一种基于自适应粒子群的负荷集群控制方法
技术领域
本发明涉及智能用电、需求响应技术领域,尤其涉及一种基于自适应粒子群的负荷集群控制方法。
背景技术
需求响应(Demand response,DR)是针对特定条件管理客户负载的一种方法。在传统的电力系统(EPS)中,当出现尖峰负荷时,通常采用大面积切负荷方法,该过程会给工业用户造成大量损失。然而,近年来,需求侧响应已被广泛使用和研究。DR可以减少客户的电费,并且可以通过调峰、负荷跟踪、提供备用容量和快速响应辅助服务来辅助电力系统运行。
DR可以分为两种形式:间接负荷控制和直接负荷控制(Direct load control,DLC)。在间接负荷控制时,客户通过根据基于时间的电价策略改变其用电行为来控制负荷。对于本文重点讨论的DLC,负荷的一部分在消费者允许的情况下由电力公司直接控制,以根据需要增加或减少聚合负载。已有试点项目证明了直接负荷控制策略可以处理多达20MW的各类商业和住宅最终使用设备,以平衡可再生能源的间歇性。
然而现有的温度设定控制策略大多集中在温控负荷的模型建立以及提高用户行为分析的准确性,但对于任务量分配不同而引起的用户舒适体验存在差异以及频繁控制会给设备带来损害的问题则研究较少。因此在直接负荷控制中重点考虑电力调度控制中心与负荷聚合商之间不同的调控任务分配会影响用户舒适体验,合理制定调控任务分配,提高用户的舒适体验是需要重点研究的。本文针对电热泵温度变化与调控频次会给用户正常使用带来诸多影响,提出了一种基于自适应粒子群算法的负荷集群控制方法,以电热泵作为负荷调控对象,以人体舒适度指数作为衡量用户舒适体验标准,利用自适应粒子群算法计算最佳任务量分配以提高用户的舒适感;增加设备调控频次限制环节,防止设备调控频次过高给用户使用带来不良影响,最后通过仿真验证了该控制策略的有效性。
现有技术问题及思考:
如何解决控制负荷集群的技术问题。
发明内容
本发明所要解决的技术问题是提供一种基于自适应粒子群的负荷集群控制方法,其通过根据当前的电网运行状态生成需求响应任务量、利用自适应粒子群算法计算每一个负荷聚合商需要承担的调控任务以及将调控任务发送至每一负荷聚合商等,实现了控制负荷集群。
为解决上述技术问题,本发明所采取的技术方案是:一种基于自适应粒子群的负荷集群控制方法,根据当前的电网运行状态生成需求响应任务量,利用自适应粒子群算法计算每一个负荷聚合商需要承担的调控任务,将调控任务发送至每一负荷聚合商。
进一步的技术方案在于:包括S1建立需求响应架构、S2建立负荷模型与舒适度模型、S3计算负荷调控任务、S4分配负荷调控任务、S5负荷集群控制和S6完成负荷调控任务的步骤,所述步骤S3计算负荷调控任务包括S301初始化粒子群算法参数、S302迭代粒子速度与权重值和S303输出粒子寻优结果的步骤,所述步骤S5负荷集群控制包括S501获得密度聚类结果、S502计算温度节点与补偿节点和S503计算调控温度设定值的步骤。
进一步的技术方案在于:在S1建立需求响应架构的步骤中,电力调度控制中心内的所有可控负荷组成用电组,每个用电组由一名负荷聚合商进行控制,负荷聚合商在参与需求响应的用户小区内安装控制站点;控制站点用于与上层的负荷聚合商以及下层的用户可控负荷进行通信,接受负荷聚合商下发的消纳任务曲线同时接受采集装置采集到的用户用电信息;控制站点与小区内的可控负荷之间有控制线路,根据任务需求对负荷进行直接控制;负荷聚合商接受新能源电厂以及电力公司的响应任务,通过调控可控负荷满足响应任务。
进一步的技术方案在于:在S2建立负荷模型与舒适度模型的步骤中,建立电热泵数学模型以及用户舒适度模型,在电热泵设备的热力学模型中,根据电热泵的设备温度与其消耗的电功率之间的对应关系,得到电热泵的热电耦合模型;电热泵的热力学动态模型用一阶简化响应模型过来描述包括电热泵设备保持开启状态的时间和电热泵保持关闭状态的时间;通过控制热泵群内单个热泵的开关状态来调整其对外显示的功率消耗;建立用于衡量用户在实际需求响应中的舒适体验的用户舒适度指数。
进一步的技术方案在于:在S3计算负荷调控任务的步骤中,电力调度控制中心调控任务分配量计算;电力调度中心在制定好整体调控任务后,根据负荷聚合商上报的负荷实时数据,利用自适应粒子群算法进行寻优,计算每个负荷聚合商应得的调控任务;粒子群算法中粒子进行更新和适应度值的计算,不断迭代,模拟下一时刻最佳平均舒适差,最终确定调控任务分配量。
进一步的技术方案在于:在S301初始化粒子群算法参数的步骤中,首先设置最大迭代次数,目标函数的自变量个数,粒子的最大速度,位置信息为整个搜索空间,在速度区间和搜索空间上随机初始化速度和位置,设置粒子群规模为M,每个粒子随机初始化一个粒子更新速度;
在S302迭代粒子速度与权重值的步骤中,定义适应度函数,个体极值为每个粒子找到的最优解,从这些最优解找到全局值,称为本次全局最优解;与历史全局最优比较,进行更新;
在S303输出粒子寻优结果的步骤中,利用粒子群算法,以平均舒适差最小为目标进行迭代寻优,直到计算出满足迭代条件才退出计算,输出最佳任务量分配结果。
进一步的技术方案在于:在S4分配负荷调控任务的步骤中,负荷聚合商在从电力调度控制中心获得需求响应任务后,根据任务需求生成任务曲线,在将任务分配给每一个智能小区中的控制站点,每个智能小区具有自己的任务曲线;控制站点收到消纳任务之后,根据采集到的设备运行状态以及用户用电信息,制定设备控制策略。
进一步的技术方案在于:在S501获得密度聚类结果的步骤中,利用密度聚类算法对负荷进行动态聚类,依据开启数目与关闭数目的大小关系,确定聚类中心点周围的负荷开关状态;若开启数目大于关闭数目,则将温度较为密集的区域设定为关闭,其余区间设定为开启;反之则将温度较为密集区域设定为开启,其余区间设定为关闭;
在S502计算温度节点与补偿节点的步骤中,根据动态聚类的结果和开启/关闭负荷的数目关系确定温度节点与补偿节点在队列中的位置;
在S503计算调控温度设定值的步骤中,划分响应群体以及确定响应信号,当所有负荷开关状态确定后,根据负荷开关状态对负荷群进行响应群体的划分,处于状态变化之间的温度节点即为该组的温度设定值,并向每个设备响应群体发送统一温度设定值作为控制信号。
进一步的技术方案在于:在S6完成负荷调控任务的步骤中,负荷收到温度设定值,将其作为基准温度,确定自身的设备运行状态,完成负荷控制。
进一步的技术方案在于:在步骤S1中,一个调度控制中心下属有两个及以上负荷聚合商,负荷聚合商负责管控一个小区内的负荷,一个小区的可控负荷组成一个用电组,每个家庭申报自己每一时段参与负荷直控的调节量以及预计负荷上限,每个家庭申报的每一个时段参与负荷直控的调节量和预计负荷上限加和作为总体用电情况,以用电组为整体对调度控制中心的调控任务进行响应;
在步骤S2中,建立电热泵数学模型以及用户舒适体验模型,将热力学参数选取为正态随机函数分布;通过信息采集系统,采集用户家中电热泵负荷的运行数据并将数据上传给负荷聚合商,以参与新能源消纳过程;
在步骤S3中,用户负荷由负荷聚合商统一进行调控,根据自身电网的运行情况制定需求响应调控任务,并将任务下发给负荷聚合商,由负荷聚合商对负荷进行统一调控;在调控任务分配环节,以用户平均舒适差最小为优化目标,采用自适应粒子群计算最佳调控任务分配量;
在步骤S5中,负荷聚合商在收到需求响应任务后,根据所控设备状态以及用户信息,划分负荷群的温度裕度空间,确定裕度空间中的负荷启停状态,随后对其余负荷进行温度动态聚类,确定多个温度节点,根据温度节点划分响应群体,确定响应信号;
在步骤S6中,温度节点与裕度边界确定之后,聚类中心点周围的负荷开关状态为所需数目较少的负荷开关状态,其余开关状态依据温度节点依次划分;当所有负荷开关状态确定后,根据负荷开关状态对负荷群进行响应群体的划分,处于状态变化之间的温度节点即为该组的温度设定值,并向每个设备响应群体发送统一温度设定值作为控制信号。
采用上述技术方案所产生的有益效果在于:
一种基于自适应粒子群的负荷集群控制方法,根据当前的电网运行状态生成需求响应任务量,利用自适应粒子群算法计算每一个负荷聚合商需要承担的调控任务,将调控任务发送至每一负荷聚合商。其通过根据当前的电网运行状态生成需求响应任务量、利用自适应粒子群算法计算每一个负荷聚合商需要承担的调控任务以及将调控任务发送至每一负荷聚合商等,实现了控制负荷集群。
详见具体实施方式部分描述。
附图说明
图1是本发明的流程图;
图2是本发明中负荷控制架构图;
图3是本发明中电热泵负荷运行状态示意图;
图4是本发明中粒子群算法寻优示意图;
图5是本发明中调控任务分配示意图;
图6是本发明中温度节点计算示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但是本申请还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施例的限制。
如图1所示,本发明公开了一种基于自适应粒子群的负荷集群控制方法包括S1建立需求响应架构、S2建立负荷模型与舒适度模型、S3计算负荷调控任务、S4分配负荷调控任务、S5负荷集群控制和S6完成负荷调控任务的步骤,所述步骤S3计算负荷调控任务包括S301初始化粒子群算法参数、S302迭代粒子速度与权重值和S303输出粒子寻优结果的步骤,所述步骤S5负荷集群控制包括S501获得密度聚类结果、S502计算温度节点与补偿节点和S503计算调控温度设定值的步骤。
S1建立需求响应架构
电力调度控制中心内的所有可控负荷组成用电组,每个用电组由一名负荷聚合商进行控制,负荷聚合商在参与需求响应的用户小区内安装控制站点;控制站点用于与上层的负荷聚合商以及下层的用户可控负荷进行通信,接受负荷聚合商下发的消纳任务曲线同时接受采集装置采集到的用户用电信息;控制站点与小区内的可控负荷之间有控制线路,根据任务需求对负荷进行直接控制;负荷聚合商接受新能源电厂以及电力公司的响应任务,通过调控可控负荷满足响应任务。
S2建立负荷模型与舒适度模型
建立电热泵数学模型以及用户舒适度模型,在电热泵设备的热力学模型中,根据电热泵的设备温度与其消耗的电功率之间的对应关系,得到电热泵的热电耦合模型。电热泵的热力学动态模型用一阶简化响应模型过来描述包括电热泵设备保持开启状态的时间和电热泵保持关闭状态的时间。通过控制热泵群内单个热泵的开关状态来调整其对外显示的功率消耗。
建立用于衡量用户在实际需求响应中的舒适体验的用户舒适度指数。
S3计算负荷调控任务
电力调度控制中心调控任务分配量计算。电力调度中心在制定好整体调控任务后,根据负荷聚合商上报的负荷实时数据,利用自适应粒子群算法进行寻优,计算每个负荷聚合商应得的调控任务。粒子群算法中粒子进行更新和适应度值的计算,不断迭代,模拟下一时刻最佳平均舒适差,最终确定调控任务分配量。
S301初始化粒子群算法参数
首先设置最大迭代次数,目标函数的自变量个数,粒子的最大速度,位置信息为整个搜索空间,在速度区间和搜索空间上随机初始化速度和位置,设置粒子群规模为M,每个粒子随机初始化一个粒子更新速度。
S302迭代粒子速度与权重值
定义适应度函数,个体极值为每个粒子找到的最优解,从这些最优解找到全局值,称为本次全局最优解。与历史全局最优比较,进行更新。
S303输出粒子寻优结果
利用粒子群算法,以平均舒适差最小为目标进行迭代寻优,直到计算出满足迭代条件才退出计算,输出最佳任务量分配结果。
S4分配负荷调控任务
负荷聚合商在从电力调度控制中心获得需求响应任务后,根据任务需求生成任务曲线,在将任务分配给每一个智能小区中的控制站点,每个智能小区具有自己的任务曲线。控制站点收到消纳任务之后,根据采集到的设备运行状态以及用户用电信息,制定设备控制策略。
S5负荷集群控制
S501获得密度聚类结果
利用密度聚类算法对负荷进行动态聚类,依据开启数目与关闭数目的大小关系,确定聚类中心点周围的负荷开关状态。若开启数目大于关闭数目,则将温度较为密集的区域设定为关闭,其余区间设定为开启;反之则将温度较为密集区域设定为开启,其余区间设定为关闭。
S502计算温度节点与补偿节点
根据动态聚类的结果和开启/关闭负荷的数目关系确定温度节点与补偿节点在队列中的位置。
S503计算调控温度设定值
划分响应群体以及确定响应信号,当所有负荷开关状态确定后,根据负荷开关状态对负荷群进行响应群体的划分,处于状态变化之间的温度节点即为该组的温度设定值,并向每个设备响应群体发送统一温度设定值作为控制信号。
S6完成负荷调控任务
负荷收到温度设定值,将其作为基准温度,确定自身的设备运行状态,完成负荷控制。
在步骤S1中,一个调度控制中心下属有两个及以上负荷聚合商,负荷聚合商负责管控一个小区内的负荷,一个小区的可控负荷组成一个用电组,每个家庭申报自己每一时段参与负荷直控的调节量以及预计负荷上限,每个家庭申报的每一个时段参与负荷直控的调节量和预计负荷上限加和作为总体用电情况,以用电组为整体对调度控制中心的调控任务进行响应。
在步骤S2中,建立电热泵数学模型以及用户舒适体验模型,将热力学参数选取为正态随机函数分布。通过信息采集系统,采集用户家中电热泵负荷的运行数据并将数据上传给负荷聚合商,以参与新能源消纳过程。
在步骤S3中,用户负荷由负荷聚合商统一进行调控,根据自身电网的运行情况制定需求响应调控任务,并将任务下发给负荷聚合商,由负荷聚合商对负荷进行统一调控。在调控任务分配环节,以用户平均舒适差最小为优化目标,采用自适应粒子群计算最佳调控任务分配量。
在步骤S5中,负荷聚合商在收到需求响应任务后,根据所控设备状态以及用户信息,划分负荷群的温度裕度空间,确定裕度空间中的负荷启停状态,随后对其余负荷进行温度动态聚类,确定多个温度节点,根据温度节点划分响应群体,确定响应信号。
在步骤S6中,温度节点与裕度边界确定之后,聚类中心点周围的负荷开关状态为所需数目较少的负荷开关状态,其余开关状态依据温度节点依次划分。当所有负荷开关状态确定后,根据负荷开关状态对负荷群进行响应群体的划分,处于状态变化之间的温度节点即为该组的温度设定值,并向每个设备响应群体发送统一温度设定值作为控制信号。
本申请的目的:
为有效提高用户在参与需求响应过程中的舒适体验,降低负荷的开关变化次数,进一步提升用户的舒适体验。本专利提出一种基于自适应粒子群算法的负荷集群控制策略,以自适应粒子群算法计算调度控制中心与负荷聚合商之间的调控任务分配,以温度设定为控制手段,对设备所调节温度进行队列排序,同时采用密度聚类算法确定温度密集区域,计算温度队列中的各温度节点值,最后根据负荷的开关状态确定受控群组并对其进行控制。该调控策略可以提高用户参与需求响应的舒适程度,同时降低设备的调控频次,提高用户参与需求响应的意愿。
本申请的技术特点:
电力调度控制中心根据当前的电网运行状态,生成总体需求响应任务量。利用自适应粒子群算法计算各个负荷聚合商需要承担的调控任务,并将调控任务下发给各负荷聚合商。
如图1所示,本发明技术方案中设定了一种以提高用户舒适程度为目的的调控任务分配算法如下:
S1建立需求响应架构
如图2所示,一个电力调度控制中心内的所有可控负荷组成的多个用电组,每个用电组由一名负荷聚合商进行控制,负荷聚合商在智能小区内设置一个控制站点进行控制。控制站点装设在参与需求响应的用户小区内,用于和上层的负荷聚合商以及下层的用户可控负荷进行通信,接受负荷聚合商下发的消纳任务曲线同时接受采集装置采集到的用户用电信息。控制站点与小区内的可控负荷之间有控制线路,可以根据任务需求对负荷进行直接控制。负荷聚合商接受新能源电厂以及电力公司的响应任务,通过调控可控负荷满足响应任务。本专利针对常用电热泵负荷作为研究对象。
S2建立负荷模型与舒适度模型
建立电热泵数学模型以及用户舒适度模型。电热泵的负荷模型与空调相类似。在电热泵设备的热力学模型中,根据电热泵的设备温度与其消耗的电功率之间的对应关系,可以得到电热泵的热电耦合模型Q=S(k)Qop,其中Qop是电热泵的额定热比率,S(k)是设备的开关状态。
设备开关状态变化如式(1)所示,其中
是电热泵的温度设定值,单位为℃,δ为温度死区的宽度,单位为℃。
如图3所示,电热泵的热力学动态模型可以用一阶简化响应模型过来描述,其中τon为电热泵设备保持开启状态的时间,τoff为电热泵保持关闭状态的时间。在上述模型的基础上通过数学推导,可以得到描述电热泵运行状态的指数模型,如式(2)所示。其中S(k)为电热泵设备的开关状态,R,C,Q分别为室内空气热阻,室内空气热容,电热泵的热比率。Tout为室外空气温度,Troom为室温,单位为℃。
一般来说,用户舒适度指数用于衡量用户在实际需求响应中的舒适体验。因为室内温度会随着电热泵的工作而变化,而温度变化会对用户感官上的舒适程度造成影响,本专利采用标准人体舒适度指数来衡量用户的舒适情况。人体舒适度指数计算如式(3)所示
ICI=1.8Troom-0.55(1.8Troom-Tcom)(1-RH/100)+32 (3)
其中Troom为室内当前温度,Tcom为室内舒适温度,RH为相对湿度。室内相对湿度受多种因素影响,在本文讨论电热泵工作过程中,相对湿度为定值,当室内温度为舒适温度时取得最佳舒适度ICI,com。
为了直观表达单个用户与群体用户体验,本文定义用户平均舒适差(AverageUser Comfort Difference,AUC),表示符号为AUC,如式(4)所示。
其中ICI,i为第i用户当前舒适度指数,N为用户数。平均舒适差越小,说明该负荷群在进行需求响应时越接近舒适温度,用户的体验越好。取室内相对湿度为65,舒适温度为20℃,当温度靠近舒适温度时,平均舒适差降低,用户体验增强;当温度远离舒适温度时,平均舒适差升高,用户体验变差。
S3计算负荷调控任务
负荷调控任务量分配计算。由于设备群内设备的初始温度,热力学参数存在差异,在多个设备群同时进行需求响应时,设备群响应任务量的大小会影响该设备群的平均温度变化。因此制定一种合理的任务分配方法对于改变设备群的平均温度,提高用户体验有重要意义。利用粒子群算法制定具体的调控任务分配方法如下:
S301初始化粒子群算法参数
粒子参数初始化。首先设置最大迭代次数,目标函数的自变量个数,粒子的最大速度。设置粒子群规模为M,每个粒子随机初始化一个粒子更新速度。
S302迭代粒子速度与权重值
迭代粒子速度与权重值。本文定义了适应度函数,个体极值为每个粒子找到的最优解,从这些最优解找到全局值,称为本次全局最优解。与历史全局最优比较,进行更新。
更新速度和位置的公式,如式(5)所示
Vid=ωVid+C1×random(0,1)(Pid-Xid)+C2×random(0,1)(Pgd-Xid)
Xid=Xid+Vid (5)
其中,ω称为速度权重值,当ω较大时,全局寻优能力较强,当ω较小时,局部寻优能力较强。
同时为了提高效率,对速度权重值的选择进行自适应选取,具体如下:
标准粒子群算法的速度更新公式如式(6)所示。
V=ω*v+c1*Rrand*(pbest-x)+c2*Rrand*(gbest-x) (6)
此时速度权重值ω为定值,在迭代过程中保持不变。
而自适应粒子群算法的速度权重值如式(7)所示
其中P
ref为当前时刻任务量,P
i为热泵功率,N为设备数,F
fun为当前时刻适应度值,c
1,c
2,
分别是粒子群算法的参数值,该参数值与负荷控制的数目以及功率有关。
S303输出粒子寻优结果
输出粒子寻优结果。粒子群算法的终止条件通常满足两个因素:达到设定迭代次数;代数之间的差值满足最小界限。
本文中,粒子群算法的粒子结构如式(8)所示
Pj={Pref,1,Pref,2,Pref,3...Pref,M} (8)
如图4所示,其中Pref,M为第M小区的调控任务量。粒子群算法中的适应度为负荷群的平均舒适差,平均舒适差越小,负荷群整体越靠近舒适温度。适应度值的计算流程。
S4分配负荷调控任务
如图5所示,负荷聚合商在从电力调度控制中心获得需求响应任务后,根据任务需求生成任务曲线,在将任务分配给各个智能小区中的控制站点,每个智能小区具有自己的任务曲线。控制站点收到消纳任务之后,根据采集到的设备运行状态以及用户用电信息,制定设备控制策略。
S5负荷集群控制
为了避免负荷调控过程中设备频繁开启造成设备损坏。
本发明技术方案中限制设备调控频次的负荷集群控制策略如下:
S501获得密度聚类结果
对负荷群进行聚类分析。在对负荷群进行聚类分析之前,首先划分阈值刻度,所谓阈值刻度是指不参与聚类的负荷。阈值刻度分成高刻度和低刻度,我们将温度区间设定为[TL,TH],高阈值刻度为Thigh,低阈值刻度为Tlow。则温度在[TL,Tlow]区间的负荷开关状态全部设定为开启使,开启的负荷温度升高直到高于Tlow进入聚类区间;相应的,温度在[Thigh,TH]区间的负荷开关状态全部设定为关闭,关闭的负荷温度下降直到低于Thigh进入聚类区间。其中阈值刻度的计算公式如下,其中R,C,Q分别为室内空气热阻,室内空气热容,电热泵的热比率,Tout为室外空气温度,单位为℃。
其中Tlow为较低温度的裕度边界,TL为温度下限。
其中Thigh为较高温度的裕度边界,TH为温度上限。
如附图6所示,度聚类算法的聚类结果分成两部分,一是聚类组数以及聚类中心点,二是聚类组中的负荷以及负荷状态。在温度队列中,聚类组,聚类中心点的划分。
负荷群的开启数目Non与关闭数目Noff的计算公式如下,N为设备总数。
Non=Pref/PE (11)
Noff=N-Non (12)
S502计算温度节点与补偿节点
如图6所示,计算温度节点以及补偿节点。为了计算聚类中心所在区域的长度,本文定义温度节点Tnodei,L,Tnodei,R和补偿节点TB,其单位为℃。
温度节点的计算公式如式(13)(14)所示。若要考虑Non<Noff的情况,则对其做相应调整即可。
其中Tnodej,L和Tnodej,R是第j个聚类组的较小温度节点与较大温度节点;centerj是第j个聚类组的聚类中心所在位置。G为聚类组数,St为温度为t的负荷此时的开关状态,SH为密集区域的宽度。
由电热泵的ETP模型可知,最终负荷开关动作的执行是由温度设定值来完成的,各个聚类组的温度设定值Tset,j计算如式(15)所示
S503计算调控温度设定值
计算调控温度设定值。温度节点与阈值刻度确定之后,聚类中心点周围的负荷开关状态为所需数目较少的负荷开关状态,其余开关状态依据温度节点依次划分。当所有负荷开关状态确定后,根据负荷开关状态对负荷群进行响应群体的划分,处于状态变化之间的温度节点即为该组的温度设定值,并向每个设备响应群体发送统一温度设定值作为控制信号。
S6完成负荷调控任务
负荷收到各自的温度设定值,将其作为的基准温度,确定自身的设备运行状态,最终完成负荷控制。其中调控任务分配环节的平均舒适差与粒子权重值如表1所示,负荷集群控制环节的开关变化次数如表2所示。
表1:粒子群算法的平均舒适差与速度权重值
序号 |
时间/min |
平均舒适差 |
粒子更新速度权重 |
1 |
20 |
221.88743 |
6.74 |
2 |
40 |
196.96030 |
2.85 |
3 |
60 |
191.44586 |
2.76 |
4 |
80 |
177.40072 |
1.88 |
5 |
100 |
163.35178 |
1.74 |
6 |
120 |
147.05919 |
1.47 |
7 |
140 |
128.08493 |
1.40 |
8 |
160 |
107.37891 |
1.31 |
9 |
180 |
90.977597 |
1.23 |
10 |
200 |
75.794330 |
1.12 |
11 |
220 |
62.602187 |
1.01 |
12 |
240 |
49.541861 |
0.87 |
13 |
260 |
36.486537 |
0.76 |
14 |
280 |
28.090050 |
066 |
15 |
300 |
25.453201 |
0.51 |
16 |
320 |
22.828816 |
0.41 |
17 |
340 |
23.311228 |
0.28 |
18 |
360 |
24.440309 |
0.17 |
19 |
380 |
22.543934 |
0.16 |
20 |
400 |
12.569872 |
0.14 |
表2:负荷调控过程中的开关变化次时
序号 |
时间/min |
对照组开关变化量/次 |
开关变化量/次 |
1 |
20 |
71 |
19 |
2 |
40 |
54 |
18 |
3 |
60 |
58 |
8 |
4 |
80 |
52 |
4 |
5 |
100 |
56 |
1 |
6 |
120 |
52 |
5 |
7 |
140 |
70 |
10 |
8 |
160 |
92 |
19 |
9 |
180 |
77 |
17 |
10 |
200 |
95 |
13 |
11 |
220 |
60 |
16 |
12 |
240 |
53 |
26 |
13 |
260 |
41 |
21 |
14 |
280 |
58 |
7 |
15 |
300 |
57 |
5 |
16 |
320 |
22 |
8 |
17 |
340 |
35 |
33 |
18 |
360 |
47 |
40 |
19 |
380 |
40 |
15 |
20 |
400 |
58 |
9 |
技术方案说明:
如附图1所示,本发明给给出了一种基自适应粒子群的负荷控制策略,包括电力调度控制中心,负荷聚合商,控制站点,智能小区,居民可控负荷,负荷信息采集器,智能电表等互联互通设备。
电力调度控制中心负责具体实施电网经济运行、安全可靠调度管理的中心机构。负责辖区内电力运行管理以及无功补偿,发、输、配电可靠性管理,编制负荷曲线,开展电力电量平衡和考核运算。
负荷聚合商是负荷直控过程中连接用户负荷与电力调度控制中心的枢纽,它可以将地理位置分散的某一类型可中断或可转移负荷(如电取暖锅炉、商用电热水器、电动汽车等)聚合到自己的一条虚拟母线上,通过公众信息通信基础设施对这些虚拟母线上的聚合负荷进行集中控制来实现对电力调度控制中心的响应。通过为电网提供辅助服务,负荷聚合商可以通过供暖费、热水费等变通方法实现其收益,亦可通过获取政府的需求响应补贴、未来的碳交易收益或直购价格低廉的新能(如弃风)电量来平衡其收益。
负荷信息采集器是安装在可控设备上的装置,其作用是采集设备的开关状态以及设备温度。信息采集器应具有监测设备控制次数信息功能,当设备经过一次调控之后,信息采集器会记录下设备的控制次数。
控制站点安装在智能小区中,每个控制站点控制一个智能小区内的可控负荷。控制站点具有信息的传递和接受功能,可以接受负荷聚合商的指令同时可以向负荷下达控制指令。控制站点应具备以下基本功能:
(1)信息传输功能。控制站点可以接受来自信息采集器的用户用电信息。以电热泵为例,上传信息包含热泵功率,室温,开关状态,计步器状态等。控制站点与负荷聚合商连接有信息传输线,负荷聚合商通过直购电的方式从新能源电厂购买一定的消纳任务曲线,并将消纳任务分配给位于智能小区的控制站点。
(2)数据存储功能。控制站点接受信息采集器上传的负荷状态信息,将信息存储到自身的数据库中。并且存储由负荷聚合商下发的任务曲线,供预测消纳任务量使用。
(3)任务曲线预测功能。控制站点可以存储海量的任务曲线数据,通过已有的任务曲线可以进行当天消纳任务的预测。
(4)聚类功能。大规模电热泵负荷存在多种差异性,例如状态特征量,热参数,调控周期,实际功率等。要考虑热泵差异性,需要考虑多种因素对热泵进行聚类,分类调控。
(5)控制策略生成功能。控制站点在收到消纳任务后,根据数据库中存储的负荷状态信息确定需要控制的设备。并生成控制指令。
(6)控制功能。控制站点根据控制策略生成控制指令,控制指令经联络线传输到各台设备中,设备基于控制指令控制自身的开关状态,完成消纳任务。