CN111598478B - 一种综合能源需求响应量计算方法 - Google Patents
一种综合能源需求响应量计算方法 Download PDFInfo
- Publication number
- CN111598478B CN111598478B CN202010448787.3A CN202010448787A CN111598478B CN 111598478 B CN111598478 B CN 111598478B CN 202010448787 A CN202010448787 A CN 202010448787A CN 111598478 B CN111598478 B CN 111598478B
- Authority
- CN
- China
- Prior art keywords
- load
- demand response
- user
- energy demand
- 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
Links
- 230000004044 response Effects 0.000 title claims abstract description 104
- 238000004364 calculation method Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000011002 quantification Methods 0.000 claims abstract description 10
- 238000013139 quantization Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 43
- 238000010411 cooking Methods 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005406 washing Methods 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 23
- 230000008859 change Effects 0.000 abstract description 7
- 230000033228 biological regulation Effects 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 description 27
- 239000007789 gas Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000005286 illumination Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004378 air conditioning Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000002737 fuel gas Substances 0.000 description 3
- 230000017525 heat dissipation Effects 0.000 description 3
- 230000037323 metabolic rate Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003287 bathing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种综合能源需求响应量计算方法,步骤如下:(1)根据用户所用负荷的运行特性,构建各类负荷的用能模型;(2)建立综合能源需求响应量化模型;(3)利用混合整数优化算法求解步骤(2)中的量化模型。本发明可以实现综合能源需求响应容量的精确计算,提升系统优化调度水平和对用户负荷的精准管理,动态改变用电模式,提升用电经济性和负荷柔性调节能力,为进一步实现系统用电负荷的削峰填谷和降低基础建设成本奠定基础。
Description
技术领域
本发明涉及一种定量计算综合能源需求响应的方法。
背景技术
综合需求响应(Integrated Demand Response,IDR)是适应“新负荷”多元需求、提升电网柔性和弹性、增加综合能源网络灵活性的重要方式之一。综合能源用能场景下,用户画像是洞察用户需求、用能优化、能源交易、需求响应互动等精准服务的重要依据,通常包括用电特性特征、消费习惯特征等标签。用户响应作为用户画像的重要标签之一,客观地表征了用户是否存在调控可能性、可调控容量、持续时间及响应速率,如何更科学地计算响应、更精确地描述用户特性,成为综合需求响应用户画像的重点课题之一。
目前需求响应计算方法有三种:一、直接使用居民负荷特性表示;二、将用户负荷特性采用特征映射的方式表示响应;三、对居民负荷建模。
现阶段对于综合能源需求响应容量模型的研究仍然较少,主要表现在:对居民用户负荷模型的建模不够全面,没有考虑到家庭人口、出行时间等因素,不能精模拟用户用能行为;没有计及用户的综合用能行为,响应挖掘不够,造成响应不精确;用户响应后舒适度及价格敏感度都将影响用户响应意愿,用户响应意愿和客观响应共同影响用户真实响应量,所以响应模型中掺杂用户舒适度将造成标签不独立,使得计算不准确。
由此可见,现有的综合能源需求响应容量计算方式,无法实现精确的量化计算,严重制约了系统的运行优化调度水平和对用户负荷的精准管理,难以达到动态改变用电模式、提升用电经济性、提升负荷柔性调节能力、实现系统用电负荷的削峰填谷以及降低基础建设成本的目的。
发明内容
本发明提出了一种综合能源需求响应量计算方法,其目的是:实现综合能源需求响应容量的精确计算,提升系统优化调度水平和对用户负荷的精准管理,动态改变用电模式,提升用电经济性和负荷柔性调节能力,为进一步实现系统用电负荷的削峰填谷和降低基础建设成本奠定基础。
本发明技术方案如下:
一种综合能源需求响应量计算方法,步骤为:
(1)根据用户所用负荷的运行特性,构建各类负荷的用能模型;
(2)建立综合能源需求响应量化模型;
(3)利用混合整数优化算法求解步骤(2)中的量化模型。
作为本方法的进一步改进:所述负荷包括可调节负荷、综合能源负荷、可转移负荷和可中断负荷。
作为本方法的进一步改进:所述可调节负荷包括电动汽车,所述综合能源负荷包括采暖装置、炊事装置和热水器;所述可转移负荷包括洗衣机和洗碗机;可中断负荷包括照明装置和娱乐用电装置。
作为本方法的进一步改进:所述综合能源需求响应量化模型的目标函数为:其中,Tstart和Tend分别表示需求响应事件的开始和停止时间,P′i(t)为第i个负荷终端t时刻原始功率,Pi(t)指第i个负荷终端t时刻响应后功率;选择各终端响的应后功率Pi(t)为决策变量;
同时,根据用户负荷设备及用能需求构建约束条件;
计算出的最优决策变量对应的max(Ppot)即为综合能源需求响应量结算结果。
作为本方法的进一步改进:所述约束条件包括电功率平衡约束条件、电动汽车充电约束条件、用能需求约束条件和设备功率约束条件。
作为本方法的进一步改进:步骤(3)中的混合整数优化算法为:先将负荷分为两类,第一类为使用功率可以用整数序列表达的用能终端,第二类为使用功率为受自变量影响的因变量的用电终端;针对第一类负荷,采用遗传算法进行求解,针对第二类负荷,采用序列二次规划算法进行求解。
作为本方法的进一步改进:使用遗传算法进行求解的步骤为:
GA-1:设算法的控制参数;
GA-2:编码生成初始种群;
GA-3:计算适应度值;
GA-4:选择交叉变异操作,生成新种群,与已有整数解进行比较适应度;
GA-5:判断终止条件是否满足,满足则输出最优解,否则反馈步骤GA-3。
作为本方法的进一步改进:使用序列二次规划算法进行求解的步骤为:
SQP-1:设定参数条件;初始化变量矩阵和迭代次数;
SQP-2:输入目标函数,根据要求设定约束;
SQP-3:修正得到新的参数条件,变更得到新的变量矩阵,构成新约束求解子问题;
SQP-4:存储求解结果;
SQP-5:判断是否满足最优条件,满足则退出计算,不满足转到步骤SQP-3。
相对于现有技术,本发明具有以下有益效果:(1)本发明通过量化模型,针对用户负荷可调控性、可调控容量、持续时间及响应速率进行精确计算,从而提升系统运行优化调度水平,在满足用户舒适度的同时,对用户负荷进行精准管理;(2)用户根据量化模型计算出的可调容量,配合分时电价参与需求响应,可以动态改变用电模式,提升用电经济性;(3)通过量化模型参与需求响应,提升负荷柔性调节能力,实现系统用电负荷的削峰填谷,减小为满足少部分尖峰负荷需求而进行的高昂电力基础设施建设投资;(4)本发明使用混合整数优化算法进行计算,将遗传算法与二次规划算法相结合,将启发式算法和确定型算法各自的特点互补,计算速度快,求解效果优于单纯的启发式算法。
附图说明
图1为本发明中混合整数优化算法的流程示意图。
图2为场景一中基础用户优化前后耗能曲线。
图3为场景一中对照用户1优化前后耗能曲线。
图4为场景一中对照用户2优化前后耗能曲线。
图5为场景二中基础用户夏季负荷优化前的曲线。
图6为场景二中基础用户夏季负荷优化后的曲线。
图7为场景二中基础用户冬季负荷优化前的曲线。
图8为场景二中基础用户冬季负荷优化后的曲线。
图9为场景三中家庭人口与响应变化关系图。
图10为场景三中家庭人口与响应比重变化关系图。
具体实施方式
下面结合附图详细说明本发明的技术方案:
一种综合能源需求响应量计算方法,其旨在选取居住建筑用户为研究对象,从居民用户参与IDR的角度,在综合能源系统优化运行过程中,充分考虑居民用户综合能源负荷、温控可调节负荷、以及电动汽车等智能家电的动态运行特性,构建居民用户常见负荷的用能模型;选取用户响应中响应容量和响应速率标签,建立综合能源需求响应优化模型,实现响应定量计算用户各类终端的运行特性,对用户各类用能终端建模;利用GA-SQP优化算法,计算用户的实际响应。
本方法由建立综合能源场景下用能设备终端模型、构建综合能源需求响应量化模型、利用GA-SQP优化算法求解三部分构成。
(一)建立综合能源场景下用能设备终端模型
居民常用终端包括:
可调节负荷:电动汽车(Vehicle to Grid,V2G)、综合能源负荷(采暖、炊事)、热水器;可转移负荷:洗衣机、洗碗机;可中断负荷:照明、娱乐性电器等。
各终端用能模型如下:
1.用户V2G充电模型
对于单台电动汽车而言,充电的功率和时段和车主出行习惯、车辆型号及充电方式有关,另外驾驶员的行驶特性也是影响电动汽车电池荷电状态的重要因素。车主充电习惯的不确定性用概率统计法表达,可以得出车主开始充电时刻、日行驶里程的概率密度函数如下:
式中:μs是电动汽车开始充电时刻的期望值,μs=17.6;σs是开始充电时刻的标准差,σs=3.4。μL是电动汽车日行驶里程的期望值,μL=3.2;σL为日行驶里程的标准差,σL=0.88。
计算出概率密度后,后续采取蒙特卡洛抽样方法得到电动汽车的开始充电时刻、日行驶里程数,根据充电时刻的日行驶里程,得到对应电动汽车的SOC值,即可明确充电初始时刻和电池电量。
在忽略充放电的效率以及电池的温度变化等因素的情况下,电池的容量、充电前电池的荷电状态(SOC)、下段里程所需要的电池电量以及充电的功率决定了电动汽车充电的持续时长tci,如下所示:
tci=(SOCi+1-SOCi)Ei/Pv2g(t)ηv2g (3)
式中:SOCi和SOCi+1分别为充电前后的荷电状态,Ei为电池的容量,ηv2g为充电效率。
tci是充电持续时间,用于计算电动汽车的充电完成时间,由初始充电时间和tci可计算sv2g(t)。
Pv2g(t)=PEVsv2g(t) (4)
Pv2g(t)为电动汽车t时刻充电功率,PEV为电动汽车额定功率,sv2g(t)表示t时刻充电指令,1表示正在充电,0表示未充电。
单台电动汽车行驶后电池的SOC由日行驶里程得出:
SOCi=SOCi0-LiQi/Ei (5)
式中:SOCi0为电动汽车在启动前的电池荷电状态,Li为电动汽车所出行的里程数,Qi为电动汽车每公里所消耗的电量,Qi=Ei/Lmax,Lmax为行驶里程的最大值。
2.空调用能模型
居民用户的分体空调设备通常有两种:(1)客餐厅使用空调;(2)卧室使用空调。第一类空调一般在非睡眠时段运行,其中包含了电力系统负荷的高峰时段;第二类空调一般在睡眠时段运行,为电力系统负荷的低谷时段。因此,本文选取了第一类空调作为研究对象,控制的时段为上午八点至晚上十一点。式(6)表示居民用户的空调在t时刻的电功率Pac(t)和单位时间的制冷量Cac,t的关系,式(7)为电功率上下限的约束。
Pac(t)=Cac,t/μac (6)
0≤Pac(t)≤Pac,max (7)
式中:μac为居民用户空调的能效比;Pac,max为空调电功率的最大值。
在居民用户空调参与需求响应的过程中,通过控制室内的空气温度来控制空调的电功率。通过能量守恒定律推导出离散形式的热动态平衡方程如式(8)所示,同时也是居民空调电负荷模型的约束条件。
式中:T(t)、Tout(t)为t时刻的室内、室外温度;ΔT是室内温度变化量;B为居民住宅的温差传热系数;Qt为t时刻建筑物瞬时得热量(不包括温差传热),通过太阳辐射、照明散热、设备散热等方式获得;Ca为空气定压质量比热容,为1.005kJ/(kg*K);ρa为空气的密度;V为客餐厅的容积。
利用PMV(predict mean vote)指标,评估人对环境的舒适感觉,PMV指标值IPMV,t与室内空气温度T(t)、人体代谢率Mt和服装热阻r的关系如式(9)所示:
式中:Tsk为人体感觉舒适时皮肤的平均温度,此时人体皮肤平均温度变化较小,可将Tsk近似取值为一个常数,为33.5℃。
由式(9)可知,人体代谢率Mt对PMV指标影响显著。ISO7730中规定PMV指标的取值范围为-0.5~0.5,如式(10)所示:
-0.5≤IPMV,t≤0.5 (10)
另外,为防止PMV指标值整体偏高或偏低的现象出现,将PMV指标日平均值控制在最适水平,即:
3.燃气挂炉用能模型
燃气挂炉作为家庭供暖的一种装置,可以满足居民用户多居室的采暖需求。其热力学方程如下:
式中:F为燃气挂炉的导热面积;K为燃气挂炉的导热系数(kW/m2/℃);Tout(t)为室外温度;T(t)为室内温度;为单位时间内室内温度变化量;Psan(t)为室内散热功率;s为状态变量,1、0分别为运行、待机状态;η为燃气挂炉能效比;Prg(t)为t时刻燃气挂炉的制热功率。
燃气挂炉运行时工作时间与待机时间、功率为:
式中:Tmax、Tmin分别为燃气挂炉工作时温度范围;μ为常数,和导热面积及导热系数有关;A为室内燃气挂炉的系统导热系数,kW/℃。Prg·on为运行功率,Prg·off为待机功率。与空调相似,室温同样满足式(10)、(11)的PMV约束。
4.炊事能耗用能模型
炊事能耗可分为燃气能耗和电耗,两种能源耦合关系可用下述公式描述:
Pc1(t)ηc1=Pc2(t)ηc2/Qgas (15)
Pc1(t)、Pc2(t)为电能、燃气炊事负荷,ηc1、ηc2为电能、燃气转化为炊事能量的转化效率,Qgas为天然气低热值,取9.97kW·h/m3,Qc为一天内炊事负荷总量。
5.生活热水能耗
电热水器有两种工作状态:(1)用水时段;(2)非用水时段。第(1)种状态时,热水流失,温度变化快,随之带走热量;储水箱和室内空气接触也会消耗热量。第(2)种状态时,只有储水箱和室内空气接触会产生热量消耗。根据能量守恒原理,电热水器能量流入、流出守恒。假定储水箱中水温恒定,电热水器的模型如式(17)所示:
式中:SL(t)为居民用户实时消耗水量(m3/s),不同家庭人口、生活习惯和气候下的人均洗澡用水量;Ts(t)为储水箱中的实时水温;Ps(t)为电热水器的实时功率;V为储水箱的体积;Tout为热水器水箱所处的环境温度;Tin为进水的温度;ρ为水的密度;cP为水的比热容;A为电热水器储水箱表面积;R为储水箱热阻。
电热水器工作过程中实时功率Ps(t)与用户实时用水量SL(t)分时段守恒,公式(17)可表示为差分方程形式,依据欧拉法以及式(17)、(18),可得到以任意时间点为起始的电热水器负荷跟随时间变化的工作状态。
储水箱内水温Ts(t)处在以用户设定温度为中值的温度区间内,最高温度可达Thigh,最低温度至Tlow,若热水器改变工作状态则需要满足以下任一条件:(1)Ts(t)>Thigh;(2)Ts(t)<Tlow。带有迟滞环节的恒温控制器可以通过式(19)来改变热水器的工作状态。t0是指初始时刻。
式中,Ps0为额定功率,Ps(t-Δt)为前一时刻功率。
6.可转移负荷用能模型
在T时间段中有M个固定的工作周期,在每个工作周期中的工作模式固定而且不能中断的用电设备(如洗衣机、洗碗机等)定义为可转移类电器。用户对此类电器通常具有相对固定的习惯使用时间,该类负荷用电特性模型如下:
式(20)中表示一个区间,为可转移类电器最优的启动时间,为习惯启动的时间点,为用户可以接纳的时间波动范围,u∈U为可转移类电器的集合;式(22)中c表示集合,该公式的含义为如果可转移电器的启动时间不在相应的习惯用电时间范围时,不启动该类电器;式(21)、(22)表示第m次工作周期需在相应的习惯用电时间范围内开始,m∈M为此类电器T时间段中工作周期的集合,为对应时间段中此类用电设备的启动状态决策变量;式(23)中为了防止两次工作周期在时间上发生重叠,为m-1个工作周期的持续时间,Zt为时间区间t的顺序数;分别为区间的上下确界;式(24)表示电器u在时间段t内的用电特性,可通过负荷和最优启动时间决策变量的卷积实现,s∈S为T子集的指标集,为电器u在启动后第s个时段的功率值。
7.照明能耗用能模型
居民建筑照明是仅次于采暖空调的重要负荷,其照明具有需求量和需求面都较大等特点。建筑物照明能耗如下:
8.家电用能模型
家庭中主要家电包括电视、冰箱、个人笔记本电脑、通风换气扇等。其耗能可表述为:
PEH·i(t)=PEH·λEH·i(t) (26)
式中:PEH·i(t)是i个电器运行功率;λEH·i(t)表示不同电器t时刻正在使用的概率,其取值与电器本身的自动化水平、电器种类的划分、使用者的习惯、家电使用模式相关。
(二)构建综合能源需求响应量化模型
1.目标函数
响应容量、响应速率以及持续响应时间共同决定了用户响应的大小,基于用户设备的动态运行特性如式(27)所示,通过对响应全过程积分模拟,构建混合整数优化模型,在达到响应容量、响应速率以及持续响应时间同时最优后实现响应量化。
选取各终端响应后功率Pi(t)为决策变量(各终端功率由其运行状态决定)。Tstart和Tend分别表示需求响应事件的开始和停止时间。P′i(t)为第i个终端t时刻原始功率,Pi(t)指第i个终端t时刻响应后功率。
2.约束条件
居民用户设备及用能需求约束条件如下:
(1)电功率平衡约束
∑Pi(t)-Pb(t)=0 (28)
其中,Pi(t)为用户各类电负荷,Pb(t)为电网输入电功率。
(2)电动汽车约束
电动汽车充电的约束条件如下:
EEVc≤EEVmax (29)
SOEEV(t)≤SOEEVmax (31)
SOEEV(t)≥SOEEVmin (32)
式中:EEVc为电动汽车充电需要消耗的电量,EEVmax为电动汽车最大能够存储的电量,SOEEV(t)为电动汽车当前时段的剩余电能状态,EEVN为电动汽车电池的总电量,EEVdri为电动汽车行驶所耗用的电量,SOEEVmax、SOEEVmin分别为电动汽车最大与最小的剩余电能状态。
(3)用能需求约束
1)室温约束:
Tin·min<Tin(t)<Tiin·max (33)
2)水温约束:
Ts·min<Ts(t)<Ts·max (34)
3)照明约束:照明时间主要取决于室内亮度和室外天气状况以及居民用户自身的需要。
AL·min<AL(t)<AL·max (35)
4)电器约束:不同功能的家电会在不同的时间使用。根据使用时间不同可分为两大种:(1)生活必备型使用时间呈现规律性、使用时间比较固定;(2)办公娱乐型使用时间不固定、因人而异。
0≤λEH·i(t)≤1 (36)
5)运行约束:
a.空调运行最小时间限制:
ton≥ton·min (37)
b.燃气挂炉运行最小时间限制:
c.其余电器运行时间小于24h。
(4)设备功率约束
Pimax≥Pi(t)≥0 (39)
(三)利用GA-SQP优化算法求解量化模型
本发明提出的优化模型以各用电终端参与响应的功率为原始自变量,但各用电终端的功率与设备运行状态对应,部分终端可分为运行和待机两种状态分别对应不同的功率值,为0-1变量;另一部分终端的功率受环境或其他因素的影响,为连续变量,因此该模型所研究问题实际上为混合整数优化模型。可根据各类用电器模型,分类使用遗传算法和序列二次规划算法进行求解。
遗传算法(Genetic Algorithms)拥有内在的隐并行性和自适应的调节搜索空间,求解速度快,并且可保证全局最优。序列二次规划算法(Sequential QuadraticProgramming)对于非线性约束最优化问题是一个非常有效的算法,将原始问题划分为一系列二次规划的子问题进行求解。
在本发明所提出模型涉及的变量中,电炊事、家用电器的使用状态为整数序列,气炊事与电炊事约束条件相关联,因此将气炊事变量变换为0-1变量,三者共同使用遗传算法(GA),计算最优值。变异概率取值为0.6,种群大小为10。
GA算法流程如下:
GA-1:设定算法的各类控制参数;
GA-2:编码生成初始种群;
GA-3:计算适应度值;
GA-4:选择交叉变异操作,生成新种群,与已有整数解进行比较适应度;
GA-5:判断终止条件是否满足,满足则输出最优解,否则反馈步骤GA-3。
空调、壁挂炉、洗衣机、照明、热水器等用能终端均可变换为受某自变量影响的因变量,使用序列二次规划算法(SQP)求得最优值。其中,空调、壁挂炉能耗可变换为自变量为室温T的函数,其他模型计算中的相关量,如建筑物瞬时热当量、人体代谢率等物理量,按采样时段内平均值计算;电动汽车充电能耗可变换为自变量为Li的函数;洗衣机能耗可变换为自变量为时间t的函数;照明可变换为与照明时间分布λL(t)相关的函数,照明面积AL在每个采样时刻为固定值;热水器能耗可变换为自变量为居民用户实时消耗水量SL(t)相关的函数。以上自变量可构造初始矩阵,根据设定目标函数和约束,使用SQP算法求得最优自变量矩阵。
SQP算法流程描述:
SQP-1:设定参数条件,如连续变量,整数变量,迭代次数;初始化变量矩阵和迭代次数;
SQP-2:输入目标函数,根据要求设定约束;
SQP-3:修正得到新的参数条件,变更得到新的变量矩阵,构成新约束求解子问题;
SQP-4:存储求解结果;
SQP-5:判断是否满足最优条件,满足则退出计算,不满足转到步骤SQP-3。
由以上结果可进一步推得功率值,得到每个时段的最优功率。算法流程示意图如图1所示。
本实施例中的具体应用过程及效果对比如下:
选取华南地区某智能小区的居民夏季某天实际用电数据,以小时为计算节点。居民所用电器可包括空调、壁挂炉、电动汽车、电炊事、气炊事、洗衣机、照明、热水器、洗衣机及家电类(如冰箱、笔记本电脑、电视机等)。相应的电负荷模型参数分别如表1所示。
表1用户其他类型用电器参数表
为验证发明所提方法的有效性,下面对比分析三个场景下需求侧响应量情况:
场景一:分用户类别响应,即选取最大负荷功率、平均负荷率、最大负荷利用小时数相同的用户,根据不同条件对用户响应量进行分类比较。
基础用户:选取老年居家族为代表,使用电器种类和比例如表2所示。
对照用户1:根据用户使用设备比例对比响应量情况。选取炊事为主的用户作为对照用户1。
两类用户的优化时间均选取8:00-22:00,所用设备分别如表2所示。
表2用户设备及功率汇总表
对照用户2:根据用户用出行习惯不同,选取工作日上班族用户作为对照用户2。其设备比例与基础用户完全相同,用电时间为每日7:00-9:00,18:00-24:00,午间不涉及炊事能耗。图2、图3、图4分别展示了基础用户、对照用户1及对照用户2参与IDR前后的负荷曲线。
从结果可知,基础用户参与IDR后响应量为9.12kWh,占优化前耗能的31.7%。对照用户1耗能曲线参与IDR后响应量为6.62kWh,占优化前耗能的27.3%。在对照用户2耗能曲线在晚间上升,参与IDR后电能响应量为5.76kWh,占优化前总耗能的29.48%。
由图2-4可知,当最大负荷功率、平均负荷率、最大负荷利用小时数等负荷特性相同时,用户出行规律、用户电器比例等都会影响用户响应,因此,本发明提出的综合能源需求响应量化模型可以更客观的体现用户响应。
场景二:综合能源负荷挖掘对响应的影响。
选取基础用户夏季及冬季各取一天的耗能数据,计算计及热负荷和不计热负荷参与IDR的响应对比。夏季基础用户不计热负荷的优化前后耗能曲线如图5、6所示。冬季该用户计及热负荷和不计热负荷优化前后的耗能曲线如图7、8所示。
如图5-8所示,该用户在增加热负荷响应后,夏季的响应为9.12kWh,占优化前耗能的31.7%,比不计及热负荷时6.44kWh的响应增加了6.7%。冬季的响应为7.48kWh,占优化前耗能的35%,比不计及热负荷时1.07kWh的响应增加了28.5%。与较夏季负荷相比,冬季热负荷中增加了燃气挂炉,因此冬季的响应明显增加。可见通过鼓励用户进行能源间的响应行为可增加居民响应,并且在冬季、有壁挂炉的用户中尤为明显。
场景三:响应量占比随人数变化的曲线。
由于用户耗能的主要因素,如空调、热水器、电炊事、气炊事、照明、家电耗能同样受每户人数影响。因此,根据每日人均空调负荷、人均热水负荷、人均炊事负荷及家电使用概率,可由原模型计算每户人数由1至6人的耗能数据。进而通过本发明模型计算相应的响应,结果如图9、图10所示。
由图9、图10可知,随着家庭人口的增长,响应随之增加,但响应在用户总负荷中的比重下降。这是因为家庭人口增长后,一方面增加了家庭总能耗,为参加IDR提供了更大的响应空间;另一方面又降低了负荷优化的灵活性。如在晚高峰时段,四个人依次使用热水器和一个人使用热水器对于热水器的优化灵活性大大降低,但同时增大了可响应的电量。所以,多人口家庭中可能存在多种出行习惯,也将大大影响响应。
本发明基于居民用户画像的综合能源需求响应量化模型可以客观、合理地评价用户可参与响应的最大;用户负荷特性相似的情况下,用户的出行模式、用电设备比例等均会影响用户响应;通过鼓励用户进行能源间的响应行为可增加居民响应,并且在冬季、有壁挂炉的用户中尤为明显;随着家庭人口的增长,响应随之增加,但响应在用户负总负荷中的比重下降。
Claims (6)
1.一种综合能源需求响应量计算方法,其特征在于步骤为:
(1)根据用户所用负荷的运行特性,构建各类负荷的用能模型;
(2)建立综合能源需求响应量化模型;
所述综合能源需求响应量化模型的目标函数为: 其中,Tstart和Tend分别表示需求响应事件的开始和停止时间,P′i(t)为第i个负荷终端t时刻原始功率,Pi(t)指第i个负荷终端t时刻响应后功率;选择各终端响的应后功率Pi(t)为决策变量;
同时,根据用户负荷设备及用能需求构建约束条件;
计算出的最优决策变量对应的max(Ppot)即为综合能源需求响应量结算结果;
(3)利用混合整数优化算法求解步骤(2)中的量化模型;
混合整数优化算法为:先将负荷分为两类,第一类为使用功率可以用整数序列表达的用能终端,第二类为使用功率为受自变量影响的因变量的用电终端;针对第一类负荷,采用遗传算法进行求解,针对第二类负荷,采用序列二次规划算法进行求解。
2.如权利要求1所述的综合能源需求响应量计算方法,其特征在于:所述负荷包括可调节负荷、综合能源负荷、可转移负荷和可中断负荷。
3.如权利要求2所述的综合能源需求响应量计算方法,其特征在于:所述可调节负荷包括电动汽车,所述综合能源负荷包括采暖装置、炊事装置和热水器;所述可转移负荷包括洗衣机和洗碗机;可中断负荷包括照明装置和娱乐用电装置。
4.如权利要求1所述的综合能源需求响应量计算方法,其特征在于:所述约束条件包括电功率平衡约束条件、电动汽车充电约束条件、用能需求约束条件和设备功率约束条件。
5.如权利要求1所述的综合能源需求响应量计算方法,其特征在于:使用遗传算法进行求解的步骤为:
GA-1:设算法的控制参数;
GA-2:编码生成初始种群;
GA-3:计算适应度值;
GA-4:选择交叉变异操作,生成新种群,与已有整数解进行比较适应度;
GA-5:判断终止条件是否满足,满足则输出最优解,否则反馈步骤GA-3。
6.如权利要求1所述的综合能源需求响应量计算方法,其特征在于:使用序列二次规划算法进行求解的步骤为:
SQP-1:设定参数条件;初始化变量矩阵和迭代次数;
SQP-2:输入目标函数,根据要求设定约束;
SQP-3:修正得到新的参数条件,变更得到新的变量矩阵,构成新约束求解子问题;
SQP-4:存储求解结果;
SQP-5:判断是否满足最优条件,满足则退出计算,不满足转到步骤SQP-3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448787.3A CN111598478B (zh) | 2020-05-25 | 2020-05-25 | 一种综合能源需求响应量计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448787.3A CN111598478B (zh) | 2020-05-25 | 2020-05-25 | 一种综合能源需求响应量计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598478A CN111598478A (zh) | 2020-08-28 |
CN111598478B true CN111598478B (zh) | 2023-04-18 |
Family
ID=72189290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010448787.3A Active CN111598478B (zh) | 2020-05-25 | 2020-05-25 | 一种综合能源需求响应量计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598478B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112366704B (zh) * | 2020-11-13 | 2022-09-27 | 中国科学院电工研究所 | 一种基于激励需求响应的综合能源系统联络线功率控制方法 |
CN114355773A (zh) * | 2021-12-23 | 2022-04-15 | 中科苏州微电子产业技术研究院 | 一种基于基因算法的楼宇能耗控制方法及装置 |
CN115062878B (zh) * | 2022-08-19 | 2022-12-06 | 东方电子股份有限公司 | 一种用于综合能源系统的优化调度系统 |
CN116388205B (zh) * | 2023-06-06 | 2023-08-11 | 中国电力科学研究院有限公司 | 一种适用于智慧能源单元的负荷设备功率调控方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9209625B2 (en) * | 2012-04-20 | 2015-12-08 | General Electric Company | Method and system to co-optimize utilization of demand response and energy storage resources |
CN108830485A (zh) * | 2018-06-19 | 2018-11-16 | 广州供电局有限公司 | 一种电-热综合能源系统可靠性评价方法 |
CN109063992B (zh) * | 2018-07-18 | 2021-11-09 | 国网重庆市电力公司经济技术研究院 | 考虑区域综合能源系统优化运行的配电网扩展规划方法 |
CN111047097B (zh) * | 2019-12-16 | 2023-05-09 | 贵州电网有限责任公司 | 一种综合能源系统日中滚动优化方法 |
-
2020
- 2020-05-25 CN CN202010448787.3A patent/CN111598478B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111598478A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598478B (zh) | 一种综合能源需求响应量计算方法 | |
Shao et al. | Development of physical-based demand response-enabled residential load models | |
Du et al. | Appliance commitment for household load scheduling | |
CN109799851B (zh) | 一种基于负荷簇温度调控的用户侧负荷响应方法 | |
CN110619425B (zh) | 一种考虑源网荷储差异特性的多功能区综合能源系统协同规划方法 | |
CN104850013B (zh) | 一种家用电器的智能用电方法 | |
Boait et al. | A method for fully automatic operation of domestic heating | |
CN113991655B (zh) | 定频空调负荷聚合需求响应潜力评估方法、装置及介质 | |
Parvin et al. | Fuzzy based particle swarm optimization for modeling home appliances towards energy saving and cost reduction under demand response consideration | |
CN110543713B (zh) | 考虑用户舒适度与建筑蓄热的热泵-地暖系统控制方法 | |
CN111340270B (zh) | 基于信息交互的家庭能量智能优化方法 | |
CN108171436B (zh) | 居民空调需求响应策略及其对配用电侧影响的控制方法 | |
CN105737342B (zh) | 一种办公楼宇内节能控制的方法 | |
Li et al. | The smart thermostat of HVAC systems based on PMV-PPD model for energy efficiency and demand response | |
Wang et al. | Optimal design of home energy management strategy based on refined load model | |
Häring et al. | Comparison of the impact of different household occupancies on load matching algorithms | |
CN111679573A (zh) | 一种居民家庭用能优化方法及装置 | |
Lee et al. | Power management by LSTM network for nanogrids | |
Ancillotti et al. | Smoothing peak demands through aggregate control of background electrical loads | |
CN111585272B (zh) | 一种基于社区集群和集中式储能的家庭需求侧响应方法 | |
CN114200845B (zh) | 基于智慧家庭用能的电热水器集群消纳新能源策略 | |
CN109739093A (zh) | 一种基于pmv模型的居民电器混合控制方法 | |
CN115903488A (zh) | 分散式电采暖调峰控制方法、系统、装置及存储介质 | |
CN110543969B (zh) | 一种家庭用电行为优化算法 | |
Kelly et al. | The effect of hot water use patterns on heating load and demand shifting opportunities |
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 |