CN106655221A - 一种平抑微网联络线功率波动的空调负荷协调控制方法 - Google Patents

Abstract

本发明涉及一种平抑微网联络线功率波动的空调负荷协调控制方法，该方法包括以下步骤：1)面向空调集群，基于低通滤波器原理，计算空调聚合功率控制目标；2)针对空调个体，基于市场控制，将所述空调聚合功率控制目标协调分配至各个空调负荷。与现有技术相比，本发明能够满足用户差异化的舒适度要求，同时充分保护用户隐私和用电安全，从而提升实施本方法时的用户体验；对于控制中心，本方法极大地简化了下行控制，且仅需测量联络线功率，能够有效降低实施成本。

Description

一种平抑微网联络线功率波动的空调负荷协调控制方法

技术领域

本发明涉及微网联络线功率波动平抑方法，尤其是涉及一种平抑微网联络线功率波动的空调负荷协调控制方法。

背景技术

风电、光伏等间歇性电源并网后对电网的稳定性及电能质量会产生不利的影响。随着可再生能源渗透率的不断增长，如何平抑可再生能源的功率波动成为了智能电网的重要研究课题。目前主要利用储能设备平滑并网功率。但储能设备造价昂贵，在经济性上仍不具有优势。

近年来，研究者注意到空调、热泵、热水器等温控负荷(thermostaticallycontrolled loads，TCL)具有热储能特性，通过一定的控制手段，可使其转化为一类数量大、成本低、响应速度快的虚拟储能，成为极具潜力的需求响应资源。目前，在利用TCL设备平抑可再生能源波动方面，现有技术已提出若干有效的控制策略。文献“采用居民温控负荷控制的微网联络线功率波动平滑方法”(王成山，刘梦璇，陆宁.中国电机工程学报，2012，32(25)：36-43)较早开展了相关研究，利用状态队列模型控制热泵负荷的开关状态实现了平滑目标的跟踪；文献“一种平抑微网联络线功率波动的电池及虚拟储能协调控制策略”(王冉，王丹，贾宏杰，等.中国电机工程学报，2015，35(20)：5124-5134)提出了一种标识优先列表工具，并通过热泵与电池储能的优化协调，在平滑波动的同时保证了用户的舒适性；文献“一种基于模型预测的城市园区分层分布式温控负荷需求响应控制策略”(卫文婷，王丹，贾宏杰，等.中国电机工程学报，2016(8)：2049-2056)引入模型预测控制，通过求解最优设定值调节量来跟踪目标功率，并提出了分层分布式控制策略以减小数据通信量；文献“Modeling and Control of Aggregate Air Conditioning Loads for RobustRenewable Power Management”(Saeid Bashash and Hosam K.Fathy.IEEE Transactionson Control Systems Technology，2013，21(4)：1318-1327)建立了双耦合线性偏微分方程组的集群空调负荷的状态空间模型，提出了基于变结构滑动模块跟踪控制的出力平滑策略。

但是，已有方法存在如下问题：

1)需要预测或测量不可控负荷功率。但由于负荷多而分散，且居民用户一般未实现负荷的分类计量，使得实施成本较高。

2)对TCL设备采用直接负荷控制，包括开关控制和温度控制。固然这可以获得较快的响应速度，但当受控对象众多时对通信要求很高。如果采用开关控制，则用户需要对外暴露设备开关的控制权，这存在较为严重的信息安全问题。

3)某些控制策略需要TCL设备以及建筑物的热参数模型信息，但实用中获取大量TCL设备的模型不但难度大，而且难以保证用户的私密性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种满足用户差异化的舒适度要求、简化控制、降低实施成本的平抑微网联络线功率波动的空调负荷协调控制方法。

本发明的目的可以通过以下技术方案来实现：

一种平抑微网联络线功率波动的空调负荷协调控制方法，该方法包括以下步骤：

1)面向空调集群，基于低通滤波器原理，计算空调聚合功率控制目标；

2)针对空调个体，基于市场控制，将所述空调聚合功率控制目标协调分配至各个空调负荷。

所述空调聚合功率控制目标通过以下步骤计算：

101)建立空调模型，采用多元纯二次回归方法获得空调集群基准负荷估计值；

102)基于室温状态对所述空调集群基准负荷估计值进行修正，获得空调集群基准负荷修正值；

103)根据联络线功率平滑策略，获得空调聚合功率控制目标，即，在第k个控制周期，空调聚合功率控制目标为：

其中，为空调聚合功率控制目标，P_ACbase[k]为空调集群基准负荷修正值，P_ACbase0[k]为空调集群基准负荷估计值，P_adj[k]为基准负荷修正量，ΔP_AC[k]为控制目标调整量。

所述空调模型为二阶ETP模型。

所述步骤102)具体为：

a)计算空调集群总体室温状态S：

其中，n为参与控制的空调总数，SOA为单个空调的室温状态，SOA∈[-1,1]；

b)以空调集群总体室温状态S作为反馈量，对空调集群基准负荷估计值进行修正，基准负荷修正量的表达式为：

P_adj[k]＝ΔP_adj[k]％×P_ACbase0[k]+P_adj[k-1]e^-γ

其中，ΔP_adj[k]为由S确定的比例系数，γ为衰减系数，γ＞0。

所述控制目标调整量ΔP_AC[k]的表达式为：

ΔP_AC[k]＝P_gLPF[k]-P_g0[k]

其中，P_gLPF[k]为联络线功率平滑目标，P_g0[k]为空调非控状态下的联络线自由功率。

所述步骤2)具体为：

201)在微网中建立一个虚拟市场，该虚拟市场聚合各空调的投标信息，形成需求曲线，并获取需求曲线与空调聚合功率控制目标的交点，以该交点对应的价格作为出清结果p^*；

所述投标信息为：

B_i[k]＝([p_bid,q_bid],s)_i[k]

其中，B_i[k]空调i在k控制周期的投标信息，p_bid为投标价格，p_bid＝SOA_i，SOA为空调的室温状态，q_bid为投标容量，为空调运行时的功率，s为投标附加信息，表示空调投标时的工作状态，1表示空调开启，0表示关闭；

202)各空调控制器接收所述出清结果p^*，并响应于该出清结果p^*对室温设定值进行调节。

所述空调的室温状态表达式为：

其中，T_set为室温设定值，T_max、T_min为允许的室温上下限，T_air为当前室温。

所述当前室温T_air根据以下公式获得：

T_air＝T_air0+δ

其中，T_air0为室温测量值，测量精度为0.1℃，δ为小于0.1的随机数。

所述各空调控制器对出清结果p^*的响应具体为：

其中，T_set为室温设定值，T_max、T_min为允许的室温上下限，ε等于各空调受控时的温度死区。

与现有技术相比，本发明具有以下优点：

(1)首先获得空调聚合功率的控制目标，然后在微网中建立一个虚拟市场，利用市场控制方法将控制目标分配至各空调负荷，能够满足用户差异化的舒适度要求，同时充分保护用户隐私和用电安全，从而提升实施本方法时的用户体验；对于控制中心，本方法极大地简化了下行控制，且仅需测量联络线功率，能够有效降低实施成本。

(2)本发明采用基于室温状态反馈的方法对空调基准负荷进行修正，，降低了对空调基准负荷估计的要求，提高了控制方法的鲁棒性。

(3)由于采用多代理投标的分布式控制机制，本方法支持空调负荷的“即插即用”，能适应于各种规模的空调负荷集群。

(4)本发明空调聚合功率控制目标的计算既满足基准负荷要求，又不影响用户舒适度要求。

(5)本发明设计的空调投标信息是依赖于实际空调及建筑物的热参数模型以及用户的舒适度设置的，但具体的投标机制屏蔽了这些信息，使得无需显式获得空调模型，并使得私密信息始终驻留在用户端，用户信息安全。

(6)本发明将聚合各空调的投标信息形成的需求曲线与空调聚合功率控制目标的交点作为出清结果，与状态队列法中分别在开启群和关闭群中选择空调相比，本发明基于市场出清的方法更为简单、直观。

(7)本方法在计算空调聚合功率控制目标时仅需测量联络线功率P_g，这有利于显著降低实施成本。

(8)本发明出清价格是实现目标功率向各空调分配的唯一控制信号，控制中心无需指定每个空调的开关或设定值，本方法极大简化了下行控制；与采用开关控制相比，即使出现了信息安全问题，入侵者也无法直接控制空调开关，从而保证室温不越限。

附图说明

图1为一微网结构示意图；

图2本发明中基于室温状态反馈的空调集群基准负荷修正方法的流程示意图；

图3为本发明的总体控制流程图；

图4为两种出清示意图；

图5为空调额定功率分布图；

图6为不可控负荷、风电功率、室外温度与太阳辐射；

图7为仿真日空调集群基准负荷估计情况；

图8为不同控制周期的平滑效果；

图9为不同控制周期的波动率；

图10为不同滤波时间常数的平滑效果；

图11为不同时间常数的10min波动率；

图12为有/无SOA控制下的功率波动平滑效果；

图13为有/无SOA控制下的S变化情况；

图14为不同风电占比的平滑效果；

图15为不同风电占比10min波动率；

图16为不同风电占比的S值；

图17为延迟与丢包时的平滑效果；

图18为延迟与丢包时的10min波动率；

图19为延迟与丢包时的跟踪误差；

图20为预测模型中的环境变量及功率拟合效果。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明提供一种平抑微网联络线功率波动的空调负荷协调控制方法，该方法包括：1)面向空调集群，基于低通滤波器原理，计算空调聚合功率控制目标；2)针对空调个体，基于市场控制，将所述空调聚合功率控制目标协调分配至各个空调负荷。

1空调聚合功率控制目标

1.1联络线功率平滑策略

图1为一个社区微网系统结构示意图，不失一般性，本发明中可再生能源考虑风电，其总功率为P_W；TCL考虑制冷空调负荷(air-conditioner load，ACL)，将参与平抑联络线功率的空调负荷聚合功率记为P_AC，而将其余负荷的总功率记为P_L，忽略线损，则根据图1在时刻k恒有：

P_g[k]＝P_AC[k]+P_L[k]-P_W[k] (1)

式中，P_g为微网联络线功率。

将空调在不参与外部调控状态(下称非控状态)下的自由负荷称为空调基准负荷(baseline load)，其聚合功率记为P_ACbase。在空调非控状态下的联络线自由功率为：

P_g0[k]＝P_ACbase[k]+P_L[k]-P_W[k] (2)

P_g0的波动主要由可再生能源导致，可应用低通滤波器(low-pass filter，LPF)原理对联络线功率进行平滑。需说明的是，LPF原理存在多种改进算法，如采用动态时间常数，本发明只讨论基本LPF原理。根据LPF原理，联络线功率平滑目标的递推形式为：

P_gLPF[k]＝αP_gLPF[k-1]+(1-α)P_g0[k] (3)

式中，α＝τ/(τ+Δt)为滤波系数，其中τ为时间常数，Δt为控制周期，LPF的截止频率为1/(2πτ)。

为了达到上述平滑目标，空调聚合功率应做出如下调整：

ΔP_AC[k]＝P_gLPF[k]-P_g0[k] (4)

ΔP_AC反映了联络线功率中需要抑制的高频波动，则空调聚合功率的控制目标应为：

可见，对空调集群进行控制，首先应满足其基准负荷需求(式(5)右部第一项)，在不影响用户舒适度的前提下再进行调整(式(5)右部第二项)。而在利用电池平抑功率波动时是无需考虑前者的，这是TCL这类虚拟储能与电池的重要区别。

这样，为了计算空调聚合功率控制目标关键是估计空调集群的基准负荷。

1.2基准负荷估计

在不参与任何需求响应项目情况下的负荷值被称为基准负荷。用户实际负荷与基准负荷的差值可用于评估需求响应效果和需求响应弹性，以及作为向用户兑现激励政策的依据。所以，基准负荷估计是需求响应研究中的重要课题。

空调基准负荷的估计方法可分为宏观法和微观法。宏观法直接估计负荷总量，如基于历史数据采用样条回归模型预测空调负荷；微观法先对空调模型进行参数辨识，然后再聚合出总负荷预测值，如利用线性回归拟合参数、将等值热参数(equivalent thermalparameter,ETP)模型化简为指数模型进行预测。本发明采用较为简单的多元纯二次回归方法形成空调集群基准负荷的估计值P_ACbase0。

影响空调总负荷的主要参数有：室外温度T_o、太阳辐射以及空调总额定功率P_ACrated。本发明中天气数据采用了TMY2数据^]，其太阳辐射分为三个分量：直射分量S_direct、水平散射分量S_diffuse、全球水平分量S_global。估计模型如下：

根据空调集群在非控运行状态下的功率及相应的室外温度、太阳辐射、空调总额定功率等历史数据，就可以得到β₀～β₁₀的值。

对空调集群在非控状态下进行48h仿真，根据上式建立预测模型，模型中各环境变量值、空调实际总功率、拟合后的功率如图20所示。

1.3基于SOA反馈的空调集群基准负荷修正

空调集群基准负荷估计值总会存在误差。另外，如果可再生能源的渗透率较大或对功率平滑的要求较高(如滤波时间常数过大)，都有可能超出空调集群的调节能力，造成室温偏离理想范围。对此，本发明以空调室温状态作为反馈，对基准负荷的估计值进行修正。

为了定量描述空调负荷的当前调节能力及用户的舒适度，定义了空调室温状态(state of indoor temperature with air-conditioner，SOA)：

式中，T_set为用户室温设定值；T_max、T_min为用户允许的室温上下限；T_air为当前室温。

易知SOA∈[-1,1]，其值越接近0，可调节能力越强，用户的舒适度越高；而其值接近1或-1时，表示室温接近允许上限或下限。

采用下式衡量空调集群的总体室温状态：

式中，n为参与控制的空调总数。

以S作为反馈量，对空调集群基准负荷估计值P_ACbase0进行修正，以将总体室温状态控制在理想范围内。图2是基准负荷修正方法的整体框图。修正后的基准负荷为：

P_ACbase[k]＝P_ACbase0[k]+P_adj[k] (8)

式中，P_adj[k]为第k个控制周期的修正量，由一个比例分量和一个衰减分量构成，其表达式为：

P_adj[k]＝ΔP_adj[k]％×P_ACbase0[k]+P_adj[k-1]e^-γ (9)

上式右部两项的含义如下：

第一项中的ΔP_adj[k]为由S值确定的比例系数。设S的理想范围为[-S₁,S₁]，当超出此范围时(|S|>S₁)采用双折线比例调节，这是基准负荷修正的主体部分；当S处于理想范围内时，如果发现其变化率dS过大(|dS|>dS₀)，则进行预调节，以减小S超出理想范围后的调节量与调节时间，上述dS为S每分钟变化率在最近一小时的均值。

第二项中的γ>0是衰减系数。当ΔP_adj[k]≠0时，该项可以加快调节速度；而当ΔP_adj[k]＝0时，该项会逐步减小修正量。

曲线ΔP_adj～S及ΔP_adj～dS皆关于原点对称。

图2中仅绘制了第一象限。ΔP_adj在第一象限为：

2空调聚合功率分配

至此，已得到每个控制周期空调聚合功率的控制目标但由于空调是分散的，所以另一个关键问题是如何将其分配到各个空调中。

考虑如下5条原则：1)保证用户对室温的差异化需求，且不降低用电满意度；2)用户无需提供建筑物和空调的参数或模型信息；3)用户无需开放空调负荷开关的控制权；4)方法具有开放性，能够适应各种TCL设备类型；5)方法具有可扩展性，允许空调负荷以“即插即用”的方式参与调控。为此，本发明将空调的调节能力视为分散的资源，利用市场控制(market-based control，MBC)方法，在微网中建立一个虚拟市场，利用市场均衡原理实现总控制目标的分配。

2.1总体控制流程

本发明的总体控制流程如图3所示。

每个控制周期包含如下三个阶段：

1)空调投标阶段。在下一个控制周期开始前，各空调向控制中心发送投标信息。

2)聚合阶段。包含如下过程：首先，控制中心计算空调聚合功率控制目标然后，虚拟市场聚合空调投标信息，形成需求曲线；最后，虚拟市场求取需求曲线与的交点，完成市场出清。

3)反聚合阶段。虚拟市场广播出清结果；各空调响应出清结果，完成聚合功率的分配。

由于每次市场出清即对空调进行了一次控制，因此市场出清周期等于系统控制周期。

2.2空调投标策略

设空调设备由其控制器作为代理，根据本发明提出的下述投标策略进行自动投标。

空调i在k控制周期的投标信息为：

B_i[k]＝([p_bid,q_bid],s)_i[k] (11)

其中：

(1)投标价格p_bid＝SOA，即空调以其当前SOA作为投标价格。空调室温越接近上限，则投标价格越高。在本方法中，投标价格仅作为一种控制信号。

(2)投标容量q_bid取空调运行时的功率，一般采用额定功率。但实际上，空调的工况不同，其电功率会有所变化。为此，本发明根据美国能源部建筑能耗仿真项目中给出的曲线对空调制冷率和制冷能效比进行实时修正。

(3)s为投标附加信息，表示空调投标时的工作状态，1表示空调开启，0表示关闭。

显然，上述投标值是依赖于实际空调及建筑物的热参数模型以及用户的舒适度设置的，但上述投标机制屏蔽了这些信息，使得无需显式获得空调模型，并使得私密信息始终驻留在用户端。

2.3虚拟市场出清

如图4所示，虚拟市场按照投标价格从高到低的顺序聚合出需求曲线，然后求取与控制目标功率的交点，得到出清价格p^*。与状态队列法中分别在开启群和关闭群中选择空调相比，本发明基于市场出清的方法更为简单、直观。

理想情况下，空调的室温状态均匀分布，这样当出清场景如图(4a)时，跟踪误差不超过临界空调的额定功率。但实际中室温状态不一定满足均匀分布假设，且温度传感器测量精度有限，这可能导致多个空调的投标价格均等于出清价格p^*，使得p^*失去对空调的选择能力，增大了跟踪误差。为解决这个问题，本发明令空调控制器在利用式(6)计算SOA时，取T_air＝T_air0+δ。其中，T_air0为室温测量值，设测量精度为0.1℃；δ为控制器产生的小于0.1的随机数。这样，δ可视为本控制周期该空调的设备识别符，它使得p^*具备足够的空调选择能力，更好地保证市场均衡。而当出清场景如图(4b)所示时，市场恰好达到均衡，空调总功率准确跟踪目标功率，此时p^*＝(p_bid1+p_bid2)/2，p_bid1和p_bid2为如图(4b)中所示的两个投标价格。

根据式(2)-(5)，计算空调聚合功率控制目标需要获得P_L-P_w的值。该值可由下式得到：

式中，s_i和q_bid,i为第i个空调的工作状态和投标功率，n为参与控制的空调总数。这样，本方法仅需测量联络线功率P_g，这有利于显著降低实施成本。

2.4空调响应出清结果

上述出清价格p^*是实现目标功率向各空调分配的唯一控制信号。在本控制周期，投标价格低于p^*的空调应关闭，反之应打开。为达到上述目的，在每个控制周期初始，各空调控制器采取如下调整温度设定值的方式响应出清结果：

式中，ε是为了保证室温在本控制周期内不越限，其值等于各空调受控时的温度死区。

由于控制中心无需指定每个空调的开关或设定值，本方法极大简化了下行控制；与采用开关控制相比，即使出现了信息安全问题，入侵者也无法直接控制空调开关，从而保证室温不越限。

3仿真算例与分析

3.1算例及场景说明

本实施例仿真算例采用一个社区级微网系统，共450台空调参与控制。空调负荷在负荷高峰期占比约为40％；风电占比(装机容量与负荷峰值的比例)约为27％。

空调负荷采用二阶ETP模型，仿真步长为5s，不可控负荷、风电功率等数据更新周期及数据记录周期为10s，空调控制器在下一个控制周期前5s投标。主要参数设置见表1～表3。表中，U(a,b)表示在[a,b]之间的均匀分布，N(avg,std)表示正态分布。

表1空调负荷主要参数设置

各空调额定功率根据房屋的热参数选择。根据表1，空调额定功率分布如图5所示。

表2空调控制器主要参数设置

注1：T_high＝T_max-T_set，注2：T_low＝T_set-T_min。

表3控制中心参数

仿真日不可控负荷、风电功率、室外温度以及太阳辐射如图6所示。

3.2空调集群基准负荷预测

在后续仿真中，控制中心采集当前环境数据，并利用预测模型计算空调集群基准负荷估计值P_ACbase0。在非控状态下空调集群实际负荷和基准负荷估计值对比如图7所示。

3.3不同控制周期的影响

基于以上实施例，采用不同控制周期Δt时，联络线功率的平滑效果如图8所示。图中，P_gLPF为联络线平滑目标；P_g为平滑后的实际联络线功率；P_g0为空调非控状态时的联络线功率。

定义第t min时联络线的10min功率波动率：

其中，t_r为记录周期(min)，为第i min时联络线实际功率。

不同控制周期下的10min波动率见图9。可见，控制周期对平滑效果有明显的影响。依据采样定理，本方法无法反映周期小于2Δt的高频波动。兼顾平滑效果和控制代价，控制周期可选择1min。本实施例后续仿真皆取该控制周期值。

3.4不同滤波时间常数的影响

分别取时间常数τ＝2min、10min、50min，联络线功率平滑效果以及10min功率波动率如图10、图11所示。

由图11可见，当τ＝10min和50min时，两者的10min波动率相当。但从图10可见，当τ＝50min时，对低频波动有进一步的平抑作用。综上可见，空调负荷具有较强的平抑联络线功率波动的能力，滤波时间常数应不低于10min。

3.5SOA反馈控制的效果

为了更明显地观察SOA反馈控制的效果，本实施例中将空调基准负荷估计值在原值上做±10％的调整，以模拟更大的估计误差。此时，有无SOA控制下的波动平抑效果如图12所示。

由图13可见，无SOA控制时，由于空调基准负荷估计值与实际所需功率差异较大，SOA在某些时段达到了上/下限。此时，根据式(13)，本控制方法优先保证用户舒适度，使得空调集群无法准确跟踪控制目标，因而失去了平滑能力。而在有SOA控制时，根据S对基准负荷估计值进行了修正，从而保证S在理想范围内。由图12可以看出，对基准负荷的修正是局部修正：凌晨时基准负荷估计值偏大，如再增加正误差会导致SOA过小；中午基准负荷估计值偏小，如再增加负误差则使得SOA过大。采用SOA控制后上述时段的基准负荷估计值得到了明显的修正。

3.6不同风电占比

将图6所示风电功率上调100％后，联络线功率的平滑效果、10min功率波动率以及SOA如图14～图16所示。为便于比较，图中复制了原始风电功率时的平抑效果。

由仿真结果可见，当风电占比上调100％(达到约54％)时，联络线10min波动率在局部已经接近原始的非控状态，空调集群的S值接近可调边界。按照本实施例的设置，风电装机容量占比在30％以内为宜。通过增大空调温度上下限可进一步提高空调集群的平抑能力，但会影响舒适度。

3.7通信延迟与丢包的影响

实际应用中会出现不同程度的通信延迟和丢包现象，影响控制效果。对于通信延迟，受仿真步长所限，本实施例使其在0s、5s、10s中均匀分布；对于丢包率，本实施例取5％。联络线功率平滑效果、波动率以及跟踪误差如图17～图19所示。其中，理想状态指无延迟和丢包；跟踪误差定义如下：

由图可见，当存在通信延迟时，由于不同空调实际改变工作状态的时间有所差异，因此联络线波动率中的高频分量略有增加，但整体跟踪误差与理想情况基本一致；当出现丢包时，控制器依然保持上一控制周期的输出，因此跟踪误差有较为明显的增大。但总体而言，尽管仿真中通信延迟和丢包率都取值较大，联络线功率波动率仍能基本保证在0.1MW以下，跟踪误差在负荷高峰期基本在3％以内，仍在可接受范围内。

Claims (9)

1.一种平抑微网联络线功率波动的空调负荷协调控制方法，其特征在于，该方法包括以下步骤：

1)面向空调集群，基于低通滤波器原理，计算空调聚合功率控制目标；

2)针对空调个体，基于市场控制，将所述空调聚合功率控制目标协调分配至各个空调负荷。

2.根据权利要求1所述的平抑微网联络线功率波动的空调负荷协调控制方法，其特征在于，所述空调聚合功率控制目标通过以下步骤计算：

101)建立空调模型，采用多元纯二次回归方法获得空调集群基准负荷估计值；

102)基于室温状态对所述空调集群基准负荷估计值进行修正，获得空调集群基准负荷修正值；

103)根据联络线功率平滑策略，获得空调聚合功率控制目标，即，在第k个控制周期，空调聚合功率控制目标为：

$P_{AC}^{*}\[k\]=P_{ACbase}\[k\]+{\mathrm{\ΔP}}_{AC}\[k\]=P_{ACbase0}\[k\]+P_{adj}\[k\]+{\mathrm{\ΔP}}_{AC}\[k\]$

其中，为空调聚合功率控制目标，P_ACbase[k]为空调集群基准负荷修正值，P_ACbase0[k]为空调集群基准负荷估计值，P_adj[k]为基准负荷修正量，ΔP_AC[k]为控制目标调整量。

3.根据权利要求2所述的平抑微网联络线功率波动的空调负荷协调控制方法，其特征在于，所述空调模型为二阶ETP模型。

4.根据权利要求2所述的平抑微网联络线功率波动的空调负荷协调控制方法，其特征在于，所述步骤102)具体为：

a)计算空调集群总体室温状态S：

$S=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{\mathrm{SOA}}_i$

其中，n为参与控制的空调总数，SOA为单个空调的室温状态，SOA∈[-1,1]；

b)以空调集群总体室温状态S作为反馈量，对空调集群基准负荷估计值进行修正，基准负荷修正量的表达式为：

P_adj[k]＝ΔP_adj[k]％×P_ACbase0[k]+P_adj[k-1]e^-γ

其中，ΔP_adj[k]为由S确定的比例系数，γ为衰减系数，γ＞0。

5.根据权利要求2所述的平抑微网联络线功率波动的空调负荷协调控制方法，其特征在于，所述控制目标调整量ΔP_AC[k]的表达式为：

ΔP_AC[k]＝P_gLPF[k]-P_g0[k]

其中，P_gLPF[k]为联络线功率平滑目标，P_g0[k]为空调非控状态下的联络线自由功率。

6.根据权利要求1所述的平抑微网联络线功率波动的空调负荷协调控制方法，其特征在于，所述步骤2)具体为：

201)在微网中建立一个虚拟市场，该虚拟市场聚合各空调的投标信息，形成需求曲线，并获取需求曲线与空调聚合功率控制目标的交点，以该交点对应的价格作为出清结果p^*；

所述投标信息为：

B_i[k]＝([p_bid,q_bid],s)_i[k]

其中，B_i[k]空调i在k控制周期的投标信息，p_bid为投标价格，p_bid＝SOA_i，SOA为空调的室温状态，q_bid为投标容量，为空调运行时的功率，s为投标附加信息，表示空调投标时的工作状态，1表示空调开启，0表示关闭；

202)各空调控制器接收所述出清结果p^*，并响应于该出清结果p^*对室温设定值进行调节。

7.根据权利要求4或6所述的平抑微网联络线功率波动的空调负荷协调控制方法，其特征在于，所述空调的室温状态表达式为：

$SOA=\left\{\begin{array}{c}\frac{T_{air}-T_{set}}{T_{max}-T_{set}},T_{air}\&GreaterEqual;T_{set}\\ \frac{T_{air}-T_{set}}{T_{set}-T_{\min }},T_{air}<T_{set}\end{array}\right.$

其中，T_set为室温设定值，T_max、T_min为允许的室温上下限，T_air为当前室温。

8.根据权利要求7所述的平抑微网联络线功率波动的空调负荷协调控制方法，其特征在于，所述当前室温T_air根据以下公式获得：

T_air＝T_air0+δ

其中，T_air0为室温测量值，测量精度为0.1℃，δ为小于0.1的随机数。

9.根据权利要求6所述的平抑微网联络线功率波动的空调负荷协调控制方法，其特征在于，所述各空调控制器对出清结果p^*的响应具体为：

$T_{set}=\left\{\begin{array}{c}{T}_{max}-\mathrm{\&epsiv;},p^{*}\&GreaterEqual;p_{bid}\\ T_{\min }+\mathrm{\&epsiv;},p^{*}<p_{bid}\end{array}\right.$

其中，T_set为室温设定值，T_max、T_min为允许的室温上下限，ε等于各空调受控时的温度死区。