CN112556109B - 一种基于全局温度调整的中央空调需求响应方案优化方法 - Google Patents

Abstract

本发明涉及一种基于全局温度调整的中央空调需求响应方案优化方法，包括以下步骤：1)构建三类中央空调的需求响应策略，根据中央空调的温度调整分辨率，给定一组离散化执行时段的温度调整值序列；2)对于每一类需求响应策略下各离散化的执行时段的温度调整值ΔT_G，得到执行时段的温度调整值ΔT_G与互动功率

之间的关系式；3)定义用户需求响应净收益指标π，并计算每一类需求响应策略下各离散化的执行时段的温度调整值ΔT_G对应的用户需求响应净收益指标；4)根据用户需求响应净收益指标选择最优的中央空调需求响应方案以及最优的温度调整值。与现有技术相比，本发明具有全面准确、实现净收益最大化、理解用户的行为等优点。

Description

一种基于全局温度调整的中央空调需求响应方案优化方法

技术领域

本发明涉及楼宇需求响应控制领域，尤其是涉及一种基于全局温度调整的中央空调需求响应方案优化方法。

背景技术

在现代社会中，建筑物负荷对电网峰值负荷的贡献越来越大。以我国为例，建筑能耗已占全国总能耗的44％，其中，又以中央空调(central air-conditioners,CAC)为主要的耗能设备，其占建筑能耗可达50％以上。现代建筑物具有良好的蓄热能力，能够在基本不影响用户舒适度的前提下提前或者推迟用电行为。因此CAC可作为重要的需求侧资源，向电网提供削峰、填谷等服务。

现有的研究主要考虑需求响应补偿收益，但实际上，楼宇参与需求响应会影响人体舒适度，大量研究表明，人体热舒适度与工作效率存在关系，因舒适度降低所导致的隐性损失可能超过需求响应补偿收益，这样，不计及工作效率损失会对用户参与需求响应的意愿做出过于乐观的误判，也不利于电网制定合理的需求响应补偿机制。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于全局温度调整的中央空调需求响应方案优化方法。

本发明的目的可以通过以下技术方案来实现：

一种基于全局温度调整的中央空调需求响应方案优化方法，包括以下步骤：

1)构建三类中央空调的需求响应策略S0(ΔT_G)、S1(ΔT_G)和S2(ΔT_G)，根据中央空调的温度调整分辨率，给定一组离散化执行时段的温度调整值序列；

2)对于每一类需求响应策略下各离散化的执行时段的温度调整值ΔT_G，得到执行时段的温度调整值ΔT_G与互动功率

之间的关系式；

3)定义用户需求响应净收益指标π，并计算每一类需求响应策略下各离散化的执行时段的温度调整值ΔT_G对应的用户需求响应净收益指标；

4)根据用户需求响应净收益指标选择最优的中央空调需求响应方案以及最优的温度调整值。

所述的步骤1)中，中央空调的需求响应过程包括预制冷时段、执行时段和恢复时段，且三个时段的持续时间相同。

所述的步骤1)中，三类中央空调的需求响应策略S0(ΔT_G)、S1(ΔT_G)和S2(ΔT_G)的具体表述为：

在预制冷时段将全局温度下调指定温度(比如2度)，在执行时段将全局温度设为T_set+ΔT_G，并且在恢复时段恢复为设定温度T_set，则有：

所述的步骤1)中，给定的一组离散化执行时段的温度调整值序列具体为-2，-1.5，-1，-0.5，0.5，1，1.5，2。

所述的步骤2)中，执行时段的温度调整值ΔT_G与互动功率ΔP_t ^DR之间的关系式表述为：

ΔP_t ^DR＝f(ΔT_G,S；ξ_t)

其中，S为采取的中央空调的响应策略，即S0(ΔT_G)、S1(ΔT_G)和S2(ΔT_G)，ξ_t为影响互动能力的扰动变量。

所述的步骤2)具体为：

从建筑既有的建筑信息模型数据中提取EnergyPlus的仿真数据，采用EnergyPlus作为楼宇能耗仿真引擎预测得到执行时段的温度调整值ΔT_G与互动功率ΔP_t ^DR之间的关系式。

所述的步骤3)中，用户需求响应净收益指标π的表达式为：

其中，Γ_exe为执行时段，Γ_DR为整个需求响应过程，λ_c为补偿价格，λ_e,t为电价，λ_p为相对工作效率为100％时楼宇内人员的基准生产效益，

为t时段的楼宇内部均温，T_set为设定温度，P_t ^base为中央空调在t时段的基线功率，P_t为中央空调在t时段的实际功率，η(T_set)和

分别为温度在T_set和

下的用户相对工作效率。

所述的用户相对工作效率的拟合公式为：

η(T_in)＝aT_in ³+bT_in ²+cT_in+d

其中，T_in为室温，a、b、c、d分别为拟合系数。

所述的拟合系数a、b、c、d的取值分别为a＝0.0000623，b＝-0.0058274，c＝0.1647524，d＝-0.4685328。

所述的步骤4)具体为：

选择最大用户需求响应净收益指标值对应的方案作为最优的中央空调需求响应方案，最优的中央空调需求响应方案对应的温度调整值即为最优的温度调整值。

与现有技术相比，本发明具有以下优点：

一、在楼宇需求响应中，本发明考虑了用户工作效率损失因素，全面、准确地评估了用户收益，制定出合理的激励措施。

二、利用本发明的控制方法，在给定的补偿价格下，用户可选择最优响应策略和最优互动功率，以实现净收益的最大化。

三、对电网而言，高补偿价格能激励用户释放更大的CAC灵活性，但需求响应成本也随之增大，本方法在理论上可帮助电网更好的理解用户的行为，从而确定最优的补偿价格。

附图说明

图1为中央空调的三类需求响应策略时序图。

图2为相对工作效率与室温的关系图。

图3为楼宇响应能力预测模型的物理建模示意图。

图4为ΔT_G与ΔP_t ^DR的关系预测流程图。

图5为中央空调功率与室内外温度的关系图。

图6为三种需求响应策略的功率。

图7为三种需求响应策略的室内均温。

图8为三种需求响应策略的互动能力曲线。

图9为中央空调耗电量。

图10为人员相对工作效率。

图11为不同补偿价格下设定温度为25℃时用户净收益，其中，图(11a)为补偿价格为2.4元/kW·h时的用户净收益，图(11b)为补偿价格为6元/kW·h时的用户净收益。

图12为不同补偿价格下设定温度为22.5℃时用户净收益，其中，图(12a)为补偿价格为2.4元/kW·h时的用户净收益，图(12b)为补偿价格为6元/kW·h时的用户净收益。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

本发明以夏季削峰应用为例，提出了基于全局温度调整(global temperatureadjustment,GTA)的CAC需求响应策略，以及基于物理建模的CAC功率预测方法，能够在保证舒适度可控的前提下预测CAC的互动能力；为评价需求响应的效果，定义了考虑工作效率损失的用户净收益指标，能够更为准确的反映用户的实际收益，从而更好的预测用户对于不同激励的响应，最后，形成了中央空调最优需求响应策略的确定方法。

1、CAC需求响应策略和效果评价

1.1GTA方法

对于CAC，可以采用诸如GTA、主机出水温度调整、风机变频、送风温度调整等控制方法。其中，GTA是一种对末端温区的设定温度进行全局调整的控制方法。相比其他控制方法，GTA具有如下应用优势：(1)GTA对用户舒适度的影响是可预知、可控的，且各温区均匀承担调控指令。此外，GTA既可采用绝对调整法(即将设定值调至同一温度)，也可采用相对调整法(即将现有设定值调整相同度数)，从而适应个性化要求较高的商业楼宇；(2)GTA是CAC能源管理控制系统(energy management and control system,EMCS)的通用功能，能够广泛适应于各类CAC系统，无需为了满足电网互动需要而对系统做专门改造；(3)在实施GTA时，仍由原有EMCS协调CAC各子系统，更容易保证CAC系统运行的安全性与经济性。

1.2基于GTA的需求响应策略

本发明将CAC的整个需求响应过程分为预制冷、执行和恢复等三个时段，不失一般性，设各时段均持续1h。其中，执行响应命令和补偿结算仅针对第二个时段；预制冷为用户自选行为，用于提升执行时段的响应效果；计入恢复时段则用于完整评估用户受到的影响。本发明提出了三种基于GTA的需求响应策略，记为S0(ΔT_G)～S2(ΔT_G)，如表1所示，其中ΔT_G为策略的参数，表示GTA值，即偏离原设定温度T_set的摄氏度数。表1中假设用户允许的温度偏差为±2℃。图1为三种策略的示意。

例如，策略S2(1.5)是指：首先在预制冷时段将全局温度设为T_set-2，然后在执行时段将全局温度设为T_set+1.5，最后在恢复时段恢复为T_set。

表1三种需求响应策略

1.3互动能力

电网希望尽可能挖掘需求侧的响应能力。定义CAC的互动功率为：

ΔP_t ^DR＝P_t ^DR-P_t ^base (1)

式中：P_t ^base为CAC在t时段的基线功率(指不参与响应时的自由运行功率)；P_t ^DR为响应后的实际功率，后文称为响应功率。两者均取t时段的平均值，规定当响应功率低于基准功率(下调节)时，互动功率为负数。

当采用GTA调控方法时，设可用如下函数表示CAC的互动能力：

ΔP_t ^DR＝f(ΔT_G,S；ξ_t) (2)

式中：ΔT_G为执行时段的温度调整值；S为采取的响应策略(见表1)；ξ_t表示影响互动能力的扰动变量，包括环境温湿度以及楼宇内热负荷等。

1.4用户净收益

用户希望通过参与需求响应获得最大的收益。在现有研究中，用户收益仅考虑了需求响应补偿以及节省的电费。但事实上，商业楼宇参与需求响应会影响内部舒适度，进而会影响人员的工作效率。

由于室温是影响工作效率的主要因素，本发明采用以下工作效率拟合公式：

η(T_in)＝aT_in ³+bT_in ²+cT_in+d (3)

式中，η为用户相对工作效率；T_in为室温；a—d为拟合系数，其中a＝0.0000623,b＝-0.0058274,c＝0.1647524,d＝-0.4685328。

但需说明的是，不同用户会有不同拟合系数，上式仅具参考作用。图2为式(3)的图形，当室温为21.66℃时，用户的相对工作效率最高。

在考虑工作效率损失后，本发明定义了如下的用户需求响应净收益指标：

式中：第一项为需求响应补偿，Γ_exe为执行时段，λ_c为补偿价格(元/kW·h)；第二项为节省的电费，Γ_DR包含整个需求响应过程(如图1所示)，P_t为CAC的实际功率，其在执行时段等于P_t ^DR，λ_e,t为电价(元/kW·h)；第三项为工作效益损失，λ_p为相对工作效率为100％时楼宇内人员的基准生产效益(元/h)；

为t时段的楼宇内部均温(℃)。

2、CAC物理建模方法

由上节可见，无论是互动能力指标还是净收益指标，都必须获得ΔT_G与ΔP_t ^DR之间的函数关系，即式(2)。现有文献中广泛使用等效热参数(equivalent thermal parameter,ETP)建模方法，即将楼宇热工模型等值为低阶RC模型，但该方法主要适应于居民住宅等小型建筑物。对于大型商业楼宇，上述降阶等值会导致很大误差。

为建立准确的楼宇响应能力预测模型，本发明提出如图3所示的物理建模方法。该方法需要向图中的楼宇能耗仿真引擎输入四类数据：

(1)详细的建筑三维围护结构；

(2)楼宇CAC系统结构与设备参数；

(3)楼宇内部人员、照明、插座设备等热负荷的运行参数；

(4)室外光照、温湿度等环境信息。其中，数据(3)、(4)对应式(2)中的扰动变量ξ_t，可以预测得到；而数据(1)、(2)则相对固定，建模完成后可以长期使用。

本发明选取EnergyPlus作为楼宇能耗仿真引擎。EnergyPlus基于热平衡法，使用集成求解器同步求解室内空气、建筑和空调系统等模块，相比于传统的序贯求解法，计算结果更加精确。

为了降低上述(1)、(2)类数据的建模工作量，可以充分利用现代建筑既有的建筑信息模型(building information model,BIM)，从中以自动或半自动方式提取EnergyPlus所需的仿真数据。

基于以上建立的物理仿真模型，即可预测得到响应期间ΔT_G与ΔP_t ^DR的关系，过程如图4所示。

3、最优需求响应策略的形成过程

第一步：预设本发明提出的三种CAC需求响应策略S0(ΔT_G),S1(ΔT_G),S2(ΔT_G)；根据CAC温度调整分辨率，给定一组离散化ΔT_G序列，例如：-2,-1.5,-1,-0.5,0.5,1,1.5,2；

第二步：利用上述物理建模方法，针对每一种策略和每一个离散化ΔT_G值，按图4的流程得到各策略下的ΔP_t ^DR～ΔT_G关系；

第三步：针对每一种策略，在给定的电价λ_e,t和补偿价格λ_c下，利用式(4)定义的考虑工作效率损失的需求响应净收益指标公式，计算各策略的最优互动功率：

ΔP_t ^DR*＝argmax(π(ΔP_t ^DR)) (5)

记各策略的最优互动功率分别为ΔP_t ^DR*|_S0,ΔP_t ^DR*|_S1,ΔP_t ^DR*|_S2，记相应的最优温度调整值为

第四步：选择最优值最大的策略为最优策略。例如，假设有：

π(ΔP_t ^DR*|_S2)＞π(ΔP_t ^DR*|_S0)＞π(ΔP_t ^DR*|_S1)

则策略S2为最优策略，相应的，最优温度调整值为

4、仿真实例

4.1算例设计

以上海市某商业楼宇作为原型，建立三维模型，建筑围护结构依据《公共建筑节能设计标准》等规范，内部热负荷按照商用楼宇特征设置。建筑1—4楼共用一套变风量集中送风系统、5—21楼房间采用分体式空调系统，所有房间的设定温度均为25℃。本发明假设执行时段为13:00-14:00，CAC按照表1的策略以0.5℃的温度调节分辨率进行响应。选择EnergyPlus官网上提供的上海地区的夏季典型日(7月20日)的气象数据进行仿真，仿真步长取1分钟。

4.2基本仿真结果

图5为CAC不参与互动时一天中的基线功率。其中，在执行时段的平均基线功率为145.26kW。由图可见，CAC运行功率与室外温度具有较明显的相关性。此外，楼宇内照明、人员以及插座设备等热负荷也会对CAC运行功率产生影响。

根据表1的三种响应策略，以执行时段ΔT_G值为1℃为例，图6和7显示了整个响应过程中CAC功率和室内均温的变化情况。根据式(2)，可计算出S0、S1、S2等三种响应策略的互动能力分别为49.13kW、62.49kW和69.97kW。可见，通过预制冷2℃，策略S2可比S0增加约14.4％的互动能力。同时，在整个需求响应过程中楼宇内室温变化均在允许范围(±2℃)内。

4.3CAC互动能力

根据图4的流程，针对三种响应策略，可分别预测得到三组离散的(ΔT_G,ΔP_t ^DR)序列，构成如图8所示的互动能力曲线。

由仿真结果可见，对于相同的响应策略，在执行时段ΔT_G值每增加0.5℃，该楼宇CAC能够增加约13.8％的互动能力。

在三种策略中，S2的互动能力最好：ΔT_G为0℃时，S2相比S0增加约16.5％；ΔT_G为2℃时，S2相比S0增加约9.6％。可见当ΔT_G较小时配合预制冷的效果更好。

4.4用户收益

首先分析实施各策略后整个需求响应过程的耗电情况。由图9可见，策略S0未采用预制冷手段，故耗电量总是降低，ΔT_G每增加0.5℃能降低约15kW·h的耗电量。而对于另外两个策略，当其在执行时段增加的ΔT_G较小时，总耗电量反而会由于预制冷而增加。

由于补偿价格通常明显高于电价，故若仅考虑电量因素，则无论采用哪种策略，用户的净收益皆会为正。用户为了追求最大的净收益，会选择尽可能增大ΔT_G。但这显然不符合实际，关键原因在于以上分析没有考虑工作效率损失。

下面分析各策略对用户工作效率的影响，结果如图10所示。对比图2所示的相对工作效率与室温的关系，由于设定温度为25℃，因此策略S0在执行时段增大ΔT_G必然会降低用户工作效率，ΔT_G达到2℃约带来2.3％的效率损失；与之对比，策略S1和S2采取预制冷措施，反而能在此时段提升工作效率，从而部分抵消执行时段的效率损失。

根据楼宇使用面积，本发明假设楼宇内人员的基准生产效益λ_P为20,000元/h，电价λ_e为0.66元/kW.h。需求响应补偿价格λ_c分别考虑2.4元/kW.h和6元/kW.h两种情况，相应的用户净收益如图11，图中星号处对应最优互动功率，圆圈则标记了最优策略。下面分别分析。

A、λ_c为2.4元/kW·h。由于补偿价格较低，随着CAC互动功率的增大，补偿收益不能抵偿工作效率损失，因而在图11(a)中，用户的净收益均单调减少。其中，策略S0的净收益始终为负，最优策略为S2。以上表明，当补偿价格较低时，用户参与需求响应的意愿将很低，甚至完全没有(如策略S0)。由于用户只会提供最低的互动功率，CAC的灵活性将难以被充分利用。

B、λ_c为6元/kW·h。当补偿价格较高时，随着CAC互动功率的增大，用户净收益先升后降，如图11(b)所示。图中存在极点是由于补偿收益逐渐不再能抵偿工作效率损失。三种响应策略下的最大净收益分别为107.3元、331.7元和483.6元，相应的最优互动功率分别为69.77kW、62.49kW、69.97kW，则最优策略为S2。对比以上两种补偿价格下的最优互动功率，显然高补偿价格将激励用户释放出CAC更大的灵活性。

用户设定温度会影响以上分析结果。下面假设设定温度为22.5℃，不同补偿价格下用户的净收益如图12所示。对比图2可见，此时设定温度更接近于用户工作效率最高的温度。由图12(a)可见，当补偿价格较低时，策略S1能给用户带来最高收益，而策略S0与S2不再具有如图11那样的净收益大小关系；由图12(b)可见，当补偿价格较高时，虽然S1仍是最优策略，但策略之间的差异变小，这主要是由于，此时用户收益主要来自于补偿收入，而电费和工作效率的影响则相对较小。

为了挖掘和评价商业楼宇内CAC的需求响应能力，本发明以夏季削峰应用为例，提出了三种基于GTA的CAC需求响应策略。

在互动能力评价方面，本发明以保证舒适度不越限为前提，利用物理建模方法预测CAC的互动能力曲线。互动能力曲线具有统一直观的表示能力，便于电网对大规模CAC互动能力的聚合计算。

在用户需求响应收益方面，本发明建立了考虑用户工作效率损失的响应收益模型，该模型可帮助用户选择最佳需求响应策略和最优互动功率，也可以帮助电网更好的理解用户行为和制定合理的需求响应补偿价格。

Claims (8)

1.一种基于全局温度调整的中央空调需求响应方案优化方法，其特征在于，包括以下步骤：

1)构建三类中央空调的需求响应策略S0(ΔT_G)、S1(ΔT_G)和S2(ΔT_G)，根据中央空调的温度调整分辨率，给定一组离散化执行时段的温度调整值序列，三类中央空调的需求响应策略S0(ΔT_G)、S1(ΔT_G)和S2(ΔT_G)的具体表述为：

在预制冷时段将全局温度下调指定温度，在执行时段将全局温度设为T_set+ΔT_G，并且在恢复时段恢复为设定温度T_set，则有：

2)对于每一类需求响应策略下各离散化的执行时段的温度调整值ΔT_G，得到执行时段的温度调整值ΔT_G与互动功率

之间的关系式，互动功率

的表达式为：

ΔP_t ^DR＝P_t ^DR-P_t ^base

其中，P_t ^base为中央空调在t时段的基线功率，P_t ^DR为响应后的实际功率；

3)定义用户需求响应净收益指标π，并计算每一类需求响应策略下各离散化的执行时段的温度调整值ΔT_G对应的用户需求响应净收益指标，用户需求响应净收益指标π的表达式为：

其中，Γ_exe为执行时段，Γ_DR为整个需求响应过程，λ_c为补偿价格，λ_e,t为电价，λ_p为相对工作效率为100％时楼宇内人员的基准生产效益，

为t时段的楼宇内部均温，T_set为设定温度，P_t ^base为中央空调在t时段的基线功率，P_t为中央空调在t时段的实际功率，η(T_set)和

分别为温度在T_set和

下的用户相对工作效率；

4)根据用户需求响应净收益指标选择最优的中央空调需求响应方案以及最优的温度调整值。

2.根据权利要求1所述的一种基于全局温度调整的中央空调需求响应方案优化方法，其特征在于，所述的步骤1)中，中央空调的需求响应过程包括预制冷时段、执行时段和恢复时段，且三个时段的持续时间相同。

3.根据权利要求1所述的一种基于全局温度调整的中央空调需求响应方案优化方法，其特征在于，所述的步骤1)中，给定的一组离散化执行时段的温度调整值序列具体为-2，-1.5，-1，-0.5，0.5，1，1.5，2。

4.根据权利要求2所述的一种基于全局温度调整的中央空调需求响应方案优化方法，其特征在于，所述的步骤2)中，执行时段的温度调整值ΔT_G与互动功率ΔP_t ^DR之间的关系式表述为：

ΔP_t ^DR＝f(ΔT_G,S；ξ_t)

其中，S为采取的中央空调的响应策略，即S0(ΔT_G)、S1(ΔT_G)和S2(ΔT_G)，ξ_t为影响互动能力的扰动变量，包括环境温湿度以及楼宇内热负荷。

5.根据权利要求4所述的一种基于全局温度调整的中央空调需求响应方案优化方法，其特征在于，所述的步骤2)具体为：

从建筑既有的建筑信息模型数据中提取EnergyPlus的仿真数据，采用EnergyPlus作为楼宇能耗仿真引擎预测得到执行时段的温度调整值ΔT_G与互动功率ΔP_t ^DR之间的关系式。

6.根据权利要求1所述的一种基于全局温度调整的中央空调需求响应方案优化方法，其特征在于，所述的用户相对工作效率的拟合公式为：

η(T_in)＝aT_in ³+bT_in ²+cT_in+d

其中，T_in为室温，a、b、c、d分别为拟合系数。

7.根据权利要求6所述的一种基于全局温度调整的中央空调需求响应方案优化方法，其特征在于，所述的拟合系数a、b、c、d的取值分别为a＝0.0000623，b＝-0.0058274，c＝0.1647524，d＝-0.4685328。

8.根据权利要求1所述的一种基于全局温度调整的中央空调需求响应方案优化方法，其特征在于，所述的步骤4)中，

选择最大用户需求响应净收益指标值对应的方案作为最优的中央空调需求响应方案，最优的中央空调需求响应方案对应的温度调整值即为最优的温度调整值。

Images