CN111555274A - 一种空调负荷需求响应能力动态评估方法 - Google Patents

Abstract

本发明公开了一种空调负荷需求响应能力动态评估方法，该方法应用于空调集群通过需求侧响应参与电网辅助服务的能力实时动态评估；该方法实现依赖于部署在负荷本地的智能终端ST和部署在调度中心的管理终端MT以及二者之间的双向通信基础设施；本地智能终端ST基于空调的运行数据实现负荷特性参数辨识，采用参数模型和实时运行状态求解响应能力指标，并周期性的向管理终端MT上传所求数据；管理终端MT接收管辖范围内各智能终端ST上传的数据，结合运行状态估计算法求取高时间精度的空调响应能力信息，并考虑响应功率和响应时长两个能力指标完成空调集群的响应能力聚合，通过调整迭代周期λ可以实现不同更新频率的响应能力评估。

Description

一种空调负荷需求响应能力动态评估方法

技术领域

本发明涉及电力系统需求响应领域，尤其是一种空调负荷需求响应能力动态评估方法。

背景技术

发电功率和电力负荷之间的平衡是电力系统稳定运行的基础。作为智能电网的核心技术之一，负荷需求侧响应能够通过改变电力用户用电行为抑制潮流随机波动、缓解供需矛盾、提高系统运行效率。空调负荷具有体量大、在线时间长、控制灵活的特点，是电网中重要的柔性资源，在提供多种电网辅助调节服务中蕴含着巨大的潜力。另一方面，其响应控制依赖于相应软硬件系统且需对调度行为导致的用户舒适性损失进行经济补偿；同时，虽然空调在夏季和冬季广泛使用，可调节容量可观，但春秋季节其在电网中占比较小。随着我国可再生能源发电在电网中占比不断增长，需求响应资源必将出现局部性、阶段性的紧张状态。

因此，开发针对空调负荷的响应能力评估方法对调度中心对该类资源进行实时的响应控制和调度优化具有重要意义。

发明内容

本发明需要解决的技术问题是提供一种空调负荷需求响应能力动态评估方法。

为解决上述技术问题，本发明所采用的技术方案是：

一种空调负荷需求响应能力动态评估方法，依赖于多台智能终端ST和一台管理终端MT以及MT与每台ST之间双向通信的基础设施，其中ST部署在空调用户本地，MT部署在负荷需求响应调度中心，包括如下步骤：

A、ST接收并储存空调上传的开关状态数据s(t)和由温度传感器采集的室内温度数据T_in(t)；

B、ST采用参数辨识算法求解空调负荷特性参数β₁、β₂、β₃、β₄；

C、ST根据β₁、β₂、β₃、β₄求解空调维持开机或关机的剩余持续时长x_on(t)、x_off(t)；

D、ST将s(t)、β₁、β₂、β₃、β₄、x_on(t)和x_off(t)发送至MT；

E、MT接收并储存管理范围内各ST发送的s(t)、β₁、β₂、β₃、β₄、x_on(t)和x_off(t)并随时根据最新数据进行更新矫正；

F、MT计算管理范围内各空调的响应能力指标；

G、MT评估管理范围内空调集群的聚合响应能力；

H、MT根据电网调节需求向ST下发调度指令同时更新对应空调设备的s(t)；

I、ST接收由MT发送的调度指令并控制空调实现响应。

本发明技术方案的进一步改进在于：所述步骤B中参数辨识算法基于最小二乘法，参数辨识表达式为：

Y_l-β₁A_l-β₂B_l-β₃C_l-β₄D_l

其中：

式中：t_l、t_k表示连续时段l起点时刻和终点时刻；T_a、T_in分别为室外气温和室内气温；ε为各项数据的采样时间间隔；s表示空调开关状态，其值为0和1时分别表示“关机”和“开机”状态。

本发明技术方案的进一步改进在于：所述步骤C中ST求解x_on(t)、x_off(t)的表达式如下：

式中：T_max、T_min分别为室内温度设定值的上下限。

本发明技术方案的进一步改进在于：所述步骤F中空调响应能力指标包括可响应功率和响应可持续时长，所述可响应功率包括有负荷上调和负荷下调的服务调节类型，对于响应时长为x的负荷调度需求，空调i的可响应功率为：

式中：P_f,i(x,t)、P_n,i(x,t)分别为负荷上调和负荷下调的可响应功率；s_i(t)、x_on,i(t)、x_off,i(t)为空调i的空调开关状态、空调维持开机和关机的剩余持续时长。

本发明技术方案的进一步改进在于：MT采用迭代估计算法计算s_i(t)、x_on,i(t)、x_off,i(t)。

本发明技术方案的进一步改进在于：所述s_i(t)、x_on,i(t)、x_off,i(t)的迭代估计算法的表达式如下：

式中，τ_on,i、τ_off,i为空调自然运行时的开关机持续时长；λ为迭代周期。

本发明技术方案的进一步改进在于：所述步骤G中空调集群的聚合响应能力算法为：

式中：N为负荷管理单元管辖范围内的空调负荷数量，H_f(x,t)、H_n(x,t)分别为负荷上调和负荷下调的最大响应功率。

由于采用了上述技术方案，本发明取得的技术进步是：

本发明中空调负荷需求响应能力动态评估方法应用于空调集群通过需求侧响应参与电网辅助服务的能力实时动态评估；该方法实现依赖于部署在负荷本地的智能终端ST和部署在调度中心的管理终端MT以及二者之间的双向通信基础设施；本地智能终端ST基于空调的运行数据实现负荷特性参数辨识，采用参数模型和实时运行状态求解响应能力指标，并周期性的向管理终端MT上传所求数据；管理终端MT接收管辖范围内各智能终端ST上传的数据，结合运行状态估计算法求取高时间精度的空调响应能力信息，并考虑响应功率和响应时长两个能力指标完成空调集群的响应能力聚合，通过调整迭代周期λ可以实现不同更新频率的响应能力评估。

附图说明

图1是本发明空调负荷二阶等效参数模型；

图2是本发明空调负荷运行过程；

图3是本发明空调负荷响应过程；

图4是本发明空调负荷运行状态迭代估计原理图；

图5是本发明空调负荷响应能力分组示意图；

图6是本发明服务系统结构示意图；

图7是本发明空调用户本地智能终端运行流程图；

图8是本发明需求响应调度中心管理终端运行流程图；

图9是本发明系统评估结果示例。

具体实施方式

下面结合实施例对本发明做进一步详细说明：

一种空调负荷需求响应能力动态评估方法，依赖于多台智能终端ST和一台管理终端MT以及MT与每台ST之间双向通信的基础设施，其中ST部署在空调用户本地，MT部署在负荷需求响应调度中心，包括如下步骤：

A、ST接收并储存空调上传的开关状态数据s(t)和由温度传感器采集的室内温度数据T_in(t)；

B、ST采用参数辨识算法求解空调负荷特性参数β₁、β₂、β₃、β₄；

C、ST根据β₁、β₂、β₃、β₄求解空调维持开机或关机的剩余持续时长x_on(t)、x_off(t)；

D、ST将s(t)、β₁、β₂、β₃、β₄、x_on(t)和x_off(t)发送至MT；

E、MT接收并储存管理范围内各ST发送的s(t)、β₁、β₂、β₃、β₄、x_on(t)和x_off(t)并随时根据最新数据进行更新矫正；

F、MT计算管理范围内各空调的响应能力指标；

G、MT评估管理范围内空调集群的聚合响应能力；

H、MT根据电网调节需求向ST下发调度指令同时更新对应空调设备的s(t)；

I、ST接收由MT发送的调度指令并控制空调实现响应。

所述步骤B中空调负荷特性参数辨识：

由计及室内空气与固体介质温度差异和各自储热效果的二阶ETP模型描述的热力学动态过程如图1所示。图1中：T_a、T_in、T_m分别为室外空气、室内气体和室内固体的温度；C_a、C_m分别为室内气体和固体的等值热容；R_a为室内外空气之间的等值热阻；R_m为室内空气与室内固体之间的等值热阻；Q为温控设备的热功率。

建筑内热介质温度变化分别由两个常微分方程描述，如式(1)(2)所示。

空调根据用户设定温度与室温的相对状态启停电热转换，其制冷功率如式(3)所示。

式中：P为空调额定功率；η为空调能效比；T_s为用户设置的室内目标温度；T_δ为室温控制裕量；s表示空调开关状态，其值为0和1时分别表示“关机”和“开机”状态；ε为空调采样时间间隔。

通过对式(1)进行积分运算，可求得在时刻k、l之间室内空气温度的变化量为：

由于建筑内固体总质量很大，热容C_m>>C_a，在室温整体保持稳定的建筑内，T_m可视为恒定值。式(4)可简写为：

其中：

式(5)中β₁、β₂、β₃、β₄为待求参数。令各项数据采样间隔均为ε，将式(5)离散化得总体参数辨识表达式为：

Y_l＝β₁A_l+β₂B_l+β₃C_l+β₄D_l (7)

其中：

式(7)和(8)中，T_in(t)、T_a(t)可分别通过室内温度传感器和区域气象数据获得，s(t)可由空调运行数据获取，A_l、B_l、C_l、D_l、Y_l均为可测或可求数据。通过选取不同的时间节点l、k，可求得多组样本数据，根据最小二乘准则构建参数辨识目标函数为：

式中，z为参与参数辨识的样本总量。方程(7)的最优参数应使X的值最小，β₁、β₂、β₃、β₄的最小二乘估计值须满足：

其中：

Z_l(β₁,β₂,β₃,β₄)＝Y_l-β₁A_l-β₂B_l-β₃C_l-β₄D_l (11)

式(10)是以β₁、β₂、β₃、β₄为未知数的四元一次线性方程组，通过对其求解可得模型参数的最优估计值。

对时刻t的空调负荷参数辨识，采用该时刻前6小时内采集的运行数据作为样本。具体步骤如下：

1)将包含室内外气温T_in(t)、T_a(t)和设备开关状态s(t)的运行数据按时间随机划分为不等长的30个分段，各时段长度介于5分钟至15分钟；

2)根据式(8)分别计算每个时段的A_l、B_l、C_l、D_l、Y_l；

3)将A_l、B_l、C_l、D_l、Y_l代入式(10)，求解可得β₁、β₂、β₃、β₄的最优估计值。

所述步骤F中空调负荷需求响应能力评估：

单个空调负荷需求响应能力分析：

空调的工作过程有周期性，在温控设备和其他热量传递的作用下，室内气温在一定的温度设定值T_s附近上下波动，其运行过程如图2所示。根据公式(1)和公式(6)，空调在开启和关断状态下室温由T₁到T₂的时长如公式(12)和公式(13)所示：

根据图2，空调正常运行时开关机持续时间分别为τ_on(T_max,T_min)、τ_off(T_min,T_max)。

空调在开机状态下具有负荷下调的空间，其可调节功率为额定功率P，其响应过程如图3所示，空调在接到调度指令时直接关断，当室内温度上升至原温度设定上限时，空调将重新开机运行。其负荷下调持续时长为τ_off(T₀,T_max)。其中：T₀为空调受控时的室内气温。

同理，空调在关机状态下具有负荷上调的空间，其可调节功率为额定功率P，其负荷上调持续时长为τ_on(T₀,T_min)。

空调运行状态的估计算法：

在空调维持开关状态不变时，室内温度随时间变化可近似看做线性过程，如图4所示。图4中：τ′_on、τ′_off为空调自然运行时的开关机时长，分别等于τ_on(T_max,T_min)、τ_off(T_min,T_max)，其在较短时间内(如10分钟)可视为定值。对处于开(关)机状态的空调，经过时长λ，室内气温下降(上升)，空调开启剩余时长减少(增加)，可响应持续时长增加(减少)，空调运行状态可通过式(14)-(16)估算。

通过公式(14)-(16)的多次迭代，可以在不进行参数及状态获取的情况下求得一段时间内设备的关键状态变量。对空调负荷的响应控制操作会改变其原有运行状态，如开关控制直接改变开关状态s(t)，使x_on(t)、x_off(t)的增减向相反方向进行。

步骤G中空调负荷集群需求响应能力分析：

单个空调负荷响应能力可以用响应功率和持续时长两个指标描述。由于多个空调的运行启停时序相互交错，其聚合响应能力指标不能通过简单累加求取。

空调处于开启状态时能实现负荷下调；处于关闭状态时不具备负荷下调能力，且经过一定时间会自动启动，削弱集群负荷下调的整体效果。对于响应时长为x的调度需求，根据t₀时刻各空调的空调开关状态s_i(t)、空调维持开机和关机的剩余持续时长x_on,i(t)、x_off,i(t)将N个空调负荷分为4组，如图5所示。

在图5中，Ⅰ组有负荷下调能力，且可以满足时长需求；Ⅱ组有负荷下调能力，但不能满足时长需求；Ⅲ组没有负荷下调能力，时长x内不会由关机状态转换为开机状态；Ⅳ组没有负荷下调能力，且在时长x内会自动启动。仅Ⅰ、Ⅳ组的空调能对时长为x的需求响应发挥作用。则各空调负荷的响应功率可由式(17)表示，包含N台空调的负荷集群最大响应功率可由式(18)表示。

同理，负荷上调时各空调负荷和负荷集群的可响应功率为：

空调负荷需求响应能力动态评估服务系统：

空调负荷需求响应能力动态评估服务系统，依赖于多台智能终端ST和一台管理终端MT以及MT与每台ST之间双向通信基础设施，如图6所示。

ST具有以下功能：

a)接收并储存空调上传的开关状态数据s(t)和由温度传感器采集的室内温度数据T_in(t)；

b)采用参数辨识算法求解空调负荷特性参数β₁、β₂、β₃、β₄；

c)求解空调维持开机或关机的剩余持续时长x_on(t)、x_off(t)；

d)将所求β₁、β₂、β₃、β₄和s(t)、x_on(t)、x_off(t)发送至MT；

e)接收由MT发送的调度指令并控制空调实现响应。

MT具有以下功能：

a)接收并储存由管理范围内各ST上传的数据；

b)计算管理范围内各空调的响应能力指标；

c)评估管理范围内空调集群的聚合响应能力；

d)根据电网调节需求向ST下发调度指令。

ST和MT的运行流程如图7和图8所示。其中数据采集周期ε为6秒；模型参数辨识周期c_β为1小时；关键状态变量同步周期c_s为10分钟；状态迭代周期λ为1秒。

图9为包含1000台可控家用空调的居民社区的响应能力评估结果示例。

Claims (7)

1.一种空调负荷需求响应能力动态评估方法，依赖于多台智能终端ST和一台管理终端MT以及MT与每台ST之间双向通信的基础设施，其中ST部署在空调用户本地，MT部署在负荷需求响应调度中心，其特征在于：包括如下步骤：

A、ST接收并储存空调上传的开关状态数据s(t)和由温度传感器采集的室内温度数据T_in(t)；

B、ST采用参数辨识算法求解空调负荷特性参数β₁、β₂、β₃、β₄；

C、ST根据β₁、β₂、β₃、β₄求解空调维持开机或关机的剩余持续时长x_on(t)、x_off(t)；

D、ST将s(t)、β₁、β₂、β₃、β₄、x_on(t)和x_off(t)发送至MT；

E、MT接收并储存管理范围内各ST发送的s(t)、β₁、β₂、β₃、β₄、x_on(t)和x_off(t)并随时根据最新数据进行更新矫正；

F、MT计算管理范围内各空调的响应能力指标；

G、MT评估管理范围内空调集群的聚合响应能力；

H、MT根据电网调节需求向ST下发调度指令同时更新对应空调设备的s(t)；

I、ST接收由MT发送的调度指令并控制空调实现响应。

2.根据权利要求1所述的一种空调负荷需求响应能力动态评估方法，其特征在于：所述步骤B中参数辨识算法基于最小二乘法，参数辨识表达式为：

Y_l-β₁A_l-β₂B_l-β₃C_l-β₄D_l

其中：

式中：t_l、t_k表示连续时段l起点时刻和终点时刻；T_a、T_in分别为室外气温和室内气温；ε为各项数据的采样时间间隔；s表示空调开关状态，其值为0和1时分别表示“关机”和“开机”状态。

3.根据权利要求2所述的一种空调负荷需求响应能力动态评估方法，其特征在于：所述步骤C中ST求解x_on(t)、x_off(t)的表达式如下：

式中：T_max、T_min分别为室内温度设定值的上下限。

4.根据权利要求3所述的一种空调负荷需求响应能力动态评估方法，其特征在于：所述步骤F中空调响应能力指标包括可响应功率和响应可持续时长，所述可响应功率包括有负荷上调和负荷下调的服务调节类型，对于响应时长为x的负荷调度需求，空调i的可响应功率为：

式中：P_f,i(x,t)、P_n,i(x,t)分别为负荷上调和负荷下调的可响应功率；s_i(t)、x_on,i(t)、x_off,i(t)为空调i的空调开关状态、空调维持开机和关机的剩余持续时长。

5.根据权利要求4所述的一种空调负荷需求响应能力动态评估方法，其特征在于：MT采用迭代估计算法计算s_i(t)、x_on,i(t)、x_off,i(t)。

6.根据权利要求5所述的一种空调负荷需求响应能力动态评估方法，其特征在于：所述s_i(t)、x_on,i(t)、x_off,i(t)的迭代估计算法的表达式如下：

式中，τ_on,i、τ_off,i为空调自然运行时的开关机持续时长；λ为迭代周期。

7.根据权利要求6所述的一种空调负荷需求响应能力动态评估方法，其特征在于：所述步骤G中空调集群的聚合响应能力算法为：

式中：N为负荷管理单元管辖范围内的空调负荷数量，H_f(x,t)、H_n(x,t)分别为负荷上调和负荷下调的最大响应功率。

Images