CN112733236A - 面向综合舒适度的建筑内温控负荷优化方法及系统 - Google Patents

Abstract

本发明提供一种面向综合舒适度的建筑内温控负荷优化方法及系统，包括：构建面向综合舒适度的建筑内温控负荷优化模型；其中，建筑温控负荷优化模型以综合舒适度最大为目标，综合舒适度根据体感舒适度和经济舒适度确定，经济舒适度根据建筑内负荷参与用电调控后的节电费用和经济补偿确定，体感舒适度根据建筑内室内空间的室内温度确定；基于小生境粒子群算法对建筑内温控负荷优化模型进行求解，将建筑内温控负荷优化模型的最优解作为各温控负荷在预设时段中各时段的最优用电功率。本发明实现更为客观的描述建筑内温控负荷参与用电调控的行为，提高建筑内温控负荷参与用电调控的可行性，优化制定各温控负荷的用电计划。

Description

面向综合舒适度的建筑内温控负荷优化方法及系统

技术领域

本发明涉及电力系统技术领域，尤其涉及一种面向综合舒适度的建筑内温控负荷优化方法及系统。

背景技术

近年来，随着建筑用能温控负荷用电占比的不断攀升，特别是夏季制冷空调类负荷以及冬季电采暖类负荷的激增，电网端季节性尖峰负荷呈现快速增长，已在夏季和冬季形成双负荷高峰；同时，由于高峰负荷季内建筑用能受业主一天的作息习惯影响，使得电网日负荷曲线峰谷差日益增大。如何充分发挥建筑内各类型调控资源的调节能力，应对电网负荷峰谷变化、保障电网安全经济运行，是亟待解决的问题。此外，负荷调控技术的快速发展使得需求侧柔性负荷参与电网侧的削峰填谷调控成为可能。因而研究建筑用能温控负荷的优化用电策略，对减小电网峰谷差，缓解电网增容改造具有重要意义。

针对建筑用能参与电网侧峰谷差调控的柔性负荷优化方法研究，现有文献大多以建筑用能用电费用最小为目标，或是从用电费用以及体感舒适度的角度出发对建筑用能柔性负荷进行用电优化，仅根据用电费用和用户体感舒适度很难准确获取最优的建筑用能柔性负荷的用电策略。

且目前对柔性负荷的用电优化研究中，普遍将建筑用能中所有的负荷分类成刚性负荷、可转移负荷、可中断负荷和可削减负荷等类别进行笼统的建模分析，适用性低且针对性不强，尚未涉及到专门针对在建筑内部各类柔性负荷中占据很大用电比例的温控负荷进行详细建模分析，不能客观的描述建筑用能柔性负荷的调控执行行为，从而降低了建筑用能参与电网侧峰谷差调控的可行性。

发明内容

本发明提供一种面向综合舒适度的建筑内温控负荷优化方法及系统，用以解决现有技术中很难准确获取最优的建筑用能柔性负荷的用电策略，适用性低，针对性不强，降低了建筑用能参与电网侧峰谷差调控的可行性的缺陷，实现对建筑内各温控负荷进行准确优化，提高建筑用能参与电网侧峰谷差调控的可行性。

本发明提供一种面向综合舒适度的建筑内温控负荷优化方法，包括：

构建面向综合舒适度的建筑内温控负荷优化模型；其中，所述建筑温控负荷优化模型以所述综合舒适度最大为目标，以所述建筑内温控负荷的运行功率约束和体感舒适度约束为约束条件，所述综合舒适度根据体感舒适度和经济舒适度确定，所述经济舒适度根据所述建筑内负荷参与用电调控后的节电费用和经济补偿确定，所述体感舒适度根据建筑内室内空间的室内温度确定；

基于小生境粒子群算法对所述建筑内温控负荷优化模型进行求解，将所述建筑内温控负荷优化模型的最优解作为各温控负荷在预设时段中各时段的最优用电功率。

根据本发明提供的一种面向综合舒适度的建筑内温控负荷优化方法，所述建筑内温控负荷优化模型的目标函数为：

max F3＝ω₁F1_day+ω₂F2；

其中，max F3为目标函数，F3为综合舒适度，F1_day为建筑内所有温控负荷在预设时段内参与用电调控后的体感舒适度的总和，F2为经济舒适度，ω₁和ω₂为权重系数；

其中，

其中，j为所述建筑内第j个室内空间，J为所述建筑内室内空间的总数量，t1为所述预设时段中任一第一预设时段，t2为所述预设时段中任一第二预设时段，T_peak为预设时段内第一预设时段的数量，T_valley为预设时段内第二预设时段的数量，α_j,t1和α_j,t2为权重系数，F1_j,t1和F1_j,t2分别为第j个室内空间在t1时段和t2时段的体感舒适度。

根据本发明提供的一种面向综合舒适度的建筑内温控负荷优化方法，所述体感舒适度根据建筑内室内空间的室内温度确定的公式为：

其中，F1_t为t时段的体感舒适度，ET_t为t时段的有效温度指数；

其中，

其中，ET_t为t时段的有效温度指数，T_t为所述建筑内室内空间在t时段的室内温度，RH_t为所述室内空间在t时段的相对湿度。

根据本发明提供的一种面向综合舒适度的建筑内温控负荷优化方法，所述室内温度根据室内空气热平衡模型和所述温控负荷的用电功率确定；

所述室内空气热平衡模型包括温控负荷在夏季供冷工况下的室内空气热平衡模型和在冬季供热工况下的室内空气热平衡模型；

其中，所述温控负荷在夏季供冷工况下的室内空气热平衡模型的公式为：

ρ_jC_jV_j(T_j,t-T_j,t+1)＝Q_cold,j,t-Q_cl,j,t；

Q_cl,j,t＝k_wall,jF_wall,j(T_out,t-T_j,t)+k_win,jF_win,j(T_out,t-T_j,t)+I_j,tF_win,jSC_j+Q_in,j,t；

其中，j为所述建筑内第j个室内空间，ρ_jC_jV_j为室内空间j中空气的热容，ρ_j为室内空间j的空气密度，C_j为室内空间j的空气比热容，V_j为室内空间j的空气容量，Q_cold,j,t为t时段室内空间j中温控负荷向室内送入的冷量，Q_cl,j,t为t时段室内空间j在夏季供冷时的建筑能耗，k_wall,jF_wall,j(T_out,t-T_j,t)为室内空间j的建筑墙体与室外传递的冷量，k_wall,j为室内空间j的建筑墙体传热系数，F_wall,j为室内空间j的建筑墙体面积，T_out,t为t时段的建筑的室外温度，T_j,t为t时段室内空间j的室内温度，k_win,jF_win,j(T_out,t-T_j,t)为室内空间j的窗户向室外传递的冷量，k_win,j为室内空间j的窗户传热系数，F_win,j为室内空间j的窗户面积，I_j,tF_{win, j}SC_j为室内空间j的太阳热辐射向建筑室内传递热量后对应所需温控设备的制冷量，I_j,t为t时段室内空间j的太阳辐射度，SC_j为室内空间j的遮阳系数，Q_in,j,t为t时段室内空间j的热源发热量对应所需的制冷量；

所述在冬季供热工况下的室内空气热平衡模型的公式为：

ρ_jC_jV_j(T_j,t+1-T_j,t)＝Q_heat,j,t-Q_hl,j,t；

Q_hl,j,t＝k_wall,jF_wall,j(T_j,t-T_out,t)+k_win,jF_win,j(T_j,t-T_out,t)-I_j,tF_win,jSC_j-Q_in,j,t；

其中，Q_heat,j,t为t时段室内空间j中温控负荷向室内送入的热量，Q_hl,j,t为t时段室内空间j在冬季供热时的建筑能耗；

其中，

其中，Q_cold,j,t为制冷类温控负荷向室内送入的冷量，J_j为室内空间j中制冷类温控负荷的总数量，P_af,j,i,t为室内空间j中制冷类温控负荷i参与用电调控后在t时段的用电功率，Cop_cold,j,i为室内空间j中制冷类温控负荷i的能效比，Q_heat,j,t为制热类温控负荷向室内送入的热量，Cop_cold,j,i为室内空间j中制热类温控负荷i的能效比，t1为所述预设时段中任一第一预设时段T1，t2为所述预设时段中任一第二预设时段T2，

和

分别为室内空间j的温控负荷i参与用电调控后在t1时段和t2时段的用电功率，Δt为任一时段的长度，m为每小时内时段的数量。

根据本发明提供的一种面向综合舒适度的建筑内温控负荷优化方法，所述经济舒适度根据所述建筑内负荷参与用电调控后的节电费用和经济补偿确定的公式为：

其中，ΔW和ΔM分别为建筑内负荷参与用电调控后的节电费用和经济补偿，U为建筑内负荷未参与用电调控的用电费用。

根据本发明提供的一种面向综合舒适度的建筑内温控负荷优化方法，所述建筑内负荷参与用电调控后的节电费用的公式为：

其中，

为所述节电费用，t1为所述预设时段中的任一第一预设时段，t2为所述预设时段中的任一第二预设时段，j表示所述建筑内第j个室内空间，J为所述建筑内室内空间的总数量，J_j为所述第j个室内空间中温控负荷的总数量，

和

分别为所述第j个室内空间中第i个温控负荷在t1时段和t2时段参与用电调控后的用电功率，

和

分别为温控负荷在第一预设时段和第二预设时段未参与用电调控的用电功率，T_peak为预设时段内第一预设时段的数量，T_valley为预设时段内第二预设时段的数量，v_peak和μ_valley分别为第一预设时段和第二预设时段的电费价格。

根据本发明提供的一种面向综合舒适度的建筑内温控负荷优化方法，所述建筑内负荷参与用电调控后的经济补偿的公式为：

其中，ΔM为建筑内负荷参与用电调控后的经济补偿，ρ为电网给予建筑内负荷参与用电调控的补偿费率，v为建筑内负荷参与用电调控后的贡献度指标，v_re为v归一化后的值；

其中，

其中，

和

分别为在t1时段和t2时段电网侧的总负荷功率，

为建筑内负荷参与用电调控后，调节效果达到最优时的贡献度指标值，max(·)和min(·)分别为最大值函数和最小值函数，

为贡献度指标，

和

分别为建筑内所有负荷在t1时段和t2时段的负荷功率，

为建筑内所有负荷在预设时段的平均负荷功率，

为电网侧在预设时段的平均负荷功率；

其中，

其中，

和

分别为建筑内所有温控负荷在t1时段和t2时段的总用电功率，

和

分别为建筑内除温控负荷外的其他负荷在t1时段和t2时段的总用电功率。

根据本发明提供的一种面向综合舒适度的建筑内温控负荷优化方法，所述基于小生境粒子群算法对所述建筑内温控负荷优化模型进行求解，将所述建筑内温控负荷优化模型的最优解作为各温控负荷在预设时段中各时段的最优用电功率，包括：

S1、获取初始参数，所述初始参数包括所述建筑内各室内空间在各时段的相对湿度、所述建筑包含的室内空间数量、预设时段内第一预设时段的总数、预设时段内第二预设时段的总数、第一预设时段和第二预设时段的电费价格、电网给予建筑内负荷参与用电调控的补偿费率、建筑的参数、温控负荷的参数、建筑内温控负荷的运行功率的最大值和最小值，以及体感舒适度的最大值和最小值；

S2、置初始迭代次数s＝1，利用随机函数产生初始种群；

S3、根据所述初始种群中任意两个粒子之间的距离，确定每个粒子所属的小生境群体；

S4、计算每个粒子的个体适应度、个体最优解和全局最优解；

S5、选择各小生境群体中的最优粒子形成超级种群；

S6、利用小生境竞争策略对各小生境群体进行更新；

S7、根据当前惯性权重对各小生境群体中各粒子的速度和位置进行更新；

S8、判断是否满足预设终止条件，所述终止条件为迭代次数s是否达到最大迭代次数或综合适应度是否大于综合舒适度的最小可接受值；若满足所述预设终止条件，则结束计算并输出最优解，所述最优解包括建筑内各室内空间各温控负荷在第一预设时段和第二预设时段的最优用电功率；

S9、若不满足预设终止条件，则置迭代次数s＝s+1，并执行步骤S4以进入下一轮循环优化。

根据本发明提供的一种面向综合舒适度的建筑内温控负荷优化方法，所述当前惯性权重的公式为：

其中，w为所述当前惯性权重，w_max和w_min分别为所述预设的最大惯性权重和最小惯性权重，exp(·)为指数函数，s为所述当前迭代次数，s_max为所述预设最大迭代次数，γ为预设调节系数。

本发明还提供一种面向综合舒适度的建筑内温控负荷优化系统，包括：

构建模块，用于构建面向综合舒适度的建筑内温控负荷优化模型；其中，所述建筑温控负荷优化模型以所述综合舒适度最大为目标，以所述建筑内温控负荷的运行功率约束和体感舒适度约束为约束条件，所述综合舒适度根据体感舒适度和经济舒适度确定，所述经济舒适度根据所述建筑内负荷参与用电调控后的节电费用和经济补偿确定，所述体感舒适度根据建筑内室内空间的室内温度确定；

优化模块，用于基于小生境粒子群算法对所述建筑内温控负荷优化模型进行求解，将所述建筑内温控负荷优化模型的最优解作为各温控负荷在预设时段中各时段的最优用电功率。

本发明提供的面向综合舒适度的建筑内温控负荷优化方法及系统，通过一方面构建的建筑内温控负荷优化模型，以建筑内负荷参与用电调控后的节电费用、经济补偿和体感舒适度共同确定的综合舒适度最大为目标，不仅可以更为客观的描述建筑内温控负荷参与电网侧峰谷差调控的行为，从而提高建筑内负荷参与电网侧峰谷差调控的可行性；另一方面，基于小生境粒子群算法对建筑内温控负荷优化模型进行求解，优化制定各温控负荷在预设时段的最优用电功率，提高体感舒适度和经济舒适度。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的面向综合舒适度的建筑内温控负荷优化方法的流程示意图之一；

图2是本发明提供的面向综合舒适度的建筑内温控负荷优化方法的中体感舒适度的结构示意图；

图3是本发明提供的面向综合舒适度的建筑内温控负荷优化方法的流程示意图之二；

图4是本发明提供的面向综合舒适度的建筑内温控负荷优化系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合图1描述本发明的面向综合舒适度的建筑内温控负荷优化方法，包括：步骤101，构建面向综合舒适度的建筑内温控负荷优化模型；其中，所述建筑温控负荷优化模型以所述综合舒适度最大为目标，以所述建筑内温控负荷的运行功率约束和体感舒适度约束为约束条件，所述综合舒适度根据体感舒适度和经济舒适度确定，所述经济舒适度根据所述建筑内负荷参与用电调控后的节电费用和经济补偿确定，所述体感舒适度根据建筑内室内空间的室内温度确定；

其中，温控负荷可以是空调和电采暖等，本实施例不限于温控负荷的类型和数量。预设时段可以是一天或指定时长等。预设时段内包括多个削峰时段和填谷时段。用电调控为电网侧峰谷差调控，参与电网侧峰谷差调控后，需要在电网负荷高峰时段减少用电，在低谷时段增加用电量。用户体感舒适度是用户在自然的空气温度、湿度和风速等因素下的人体主观感受。经济舒适度是因经济收益因素带给用户的心理舒适感，经济收益包括建筑内负荷参与电网侧峰谷差调控而获得的节电费用和经济补偿。

建筑内负荷参与电网侧峰谷差调控后获取的经济收益，会激励其参与电网侧峰谷差调控响应的积极性，同时建筑内负荷在响应电网侧峰谷差调控时不会牺牲自己的体感舒适度。因此，可以综合体感舒适度和节电费用和经济补偿确定综合舒适度。使得综合舒适度为体感舒适度和经济舒适度共同作用的结果。并以最大化综合舒适度为目标，优化制定建筑内各温控负荷的用电策略。通过这种方式可以使得构建的建筑内温控负荷优化模型的目标函数能够更加客观的描述建筑内负荷参与电网侧峰谷差调控的行为。

步骤102，基于小生境粒子群算法对所述建筑内温控负荷优化模型进行求解，将所述建筑内温控负荷优化模型的最优解作为各温控负荷在预设时段中各时段的最优用电功率。

具体地，粒子群算法的原理和结构简单，算法收敛速度较快，通用性较强，但很容易过早地收敛于局部最优，同时在算法迭代后期难以保证解的多样性。因此，本实施引入小生境技术来解决这种早熟收敛的问题。

其中，根据自然界的进化理论，生活习性相近的物种会生活在同一个环境中，这个环境就叫做小生境。在小生境中依据优胜劣汰的生存准则，优势物种能够留存下去，而弱势物种就要被淘汰。将小生境技术引入到粒子群算法中，就是确定每个粒子存在的小生境群体，确定依据是任意两个粒子间的距离，所有的粒子不再存在于一个群体中，而是被分为几个小生境群体，然后在各小生境中利用传统粒子群算法进行粒子更新求解，从而可以有效地解决粒子群算法早熟收敛的问题。

本实施例构建的建筑内温控负荷优化模型的控制变量为次日各时段各室内空间的各温控负荷用电功率计划

和

和

分别为建筑内室内空间j中温控负荷i参与电网侧峰谷差调控后在t1削峰时段和t2填谷时段的用电功率。因此，建筑温控负荷优化模型是一个单目标、多约束、非线性的动态优化问题，可以采用小生境粒子群算法对建筑温控负荷优化模型求解。

由于空调和电采暖等温控负荷在各建筑用能柔性负荷中具有普及程度高、耗电功率大、运行时间长和可调节能力强等特点，使得温控负荷在各柔性负荷的用电优化管理中具有着突出显著的地位。以建筑内综合舒适度为导向，针对建筑内各温控负荷进行优化用电策略制定，实际上能够更为客观的描述建筑用能柔性负荷的调控执行行为，从而提高建筑用能参与电网侧峰谷差调控的可行性。

本实施例一方面构建的建筑内温控负荷优化模型，以建筑内负荷参与用电调控后的节电费用、经济补偿和体感舒适度共同确定的综合舒适度最大为目标，不仅可以更为客观的描述建筑内温控负荷参与电网侧峰谷差调控的行为，从而提高建筑内负荷参与电网侧峰谷差调控的可行性；另一方面，基于小生境粒子群算法对建筑内温控负荷优化模型进行求解，优化制定各温控负荷在预设时段的最优用电功率，提高体感舒适度和经济舒适度。

在上述实施例的基础上，本实施例中所述建筑内温控负荷优化模型的目标函数为：

max F3＝ω₁F1_day+ω₂F2；

其中，max F3为目标函数，F3为综合舒适度，F1_day为建筑内所有温控负荷在预设时段内参与用电调控后的体感舒适度的总和，F2为经济舒适度，ω₁和ω₂为权重系数；

其中，

其中，j为所述建筑内第j个室内空间，J为所述建筑内室内空间的总数量，t1为所述预设时段中任一第一预设时段，t2为所述预设时段中任一第二预设时段，T_peak为预设时段内第一预设时段的数量，T_valley为预设时段内第二预设时段的数量，α_j,t1和α_j,t2为权重系数，F1_j,t1和F1_j,t2分别为第j个室内空间在t1时段和t2时段的体感舒适度。

其中，ω₁+ω₂＝1，ω₁和ω₂的取值与用户对经济舒适度的重视程度有关，用户越重视经济舒适度，则ω₂越大，ω₁越小。∑(α_j,t1+α_j,t2)＝1，表征室内空间j中用户在t1时段和t2时段对体感舒适度的需求程度，当室内空间j中用户对体感舒适度需求高时，α_j,t1和α_j,t2较大，需求低时α_j,t1和α_j,t2较小。

约束条件包括建筑内各温控负荷的运行功率约束和体感舒适度约束，其中，温控负荷的运行功率约束的公式为：

其中，P_j,i,max为室内空间j的温控负荷i的最大运行功率，可以从温控负荷的铭牌上获得，

和

分别为室内空间j的温控负荷i在t1时段和t2时段的用电功率。

其中，体感舒适度需求约束条件的公式为：

F1_j,t,min≤F1_j,t≤F1_j,t,max；

其中，F1_j,t为在t时段室内空间j中用户对体感舒适度的需求；F1_j,t,min和F1_j,t,max分别为室内空间j用户对体感舒适度的需求的上限值和下限值。

在上述实施例的基础上，本实施例中所述体感舒适度根据建筑内室内空间的室内温度确定的公式为：

其中，F1_t为t时段的体感舒适度，ET_t为t时段的有效温度指数；

其中，

其中，ET_t为t时段的有效温度指数，T_t为所述建筑内室内空间在t时段的室内温度，RH_t为所述室内空间在t时段的相对湿度。

具体地，用户体感舒适度主要与室内空间的空气温度、湿度和风速相关。考虑室内环境的风速为0时，可以根据室内温度和室内湿度确定体感舒适度。首先根据室内温度和室内湿度获取有效温度指数。室内温度越高，有效温度指数越大。如图2所示，当有效温度指数为ET_t∈[9,17)时，室内温度较低，因此体感舒适度的值会随着有效温度指数的增大而增大。当有效温度指数为ET_t∈[17,21]时，室内温度最佳，人体感觉最舒适。当有效温度指数为ET_t∈(21,23]时，室内温度较高，体感舒适度的值会随着有效温度指数的增大而减少。当有效温度指数为ET_t＜9或ET_t＞23时，室内温度过低或过高，人体明显感觉不舒适。通过这种方式构建的体感舒适度的公式，使得体感舒适度的值越大，体感舒适度越好。

在上述实施例的基础上，本实施例中所述室内温度根据室内空气热平衡模型和所述温控负荷的用电功率确定；

所述室内空气热平衡模型包括温控负荷在夏季供冷工况下的室内空气热平衡模型和在冬季供热工况下的室内空气热平衡模型；

其中，所述温控负荷在夏季供冷工况下的室内空气热平衡模型的公式为：

ρ_jC_jV_j(T_j,t-T_j,t+1)＝Q_cold,j,t-Q_cl,j,t；

Q_cl,j,t＝k_wall,jF_wall,j(T_out,t-T_j,t)+k_win,jF_win,j(T_out,t-T_j,t)+I_j,tF_win,jSC_j+Q_in,j,t；

其中，j为所述建筑内第j个室内空间，ρ_jC_jV_j为室内空间j中空气的热容，ρ_j为室内空间j的空气密度，C_j为室内空间j的空气比热容，V_j为室内空间j的空气容量，Q_cold,j,t为t时段室内空间j中温控负荷向室内送入的冷量，Q_cl,j,t为t时段室内空间j在夏季供冷时的建筑能耗，k_wall,jF_wall,j(T_out,t-T_j,t)为室内空间j的建筑墙体与室外传递的冷量，k_wall,j为室内空间j的建筑墙体传热系数，F_wall,j为室内空间j的建筑墙体面积，T_out,t为t时段的建筑的室外温度，T_j,t为t时段室内空间j的室内温度，k_win,jF_win,j(T_out,t-T_j,t)为室内空间j的窗户向室外传递的冷量，k_win,j为室内空间j的窗户传热系数，F_win,j为室内空间j的窗户面积，I_j,tF_{win, j}SC_j为室内空间j的太阳热辐射向建筑室内传递热量后对应所需温控设备的制冷量，I_j,t为t时段室内空间j的太阳辐射度，SC_j为室内空间j的遮阳系数，Q_in,j,t为t时段室内空间j的热源发热量对应所需的制冷量；

所述在冬季供热工况下的室内空气热平衡模型的公式为：

ρ_jC_jV_j(T_j,t+1-T_j,t)＝Q_heat,j,t-Q_hl,j,t；

Q_hl,j,t＝k_wall,jF_wall,j(T_j,t-T_out,t)+k_win,jF_win,j(T_j,t-T_out,t)-I_j,tF_win,jSC_j-Q_in,j,t；

其中，Q_heat,j,t为t时段室内空间j中温控负荷向室内送入的热量，Q_hl,j,t为t时段室内空间j在冬季供热时的建筑能耗；

其中，

其中，Q_cold,j,t为制冷类温控负荷向室内送入的冷量，J_j为室内空间j中制冷类温控负荷的总数量，P_af,j,i,t为室内空间j中制冷类温控负荷i参与用电调控后在t时段的用电功率，Cop_cold,j,i为室内空间j中制冷类温控负荷i的能效比，Q_heat,j,t为制热类温控负荷向室内送入的热量，Cop_cold,j,i为室内空间j中制热类温控负荷i的能效比，t1为所述预设时段中任一第一预设时段T1，t2为所述预设时段中任一第二预设时段T2，

和

分别为室内空间j的温控负荷i参与用电调控后在t1时段和t2时段的用电功率，Δt为任一时段的长度，m为每小时内时段的数量。

当预设时段为一天时，第一预设时段和第二预设时段分别为是全天的任一削峰时段和填谷时段。削峰时段和填谷时段分别为一天中负荷用电的高峰和低谷，一天中包括多个削峰时段和填谷时段。

为了提高对温控负荷控制的精度，将每小时平均划分为m个时间段，则每一时段有1/m小时，且全天的削峰时段共有T_peak＝mT1段，填谷时段共有T_valley＝mT2段。理论上m值越大，即每小时平均分成的段数越多，对温控负荷控制的精度越高，但同时会加大计算量。考虑到温控负荷对环境温度的改变需要一定的时间周期，可以将m值设置为m≥10。

建筑内温控负荷优化模型的控制变量为次日各时段各室内空间的各温控负荷用电功率计划，而体感舒适度与各温控负荷用电功率之间不存在直接的关系。但是，建筑内室内空间j在t时段的体感舒适度F1_j,t与室内温度T_j,t之间的函数关系可以根据体感舒适度的公式和有效温度指数的公式获取。且室内空间j在t时段的室内温度T_j,t可以通过空调和电采暖等温控负荷输出的冷能量和热能量来调节，即室内温度T_j,t可以表示成空调和电采暖等温控负荷的用电功率的隐函数。因此，建筑室内空间j在t时段的体感舒适度F1_j,t与温控负荷的用电功率之间存在间接关系，可以通过隐函数来表示体感舒适度与各温控负荷用电功率之间的间接关系。

其中，室内温度T_j,t与各温控负荷的用电功率之间的隐函数关系可以通过室内空气热平衡模型来分析求解。室内空气热平衡模型包含室内温度的变化、温控负荷送入室内的冷量或热量，以及建筑能耗三部分。且温控负荷送入室内的冷量或热量，以及建筑能耗的综合作用会导致建筑的室内温度的变化。

建筑能耗是指由于建筑本身的特性，如建筑外墙、窗户、太阳辐照度和室内热源等导致的室内冷量或热量的散失。在夏季时，空调等温控负荷向室内供冷，建筑能耗表现为室内冷量的散失；在冬季时，电采暖等温控设备负荷向室内供热，建筑能耗表现为室内热量的散失。此外，夏季时由于室外温度高于室内温度，导致室外热量通过建筑墙体和窗户向室内渗透；冬季时由于室外温度低于室内温度，导致室内热量通过建筑墙体和窗户向室外散热；太阳辐射和室内热源热扰无论是在夏季还是冬季都是向建筑室内补热。因此，建筑能耗在夏季供冷和冬季供热时的表现特性并不相同。所以，需要在夏季供冷和冬季供热工况下分别建立室内空气热平衡模型。

其中，夏季供冷工况下，建筑能耗由建筑外墙、窗户散失冷量、太阳辐射补热和室内热源散热对建筑内部产生的综合影响决定。在冬季供热工况下，建筑能耗由建筑外墙、窗户散失热量、太阳辐射补热和室内热源散热对建筑内部产生的综合影响决定。室内空间j的空气密度ρ_j在标准状况下，为1.29kg/m³，室内空间j的空气比热容C_j通常为1×10³J/(kg.℃)，室内空间j的空气容量V_j和室内空间j的窗户面积F_win,j可以通过测量计算获取。

其中，t时段室内空间j的热源发热量对应所需的制冷量Q_in,j,t主要包括室内空间j的照明散热对应形成的冷负荷Q_j,1、室内空间j的散热设备对应形成的冷负荷Q_j,2和室内空间j的人体显热散热对应形成的逐时冷负荷Q_j,3，则Q_in,j,t的计算公式为：

Q_in,j,t＝Q_j,1+Q_j,2+Q_j,3；

其中，室内空间j的照明散热对应形成的冷负荷Q_j,1的公式为：

Q_j,1＝n_1,jn_2,jN_j；

其中，n_1,j为室内空间j的镇流器的消耗功率系数，可以为1.2或1.0，n_2,j为室内空间j的灯罩隔热系数，灯罩有通风孔时为0.5～0.6，无通风孔时为0.6～0.8，N_j为室内空间j的照明设备单位面积的散热量。

其中，室内空间j的散热设备对应形成的冷负荷Q_j,2的公式为：

Q_j,2＝F_2,jq_jC_2,j；

其中，F_2,j为室内空间j的房间面积，可以通过测量计算得到，q_j为室内空间j中散热设备的单位发热量，C_2,j为室内空间j中散热设备的散热冷负荷系数。

其中，室内空间j的人体显热散热对应形成的逐时冷负荷Q_j,3

Q_j,3＝n_3,jβ_j(Q_x,jC_3,j+Q_q,j)；

其中，n_3,j为室内空间j中的人员数量，β_j为室内空间j的群集系数，Q_x,j为室内空间j的人体显热散热量，C_3,j为室内空间j的人体显热散热冷负荷系数，Q_q,j为室内空间j的人员潜热散热量。

综上所述，根据室内空气热平衡模型可以圈定体感舒适度F1与建筑温控负荷的用电功率之间的间接关系，从而目标函数中的体感舒适度F1也可以由建筑内各温控负荷在各时段的用电功率确定。此外，在建筑用能室内空气热平衡模型中，建筑的室内空间j中温控负荷i参与电网侧峰谷差调控后在t1时段和t2时段的用电功率

和

需要满足体感舒适度的上下限值。

在上述实施例的基础上，本实施例中所述经济舒适度根据所述建筑内负荷参与用电调控后的节电费用和经济补偿确定的公式为：

其中，ΔW和ΔM分别为建筑内负荷参与用电调控后的节电费用和经济补偿，U为建筑内负荷未参与用电调控的用电费用。

其中，建筑内负荷未参与电网侧峰谷差调控时的次日用电费用可以根据建筑用能历史负荷曲线预测获取。建筑内负荷参与电网侧峰谷差调控时存在一定的节电费用，同时建筑内负荷因参与电网侧峰谷差调控会得到一定的经济补偿。因此，可以根据建筑内负荷参与电网侧峰谷差调控后获得的经济利益(即节电费用与经济补偿之和)和未参与电网侧峰谷差调控前的用电费用的比值，获取经济舒适度。

且两者之间的比值越大，建筑内负荷参与电网侧峰谷差调控后的用电费用比参与电网侧峰谷差调控前的用电费用削减的越多，可以反映出建筑内负荷因参与电网侧峰谷差调控产生的经济因素，这种经济因素会增加用户心理舒适感。

在上述实施例的基础上，本实施例中所述建筑内负荷参与用电调控后的节电费用的公式为：

其中，

为所述节电费用，t1为所述预设时段中的任一第一预设时段，t2为所述预设时段中的任一第二预设时段，j表示所述建筑内第j个室内空间，J为所述建筑内室内空间的总数量，J_j为所述第j个室内空间中温控负荷的总数量，

和

分别为所述第j个室内空间中第i个温控负荷在t1时段和t2时段参与用电调控后的用电功率，

和

分别为温控负荷在第一预设时段和第二预设时段未参与用电调控的用电功率，T_peak为预设时段内第一预设时段的数量，T_valley为预设时段内第二预设时段的数量，μ_peak和μ_valley分别为第一预设时段和第二预设时段的电费价格。

具体地，当建筑内负荷参与电网侧峰谷差调控后可以按照分时电价的方式对建筑内负荷的用电费用进行计算。分时段计价的方式是在电网负荷高峰时段和低谷时段设置不同的电价。

根据分时段电费价格和建筑内负荷的节电量可以对建筑内负荷的节电费用进行计算。建筑内负荷的节电量为全天中所有削峰时段和填谷时段的节电量之和。若削峰时段建筑内负荷的用电量减少，则节电量为正；若填谷时段，建筑内负荷的用电量增加，则节电量为负。通过这种方式，可以准确确定建筑内负荷参与用电调控后的节电费用，并且可以准确反映电网侧峰谷差调控策略的特点。

在上述实施例的基础上，本实施例中所述建筑内负荷参与用电调控后的经济补偿的公式为：

其中，ΔM为建筑内负荷参与用电调控后的经济补偿，ρ为电网给予建筑内负荷参与用电调控的补偿费率，v为建筑内负荷参与用电调控后的贡献度指标，v_re为v归一化后的值；

表示建筑用能的等效峰谷差调节容量。

在分时段计价的影响下，由于参与电网侧峰谷差调控后可以增加节电费用。因此，建筑内温控负荷优化用电策略可能会将大量的温控负荷集中于低电价时段运行，从而导致出现新的负荷高峰，使电网侧峰谷差调控策略的实际效果达不到预期效果。为了使得建筑内负荷可以按照电网侧峰谷差调控的预期效果进行温控负荷用电策略优化，电网可以给予参与峰谷差调控的建筑内负荷一定的经济补偿。

为了增强建筑内负荷可以积极参与到电网测峰谷差调控中，当ΔM＜0时，令ΔM＝0，表示电网对参与电网侧峰谷差调控响应的建筑用能只提供经济补偿，不进行经济惩罚，以促进电网和建筑用能之间峰谷差调节的良性互动。

其中，

其中，

和

分别为在t1时段和t2时段电网侧的总负荷功率，

为建筑内负荷参与用电调控后，调节效果达到最优时的贡献度指标值，max(·)和min(·)分别为最大值函数和最小值函数，

为贡献度指标，

和

分别为建筑内所有负荷在t1时段和t2时段的负荷功率，

为建筑内所有负荷在预设时段的平均负荷功率，

为电网侧在预设时段的平均负荷功率；

其中，

其中，

和

分别为建筑内所有温控负荷在t1时段和t2时段的总用电功率，

和

分别为建筑内除温控负荷外的其他负荷在t1时段和t2时段的总用电功率。

建筑内所有负荷在预设时段的平均负荷功率

可以根据建筑用能历史负荷曲线预测获取，电网侧在预设时段的平均负荷功率

可以根据电网侧历史负荷曲线预测获取。

皮尔逊相关性算法可以度量两个变量之间的相关性，皮尔逊相关系数介于1和-1之间，其中1表示两个变量完全正相关，0表示两个变量无关，-1表示两个变量完全负相关。本实施例中可以利用皮尔逊相关系数来表征建筑内负荷的负荷功率曲线与电网侧总负荷功率曲线之间的相关性，进而获取建筑内负荷参与电网侧峰谷差调控后的贡献度指标。

根据皮尔逊系数的定义可知，若建筑用能的负荷波动性不变，则当υ为正值时，且υ的数值越大，表明峰谷差调节效果越差，建筑用能的负荷曲线与电网侧总负荷曲线趋势越一致；当υ为负值时，且υ的数值越大，表明峰谷差调节效果越好，建筑用能的负荷曲线与电网侧总负荷曲线趋势越相反。

在上述各实施例的基础上，本实施例中所述基于小生境粒子群算法对所述建筑内温控负荷优化模型进行求解，将所述建筑内温控负荷优化模型的最优解作为各温控负荷在预设时段中各时段的最优用电功率，包括：

S1、获取初始参数，所述初始参数包括所述建筑内各室内空间在各时段的相对湿度、所述建筑包含的室内空间数量、预设时段内第一预设时段的总数、预设时段内第二预设时段的总数、第一预设时段和第二预设时段的电费价格、电网给予建筑内负荷参与用电调控的补偿费率、建筑的参数、温控负荷的参数、建筑内温控负荷的运行功率的最大值和最小值，以及体感舒适度的最大值和最小值；

S2、置初始迭代次数s＝1，利用随机函数产生初始种群；

S3、根据所述初始种群中任意两个粒子之间的距离，确定每个粒子所属的小生境群体；

S4、计算每个粒子的个体适应度、个体最优解和全局最优解；

S5、选择各小生境群体中的最优粒子形成超级种群；

S6、利用小生境竞争策略对各小生境群体进行更新；

S7、根据当前惯性权重对各小生境群体中各粒子的速度和位置进行更新；

S8、判断是否满足预设终止条件，所述终止条件为迭代次数s是否达到最大迭代次数或综合适应度是否大于综合舒适度的最小可接受值；若满足所述预设终止条件，则结束计算并输出最优解，所述最优解包括建筑内各室内空间各温控负荷在第一预设时段和第二预设时段的最优用电功率；

S9、若不满足预设终止条件，则置迭代次数s＝s+1，并执行步骤S4以进入下一轮循环优化。

具体地，如图3所示为基于小生境粒子群算法对建筑内温控负荷优化模型进行求解的流程图。其中，在步骤S1中，可以根据天气预报可以获取建筑内各室内空间在各时段的相对湿度。预设时段内第一预设时段的总数、预设时段内第二预设时段的总数可以根据实际需求进行设置。

本实施例将建筑内温控负荷优化模型中的控制变量划分为为J个室内空间(用j表示第j个室内空间)且每个室内空间共含J_j个温控负荷(用i表示第i个温控负荷)，将全天的峰谷差调节时段划分为T_peak个削峰时段(用t1表示削峰时段数)和T_valley个填谷时段(用t2表示填谷时段数)，所以目标函数中的控制变量

和

的维数D共有D＝J_j(T_peak+T_valley)J维。

在步骤S2中，利用随机函数产生初始种群的公式为：

其中，Random为生成0～1间随机数的随机函数，P_j,i,max为温控负荷的最大用电功率。

在粒子群算法中，每个粒子拥有“位置”和“速度”两个属性。其中，第k个粒子的位置记为：

其中，j＝1,2,...,J；i＝1,2,...,J_j，t1＝1,2,...,mT1，t2＝1,2,...,mT2。

第k个粒子的速度记为：

V_k＝(v_k1,v_k2,...,v_kD)；

步骤S3中，在小生境群体划分中，对于初始化产生的粒子群中的粒子，可以通过粒子间的距离进行小生境群体划分。若第k个粒子与第r个粒子之间的距离为d_kr，则d_kr＜d₀时，可以将这两个粒子加入到小生境中。其中，d₀为预设阈值。第k个粒子与第r个粒子之间的距离公式为：

步骤S6中，对于小生境竞争策略，该策略包含三种类型的算子。其中，对连续多代不进化的小生境群体，实施第一类算子，将群体中除最优个体外的其他粒子随机初始化；当间隔一定代数后，实施第二类算子，按随机方式对粒子重新划分小生境；当两个小生境群体中的最优值接近时，实施第三类算子，对最优值较小的群体中的粒子进行重新初始化。通过实施这三类小生境竞争算子，可以保证整个搜索过程朝着最优值的方向前进，维持种群多样性，提高算法效率。因此，使用小生境粒子群算法对目标函数进行求解，可以快速获取目标函数的最优解，进而获取温控负荷在预设时段的最优用电功率，优化制定建筑内各温控负荷的用电策略。

步骤S7中，在对粒子的速度和位置进行更新时，若当前迭代次数为s，通过对第k个粒子的位置和速度进行更新，可以获取该粒子在s+1次迭代的位置和速度，计算公式为：

X_k(s+1)＝X_k(s)+V_k(s+1)；

V_k(s+1)＝wV_k(s)+C₁R₁[X_Pbest,k-X_k(s)]+C₂R₂[X_Gbest-X_k(s)]；

其中，s为迭代次数，w为惯性权重，R₁和R₂为随机系数，取值范围为[0,1]，X_Pbest,k为第个k粒子的个体最优解，X_Gbest为全局最优解，C₁和C₂为加速因子。两个加速因子的值可以相等，且取值范围可以为[0,4]，本实施例不对两个加速因子的取值进行限定。

步骤S9中，预设终止条件可以是迭代次数s大于预设最大迭代次数s_max，也可以是综合舒适度F3大于综合舒适度的最小可接受值F3_base。

在上述实施例的基础上，本实施例中所述当前惯性权重的公式为：

其中，w为所述当前惯性权重，w_max和w_min分别为所述预设的最大惯性权重和最小惯性权重，exp(·)为指数函数，s为所述当前迭代次数，s_max为所述预设最大迭代次数，γ为预设调节系数。

其中，预设的最大惯性权重和最小惯性权重可以根据实际需求进行设置，可以是0.9和0.5。预设调节系数也可以根据算法的收敛情况进行调试取值，如可以在[1,30]的范围内选取获取。

由于粒子群的惯性权重协调着迭代过程中的全局与局部寻优能力，对粒子群的收敛速度和收敛精度具有重要意义。因此，在每次迭代时，本实施根据迭代次数自适应地计算惯性权重，对小生境粒子群算法进行改进。

若惯性权重w的值偏大，则粒子群的全局寻优能力好；若惯性权重w的值偏小，则粒子群算法的局部寻优能力好。因此，在每次迭代中，本实施例根据迭代次数自适应地计算惯性权重的值，使得在开始寻优时惯性权重的值较大，迭代后期惯性权重的值较小。通过这种方式，可以协调算法迭代过程中的寻优能力，加快算法的收敛速度，准确获取最优的建筑用能柔性负荷的用电。

下面对本发明提供的面向综合舒适度的建筑内温控负荷优化系统进行描述，下文描述的面向综合舒适度的建筑内温控负荷优化系统与上文描述的面向综合舒适度的建筑内温控负荷优化方法可相互对应参照。

如图4所示，本实施例提供一种面向综合舒适度的建筑内温控负荷优化系统，该系统包括构建模块401和优化模块402，其中：

构建模块401用于构建面向综合舒适度的建筑内温控负荷优化模型；其中，所述建筑温控负荷优化模型以所述综合舒适度最大为目标，以所述建筑内温控负荷的运行功率约束和体感舒适度约束为约束条件，所述综合舒适度根据体感舒适度和经济舒适度确定，所述经济舒适度根据所述建筑内负荷参与用电调控后的节电费用和经济补偿确定，所述体感舒适度根据建筑内室内空间的室内温度确定；

其中，温控负荷可以是空调和电采暖等，本实施例不限于温控负荷的类型和数量。预设时段可以是一天或指定时长等。预设时段内包括多个削峰时段和填谷时段。用电调控为电网侧峰谷差调控，参与电网侧峰谷差调控后，需要在电网负荷高峰时段减少用电，在低谷时段增加用电量。用户体感舒适度是用户在自然的空气温度、湿度和风速等因素下的人体主观感受。经济舒适度是因经济收益因素带给用户的心理舒适感，经济收益包括建筑内负荷参与电网侧峰谷差调控而获得的节电费用和经济补偿。

建筑内负荷参与电网侧峰谷差调控后获取的经济收益，会激励其参与电网侧峰谷差调控响应的积极性，同时建筑内负荷在响应电网侧峰谷差调控时不会牺牲自己的体感舒适度。因此，可以综合体感舒适度和节电费用和经济补偿确定综合舒适度。使得综合舒适度为体感舒适度和经济舒适度共同作用的结果。并以最大化综合舒适度为目标，优化制定建筑内各温控负荷的用电策略。通过这种方式可以使得构建的建筑内温控负荷优化模型的目标函数能够更加客观的描述建筑内负荷参与电网侧峰谷差调控的行为。

优化模块402用于基于小生境粒子群算法对所述建筑内温控负荷优化模型进行求解，将所述建筑内温控负荷优化模型的最优解作为各温控负荷在预设时段中各时段的最优用电功率。

具体地，粒子群算法的原理和结构简单，算法收敛速度较快，通用性较强，但很容易过早地收敛于局部最优，同时在算法迭代后期难以保证解的多样性。因此，本实施引入小生境技术来解决这种早熟收敛的问题。

其中，根据自然界的进化理论，生活习性相近的物种会生活在同一个环境中，这个环境就叫做小生境。在小生境中依据优胜劣汰的生存准则，优势物种能够留存下去，而弱势物种就要被淘汰。将小生境技术引入到粒子群算法中，就是确定每个粒子存在的小生境群体，确定依据是任意两个粒子间的距离，所有的粒子不再存在于一个群体中，而是被分为几个小生境群体，然后在各小生境中利用传统粒子群算法进行粒子更新求解，从而可以有效地解决粒子群算法早熟收敛的问题。

本实施例构建的建筑内温控负荷优化模型的控制变量为次日各时段各室内空间的各温控负荷用电功率计划

和

和

分别为建筑内室内空间j中温控负荷i参与电网侧峰谷差调控后在t1削峰时段和t2填谷时段的用电功率。因此，建筑温控负荷优化模型是一个单目标、多约束、非线性的动态优化问题，可以采用小生境粒子群算法对建筑温控负荷优化模型求解。

由于空调和电采暖等温控负荷在各建筑用能柔性负荷中具有普及程度高、耗电功率大、运行时间长和可调节能力强等特点，使得温控负荷在各柔性负荷的用电优化管理中具有着突出显著的地位。以建筑内综合舒适度为导向，针对建筑内各温控负荷进行优化用电策略制定，实际上能够更为客观的描述建筑用能柔性负荷的调控执行行为，从而提高建筑用能参与电网侧峰谷差调控的可行性。

本实施例一方面构建的建筑内温控负荷优化模型，以建筑内负荷参与用电调控后的节电费用、经济补偿和体感舒适度共同确定的综合舒适度最大为目标，不仅可以更为客观的描述建筑内温控负荷参与电网侧峰谷差调控的行为，从而提高建筑内负荷参与电网侧峰谷差调控的可行性；另一方面，基于小生境粒子群算法对建筑内温控负荷优化模型进行求解，优化制定各温控负荷在预设时段的最优用电功率，提高体感舒适度和经济舒适度。

以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种面向综合舒适度的建筑内温控负荷优化方法，其特征在于，包括：

构建面向综合舒适度的建筑内温控负荷优化模型；其中，所述建筑温控负荷优化模型以所述综合舒适度最大为目标，以所述建筑内温控负荷的运行功率约束和体感舒适度约束为约束条件，所述综合舒适度根据体感舒适度和经济舒适度确定，所述经济舒适度根据所述建筑内负荷参与用电调控后的节电费用和经济补偿确定，所述体感舒适度根据建筑内室内空间的室内温度确定；

基于小生境粒子群算法对所述建筑内温控负荷优化模型进行求解，将所述建筑内温控负荷优化模型的最优解作为各温控负荷在预设时段中各时段的最优用电功率。

2.根据权利要求1所述的面向综合舒适度的建筑内温控负荷优化方法，其特征在于，所述建筑内温控负荷优化模型的目标函数为：

maxF3＝ω₁F1_day+ω₂F2；

其中，maxF3为目标函数，F3为综合舒适度，F1_day为建筑内所有温控负荷在预设时段内参与用电调控后的体感舒适度的总和，F2为经济舒适度，ω₁和ω₂为权重系数；

其中，

其中，j为所述建筑内第j个室内空间，J为所述建筑内室内空间的总数量，t1为所述预设时段中任一第一预设时段，t2为所述预设时段中任一第二预设时段，T_peak为预设时段内第一预设时段的数量，T_valley为预设时段内第二预设时段的数量，α_j,t1和α_j,t2为权重系数，F1_j,t1和F1_j,t2分别为第j个室内空间在t1时段和t2时段的体感舒适度。

3.根据权利要求2所述的面向综合舒适度的建筑内温控负荷优化方法，其特征在于，所述体感舒适度根据建筑内室内空间的室内温度确定的公式为：

其中，F1_t为t时段的体感舒适度，ET_t为t时段的有效温度指数；

其中，

其中，ET_t为t时段的有效温度指数，T_t为所述建筑内室内空间在t时段的室内温度，RH_t为所述室内空间在t时段的相对湿度。

4.根据权利要求3所述的面向综合舒适度的建筑内温控负荷优化方法，其特征在于，所述室内温度根据室内空气热平衡模型和所述温控负荷的用电功率确定；

所述室内空气热平衡模型包括温控负荷在夏季供冷工况下的室内空气热平衡模型和在冬季供热工况下的室内空气热平衡模型；

其中，所述温控负荷在夏季供冷工况下的室内空气热平衡模型的公式为：

ρ_jC_jV_j(T_j,t-T_j,t+1)＝Q_cold,j,t-Q_cl,j,t；

Q_cl,j,t＝k_wall,jF_wall,j(T_out,t-T_j,t)+k_win,jF_win,j(T_out,t-T_j,t)+I_j,tF_win,jSC_j+Q_in,j,t；

其中，j为所述建筑内第j个室内空间，ρ_jC_jV_j为室内空间j中空气的热容，ρ_j为室内空间j的空气密度，C_j为室内空间j的空气比热容，V_j为室内空间j的空气容量，Q_cold,j,t为t时段室内空间j中温控负荷向室内送入的冷量，Q_cl,j,t为t时段室内空间j在夏季供冷时的建筑能耗，k_wall,jF_wall,j(T_out,t-T_j,t)为室内空间j的建筑墙体与室外传递的冷量，k_wall,j为室内空间j的建筑墙体传热系数，F_wall,j为室内空间j的建筑墙体面积，T_out,t为t时段的建筑的室外温度，T_j,t为t时段室内空间j的室内温度，k_win,jF_win,j(T_out,t-T_j,t)为室内空间j的窗户向室外传递的冷量，k_win,j为室内空间j的窗户传热系数，F_win,j为室内空间j的窗户面积，I_j,tF_win,jSC_j为室内空间j的太阳热辐射向建筑室内传递热量后对应所需温控设备的制冷量，I_j,t为t时段室内空间j的太阳辐射度，SC_j为室内空间j的遮阳系数，Q_in,j,t为t时段室内空间j的热源发热量对应所需的制冷量；

所述在冬季供热工况下的室内空气热平衡模型的公式为：

ρ_jC_jV_j(T_j,t+1-T_j,t)＝Q_heat,j,t-Q_hl,j,t；

Q_hl,j,t＝k_wall,jF_wall,j(T_j,t-T_out,t)+k_win,jF_win,j(T_j,t-T_out,t)-I_j,tF_win,jSC_j-Q_in,j,t；

其中，Q_heat,j,t为t时段室内空间j中温控负荷向室内送入的热量，Q_hl,j,t为t时段室内空间j在冬季供热时的建筑能耗；

其中，

其中，Q_cold,j,t为制冷类温控负荷向室内送入的冷量，J_j为室内空间j中制冷类温控负荷的总数量，P_af,j,i,t为室内空间j中制冷类温控负荷i参与用电调控后在t时段的用电功率，Cop_cold,j,i为室内空间j中制冷类温控负荷i的能效比，Q_heat,j,t为制热类温控负荷向室内送入的热量，Cop_cold,j,i为室内空间j中制热类温控负荷i的能效比，t1为所述预设时段中任一第一预设时段T1，t2为所述预设时段中任一第二预设时段T2，

和

分别为室内空间j的温控负荷i参与用电调控后在t1时段和t2时段的用电功率，Δt为任一时段的长度，m为每小时内时段的数量。

5.根据权利要求2所述的面向综合舒适度的建筑内温控负荷优化方法，其特征在于，所述经济舒适度根据所述建筑内负荷参与用电调控后的节电费用和经济补偿确定的公式为：

其中，ΔW和ΔM分别为建筑内负荷参与用电调控后的节电费用和经济补偿，U为建筑内负荷未参与用电调控的用电费用。

6.根据权利要求5所述的面向综合舒适度的建筑内温控负荷优化方法，其特征在于，所述建筑内负荷参与用电调控后的节电费用的公式为：

其中，

为所述节电费用，t1为所述预设时段中的任一第一预设时段，t2为所述预设时段中的任一第二预设时段，j表示所述建筑内第j个室内空间，J为所述建筑内室内空间的总数量，J_j为所述第j个室内空间中温控负荷的总数量，

和

分别为所述第j个室内空间中第i个温控负荷在t1时段和t2时段参与用电调控后的用电功率，

和

分别为温控负荷在第一预设时段和第二预设时段未参与用电调控的用电功率，T_peak为预设时段内第一预设时段的数量，T_valley为预设时段内第二预设时段的数量，μ_peak和μ_valley分别为第一预设时段和第二预设时段的电费价格。

7.根据权利要求5所述的面向综合舒适度的建筑内温控负荷优化方法，其特征在于，所述建筑内负荷参与用电调控后的经济补偿的公式为：

其中，ΔM为建筑内负荷参与用电调控后的经济补偿，ρ为电网给予建筑内负荷参与用电调控的补偿费率，v为建筑内负荷参与用电调控后的贡献度指标，v_re为v归一化后的值；

其中，

其中，

和

分别为在t1时段和t2时段电网侧的总负荷功率，

为建筑内负荷参与用电调控后，调节效果达到最优时的贡献度指标值，max(·)和min(·)分别为最大值函数和最小值函数，

为贡献度指标，

和

分别为建筑内所有负荷在t1时段和t2时段的负荷功率，

为建筑内所有负荷在预设时段的平均负荷功率，

为电网侧在预设时段的平均负荷功率；

其中，

其中，

和

分别为建筑内所有温控负荷在t1时段和t2时段的总用电功率，

和

分别为建筑内除温控负荷外的其他负荷在t1时段和t2时段的总用电功率。

8.根据权利要求1-7任一所述的面向综合舒适度的建筑内温控负荷优化方法，其特征在于，所述基于小生境粒子群算法对所述建筑内温控负荷优化模型进行求解，将所述建筑内温控负荷优化模型的最优解作为各温控负荷在预设时段中各时段的最优用电功率，包括：

S1、获取初始参数，所述初始参数包括所述建筑内各室内空间在各时段的相对湿度、所述建筑包含的室内空间数量、预设时段内第一预设时段的总数、预设时段内第二预设时段的总数、第一预设时段和第二预设时段的电费价格、电网给予建筑内负荷参与用电调控的补偿费率、建筑的参数、温控负荷的参数、建筑内温控负荷的运行功率的最大值和最小值，以及体感舒适度的最大值和最小值；

S2、置初始迭代次数s＝1，利用随机函数产生初始种群；

S3、根据所述初始种群中任意两个粒子之间的距离，确定每个粒子所属的小生境群体；

S4、计算每个粒子的个体适应度、个体最优解和全局最优解；

S5、选择各小生境群体中的最优粒子形成超级种群；

S6、利用小生境竞争策略对各小生境群体进行更新；

S7、根据当前惯性权重对各小生境群体中各粒子的速度和位置进行更新；

S8、判断是否满足预设终止条件，所述终止条件为迭代次数s是否达到最大迭代次数或综合适应度是否大于综合舒适度的最小可接受值；若满足所述预设终止条件，则结束计算并输出最优解，所述最优解包括建筑内各室内空间各温控负荷在第一预设时段和第二预设时段的最优用电功率；

S9、若不满足预设终止条件，则置迭代次数s＝s+1，并执行步骤S4以进入下一轮循环优化。

9.根据权利要求8所述的面向综合舒适度的建筑内温控负荷优化方法，其特征在于，所述当前惯性权重的公式为：

其中，w为所述当前惯性权重，w_max和w_min分别为所述预设的最大惯性权重和最小惯性权重，exp(·)为指数函数，s为所述当前迭代次数，s_max为所述预设最大迭代次数，γ为预设调节系数。

10.一种面向综合舒适度的建筑内温控负荷优化系统，其特征在于，包括：

构建模块，用于构建面向综合舒适度的建筑内温控负荷优化模型；其中，所述建筑温控负荷优化模型以所述综合舒适度最大为目标，以所述建筑内温控负荷的运行功率约束和体感舒适度约束为约束条件，所述综合舒适度根据体感舒适度和经济舒适度确定，所述经济舒适度根据所述建筑内负荷参与用电调控后的节电费用和经济补偿确定，所述体感舒适度根据建筑内室内空间的室内温度确定；

优化模块，用于基于小生境粒子群算法对所述建筑内温控负荷优化模型进行求解，将所述建筑内温控负荷优化模型的最优解作为各温控负荷在预设时段中各时段的最优用电功率。

Images