CN110161856B - 一种商业楼宇空调负荷集中调度方法 - Google Patents

一种商业楼宇空调负荷集中调度方法 Download PDF

Info

Publication number
CN110161856B
CN110161856B CN201910438557.6A CN201910438557A CN110161856B CN 110161856 B CN110161856 B CN 110161856B CN 201910438557 A CN201910438557 A CN 201910438557A CN 110161856 B CN110161856 B CN 110161856B
Authority
CN
China
Prior art keywords
load
regulation
building
control
power consumption
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
Application number
CN201910438557.6A
Other languages
English (en)
Other versions
CN110161856A (zh
Inventor
余涛
李卓环
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201910438557.6A priority Critical patent/CN110161856B/zh
Publication of CN110161856A publication Critical patent/CN110161856A/zh
Application granted granted Critical
Publication of CN110161856B publication Critical patent/CN110161856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Abstract

本发明公开了一种商业楼宇空调负荷集中调度方法，包括获得历史数据样本，进一步得到最优特征集；将各历史数据样本提取的特征元素的特征值进行归一化处理；选择极限学习机参数，并对其进行训练分类；根据公共楼宇的行为特性，对各时段的楼宇空调负荷进行削峰优先级评估；基于各公共楼宇各时段的优先级和调度模型进行初步的公共楼宇降负荷指标分配；各公共楼手段，对空调负荷进行虚拟优化预调控；对各楼宇的调控状况进行评价，根据宇根据降负荷指标和其空调负荷调控模型和约束，利用自身的柔性和刚性调控评价值调整降负荷指标，并重新进行各楼宇的优化调控，直至所有楼宇满足调控目标。

Description

一种商业楼宇空调负荷集中调度方法
技术领域
本发明涉及电力系统负荷调度领域，具体涉及一种商业楼宇空调负荷集中调度方法。
背景技术
近年来，随着经济的飞速发展，公共楼宇空调负荷日益增加，且体现为负荷峰值集中，逐渐成为夏季电力短缺的主要原因之一。且由于负荷峰值集中，其带来的夏季负荷峰谷差也十分明显，给电力系统的安全稳定也带来了一定的挑战。
随着电力改革如火如荼的进行，电力市场以及需求侧响应技术近年来得到了广泛的研究。让用户参与需求响应，一定程度上确实能实现削峰填谷，缓解夏季用电压力，但由于需求响应技术在应用层面的不普及以及用户参与度和参与热情等因素的影响，仅仅依靠需求响应来进行用户侧的削峰填谷显然具有随机性和不可控的风险，也可能会造成更大的备用成本和风险成本。
根据公共楼宇自身属性以及其空调主要为中央，其空调主要为中央空调，这就为电网侧集中调控公共楼宇空调负荷提供了可能，且这种集中调控手段无疑是具有可行性和调控潜力的。
发明内容
为了克服现有技术存在的缺点与不足，本发明提供一种商业楼宇空调负荷集中调度方法。
本发明采用极限学习机技术，根据近年来某市的用户负荷数据，对公共楼宇负荷进行行为分析和分类；基于用户的用电行为，根据下发组合调峰的指令；将指令进行优化分解，在各楼宇分别预执行分解后的调控指令；最后对优化调控的结果进行评估，根据评估结果修正下发的指令直至所有楼宇用户能确定有效地执行下发的指令，再将最后的各楼宇调控指令下发至各楼宇用户。
本发明采用如下技术方案：
一种商业楼宇空调负荷集中调度方法，包括如下步骤：
采集某电网系统的用户历史数据，获得历史数据样本；
对历史数据进行特征提取，并获得最优特征集；
将各历史数据样本提取的特征元素的特征值进行归一化处理，所述特征元素包括最优特征集中日用电量、日最大负荷、日最小负荷、日最大负荷出现时刻、日最小负荷出现时刻、年度用电数据、季节用电数据及日用电类型数据；
选择极限学习机的参数，其参数包括核函数和隐含层节点个数；
采用极限学习机对归一化的最优特征集进行训练分类，得到按照实际使用情况，商业楼宇空调负荷的分类；
根据公共楼宇的行为特性，对各时段的楼宇空调负荷进行削峰优先级评估；
基于各公共楼宇各时段的优先级和削峰优化模型进行初步的公共楼宇降负荷指标分配；
各公共楼宇根据降负荷指标、空调负荷调控模型和削峰优化模型约束，然后利用自身的柔性和刚性调控手段，对空调负荷进行虚拟优化预调控；
对各楼宇的调控状况进行评价，根据评价值调整降负荷指标，并重新进行各楼宇的优化调控，直至所有楼宇满足调控目标。
所述历史数据是指夏季用电高峰的负荷数据以及春季入夏前的用电负荷数据。
本发明采用启发式算法及向前添加搜索，并同步评价，不断迭代的方式对历史数据进行特征提取，并获得最优特征集。
本发明采用极限学习机对归一化的最优特征集进行训练分类，得到按照实际使用情况，商业楼宇空调负荷的分类；
具体是根据商业楼宇内，不同单位的负荷集中时间及峰值时刻进行分类。
根据公共楼宇的行为特性，对各时段的楼宇空调负荷进行削峰优先级评估；
在同一类负荷中，根据3h内各个单位的峰谷差大小进行排序，得到根据空调负荷需求的优先级顺序。
所述初步的公共楼宇降负荷指标分配根据各时刻的用户负荷类别、当时刻的空调负荷类别降负荷优先级以及同一类别内各楼宇的降负荷优先级排序，进行降负荷指标预下发，降负荷的指标量统一规定为该楼宇负荷需求量的百分比，降负荷优先级越高，其百分比数越大。
所述刚性调控手段包括关闭新风机组、关闭管盘及关闭主机；所述柔性调控手段包括调节出水温度、调节风机变频及调节水泵变频。
所述单一楼宇的削峰优化模型具体为:
Figure BDA0002071337580000031
Figure BDA0002071337580000032
式中，xi为调控变量，即各种调控手段带来状态变化量；βi为最小二乘拟合的降负荷系数，模型目标函数值为降负荷值最大；ai为最小二乘拟合的舒适度损耗系数，约束条件分别为舒适度损耗低于事先设定的阈值。
所述调度模型依据该栋楼每天的用电模式，用电习惯和用电负荷的量还有用电负荷的随时间波动的特性建立。
本发明的有益效果：
(1)本发明设计的基于极限学习机用户行为分类的公共楼宇空调负荷集中调度方法，利用极限学习机，结合某电网历史负荷数据，对公共楼宇负荷进行用户行为分类，能够有效地得到用户的行为模式，包括用电峰值，空调开启时间，空调关断时间等。由于各公共楼宇用户行为不同，其空调负荷对早中晚高峰的影响也就不同，这就为通过楼宇空调负荷的优化调控组合来实现调峰提供了有力的依据；
(2)本发明设计的基于极限学习机用户行为分类的公共楼宇空调负荷集中调度方法，有效地建立了公共楼宇预调控模型，并实现两层分级调控。由调控中心层实现调峰总指标的下达和各楼宇调控指标的下发，各公共楼宇再根据调控指标利用各自的特性和调控模型对空调负荷进行有针对性的调控，既实现了电网侧的优化调峰，又在用户侧做到了不损失用户体验的有效细致调控。
附图说明
图1是本发明的工作流程图；
图2是本发明特征集优选的流程图。
具体实施方式
下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例
如图1及图2所示,一种基于极限学习机用户行为分类的公共楼宇空调负荷集中调度方法，包括如下步骤：
步骤A1收集过去三年某电网的历史负荷数据，要求每天数据的时间间隔不超过15min。同时，根据历年入夏前和夏季用电高峰期的负荷曲线对比并作差，得到宏观的夏季空调负荷曲线。
步骤A2对历史数据进行特征提取，优选获得最优特征集。具体为：
Step1：确定可待选的特征集合Y，集合主要包括日用电量、日最大负荷、日最小负荷、日最大负荷出现时刻、日最小负荷出现时刻、年度用电数据、季节用电数据、日用电类型数据等；
Step2：初步确定日用电量、日最大负荷、日最小负荷三个指标构成优选特征集合X；
Step3：构建特征集评价函数J(X)，其中：
Figure BDA0002071337580000041
式中，x为特征集合X里子集元素，即日用电量、日最大负荷、日最小负荷等特征向量，f(x)为某个特征向量的评价函数值，ρ(x,X)为特征向量x与优选集合的相关函数，用于描述将特征向量x加入优选特征集给优选特征集整体评价值带来的影响。优选特征集的评价函数值为各特征向量的评价值与其相关函数值乘积之和。各特征向量评价函数可以根据需求自定义，在此不作赘述。
Step4：采用启发式算法向前搜索，不断添加Y中特征向量至优选特征集X，最后通过启发式算法优化，确定最终的优选特征集。
步骤A3将各历史数据样本提取的特征元素的特征值进行归一化处理，具体为：
Figure BDA0002071337580000042
fimax＝max(fi)
fimin＝min(fi)
式中，fi代表某样本数据的特征元素i的特征值。
步骤A4选择极限学习机的参数，其参数主要包括核函数和隐含层节点个数。
步骤A5采用极限学习机对处理后的数据样本集进行训练分类。本发明采用某电网的数据进行了分类仿真，将公共楼宇根据用户行为分类主要分成了4类。分别是1)以写字楼和事业单位为代表的负荷集中在8点到18点，峰值时刻在中午的；2)以商场为代表的负荷集中在10点到21点，峰值时刻在午后和晚间；3)以学校和地铁为代表的负荷集中在6点到22点且负荷波动不大的；4)以医院和酒店为代表的负荷24h间歇性波动的。
步骤A6根据公共楼宇的行为特性，对各时段的楼宇空调负荷进行削峰优先级评估。例如，在午间写字楼为代表的第1类空调用户，其空调负荷需求极大，对其空调负荷作大幅度削减势必会影响用户舒适度，因此，可以考虑将午间负荷需求小的以商场为代表的第2类负荷的降负荷优先级评价为第一级，写字楼为代表的第1类负荷评价为第四级；同理，在晚间则将以写字楼为代表的第1类负荷评价为第一级，将商场为代表的第2类负荷评价为第4级。且在同一类负荷中对各楼宇，根据3h内的峰谷差大小进行排序，以体现各楼宇的空调负荷需求的优先级顺序。
步骤A7基于各公共楼宇各时段的优先级和调度模型进行初步的公共楼宇降负荷指标分配。各调度断面，可根据各时刻的用户负荷类别、当时刻的空调负荷类别降负荷优先级以及同一类别内各楼宇的降负荷优先级排序，以此为凭据进行降负荷指标预下发。降负荷的指标量统一规定为该楼宇负荷需求量的百分比，降负荷优先级越高，其百分比数越大。
步骤A8各公共楼宇根据降负荷指标和其空调负荷调控模型和约束，利用自身的柔性和刚性调控手段，对空调负荷进行虚拟优化预调控。本发明所述的刚性调控手段主要为关闭新风机组，关闭管盘，关闭主机等；柔性调控手段主要包括调节出水温度，调节风机变频，调节水泵变频等。单一楼宇的削峰优化模型具体为：
Figure BDA0002071337580000051
Figure BDA0002071337580000052
式中，xi为第i个调节手段的负荷状态变化量，即各种调控手段带来状态变化量；ΔTup是温度调节上限，g(·)是其他约束条件的简写，βi为最小二乘拟合的降负荷系数，模型目标函数值为降负荷值最大；ai为最小二乘拟合的舒适度损耗系数，约束条件分别为舒适度损耗低于事先设定的阈值，以及其他模型约束。
步骤A9判断各楼宇的优化调控模型有无可行解，若任意楼宇调控模型都能找到可行解，则输出调控变量，并将调控变量对应的调控指令下发；若存在楼宇的调控模型无可行解，则返回步骤A7对对应无可行解的楼宇降负荷指标进行微调整，并根据其他有可行解的楼宇的调控模型得到的目标函数值排序，将降负荷的缺额转移到降负荷潜力强的楼宇，即目标函数值排序靠前的楼宇。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种商业楼宇空调负荷集中调度方法，其特征在于，包括如下步骤：
采集某电网系统的用户历史数据，获得历史数据样本；
对历史数据进行特征提取，并获得最优特征集；
将各历史数据样本提取的特征元素的特征值进行归一化处理，所述特征元素包括最优特征集中日用电量、日最大负荷、日最小负荷、日最大负荷出现时刻、日最小负荷出现时刻、年度用电数据、季节用电数据及日用电类型数据；
选择极限学习机的参数，其参数包括核函数和隐含层节点个数；
采用极限学习机对归一化的最优特征集进行训练分类，得到按照实际使用情况，商业楼宇空调负荷的分类；
根据公共楼宇的行为特性，对各时段的楼宇空调负荷进行削峰优先级评估；
基于各公共楼宇各时段的优先级和调度模型进行初步的公共楼宇降负荷指标分配；
各公共楼宇根据降负荷指标、调度模型和削峰优化模型约束，然后利用自身的柔性和刚性调控手段，对空调负荷进行虚拟优化预调控；
对各楼宇的调控状况进行评价，根据评价值调整降负荷指标，并重新进行各楼宇的优化调控，直至所有楼宇满足调控目标。
2.根据权利要求1所述的一种商业楼宇空调负荷集中调度方法，其特征在于，所述历史数据是指夏季用电高峰的负荷数据以及春季入夏前的用电负荷数据。
3.根据权利要求1所述的一种商业楼宇空调负荷集中调度方法，其特征在于，采用启发式算法及向前添加搜索，并同步评价，不断迭代的方式对历史数据进行特征提取，并获得最优特征集。
4.根据权利要求1所述的一种商业楼宇空调负荷集中调度方法，其特征在于，采用极限学习机对归一化的最优特征集进行训练分类，得到按照实际使用情况，商业楼宇空调负荷的分类；
具体是根据商业楼宇内，不同单位的负荷集中时间及峰值时刻进行分类。
5.根据权利要求1所述的一种商业楼宇空调负荷集中调度方法，其特征在于，根据公共楼宇的行为特性，对各时段的楼宇空调负荷进行削峰优先级评估；
在同一类负荷中，根据3h内各个单位的峰谷差大小进行排序，得到根据空调负荷需求的优先级顺序。
6.根据权利要求1所述的一种商业楼宇空调负荷集中调度方法，其特征在于，所述初步的公共楼宇降负荷指标分配根据各时刻的用户负荷类别、当时刻的空调负荷类别降负荷优先级以及同一类别内各楼宇的降负荷优先级排序，进行降负荷指标预下发，降负荷的指标量统一规定为该楼宇负荷需求量的百分比，降负荷优先级越高，其百分比数越大。
7.根据权利要求1所述的一种商业楼宇空调负荷集中调度方法，其特征在于，所述刚性调控手段包括关闭新风机组、关闭管盘及关闭主机；所述柔性调控手段包括调节出水温度、调节风机变频及调节水泵变频。
8.根据权利要求1所述的一种商业楼宇空调负荷集中调度方法，其特征在于，所述各楼宇的削峰优化模型具体为:
Figure FDA0003140096370000021
Figure FDA0003140096370000022
式中，xi为调控变量，即各种调控手段带来状态变化量；βi为最小二乘拟合的降负荷系数，模型目标函数值为降负荷值最大；ai为最小二乘拟合的舒适度损耗系数，约束条件分别为舒适度损耗低于事先设定的阈值。
9.根据权利要求1所述的一种商业楼宇空调负荷集中调度方法，其特征在于，所述调度模型依据该栋楼每天的用电模式，用电习惯和用电负荷的量还有用电负荷的随时间波动的特性建立。
CN201910438557.6A 2019-05-24 2019-05-24 一种商业楼宇空调负荷集中调度方法 Active CN110161856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910438557.6A CN110161856B (zh) 2019-05-24 2019-05-24 一种商业楼宇空调负荷集中调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910438557.6A CN110161856B (zh) 2019-05-24 2019-05-24 一种商业楼宇空调负荷集中调度方法

Publications (2)

Publication Number Publication Date
CN110161856A CN110161856A (zh) 2019-08-23
CN110161856B true CN110161856B (zh) 2021-09-21

Family

ID=67632652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910438557.6A Active CN110161856B (zh) 2019-05-24 2019-05-24 一种商业楼宇空调负荷集中调度方法

Country Status (1)

Country Link
CN (1) CN110161856B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113091123B (zh) * 2021-05-11 2022-06-10 浙江英集动力科技有限公司 一种基于数字孪生模型的楼宇机组供热系统调控方法
CN115169999B (zh) * 2022-09-06 2023-04-28 浙江万胜智能科技股份有限公司 一种基于采集通信模块的电力负荷管理方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014208061A1 (ja) * 2013-06-28 2014-12-31 パナソニックＩｐマネジメント株式会社 電力分配制御装置及び電力分配制御方法
CN104279715B (zh) * 2014-10-29 2017-03-08 四川慧盈科技有限责任公司 一种楼宇空调设备负荷预测方法
CN105160437A (zh) * 2015-09-25 2015-12-16 国网浙江省电力公司 基于极限学习机的负荷模型预测方法
CN105444343B (zh) * 2015-09-30 2020-03-13 江苏省电力公司南京供电公司 一种基于用电舒适度的空调负荷优先级中断方法
CN105243445A (zh) * 2015-10-09 2016-01-13 上海上塔软件开发有限公司 基于电器用电效用分级和用户用电行为识别的削峰方法

Also Published As

Publication number Publication date
CN110161856A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
Cai et al. Predicting the energy consumption of residential buildings for regional electricity supply-side and demand-side management
CN102629106B (zh) 供水控制方法及系统
CN105069525A (zh) 全天候96点日负荷曲线预测及优化修正系统
CN110161856B (zh) 一种商业楼宇空调负荷集中调度方法
Wang et al. Energy consumption prediction for water-source heat pump system using pattern recognition-based algorithms
CN110071502A (zh) 一种短期电力负荷预测的计算方法
CN110796307A (zh) 一种综合能源系统分布式负荷预测方法及系统
CN111612228A (zh) 一种基于用电信息的用户用电行为分析方法
CN104699051A (zh) 一种温控设备需求响应控制方法
CN111428766B (zh) 一种高维海量量测数据的用电模式分类方法
CN114623569B (zh) 一种基于深度强化学习的集群空调负荷差异化调控方法
CN115796559A (zh) 一种考虑需求响应场景的可调负荷排序方法及系统
CN109285039A (zh) 一种计及风光不确定性的电动汽车充电站电价制定方法
CN114069642A (zh) 一种考虑用户满意度的温控负荷综合调峰方法
CN113935856A (zh) 电能的控制方法及其装置、处理器、计算机可读存储介质
Cevik et al. Short-term Load Forecasting based on ABC and ANN for Smart Grids
CN110489893B (zh) 一种基于可变权值的母线负荷预测方法及系统
Ali et al. Building power control and comfort management using genetic programming and fuzzy logic
CN112001578A (zh) 一种适用于广义储能资源优化调度方法及系统
CN110717779A (zh) 一种电力交易系统、方法及其应用
CN116227883A (zh) 一种基于深度强化学习的智能家庭能量管理系统预测决策一体化调度方法
CN111600304B (zh) 一种楼宇电力调度方法、装置和设备
CN109784748A (zh) 一种市场竞争机制下用户用电行为辨识方法及装置
CN115271168A (zh) 用电负荷响应潜力的预测方法、装置及存储介质
Wenhao et al. An analytical method for intelligent electricity use pattern with demand response

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