CN108826620A - 大学校园建筑内大规模暖通空调系统的分布式控制方法 - Google Patents
大学校园建筑内大规模暖通空调系统的分布式控制方法 Download PDFInfo
- Publication number
- CN108826620A CN108826620A CN201810884918.5A CN201810884918A CN108826620A CN 108826620 A CN108826620 A CN 108826620A CN 201810884918 A CN201810884918 A CN 201810884918A CN 108826620 A CN108826620 A CN 108826620A
- Authority
- CN
- China
- Prior art keywords
- moment
- ventilation air
- conditioning system
- heating ventilation
- iteration
- 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.)
- Granted
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/89—Arrangement or mounting of control or safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种大学校园建筑内大规模暖通空调系统的分布式控制方法,采用模型预测控制与交替方向乘子法实现多个建筑内所有区域暖通空调系统的协调运行,在不违背总输入功率和各区域可接受温度范围的约束下实现能源成本和热能不舒适度成本总和最小化;具体工作流程如下:(1)每个区域内暖通空调系统本地控制器对预测区间内的电价、外部温度、用户舒适度偏好温度进行预测;(2)各个本地控制器根据控制算法给出未来若干时隙的最优输入功率决策;(3)将第一个时隙的输入功率决策作用于暖通空调系统实际运行;(4)预测区间向后滚动一个时隙并重复以上三步操作。本发明方法具有高可扩展性、高灵活性和保护用户隐私等优势。
Description
技术领域
本发明涉及一种大学校园建筑内大规模暖通空调系统的分布式控制方法,属于暖通空调系统的能源优化与控制技术领域。
背景技术
一个国家建筑物的能源消耗,约占总能源消耗的40%,总电能消耗的70%。在所有建筑类型中,教育建筑占总能耗的2%左右。例如,一个大学建筑系统每年的能源成本可能高达200万美元。因此,优化大学校园建筑能耗成本有着非常重要的实际意义。由于暖通空调系统占教育建筑的能源消耗40%以上,有效地控制暖通空调系统的运行可以降低大学校园建筑的能源成本。为达到此目标,最直观的方法是减少暖通空调系统的功率输入,但这会影响用户的热能舒适度。因此,在设计大学校园建筑暖通空调系统的能量优化算法时,非常有必要综合考虑能源成本和热能舒适度。
对大学校园建筑内暖通空调系统相关的能源成本和热能舒适度进行长期优化控制时,如果未来所有的系统参数可以准确预知,如电价、室外温度和每个区域中的用户舒适度偏好温度,则暖通空调系统输入功率最优控制方案可离线确定。然而这种方法却不切实际。因为系统参数具有时变性和不确定性。随着预测区间的增加,预测误差将变得更大。另一方面,室内温度变化给系统引入了时间耦合约束、所有暖通空调系统总能耗限制给系统引入了空间耦合约束。当设计集中式控制算法时,需将所有区域相关信息发送到集中式能量管理系统,这可能导致区域内用户的隐私暴露,如个人温度偏好。此外,随着区域规模的增大,集中式控制算法的复杂度将急剧增加。当需要及时的控制决策时(例如每5分钟),集中式控制算法将不可行。
目前,已有大量工作研究了暖通空调系统的分布式控制。包括基于李雅普诺夫最优化框架和二分搜索的商业建筑暖通空调系统分布式能量优化算法;基于启发式的分布式大学建筑暖通空调系统能量优化算法;基于代理提供辅助服务的商业建筑暖通空调系统控制方法;针对多区域商业建筑暖通空调系统提出的近端雅可比交替方向乘子法结合分布式模型预测控制的方法;基于李雅普诺夫最优化框架提出的住宅建筑中暖通空调系统的分布式需求响应控制策略;基于拉格朗日对偶分解的多建筑暖通空调系统能量成本控制方法。然而,综合考虑电价、室外温度以及每个区域最优温度偏好的不确定性、区域占用模式、能源成本和用户的热能不舒适度、每个区域室内温度变化相关的时间耦合约束以及所有暖通空调系统总能耗限制相关的空间耦合约束,目前仍缺乏一种满足大学校园内多建筑多区域内暖通空调系统的分布式协调控制方法。
发明内容
为了克服现有技术的缺陷,本发明提供一种大学校园建筑内大规模暖通空调系统的分布式控制方法,既考虑到实际场景中未来信息的不确定性,又能高效可靠地实现多建筑多区域暖通空调系统中复杂的功率控制和温度需求。
为了实现以上目的,本发明采用的技术方案如下:
大学校园建筑内大规模暖通空调系统的分布式控制方法,包括以下步骤:
1)制定大学校园建筑内所有暖通空调系统的长期的能源成本和热能不舒适度成本总和的最小化目标函数;
2)确定目标函数的约束条件;
3)采用基于模型预测控制与交替方向乘子法的分布式模型预测控制方法求解目标函数。
前述的步骤1)中目标函数的构建过程如下:
11)假设大学校园内拥有M栋建筑,每栋建筑有N个区域,每个区域的温度由一台暖通空调系统独立控制,用无向图G=(V,E)表示,
其中,所有区域的集合为V={1,2,...,MN},连接的边集合
对于i∈V即第i个区域,有Ni={j∈V:(i,j)∈E,i≠j}表示与i相连接的区域;
12)将第i个区域的能源成本和热能不舒适度成本的总和表示为:
其中,li,t表示第i个区域t时刻的成本的总和,St表示t时刻的电价,xi,t表示第i个区域t时刻的输入功率,假设时刻长度为单位时间,则能耗与输入功率等价,也为xi,t,Stxi,t表示能源成本,Ti,t+1为第i个区域t+1时刻的室内温度,为第i个区域t+1时刻的用户舒适度偏好温度基准,σi,t+1为热能成本系数;
13)对于整个建筑系统,时长H内的总成本最终表示为:
前述的目标函数的约束条件为:
a、第i个区域的温度变化模型表示为:
Ti,t+1=aiTi,t+biTt out+cixi,t,
其中,0<ai<1是惯性常数,bi=1-ai,ci=(1-ai)ηi/Ai,ηi是热能转换效率,Ai是热导率,Ti,t为第i个区域t时刻的室内温度,Tt out为t时刻的室外温度;
b、第i个区域的温度约束表示为:
c、第i个区域的暖通空调系统的输入功率约束表示为:
d、所有区域可分配的总输入功率不超过即:
其中,和分别为第i个区域在t时刻的最小和最大室内温度,和分别为第i个区域内暖通空调系统在t时刻的最小和最大输入功率,为所有区域的总输入功率上限,其值受限于变压器和传输线的物理容量。
前述的步骤3)采用基于模型预测控制与交替方向乘子法的分布式模型预测控制方法求解目标函数,具体过程如下:
31)每个区域内暖通空调系统本地控制器对未来h小时内的系统参数进行预测,并以为优化目标,一步步向后推进以实现最终的长期目标;
其中,xi=(xi,1,xi,2,...,xi,h-1)T为第i个区域h-1小时内的决策功率,xi,z表示第i个区域z时刻的决策功率,z=1,2,…,h-1;Ti=(Ti,1,Ti,2,...,Ti,h)T为第i个区域各时刻的室内温度,其中初始温度Ti,1为已知;
所述系统参数包括电价、室外温度、热能成本系数和用户舒适度偏好温度;
32)对于整个建筑系统,h小时内的总目标为:
需满足温度约束和输入功率约束:xi∈χi,
所有区域的总输入功率约束表示为:
其中, 为未来h-1小时内每个时刻的总功率限制;
33)设置每个区域对应总输入功率约束的对偶变量作为交换信息,每个区域暖通空调系统本地控制器与相连接区域控制器之间交换信息,并更新对偶变量和决策功率,如果更新所得的决策功率使总输入功率约束得以最优满足,则作为当前时刻的最优功率输入决策;否则,更新对偶变量进行下一轮信息交换;
34)以步骤33)得到的决策功率xi的第一个值xi,1作用于该区域当前时刻暖通空调系统的运行;然后,预测区间向后滑动一个时刻并重复步骤3)的优化过程;如果预测区间的起始时刻为H-h+1,优化过程完毕后,预测区间无需继续向后滑动,因为未来h-1个时刻内最优决策已得出,此时整个时长H内的总成本目标优化全部完成。
前述的步骤33)中,决策功率的求解如下:
331)相连接区域交换对偶变量,具体为:
331-1)定义λ为总输入功率约束条件的对偶变量,则优化问题转换成对偶形式:
进一步表示为:
其中,
331-2)引入λi:=(λi,1,λi,2,...,λi,h-1)T代表对偶变量λ在第i个区域的本地复制,λi,1,λi,2,...,λi,h-1为其对应的未来h-1小时内每个时刻的具体值,令λj为连接区域j中λ的复制,j∈Ni,
则优化问题转化为s.t.λi=λj,j∈Ni;
331-3)设置λ={λ1,λ2,...,λMN},辅助变量ω={ωi,j:j∈Ni},
因此,优化问题进一步转化为s.t.λi=ωi,j,λj=ωi,j,j∈Ni;
331-4)设置对偶变量α={αi,j:j∈Ni},β={βi,j:j∈Ni},
则其对应的增广拉格朗日函数为:
其中,ρ是增广拉格朗日函数的罚因子;
332)更新中间参数,迭代过程如下:
其中,上标k表示迭代次数;
在迭代过程中,对于第i个区域的相连接区域j,存在等式
考虑连接区域的数量|Ni|,则迭代过程中简化为:
其中:
对偶变量交换完毕后,获得结合本区域对偶变量可获得当前进一步获得参与下一过程;
333)更新决策功率和下一轮信息交换的对偶变量,具体为:
将λi代入gi(λ)表达式,即
则优化问题简化为:
设置si:=(si,1,si,2,...,si,h-1)T为约束条件λi≥0的乘子,且si≥0,
优化问题进一步转化为:
解得:
代回得到决策功率的迭代更新方式:
根据步骤332)的参数更新过程,λi迭代更新的方式为:
进入到下一轮信息交换中;
334)判断迭代终止条件,获得最优决策功率,
设满足所有约束的最优解为判断迭代终止信息包括:
迭代终止条件为:
其中,上标表示第次迭代过程,ε为给定的任意容忍度且满足ε>0,1(h-1)×1是(h-1)维元素全为1的列向量,δ'为任意给定值,满足δ'>0。
前述的步骤334)的迭代终止判断过程为:
设置一个集中控制器收集本地控制器迭代完成的信息,给定任意大于零的∈,ζ,每个本地控制器迭代过程中通过检验判断本地迭代是否完成;若同时满足这三个条件,则发送迭代完成的信息给集中控制器;当所有本地控制器迭代完成的信息发送完毕,集中控制器对rk,根据迭代终止条件进行迭代终止的验证;若迭代终止条件满足,则将停止迭代的信息返回给所有本地控制器,否则返回继续迭代的信息。
与现有技术相比,本发明具有以下有益效果:
1)本发明提出的分布式控制方法计算复杂度不会随着区域规模增大而急剧增加,故具有高可扩展性;其次,该方法可避免用户隐私信息向集中能量管理系统发送包含用户隐私相关的信息,故可保护用户隐私。此外,核查停止条件的集中控制器出现故障时,提出的分布式控制方法仍可利用最大停止迭代次数作为停止条件继续工作,因而具有高可靠性。
2)本发明方法可根据实际需要实现能源成本和热能不舒适度成本的灵活折中,因而具有高灵活性。
附图说明
图1为本发明基于模型预测控制与交替方向乘子法的分布式模型预测控制方法求解目标函数的流程图;
图2为本发明实施例中采用集中式模型预测控制方式和本发明方法的对比图;
图3为本发明实施例中热能成本系数σi对总成本构成的影响;(a)为能源成本随σi增长的变化趋势;(b)为ATD随σi增长的变化趋势。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的目的在于解决大学校园内大规模暖通空调系统控制中难以准确掌握长期电价、室外温度和用户舒适度偏好温度的信息,在不违背总输入功率和各区域可接受温度范围的约束下实现能源成本和热能不舒适度成本总和最小化的问题。
本发明方法具体包括以下过程:
(1)制定长期的能源成本和热能不舒适度成本总和最小化目标函数;
假设该大学校园内拥有M栋建筑,每栋建筑N个区域,每个区域的温度由一台暖通空调系统独立控制。将该系统的通信连接结构用无向图G=(V,E)表示,其中,所有区域的集合为V={1,2,...,MN},连接的边集合对于i∈V即第i个区域,Ni={j∈V:(i,j)∈E,i≠j}表示与i相连接的区域。
将第i个区域的能源成本和热能不舒适度成本的总和表示为:
其中:能源成本为第i个区域t时刻的能耗xi,t与t时刻的电价St的乘积(这里假定每个时刻长度为单位时间,故功率与能耗等同);Ti,t+1为第i个区域t+1时刻的室内温度。t时刻的功率决策对t+1时刻的温度起直接作用,热能舒适度以该区域设置的用户舒适度偏好温度为基准。σi,t+1作为热能成本系数,反映了热能不舒适度相对于能源成本的重要性,可以根据区域占用情况进行设置(如无人占用则为0)。因此,对于整个建筑系统,时长H内的总成本可表示为
上述总成本需要考虑的约束条件包括:多个建筑所有区域内暖通空调系统总输入功率受限;每个区域的室内温度在可接受范围内波动;每个暖通空调系统的输入功率小于额定功率。
其中,第i个区域的温度变化模型表示为:
Ti,t+1=aiTi,t+biTt out+cixi,t,
其中,0<ai<1是惯性常数,bi=1-ai,ci=(1-ai)ηi/Ai,ηi是热能转换效率,Ai是热导率,Ti,t+1为第i个区域t+1时刻的室内温度,Ti,t为第i个区域t时刻的室内温度,Tt out为t时刻的室外温度。
则第i个区域可接受温度变化范围表示为:
每个暖通空调系统的输入功率范围表示为:这里假定每个时刻长度为单位时间,故输入功率与能耗相等。
所有区域可分配的总输入功率不超过即:
其中:和分别为第i个区域在t时刻可接受的最小和最大室内温度,和的值可以根据实际需要人为设定。和分别为第i个区域内暖通空调系统在t时刻的最小和最大输入功率,和的值由暖通空调实际工作中可以达到的功率范围限定。为所有区域的总功率上限,其值受限于变压器和传输线的物理容量。
(2)采用基于模型预测控制与交替方向乘子法的分布式模型预测控制方法求解目标函数;上述步骤(1)的总成本是长期优化的目标,而时长H内的所有电价、室外温度和用户舒适度偏好温度的信息具有不确定性。本发明拟采用短期内接近未来真实情况的预测信息作为系统优化的输入。结合图1,具体过程如下:
(21)每个区域内暖通空调系统本地控制器需要对未来h小时内的系统参数进行预测,系统参数包括电价、室外温度、热能成本系数和用户舒适度偏好温度,并以为优化目标,一步步向后推进以实现最终的长期目标。
其中,xi=(xi,1,xi,2,...,xi-,h)T 1为该目标下得到的h-1小时内的决策功率;Ti=(Ti,1,Ti,2,...,Ti,h)T包含已知的初始温度Ti,1,其余为该决策下得到的室内温度。
(22)对于整个建筑系统,h小时内的总目标为:此目标下每个区域的暖通空调的决策功率都应满足步骤(1)中的约束条件。
优化问题的决策变量为xi,对于预测期间t=1,2,...,h-1内对应的功率约束应满足并且t时刻决策所得的下一个时刻t+1的温度应该满足对应的温度范围即将满足该区域输入功率约束和温度约束的决策表示为:xi∈χi,即本地约束,
所有区域的总输入功率约束表示为:
其中,为未来h-1小时内每个时刻的总功率限制。
(23)将整个建筑系统的优化目标分配到每一区域,分别完成各区域的成本优化目标。对于每个区域,本地约束可以由该系统独立实现,总功率约束条件需要各个区域之间进行信息交换协作完成。设置每个区域对应总功率约束的对偶变量作为交换信息,每个区域暖通空调系统本地控制器与相连接区域控制器之间交换信息并更新对偶变量和决策方式,如果此信息下更新所得的决策功率使总功率约束得以最优满足,则作为当前时刻的最优功率输入决策;否则,更新对偶变量进行下一轮信息交换。
获得决策功率xi具体步骤为:
231)相连接区域交换对偶变量,
定义λ为总功率约束条件的对偶变量,则步骤(22)所述问题可以表示为拉格朗日函数:
此时,优化问题可以转换成对偶形式进一步可以写为:
其中,
为了便于设计分布式控制方法,引入λi:=(λi,1,λi,2,...,λi,h-1)T代表对偶变量λ在第i个区域的本地复制,λi,1,λi,2,...,λi,h-1为其对应的未来h-1小时内每个时刻的具体值。λj为连接区域j中λ的复制,j∈Ni。理论上,当优化完成时,所有区域分别对应的λ1,λ2,...,λMN应趋于一致,等于λ。
则以上问题可以转化为s.t.λi=λj,j∈Ni。
设置λ={λ1,λ2,...,λMN},辅助变量ω={ωi,j:j∈Ni},因此,整个系统的优化问题可以进一步转化为s.t.λi=ωi,j,λj=ωi,j,j∈Ni。
设置该约束对应对偶变量α={αi,j:j∈Ni},β={βi,j:j∈Ni},
则其对应的增广拉格朗日函数为:
其中,ρ是增广拉格朗日函数的罚因子。
232)更新中间参数,
为了求解231)所述问题,需迭代求解下列优化问题,上标k表示迭代次数:
在此过程中,对于第i区域的相连接区域j,存在等式
考虑连接区域的数量|Ni|,则迭代过程中的参数更新可以简化为
其中:
对偶变量交换完毕后,获得结合本地对偶变量并根据下式:
获得当前进一步获得参与下一过程。
233)更新决策和下一轮信息交换的对偶变量,
将λi代入gi(λ)表达式,即
优化问题可以被简单表示为φi(λi,xi):
设置si:=(si,1,si,2,...,si,h-1)T为约束条件λi≥0的乘子,且si≥0,
优化问题进一步转化为:
解得:
代回可得决策的迭代更新方式:
此时,暖通空调功率控制的迭代方式可获得,并且根据步骤232)的参数更新过程,λi迭代更新的方式可得为:
进入到下一轮信息交换中。
234)判断迭代终止,获得最优决策功率,
设满足所有约束的最优解为判断迭代终止信息包括
在算法迭代过程中,rk和|ΔJk|最终将收敛于0,体现的意义为所得的解不断逼近最优解。给定任意容忍度ε,δ>0,存在某次过程满足终止条件:
其中,1(h-1)×1是(h-1)维元素全为1的列向量。
因此,是当前得到的次优解,并且当前时刻预测区间的决策功率为:
但对于|ΔJk|的终止条件判定,分布式交替方向乘子法的实际过程中无法知晓最优解根据原问题目标函数值与对偶问题之间的关系,可以得出
若相邻区域则该终止条件判定可以转化为
为了提供相对性能保证,当时,对于任意给定δ'>0,终止条件的判定方式可以表示为:
判断迭代终止的具体实现可以有以下方法:
A.由于算法最终收敛至最优解,设置足够大的最大迭代次数kmax,所得的解为最优解。优点:可以确保收敛至最优解。缺点:效率低下。
B.设置一个集中控制器收集每个本地控制器的信息并判定终止条件是否满足。每次迭代过程中本地控制器传送给集中控制器的信息包括集中控制器收到所有本地控制器的信息后,验证rk,是否满足终止条件。若满足,则将迭代终止的信息返回给所有本地控制器,否则返回继续迭代的信息。优点:相比方法A有效减少了迭代次数;缺点:每次迭代过程本地控制器和集中控制器都需要进行信息传送,通信要求高,影响执行效率。
C.集中控制器收集本地控制器迭代完成的信息,给定任意大于零的∈,ζ,每个本地控制器迭代过程中通过检验判断本地迭代是否完成。若满足这三个条件,则发送迭代完成的信息给集中控制器。当所有本地控制器迭代完成的信息发送完毕,集中控制器对rk,进行迭代终止的验证。若迭代终止条件满足,则将停止迭代的信息返回给所有本地控制器,否则返回继续迭代的信息。优点:相比方法A有效减少迭代次数;相比方法B减少了通信量;信息传送过程中有效地保护了用户的隐私(如用户舒适度偏好温度)。
(24)由步骤(23)得到的决策功率xi为第i区域的暖通空调在预测区间h小时内的成本优化目标下的决策方案,根据模型预测控制的滚动优化思想,将xi,1作用于该区域当前时刻暖通空调系统的运行。然后,预测区间向后滑动一个时刻并重复上述优化过程。如果预测区间的起始时刻为H-h+1,优化过程完毕后,预测区间无需继续向后滑动,因为未来h-1个时刻内最优决策已得出,此时整个H时刻内的总成本目标优化全部完成。
实施例
取场景应用在5栋建筑中,即M=5。所分析的每栋建筑中区域数量N为10-60,以数量10递增。对于整个系统中MN个区域,每个区域标上对应数字编号。随着建筑中区域数量的增长,对比本发明方法和传统的集中式模型预测控制方式两种方法下的执行结果。
具体参数设置如下:H=96,h=8,ai=0.9608,ηi=1,Ai=0.14kW/oF,σi=0.04,ε=0.001/MN,δ'=10-4,ρ=0.5。所有的区域环形相连,每栋建筑编号最大区域分别与下一栋建筑编号最小区域的控制系统相互连接通信,即参与跨建筑连接的区域对应|Ni|=3,其余区域为|Ni|=2。区域以编号的奇偶数分为两组不同设置。对于t=1时刻的初始温度,奇数号区域设置为Ti,1=5℃,偶数号设置为Ti,1=10℃。一天24小时中,区域开放时间设置为8≤t<22,其余时间关闭。分布式算法迭代终止采用方法C的判定方式,∈和ζ皆设为0.01。
如图2所示,随着区域数量的增长,本发明提出的分布式控制方法的执行时间远远小于集中式模型预测控制,在应用实际中效率更高。原因在于分布式控制方法中各个区域本地控制器可并行执行相应的子程序,故不会因为系统规模的急剧增长影响其计算效率。因此,本发明提出的大学校园建筑内大规模暖通空调系统的分布式控制方法具有高可扩展性。
图3为本发明实施例热能成本系数σi对成本构成的影响。该场景为M=5,N=10的大学建筑系统中,σi取值范围为0-2,其余参数设定和方法与图2相同。定义作为衡量区域开放期间本方法控制下的室内温度与用户舒适度偏好温度偏差的标准,同样也可以反映热能不舒适的程度,其中,Hon统计了总开放时隙数目,Ii,t+1表示t+1时刻区域的开放状态,若开放其值为1,否则为0。图3中(a)和(b)分别呈现了本发明实例应用中能源成本和ATD随σi增长的变化趋势。可见,随着σi的增大,能源成本呈上升趋势,ATD呈下降趋势。这是因为通过控制温度来减小热能不舒适度成本需要更大功率输入,进而导致能源成本增加。因此,实际应用中通过设置σi值可实现能源成本和热能不舒适度成本的灵活折中。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.大学校园建筑内大规模暖通空调系统的分布式控制方法,其特征在于,包括以下步骤:
1)制定大学校园建筑内所有暖通空调系统的长期的能源成本和热能不舒适度成本总和的最小化目标函数;
2)确定目标函数的约束条件;
3)采用基于模型预测控制与交替方向乘子法的分布式模型预测控制方法求解目标函数。
2.根据权利要求1所述的大学校园建筑内大规模暖通空调系统的分布式控制方法,其特征在于,所述步骤1)中目标函数的构建过程如下:
11)假设大学校园内拥有M栋建筑,每栋建筑有N个区域,每个区域的温度由一台暖通空调系统独立控制,用无向图G=(V,E)表示,
其中,所有区域的集合为V={1,2,...,MN},连接的边集合
对于i∈V即第i个区域,有Ni={j∈V:(i,j)∈E,i≠j}表示与i相连接的区域;
12)将第i个区域的能源成本和热能不舒适度成本的总和表示为:
其中,li,t表示第i个区域t时刻的成本的总和,St表示t时刻的电价,xi,t表示第i个区域t时刻的输入功率,假设时刻长度为单位时间,则能耗与输入功率等价,也为xi,t,Stxi,t表示能源成本,Ti,t+1为第i个区域t+1时刻的室内温度,为第i个区域t+1时刻的用户舒适度偏好温度基准,σi,t+1为热能成本系数;
13)对于整个建筑系统,时长H内的总成本最终表示为:
3.根据权利要求2所述的大学校园建筑内大规模暖通空调系统的分布式控制方法,其特征在于,所述目标函数的约束条件为:
a、第i个区域的温度变化模型表示为:
Ti,t+1=aiTi,t+biTt out+cixi,t,
其中,0<ai<1是惯性常数,bi=1-ai,ci=(1-ai)ηi/Ai,ηi是热能转换效率,Ai是热导率,Ti,t为第i个区域t时刻的室内温度,Tt out为t时刻的室外温度;
b、第i个区域的温度约束表示为:
c、第i个区域的暖通空调系统的输入功率约束表示为:
d、所有区域可分配的总输入功率不超过即:
其中,和分别为第i个区域在t时刻的最小和最大室内温度,和分别为第i个区域内暖通空调系统在t时刻的最小和最大输入功率,为所有区域的总输入功率上限,其值受限于变压器和传输线的物理容量。
4.根据权利要求3所述的大学校园建筑内大规模暖通空调系统的分布式控制方法,其特征在于,所述步骤3)采用基于模型预测控制与交替方向乘子法的分布式模型预测控制方法求解目标函数,具体过程如下:
31)每个区域内暖通空调系统本地控制器对未来h小时内的系统参数进行预测,并以为优化目标,一步步向后推进以实现最终的长期目标;
其中,xi=(xi,1,xi,2,...,xi,h-1)T为第i个区域h-1小时内的决策功率,xi,z表示第i个区域z时刻的决策功率,z=1,2,...,h-1;Ti=(Ti,1,Ti,2,...,Ti,h)T为第i个区域各时刻的室内温度,其中初始温度Ti,1为已知;
所述系统参数包括电价、室外温度、热能成本系数和用户舒适度偏好温度;
32)对于整个建筑系统,h小时内的总目标为:
需满足温度约束和输入功率约束:xi∈χi,
所有区域的总输入功率约束表示为:
其中,
为未来h-1小时内每个时刻的总功率限制;
33)设置每个区域对应总输入功率约束的对偶变量作为交换信息,每个区域暖通空调系统本地控制器与相连接区域控制器之间交换信息,并更新对偶变量和决策功率,如果更新所得的决策功率使总输入功率约束得以最优满足,则作为当前时刻的最优功率输入决策;否则,更新对偶变量进行下一轮信息交换;
34)以步骤33)得到的决策功率xi的第一个值xi,1作用于该区域当前时刻暖通空调系统的运行;然后,预测区间向后滑动一个时刻并重复步骤3)的优化过程;如果预测区间的起始时刻为H-h+1,优化过程完毕后,预测区间无需继续向后滑动,因为未来h-1个时刻内最优决策已得出,此时整个时长H内的总成本目标优化全部完成。
5.根据权利要求4所述的大学校园建筑内大规模暖通空调系统的分布式控制方法,其特征在于,所述步骤33)中,决策功率的求解如下:
331)相连接区域交换对偶变量,具体为:
331-1)定义λ为总输入功率约束条件的对偶变量,则优化问题转换成对偶形式:
进一步表示为:
其中,
331-2)引入λi:=(λi,1,λi,2,...,λi,h-1)T代表对偶变量λ在第i个区域的本地复制,λi,1,λi,2,...,λi,h-1为其对应的未来h-1小时内每个时刻的具体值,令λj为连接区域j中λ的复制,j∈Ni,
则优化问题转化为s.t.λi=λj,j∈Ni;
331-3)设置λ={λ1,λ2,...,λMN},辅助变量ω={ωi,j:j∈Ni},
因此,优化问题进一步转化为s.t.λi=ωi,j,λj=ωi,j,j∈Ni;
331-4)设置对偶变量α={αi,j:j∈Ni},β={βi,j:j∈Ni},
则其对应的增广拉格朗日函数为:
其中,ρ是增广拉格朗日函数的罚因子;
332)更新中间参数,迭代过程如下:
其中,上标k表示迭代次数;
在迭代过程中,对于第i个区域的相连接区域j,存在等式
考虑连接区域的数量|Ni|,则迭代过程中简化为:
其中:
对偶变量交换完毕后,获得结合本区域对偶变量可获得当前进一步获得参与下一过程;
333)更新决策功率和下一轮信息交换的对偶变量,具体为:
将λi代入gi(λ)表达式,即
则优化问题简化为:
设置si:=(si,1,si,2,...,si,h-1)T为约束条件λi≥0的乘子,且si≥0,
优化问题进一步转化为:
解得:
代回得到决策功率的迭代更新方式:
根据步骤332)的参数更新过程,λi迭代更新的方式为:
进入到下一轮信息交换中;
334)判断迭代终止条件,获得最优决策功率,
设满足所有约束的最优解为判断迭代终止信息包括:
迭代终止条件为:
其中,上标表示第次迭代过程,ε为给定的任意容忍度且满足ε>0,l(h-1)×1是(h-1)维元素全为1的列向量,δ'为任意给定值,满足δ'>0。
6.根据权利要求5所述的大学校园建筑内大规模暖通空调系统的分布式控制方法,其特征在于,所述步骤334)的迭代终止判断过程为:
设置一个集中控制器收集本地控制器迭代完成的信息,给定任意大于零的∈,ζ,每个本地控制器迭代过程中通过检验判断本地迭代是否完成;若同时满足这三个条件,则发送迭代完成的信息给集中控制器;当所有本地控制器迭代完成的信息发送完毕,集中控制器对rk,根据迭代终止条件进行迭代终止的验证;若迭代终止条件满足,则将停止迭代的信息返回给所有本地控制器,否则返回继续迭代的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810884918.5A CN108826620B (zh) | 2018-08-06 | 2018-08-06 | 大学校园建筑内大规模暖通空调系统的分布式控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810884918.5A CN108826620B (zh) | 2018-08-06 | 2018-08-06 | 大学校园建筑内大规模暖通空调系统的分布式控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108826620A true CN108826620A (zh) | 2018-11-16 |
CN108826620B CN108826620B (zh) | 2020-05-22 |
Family
ID=64152701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810884918.5A Active CN108826620B (zh) | 2018-08-06 | 2018-08-06 | 大学校园建筑内大规模暖通空调系统的分布式控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108826620B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110352855A (zh) * | 2019-08-15 | 2019-10-22 | 青岛大牧人机械股份有限公司 | 一种仔猪保温区域智能加热系统及其控制方法 |
CN110454959A (zh) * | 2019-09-17 | 2019-11-15 | 南方电网科学研究院有限责任公司 | 一种空调节能控制方法和装置 |
CN110515301A (zh) * | 2019-08-06 | 2019-11-29 | 大连理工大学 | 一种结合dmpc的改进的admm算法 |
WO2020237668A1 (zh) * | 2019-05-31 | 2020-12-03 | 亿可能源科技(上海)有限公司 | 空调系统的管理方法、控制方法及存储介质、控制平台 |
CN113028613A (zh) * | 2021-03-10 | 2021-06-25 | 浙江大学 | 基于快速admm的变风量系统分布式优化控制方法 |
WO2021209006A1 (zh) * | 2020-04-16 | 2021-10-21 | 深圳见炬科技有限公司 | 一种基于高维热电的大热量高热流密度传热散热方法 |
CN115962551A (zh) * | 2023-03-16 | 2023-04-14 | 深圳市森辉智能自控技术有限公司 | 用于楼宇自动控制的智能空调控制系统和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105375479A (zh) * | 2015-12-14 | 2016-03-02 | 东南大学 | 一种基于模型预测控制的分布式能源能量管理方法 |
CN107218701A (zh) * | 2017-06-09 | 2017-09-29 | 河海大学 | 一种基于李雅普诺夫优化的空调负荷群分布式控制方法 |
CN108173800A (zh) * | 2017-12-22 | 2018-06-15 | 西安电子科技大学 | 基于交替方向乘子法的ofdm峰均比抑制方法 |
CN108241295A (zh) * | 2016-12-23 | 2018-07-03 | Abb股份公司 | 用于基于mpc的建筑能源控制的自适应建模方法和系统 |
-
2018
- 2018-08-06 CN CN201810884918.5A patent/CN108826620B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105375479A (zh) * | 2015-12-14 | 2016-03-02 | 东南大学 | 一种基于模型预测控制的分布式能源能量管理方法 |
CN108241295A (zh) * | 2016-12-23 | 2018-07-03 | Abb股份公司 | 用于基于mpc的建筑能源控制的自适应建模方法和系统 |
CN107218701A (zh) * | 2017-06-09 | 2017-09-29 | 河海大学 | 一种基于李雅普诺夫优化的空调负荷群分布式控制方法 |
CN108173800A (zh) * | 2017-12-22 | 2018-06-15 | 西安电子科技大学 | 基于交替方向乘子法的ofdm峰均比抑制方法 |
Non-Patent Citations (2)
Title |
---|
LIANG YU等: "Distributed Real-Time HVAC Control for Cost-Efficient Commercial Buildings Under Smart Grid Environment", 《IEEE INTERNET OF THINGS JOURNAL》 * |
ZHEMING WANG等: "Distributed Model Predictive Control of Bilinear HVAC Systems Using a Convexification Method", 《2017 11TH ASIAN CONTROL CONFERENCE》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020237668A1 (zh) * | 2019-05-31 | 2020-12-03 | 亿可能源科技(上海)有限公司 | 空调系统的管理方法、控制方法及存储介质、控制平台 |
CN113348330A (zh) * | 2019-05-31 | 2021-09-03 | 亿可能源科技(上海)有限公司 | 空调系统的管理方法、控制方法及存储介质、控制平台 |
CN113348330B (zh) * | 2019-05-31 | 2023-04-04 | 亿可能源科技(上海)有限公司 | 空调系统的管理方法、控制方法及存储介质、控制平台 |
CN110515301A (zh) * | 2019-08-06 | 2019-11-29 | 大连理工大学 | 一种结合dmpc的改进的admm算法 |
CN110515301B (zh) * | 2019-08-06 | 2021-06-08 | 大连理工大学 | 一种结合dmpc的改进的admm算法 |
CN110352855A (zh) * | 2019-08-15 | 2019-10-22 | 青岛大牧人机械股份有限公司 | 一种仔猪保温区域智能加热系统及其控制方法 |
CN110454959A (zh) * | 2019-09-17 | 2019-11-15 | 南方电网科学研究院有限责任公司 | 一种空调节能控制方法和装置 |
CN110454959B (zh) * | 2019-09-17 | 2021-01-26 | 南方电网科学研究院有限责任公司 | 一种空调节能控制方法和装置 |
WO2021209006A1 (zh) * | 2020-04-16 | 2021-10-21 | 深圳见炬科技有限公司 | 一种基于高维热电的大热量高热流密度传热散热方法 |
CN113028613A (zh) * | 2021-03-10 | 2021-06-25 | 浙江大学 | 基于快速admm的变风量系统分布式优化控制方法 |
CN113028613B (zh) * | 2021-03-10 | 2022-03-25 | 浙江大学 | 基于快速admm的变风量系统分布式优化控制方法 |
CN115962551A (zh) * | 2023-03-16 | 2023-04-14 | 深圳市森辉智能自控技术有限公司 | 用于楼宇自动控制的智能空调控制系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108826620B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108826620A (zh) | 大学校园建筑内大规模暖通空调系统的分布式控制方法 | |
Lyu et al. | Fully decentralized peer-to-peer energy sharing framework for smart buildings with local battery system and aggregated electric vehicles | |
Anvari-Moghaddam et al. | Optimal smart home energy management considering energy saving and a comfortable lifestyle | |
Kim et al. | Optimal use of thermal energy storage resources in commercial buildings through price-based demand response considering distribution network operation | |
Baldi et al. | Joint energy demand and thermal comfort optimization in photovoltaic-equipped interconnected microgrids | |
Parvin et al. | Intelligent controllers and optimization algorithms for building energy management towards achieving sustainable development: challenges and prospects | |
WO2018005670A1 (en) | Variable refrigerant flow system with multi-level model predictive control | |
US11374409B2 (en) | Power system load flexibility forecasting | |
Chang et al. | User-centric multiobjective approach to privacy preservation and energy cost minimization in smart home | |
Mohammad et al. | Transactive control of industrial heating–ventilation–air-conditioning units in cold-storage warehouses for demand response | |
Gao et al. | Energy management and demand response with intelligent learning for multi-thermal-zone buildings | |
Zhu et al. | Real-time pricing considering different type of smart home appliances based on Markov decision process | |
Fanti et al. | A control strategy for district energy management | |
Chen et al. | A day-ahead scheduling framework for thermostatically controlled loads with thermal inertia and thermal comfort model | |
Kou et al. | A distributed energy management approach for residential demand response | |
Kircher et al. | Distributed peak shaving for small aggregations of cyclic loads | |
Dong et al. | Values of coordinated residential space heating in demand response provision | |
Bharati et al. | Hierarchical optimization framework for demand dispatch in building-grid systems | |
Feron et al. | Integration of space heating demand flexibility in a home energy management system using a market-based multi agent system | |
Zhang et al. | Distributed optimization of multi-building energy systems with spatially and temporally coupled constraints | |
Aduda | Smart grid-building energy interactions: demand side power flexibility in office buildings | |
WO2020237468A1 (zh) | 确定温度设置值的方法、装置、系统、存储介质和处理器 | |
Jazaeri et al. | Model predictive control of residential demand in low voltage network using ice storage | |
Nghiem et al. | Green scheduling for radiant systems in buildings | |
Reihani et al. | Scheduling of price-sensitive residential storage devices and loads with thermal inertia in distribution grid |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |