CN110864414B - 基于大数据分析的空调用电负荷智能控制调度方法 - Google Patents

基于大数据分析的空调用电负荷智能控制调度方法 Download PDF

Info

Publication number
CN110864414B
CN110864414B CN201911045973.6A CN201911045973A CN110864414B CN 110864414 B CN110864414 B CN 110864414B CN 201911045973 A CN201911045973 A CN 201911045973A CN 110864414 B CN110864414 B CN 110864414B
Authority
CN
China
Prior art keywords
air conditioner
time
user
load
power
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
CN201911045973.6A
Other languages
English (en)
Other versions
CN110864414A (zh
Inventor
周建强
秦光耀
殷冬冬
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.)
Zhengzhou Electric Power College
Original Assignee
Zhengzhou Electric Power College
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 Zhengzhou Electric Power College filed Critical Zhengzhou Electric Power College
Priority to CN201911045973.6A priority Critical patent/CN110864414B/zh
Publication of CN110864414A publication Critical patent/CN110864414A/zh
Application granted granted Critical
Publication of CN110864414B publication Critical patent/CN110864414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • F24F11/62—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
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Signal Processing (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Water Supply & Treatment (AREA)
  • Fuzzy Systems (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于大数据分析的空调用电负荷智能控制调度方法，通过收集用户使用空调的习惯、气象信息、室内温度、空调功率等参数，用BP神经网络算法求出不同空调个体的空调功率预测模型，通过暂停空调压缩机运行后的温度变化和空调平均功率计算蓄热系数，由空调功率预测模型和蓄热系数得出室内温度变化‑停机时间模型；根据用户反应行为，建立用户舒适度温度‑时间拟合曲线，其与室内温度变化‑停机时间模型曲线交叉点即为该用户空调最佳空调停机时长。根据气象预测室外温度曲线和电网负荷预测曲线，以及用户空调最常使用时段，安排最佳空调负荷调度计划。本发明能在不影响用户体验的情况下，避免电网尖峰负荷的出现。

Description

基于大数据分析的空调用电负荷智能控制调度方法
技术领域
本发明涉及一种空调用电负荷智能调度控制方法，特别是涉及一种基于大数据分析的空调用电负荷智能控制调度方法。
背景技术
能源安全、环境污染和气候变化是社会可持续发展面临的主要问题，大规模开发可再生能源是实现人类可持续发展、从根本上解决能源问题的最有效的途径，但以风力、太阳能为主的可再生能源天生具有波动性和随机性，大规模的可再生能源发电系统接入电网，将给电网的安全运行带来严峻的挑战，为了解决可再生能源发电系统接入电网的问题，美国、德国、日本等发达国家都提出了自己智能电网建设规划，将电力电子技术和信息技术引入电力系统，实现源、网、荷的智能互动，我国正在建设电力物联网，能够实现电源和负荷主动与电网协调互动，提高电力系统的平衡能力，目前，我国已进入电力物联网建设阶段，但在用户侧与电网的智能互通方面研究和应用进展比较缓慢，特别是在普通的民用及商业用户和电网之间就没有技术上的互动。
另外，随着人民生活水平的提高，空调负荷在居民用电中的占比越来越大，2017年北京市的空调负荷达到了电网总负荷的52％，空调负荷具有明显的季节性，有些地区空调尖峰负荷只有1～2个小时，有时甚至只有几十分钟，而且峰值较高，按照尖峰负荷来建设电网和电源，造成了极大的设备闲置和浪费，为了减少空调负荷对电网的冲击，一些研究人员提出了一些电网友好型空调控制器的解决方案，主要包括空调主动相应电网电能质量和电网集中调控空调负荷两种方式。
一类是基于电网电压或频率，空调主动响应电网的控制方式，如曹小明(CN201420252522.6)、章若冰(2013)、薛晨(2012)等提出了一些基于电网电压或频率，空调主动控制自己负荷，减少电网尖峰负荷的主动控制方式，这类控制技术方法简单，不需要通信和集中管理系统，但这种的控制方式是单个空调基于基本相同的规则进行的相应，缺乏协调一致的控制，容易造成相同区域空调器同时启停的情况，造成电网负荷的震荡甚至引起电网的事故，特别对于定频空调，空调的启动电流是正常运行时的5～7倍，频繁的启停压缩机不但没有减少电网的负荷，反而增加了电网的负荷。
另一类是通过能源代理机协同管理、集中调控空调负荷方式，定频空调是以有次序地周期性暂停空调压缩机的运转响应电网调节，减少接入电网空调的负荷，避免尖峰负荷的出现，对于变频空调，陈坚波(2017)提出了可以通过控制目标设定温度、控制空调的频率、限制空调的功率三种方式控制空调负荷，王蓓蓓(2018)、张志丹(2014)分别提出了对分散的大量空调负荷进行控制减少电网尖峰负荷的方法，这些方法都是电网企业根据电网运行参数对分散的空调负荷进行调节，没有考虑不同用户舒适度、空调器以及建筑物热工特性之间的差异，用户的舒适度与用户自身体验有关，与空调功率、空调房间的蓄热能力、维护结构的热工性能有很大关系，不考虑空调的安装环境，而只根据电网运行参数调节空调的功率必将给用户带来较差的体验，致使用户参与度不高。
发明内容
本发明所要解决的技术问题是：克服现有技术的不足，提供一种能有组织、分时段地降低或短暂停止空调负荷，利用房间的温度惰性，在不影响用户体验的情况下，避免电网尖峰负荷的出现，达到降低电网投资、提高电力系统的安全可靠性以及新能源发电设备利用率的目的基于大数据分析的空调用电负荷智能控制调度方法。
本发明为解决技术问题所采取的技术方案是：
一种基于大数据分析的空调用电负荷智能控制调度方法，通过收集用户使用空调的习惯、气象信息、室内温度、空调功率等参数，拟合出不同空调个体的室内温度变化-停机时间模型、用户舒适度模型，通过空调负荷智能调度模型获得空调负荷调度计划，包括以下步骤：
步骤一：用BP神经网络的方法获得室内温度变化-停机时间模型；
(1)连续监测室内外温差参数、当地太阳辐射值和时间和空调的功率，用BP神经网络的方法获得空调负荷电功率预测网络模型，如式(a)；
Figure GDA0003203948830000031
式中：
Figure GDA0003203948830000032
为预测的(t-n)到(t-1)n个时刻的空调功率；tw(t-1),…,tw(t-n)为t基准时间的前(t-1)到(t-n)时刻室外温度；I(t-1),…,I(t-n)为t基准时间的前(t-1)到(t-n)太阳辐射强度；一天分为n个时间间隔，则t-n为t基准时间前一天对应的时刻，P(t-n-1),…,P(t-2n)为t基准时间的前一天(t-1)时刻到前一天(t-n)时刻空调的功率或平均功率；T(t-1)为(t-1)时刻的北京时间，tn(t-1)为室内温度，也可以每10min记录一次，以每10min为间隔时间，则n＝144。
利用BP神经网络进行空调功率预测时，先将空调相关数据分为训练集和预测集，利用训练集对空调负荷电功率预测网络模型进行训练，然后把预测集数据输入训练好的网络，输出的结果即可得到预测空调功率，空调负荷电功率预测网络模型训练集为P(共m天的空调功率相关参数)，目标集为G(m天的空调功率)；
Figure GDA0003203948830000033
Figure GDA0003203948830000041
预测集为P_test，利用训练好的网络F，就得出预测值Out；
P_test＝{tw(t+n-1),…,tw(t),I(t+n-1),…,I(t),P(t-1),…,P(t-n),T(t),tn(t)}；Out＝{P(t+n-1),…,P(t)}；
(2)通过暂停空调压缩机运行，测量室内温度，计算蓄热系数；
空调器在短时间停止运行时，空调房间内物体和室内空气的综合比热容近似不变，空调房间的冷负荷因空调停止变化近似为0，则空调房间的蓄热模型为式(b)
ΔQx(t)＝MCΔt (b)
式中：Qx(t)为空调停机时房间内物体和空气蓄热量，MC为房间内物体及空气的综合比热与质量的积；Δt为室内空气温升。
因Qx(t)＝P(t)×T1，式中：T1为空调短时停机时间，所以可得：
MC＝P(t)×T1/Δt
求其N次的平均值，
Figure GDA0003203948830000042
(3)根据(1)、(2)得出室内温度变化-停机时间模型为:
Figure GDA0003203948830000043
式中：q(t)为房间空调负荷；
步骤二：对用户空调使用习惯进行采集，结合气象参数拟合用户舒适度模型；
(1)不改变空调设定温度，监测室外温度、根据用户调整空调设定温度时的室内温度，分析用户在不同室外温度时，用户的温度舒适阈值；
(2)改变空调的设定温度，监测用户反应，根据用户调整设定温度的时间，分析用户在不同高于用户舒适温度的环境下，耐受时间阈值；
(3)根据(1)、(2)检测点，拟合室内舒适度模型，
Figure GDA0003203948830000051
式中，Δt为室内空气温升，T2为用户耐受时间。
步骤三：采集空调参数，结合室内温度变化-停机时间模型与用户舒适度模型计算不同室外温度条件下最长停机时间,若某用户的温度舒适阈值[0,Δt],非舒适温度耐受时间阈值[0,T2]，由(d)、(e)两式即可求出最佳空调停机时长T0ff。
步骤四：根据气象预测室外温度曲线和电网负荷预测曲线，以及用户空调最常使用时段，安排最佳空调负荷调度计划。
每个用户空调使用情况预测是根据对用户历史使用数据，通过大数据分析的方法得到下一计划周期内空调使用情况，在制定调度计划时，对新装空调还没有建立智能调度模型，暂不进行调节。
根据实时采集到的调控区域内空调开关机状况和用户的反应实时调节个别空调调度计划；实时检测电网负荷和室外温度、太阳辐射情况，对偏离预测用电负荷较大的空调调度计划进行调整，用户的反应指的是调节空调器的行为。
本发明是一种基于电力物联网互联网的空调负荷的智能控制调度方法，主要对分散、随机运行的房间空调器电力负荷进行控制调度，实施基于空调与电网能够互动，通过电力物联网能够实现对空调使用数据的采集和对空调系统的控制。
基于电力物联网，本发明可在县、区级电力调度系统上实施，可在地市级调度系统上实施，本发明可部署在已有的调度系统中，也可单独部署；单独部署时，至少部署一台数据服务器，一台调度系统服务器，数据服务器主要存放空调安装位置信息、空调运行参数数据、空调智能调度模型信息以及空调运行预测信息，气象天气预报信息、电网负荷预测信息以及发电功率预测信息(包含风力发电、光伏发电的电网系统)由其他系统产生，也存放在数据服务器中，供空调负荷智能调度控制系统使用，调度系统服务器主要负责从数据服务器中读取数据，进行空调负荷智能调度模型分析拟合、空调负荷调度计划系统的生成以及根据电网运行参数、用户空调行为信息对空调负荷调度计划进行调整。
空调负荷智能调度计划时间间隔(T+N)，N可以按24小时、3小时、1小时的时间间隔设置中期调度计划和短期调度计划。
本发明的积极有益效果是：
本发明旨在利用电力物联网在电网-负荷的互动功能，在空调尖峰负荷到来之前，通过空调负荷智能调度管理系统，有组织、分时段地降低或短暂停止空调负荷，利用房间的温度惰性，在不影响用户体验的情况下，避免电网尖峰负荷的出现，达到降低电网投资、提高电力系统的安全可靠性以及新能源发电设备利用率的目的。
附图说明
图1是空调负荷电功率预测网络模型求解示意图；
图2是最佳空调停机时长求解示意图；
图3是最佳空调停机时长求解流程图；
图4是区域电网空调负荷智能调度过程流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的解释和说明：
参见图1、图2和图3，图中：101-输入参数、102-输入层、103-隐含层、104-输出层；201-
Figure GDA0003203948830000061
曲线，202-
Figure GDA0003203948830000062
曲线。
本发明中的空调蓄热模型求解示意图、太阳辐射的热模型求解示意图与空调房间室内外温差引起的传热负荷模型求解示意图类似。
实施例：本发明是一种基于电力物联网互联网的空调负荷的智能控制调度方法，主要对分散、随机运行的房间空调器电力负荷进行控制调度，实施基于空调与电网能够互动，通过电力物联网能够实现对空调使用数据的采集和对空调系统的控制。
本发明可部署在已有的调度系统中，也可单独部署；单独部署时，至少部署一台数据服务器，一台调度系统服务器，数据服务器主要存放空调安装位置信息、空调运行参数数据、空调智能调度模型信息以及空调运行预测信息，气象天气预报信息、电网负荷预测信息以及发电功率预测信息(包含风力发电、光伏发电的电网系统)由其他系统产生，也存放在数据服务器中，供空调负荷智能调度控制系统使用，调度系统服务器主要负责从数据服务器中读取数据，进行空调负荷智能调度模型分析拟合、空调负荷调度计划系统的生成以及根据电网运行参数、用户空调行为信息对空调负荷调度计划进行调整。
具体包括以下步骤：
步骤一：用BP神经网络的方法获得室内温度变化-停机时间模型。
(1)连续监测室内外温差参数、当地太阳辐射值和时间和空调的功率，用BP神经网络的方法获得空调负荷电功率预测网络模型，采用式(a)；
Figure GDA0003203948830000071
式中：
Figure GDA0003203948830000072
为预测的(t-n)到(t-1)n个时刻的空调功率；tw(t-1),…,tw(t-n)为t基准时间的前(t-1)到(t-n)时刻室外温度；I(t-1),…,I(t-n)为t基准时间的前(t-1)到(t-n)太阳辐射强度；一天分为n个时间间隔，则t-n为t基准时间前一天对应的时刻，P(t-n-1),…,P(t-2n)为t基准时间的前一天(t-1)时刻到前一天(t-n)时刻空调的功率或平均功率；T(t-1)为(t-1)时刻的北京时间，tn(t-1)为室内温度，也可以每10min记录一次，以每10min为间隔时间，则n＝144。
利用BP神经网络进行空调功率预测时，先将空调相关数据分为训练集和预测集，利用训练集对空调负荷电功率预测网络模型进行训练，然后把预测集数据输入训练好的网络，输出的结果即可得到预测空调功率,空调负荷电功率预测网络模型训练集为P(共m天的空调功率相关参数)，目标集为G(m天的空调功率)；
Figure GDA0003203948830000081
Figure GDA0003203948830000082
预测集为P_test，利用训练好的网络F，就得出预测值out。
P_test＝{tw(t+n-1),…,tw(t),I(t+n-1),…,I(t),P(t-1),…,P(t-n),T(t),tn(t)}；Out＝{P(t+n-1),…,P(t)}。
(2)通过暂停空调压缩机运行，测量室内温度，计算蓄热系数；
空调器在短时间停止运行时，空调房间内物体和室内空气的综合比热容近似不变，空调房间的冷负荷因空调停止变化近似为0，则空调房间的蓄热模型为式(b)
ΔQx(t)＝MCΔt (b)
式中：Qx(t)为空调停机时房间内物体和空气蓄热量，MC为房间内物体及空气的综合比热与质量的积；Δt为室内空气温升。
因Qx(t)＝P(t)×T1，式中：T1为空调短时停机时间，所以可得：
MC＝P(t)×T1/Δt
求其N次的平均值，
Figure GDA0003203948830000091
(3)根据(1)、(2)得出室内温度变化-停机时间模型为:
Figure GDA0003203948830000092
式中：q(t)为房间空调负荷；
步骤二：对用户空调使用习惯进行采集，结合气象参数拟合用户舒适度模型；
(1)不改变空调设定温度，监测室外温度、根据用户调整空调设定温度时的室内温度，分析用户在不同室外温度时，用户的温度舒适阈值；
(2)改变空调的设定温度，监测用户反应，根据用户调整设定温度的时间，分析用户在不同高于用户舒适温度的环境下，耐受时间阈值；
(3)根据(1)、(2)检测点，拟合室内舒适度模型，
Figure GDA0003203948830000093
式中，Δt为室内空气温升，T2为用户耐受时间。
步骤三：采集空调参数，结合室内温度变化-停机时间模型与用户舒适度模型计算不同室外温度条件下最长停机时间,若某用户的温度舒适阈值[0,Δt],非舒适温度耐受时间阈值[0,T2]，由(d)、(e)两式即可求出最佳空调停机时长T0ff。
步骤四：根据气象预测室外温度曲线和电网负荷预测曲线，以及用户空调最常使用时段，安排最佳空调负荷调度计划。
每个用户空调使用情况预测是根据对用户历史使用数据，通过大数据分析的方法得到的下一计划周期内空调使用情况，在制定调度计划时，对新装空调还没有建立智能调度模型，暂不进行调节。
根据实时采集到的调控区域内空调开关机状况和用户的反应实时调节个别空调调度计划；实时检测电网负荷和室外温度、太阳辐射情况，对偏离预测用电负荷较大的空调调度计划进行调整，用户的反应指的是调节空调器的行为。
系统运行时，首先进行初始化300，并从其他系统收集电网负荷预测信息303、发电功率预测信息303，如果出现短时的尖峰负荷或电网调度系统发出的启用空调负荷智能调度指令，启用空调负荷智能调度系统；请求获取天气预报信息、根据天气预测参数、电网负荷预测参数、系统数据库中空调智能调度控制模型207、空调使用情况预测情况以及空调安装位置302，安排空调下一阶段T+N的智能调度计划304，通过合理安排空调压缩机有序启停，避开电网的短时大负荷；然后把生成的调度计划提交给电网调度系统去执行，同时不断检测电网运行参数305和空调用户行为306(用户用遥控器调整空调设定温度的情况)，如果电网运行状况与电网预测情况由较大偏差，及时修订空调负荷调度计划307；如果执行空调负荷调度后，某个用户有敏感的反应(频繁多次调整设定温度)，暂时放弃对该空调的调度，并记录用户调整行为，多次出现时应对该空调用户的舒适温度阈值、非舒适温度耐受时间阈值进行重新分析调整。
对新装空调器的负荷智能调度模型和需要修订的空调调度模型，可单独设置服务器进行运算，新装空调器一般采集数据周期为一年，在空调开机状态下，每10分钟采集一次，用户行为随时采集；室内外温差-负荷模式所需数据可在不同时段高频率采集，根据第一年数据建立的模型如果不理想，需要根据第二年空调使用数据进行重新拟合，空调负荷智能调度计划时间间隔T+N，N可以按24小时、3小时、1小时的时间间隔设置中期调度计划和短期调度计划。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质所作的任何简单修改，均仍属于本发明技术方案的范围内。

Claims (3)

1.一种基于大数据分析的空调用电负荷智能控制调度方法，通过收集用户使用空调的习惯、气象信息、室内温度、空调功率等参数，拟合出不同空调个体的室内温度变化-停机时间模型、用户舒适度模型，通过空调负荷智能调度模型获得空调负荷调度计划，包括以下步骤：
步骤一：用BP神经网络的方法获得室内温度变化-停机时间模型；
(1)连续监测室内外温差参数、当地太阳辐射值和时间和空调的功率，用BP神经网络的方法获得空调负荷电功率预测网络模型，采用式(a)；
Figure FDA0003153784880000011
式中：
Figure FDA0003153784880000012
为预测的(t-n)到(t-1)n个时刻的空调功率；tw(t-1),…,tw(t-n)为t基准时间的前(t-1)到(t-n)时刻室外温度；I(t-1),…,I(t-n)为t基准时间的前(t-1)到(t-n)太阳辐射强度；一天分为n个时间间隔，则t-n为t基准时间前一天对应的时刻，P(t-n-1),…,P(t-2n)为t基准时间的前一天(t-1)时刻到前一天(t-n)时刻空调的功率或平均功率；T(t-1)为(t-1)时刻的北京时间，tn(t-1)为室内温度，以每10min为间隔时间，则n＝144；
利用BP神经网络进行空调功率预测时，先将空调相关数据分为训练集和预测集，利用训练集对空调负荷电功率预测网络模型进行训练，然后把预测集数据输入训练好的网络，输出的结果即可得到预测空调功率，空调负荷电功率预测网络模型训练集为P，包括共m天的空调功率相关参数，目标集为G，包括m天的空调功率；
Figure FDA0003153784880000013
Figure FDA0003153784880000021
预测集为P_test，利用训练好的网络F，就得出预测值Out；
P_test＝{tw(t+n-1),…,tw(t),I(t+n-1),…,I(t),P(t-1),…,P(t-n),T(t),tn(t)}；Out＝{P(t+n-1),…,P(t)}；
(2)通过暂停空调压缩机运行，测量室内温度，计算蓄热系数；
空调器在短时间停止运行时，空调房间内物体和室内空气的综合比热容近似不变，空调房间的冷负荷因空调停止变化近似为0，则空调房间的蓄热模型为式(b)
ΔQx(t)＝MCΔt (b)
式中：Qx(t)为空调停机时房间内物体和空气蓄热量，MC为房间内物体及空气的综合比热与质量的积；Δt为室内空气温升；
因Qx(t)＝P(t)×T1，式中：T1为空调短时停机时间，所以可得：
MC＝P(t)×T1/Δt
求其N次的平均值，
Figure FDA0003153784880000022
(3)根据(1)、(2)得出室内温度变化-停机时间模型为:
Figure FDA0003153784880000023
式中：q(t)为房间空调负荷；
步骤二：对用户空调使用习惯进行采集，结合气象参数拟合用户舒适度模型；
(1)不改变空调设定温度，监测室外温度、根据用户调整空调设定温度时的室内温度，分析用户在不同室外温度时，用户的温度舒适阈值；
(2)改变空调的设定温度，监测用户反应，根据用户调整设定温度的时间，分析用户在不同高于用户舒适温度的环境下，耐受时间阈值；
(3)根据(1)、(2)检测点，拟合室内舒适度模型，
Figure FDA0003153784880000031
式中，Δt为室内空气温升，T2为用户耐受时间；
步骤三：采集空调参数，结合室内温度变化-停机时间模型与用户舒适度模型计算不同室外温度条件下最长停机时间,若某用户的温度舒适阈值[0,Δt],非舒适温度耐受时间阈值[0,T2]，由(d)、(e)两式即可求出最佳空调停机时长T0ff；
步骤四：根据气象预测室外温度曲线和电网负荷预测曲线，以及用户空调最常使用时段，安排最佳空调负荷调度计划。
2.根据权利要求1所述的基于大数据分析的空调用电负荷智能控制调度方法，其特征是：每个用户空调使用情况预测是根据对用户历史使用数据，通过大数据分析的方法得到的下一计划周期内空调使用情况，在制定调度计划时，对新装空调还没有建立智能调度模型，暂不进行调节。
3.根据权利要求1所述的基于大数据分析的空调用电负荷智能控制调度方法，其特征是：根据实时采集到的调控区域内空调开关机状况和用户的反应实时调节个别空调调度计划；实时检测电网负荷和室外温度、太阳辐射情况，对偏离预测用电负荷较大的空调调度计划进行调整，用户的反应指的是调节空调器的行为。
CN201911045973.6A 2019-10-30 2019-10-30 基于大数据分析的空调用电负荷智能控制调度方法 Active CN110864414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911045973.6A CN110864414B (zh) 2019-10-30 2019-10-30 基于大数据分析的空调用电负荷智能控制调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911045973.6A CN110864414B (zh) 2019-10-30 2019-10-30 基于大数据分析的空调用电负荷智能控制调度方法

Publications (2)

Publication Number Publication Date
CN110864414A CN110864414A (zh) 2020-03-06
CN110864414B true CN110864414B (zh) 2021-09-24

Family

ID=69654418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911045973.6A Active CN110864414B (zh) 2019-10-30 2019-10-30 基于大数据分析的空调用电负荷智能控制调度方法

Country Status (1)

Country Link
CN (1) CN110864414B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113776171B (zh) * 2020-06-10 2024-02-13 中兴通讯股份有限公司 制冷设备控制方法、装置、计算机设备和计算机可读介质
CN113847715B (zh) * 2020-06-28 2024-01-02 中兴通讯股份有限公司 基站的空调调控的方法以及装置、电子设备、介质
CN111523740B (zh) * 2020-07-06 2020-10-09 和宇健康科技股份有限公司 基于大数据采集的服务资源信息预测方法和计算机设备
CN111797980A (zh) * 2020-07-20 2020-10-20 房健 一种个性化地暖使用习惯的自适应学习方法
CN112113316B (zh) * 2020-09-18 2022-03-11 国网辽宁省电力有限公司电力科学研究院 一种空调负荷提取的方法
CN112578690B (zh) * 2020-12-18 2022-07-01 山东盛帆蓝海电气有限公司 一种楼宇能耗智能管控系统及方法
CN112650335A (zh) * 2020-12-18 2021-04-13 山东盛帆蓝海电气有限公司 一种基于大数据挖掘的能耗智能管控系统及方法
CN112781177B (zh) * 2021-01-05 2022-05-20 广东美的暖通设备有限公司 预测空调运行功率的方法、装置、电子设备及存储介质
CN113203187B (zh) * 2021-04-28 2022-03-01 清华大学 基于部分线性模型的建筑暖通空调负荷优化控制方法
CN113819581B (zh) * 2021-08-23 2022-11-18 广西电网有限责任公司电力科学研究院 一种夏季空调负荷容量及其气温灵敏性分析方法
CN113902148B (zh) * 2021-12-03 2022-04-05 广东电网有限责任公司东莞供电局 变压器的负荷检测方法、装置、计算机设备和存储介质
CN114135928B (zh) * 2021-12-06 2023-02-03 国网河北省电力有限公司经济技术研究院 电采暖系统的集中控制方法、终端及存储介质
CN114595851B (zh) * 2022-02-20 2022-09-30 特斯联科技集团有限公司 利用神经网络的空调机房消耗功率分析装置
CN114738827B (zh) * 2022-04-12 2023-09-26 建科环能科技有限公司 一种基于用户习惯的户用电供暖智能群控控制方法及系统
CN115242664A (zh) * 2022-06-17 2022-10-25 江苏电力信息技术有限公司 基于大数据分析模型的机房智能管理方法
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
CN116544934B (zh) * 2023-07-06 2023-09-08 山西中控绿源科技有限公司 根据电力负荷预测的电力调度方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1145113A (zh) * 1994-02-17 1997-03-12 斯马特系统国际公司 用于气候自动控制的器件和方法
CN105135623A (zh) * 2015-09-17 2015-12-09 国网天津市电力公司 一种满足电网调峰和用户舒适度的中央空调减载控制方法
CN205783575U (zh) * 2016-05-31 2016-12-07 深圳市新环能科技有限公司 基于预测中央空调系统最佳停机时间与分析的节能系统
CN109114736A (zh) * 2018-08-21 2019-01-01 广东美的暖通设备有限公司 空调控制方法、空调及计算机可读存储介质
WO2019022066A1 (ja) * 2017-07-26 2019-01-31 ダイキン工業株式会社 環境設備制御装置
CN109855243A (zh) * 2018-12-25 2019-06-07 奥克斯空调股份有限公司 一种空调器温度控制方法
CN110044020A (zh) * 2019-03-29 2019-07-23 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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1145113A (zh) * 1994-02-17 1997-03-12 斯马特系统国际公司 用于气候自动控制的器件和方法
CN105135623A (zh) * 2015-09-17 2015-12-09 国网天津市电力公司 一种满足电网调峰和用户舒适度的中央空调减载控制方法
CN205783575U (zh) * 2016-05-31 2016-12-07 深圳市新环能科技有限公司 基于预测中央空调系统最佳停机时间与分析的节能系统
WO2019022066A1 (ja) * 2017-07-26 2019-01-31 ダイキン工業株式会社 環境設備制御装置
CN109114736A (zh) * 2018-08-21 2019-01-01 广东美的暖通设备有限公司 空调控制方法、空调及计算机可读存储介质
CN109855243A (zh) * 2018-12-25 2019-06-07 奥克斯空调股份有限公司 一种空调器温度控制方法
CN110044020A (zh) * 2019-03-29 2019-07-23 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
公共楼宇空调负荷参与电网调峰关键技术研究;杨辰星;《中国博士学位论文全文数据库》;中国学术期刊（光盘版）电子杂志社;20190115;第9-18页 *
满足舒适要求的空调系统需求响应及错峰运行策略研究;文充;《中国优秀硕士学位论文全文数据库》;中国学术期刊（光盘版）电子杂志社;20120115;第31-51页 *

Also Published As

Publication number Publication date
CN110864414A (zh) 2020-03-06

Similar Documents

Publication Publication Date Title
CN110864414B (zh) 基于大数据分析的空调用电负荷智能控制调度方法
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
CN112072640B (zh) 一种虚拟电厂聚合资源的容量优化方法
US10411475B2 (en) Cloud-based control for power distribution system
Cole et al. Use of model predictive control to enhance the flexibility of thermal energy storage cooling systems
CN112488372A (zh) 多时间尺度下电采暖负荷双层优化调度方法
CN113991655A (zh) 定频空调负荷聚合需求响应潜力评估方法、装置及介质
CN111998505B (zh) 基于RSM-Kriging-GA算法的泛园区空调系统能耗优化方法及系统
Yang et al. Optimal dispatch for a combined cooling, heating and power microgrid considering building virtual energy storage
Li et al. Control method of multi-energy system based on layered control architecture
Yang et al. Strategy of constructing virtual peaking unit by public buildings' central air conditioning loads for day-ahead power dispatching
Gong et al. Analysis of electricity consumption behavior of air conditioning based on the perspective of power demand response
CN113420413B (zh) 一种基于负荷可塑性的柔性负荷可调节能力量化方法及系统
CN107563547B (zh) 一种用户侧用能纵深优化综合能源管控方法
CN113283649B (zh) 供需协同运行能效控制方法、装置、设备和介质
Papadopoulos et al. Indoor thermal comfort analysis for developing energy-saving strategies in buildings
CN115271168A (zh) 用电负荷响应潜力的预测方法、装置及存储介质
CN113887127A (zh) 一种基于建筑物热惰性的虚拟电厂优化调度方法及系统
Yang et al. The regulating characteristic analysis for distributed electric heating load in Northern China
Hou et al. Two-Layer Control Framework and Aggregation Response Potential Evaluation of Air Conditioning Load Considering Multiple Factors
Zhao et al. Air conditioning load forecasting model considering ev and urban heat island effect
CN113887128A (zh) 基于建筑物热惰性的虚拟电厂优化调度方法、模型及系统
Wang et al. A Data-driven Control Method for Operating the Commercial HVAC Load as a Virtual Battery
Gaikwad et al. Increasing energy resiliency to hurricanes with battery and rooftop solar through intelligent control
CN110942262A (zh) 一种面向增量配电园区内空调需求响应的分区域调控方法

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