4:
S2-1参与工作日的白天负荷高峰时段的日前调度:拥有蓄冷式中央空调的办公楼、拥有离心式中央空调的办公楼、拥有分散式空调的办公楼、拥有分散式空调的写字楼、拥有离心式中央空调的写字楼、拥有螺杆式中央空调的写字楼、拥有螺杆式和离心式中央空调的酒店、拥有离心式中央空调的酒店、拥有离心式中央空调的图书馆、拥有离心式中央空调的大型商场、拥有螺杆式中央空调的小型商场、拥有蓄冷式中央空调的体育馆;
S2-2参与工作日的晚上负荷高峰时段的日前调度:拥有螺杆式和离心式中央空调的酒店、拥有离心式中央空调的酒店、拥有离心式中央空调的图书馆、拥有离心式中央空调的大型商场、拥有螺杆式中央空调的小型商场、拥有蓄冷式中央空调的体育馆;
S2-3参与工作日的白天负荷高峰时段的日内滚动调度:拥有离心式中央空调的办公楼、拥有分散式空调的办公楼、拥有分散式空调的写字楼、拥有离心式中央空调的写字楼、拥有螺杆式中央空调的写字楼、拥有螺杆式和离心式中央空调的酒店、拥有离心式中央空调的酒店、拥有离心式中央空调的图书馆、拥有离心式中央空调的大型商场、拥有螺杆式中央空调的小型商场;
S2-4参与工作日的晚上负荷高峰时段的日内滚动调度:拥有螺杆式和离心式中央空调的酒店、拥有离心式中央空调的酒店、拥有离心式中央空调的图书馆、拥有离心式中央空调的大型商场、拥有螺杆式中央空调的小型商场;
考虑公共楼宇行业类型、空调设备类型及用户舒适度三个维度因素,选择区域内各公共楼宇空调负荷参与电网负荷调度控制策略,包括S2-5至S2-9:
S2-5选择中央空调的定比例蓄冷控制策略:拥有蓄冷式中央空调的办公楼、拥有蓄冷式中央空调的体育馆;
S2-6选择基于占空比控制的公共楼宇分散式空调分组轮停控制策略:拥有分散式空调的办公楼、拥有分散式空调的写字楼;
S2-7选择基于升温控制的公共楼宇分散式空调的升温控制策略:拥有分散式空调的办公楼、拥有分散式空调的写字楼;
S2-8选择公共楼宇楼层间轮停控制策略:拥有离心式中央空调的办公楼、拥有离心式中央空调的写字楼、拥有螺杆式和离心式中央空调的酒店、拥有离心式中央空调的酒店、拥有离心式中央空调的图书馆、拥有离心式中央空调的大型商场;
S2-9选择公共楼宇间周期性暂停控制策略:拥有螺杆式中央空调的写字楼、拥有螺杆式中央空调的小型商场;
步骤S3:根据步骤S1中获得的各公共楼宇空调负荷未参与调控时的预测负荷量L计算参与电网负荷调度的各公共楼宇空调负荷在分别所选取的控制策略下的可调度容量,并确定该区域大规模公共楼宇空调负荷的调控目标;
步骤S4:计算参与区域电网负荷调度的区域内各公共楼宇空调负荷的最佳调控容量组合方案以满足调控目标要求。
2.根据权利要求1所述的公共楼宇空调负荷广泛参与的电网负荷调度方法,其特征在于:根据不同温度和湿度进行短时负荷预测。
3.根据权利要求1所述的公共楼宇空调负荷广泛参与的电网负荷调度方法,其特征在于:建立区域公共楼宇空调负荷总容量与调控目标的偏差最小的目标函数,以室内温度的允许变化区间、蓄冰槽的允许剩余冰量范围以及空调机组的最小启停时间为约束条件,利用遗传算法进行求解获得最佳调控容量组合方案。
4.根据权利要求1所述的公共楼宇空调负荷广泛参与的电网负荷调度方法,其特征在于:进行短时负荷预测时,利用预测日之前的典型时段日构成训练样本,每个训练样本包含温度、湿度以及负荷量三个参数,以N个训练样本为一组,选定其中一个训练样本的负荷量为训练目标,按照将N个训练样本中除训练目标外的参数作为输入、训练目标作为输出的方法从而对Elman神经网络进行训练;经过多轮训练,当训练完成后,选取N-1个训练样本的参数以及预测日的温度、湿度作为Elman神经网络的输入,获得Elman神经网络的输出作为预测日的预测负荷量L。
5.根据权利要求4所述的公共楼宇空调负荷广泛参与的电网负荷调度方法,其特征在于:所述典型时段日按照如下方法选取:分别计算预测日前一个月内每日24个整点对应的四个时段与预测日相应时段的温、湿度值的误差平方和,选取误差平方和最小的10天作为预测日的典型时段日。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510064481.7A CN104636987B (zh) | 2015-02-06 | 2015-02-06 | 一种公共楼宇空调负荷广泛参与的电网负荷调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510064481.7A CN104636987B (zh) | 2015-02-06 | 2015-02-06 | 一种公共楼宇空调负荷广泛参与的电网负荷调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636987A CN104636987A (zh) | 2015-05-20 |
CN104636987B true CN104636987B (zh) | 2018-05-01 |
Family
ID=53215697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510064481.7A Active CN104636987B (zh) | 2015-02-06 | 2015-02-06 | 一种公共楼宇空调负荷广泛参与的电网负荷调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636987B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104990208A (zh) * | 2015-06-04 | 2015-10-21 | 国家电网公司 | 一种利用空调负荷调控降低电网尖峰负荷的方法 |
CN105020859B (zh) * | 2015-08-04 | 2017-11-17 | 深圳供电局有限公司 | 一种基于等舒适度损失原则的中央空调负荷削减调温方法 |
CN105320118B (zh) * | 2015-12-07 | 2019-02-01 | 张迎春 | 基于云平台的空调系统电力需求响应控制方法 |
CN105627506A (zh) * | 2015-12-25 | 2016-06-01 | 深圳达实智能股份有限公司 | 一种空调冷机的建筑冷负荷预测方法及装置 |
CN105605733A (zh) * | 2015-12-25 | 2016-05-25 | 深圳达实智能股份有限公司 | 一种空调冷机的电网响应方法及装置 |
CN106444379A (zh) * | 2016-10-10 | 2017-02-22 | 重庆科技学院 | 基于物联网推荐的智能烘干远程控制方法及系统 |
CN107726533B (zh) * | 2017-10-20 | 2021-06-29 | 国网江苏省电力公司南京供电公司 | 一种空调负荷功率振荡抑制控制方法 |
CN108181947A (zh) * | 2018-01-04 | 2018-06-19 | 国网江苏省电力有限公司电力科学研究院 | 一种基于负荷簇温度调控的用户侧负荷响应方法 |
CN108488999A (zh) * | 2018-03-06 | 2018-09-04 | 国网江西省电力有限公司电力科学研究院 | 一种公共楼宇空调负荷优化控制方法 |
CN109524968B (zh) * | 2018-12-17 | 2022-08-09 | 广西电网有限责任公司电力科学研究院 | 一种公共楼宇负荷参与电网调峰的控制系统 |
CN109899930B (zh) * | 2019-01-29 | 2020-11-24 | 国家电网有限公司 | 大规模公共楼宇中央空调参与电网调峰的组合调控方法 |
CN110044020B (zh) * | 2019-03-29 | 2021-03-30 | 杭州电子科技大学 | 计及空调用户舒适度的需求侧响应方法 |
CN110348634A (zh) * | 2019-07-12 | 2019-10-18 | 广东电网有限责任公司 | 一种基于入户式能量管理系统的空调负荷调度方法 |
CN110848895B (zh) * | 2019-11-26 | 2021-04-13 | 国网江苏省电力有限公司电力科学研究院 | 一种非工空调柔性负荷控制方法和系统 |
CN113566401B (zh) * | 2021-08-03 | 2022-08-12 | 国网北京市电力公司 | 需求侧负荷控制方法 |
CN113610400A (zh) * | 2021-08-09 | 2021-11-05 | 山东建筑大学 | 一种用电调控系统及调控方法 |
CN113793010B (zh) * | 2021-09-07 | 2023-07-25 | 国网浙江省电力有限公司营销服务中心 | 面向多元负荷联合控制策略的构建方法及空调控制方法 |
CN115377963B (zh) * | 2022-07-18 | 2023-05-09 | 四川大学 | 一种异质性集群空调负荷新型温度设定值控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021914A (zh) * | 2006-03-22 | 2007-08-22 | 侯春海 | 暖通空调负荷预测方法和系统 |
CN102930356A (zh) * | 2012-11-16 | 2013-02-13 | 广东电网公司电力调度控制中心 | 基于气象因素敏感度的短期负荷预测方法 |
CN103606015A (zh) * | 2013-11-26 | 2014-02-26 | 国网安徽省电力公司 | 基于逐时综合气象指数的短期负荷预测方法 |
-
2015
- 2015-02-06 CN CN201510064481.7A patent/CN104636987B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021914A (zh) * | 2006-03-22 | 2007-08-22 | 侯春海 | 暖通空调负荷预测方法和系统 |
CN102930356A (zh) * | 2012-11-16 | 2013-02-13 | 广东电网公司电力调度控制中心 | 基于气象因素敏感度的短期负荷预测方法 |
CN103606015A (zh) * | 2013-11-26 | 2014-02-26 | 国网安徽省电力公司 | 基于逐时综合气象指数的短期负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
基于Elman神经网络的空调负荷预测研究;丁洁;《忻州师范学院学报》;20130430;第29卷(第2期);第22-23页 * |
基于实时气象因素的短期负荷预测方法研究;刘旭;《中国优秀硕士学位论文全文数据库》;20100115(第1期);正文第6,31-33,44-45页 * |
智能电网框架下公共楼宇空调负荷资源化应用;李斌 等;《供用电》;20140331;第41-43页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104636987A (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636987B (zh) | 一种公共楼宇空调负荷广泛参与的电网负荷调度方法 | |
CN109063925B (zh) | 一种计及负荷聚合商的区域综合能源系统优化运行方法 | |
CN104214912A (zh) | 一种基于温度设定值调整的聚合空调负荷调度方法 | |
CN106096778A (zh) | 一种基于分时电价和阶梯电价形式的家庭用电规划系统与方法 | |
CN110288164A (zh) | 一种建筑空调制冷站系统预测控制方法 | |
CN106127337B (zh) | 基于变频空调虚拟机组建模的机组组合方法 | |
CN108361885B (zh) | 一种冰蓄冷空调系统动态规划方法 | |
CN107732897B (zh) | 融合虚拟储能系统的楼宇微网模型预测调控方法 | |
CN109974218B (zh) | 一种基于预测的多联机空调系统调控方法 | |
CN110443446B (zh) | 需求响应机制下含建筑虚拟储能的能源站经济调度方法 | |
CN110425706A (zh) | 面向电网削峰的聚合空调负荷调控方法 | |
CN110619425A (zh) | 一种考虑源网荷储差异特性的多功能区综合能源系统协同规划方法 | |
CN110543713B (zh) | 考虑用户舒适度与建筑蓄热的热泵-地暖系统控制方法 | |
CN104850013A (zh) | 一种家用电器的智能用电方法 | |
CN110044020A (zh) | 计及空调用户舒适度的需求侧响应方法 | |
CN106451493B (zh) | 一种变频空调参与电力系统功率频率控制的方法 | |
CN205787804U (zh) | 一种公共建筑能耗监测系统 | |
CN113793010A (zh) | 面向多元负荷联合控制策略的构建方法及空调控制方法 | |
CN107726555A (zh) | 一种建筑空调模型预测控制方法和装置 | |
CN107576015A (zh) | 一种实现需求侧响应的建筑空调模型预测控制方法和装置 | |
CN113566401B (zh) | 需求侧负荷控制方法 | |
Behl et al. | Green scheduling for energy-efficient operation of multiple chiller plants | |
CN111585272B (zh) | 一种基于社区集群和集中式储能的家庭需求侧响应方法 | |
Arkhangelski et al. | Ancillary services for distribution grid: demand response of building thermal inertia case | |
Fan et al. | An optimization management strategy for energy efficiency of air conditioning loads in smart building |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |