CN113297799B - 一种基于数据驱动的空调集群负荷需求响应潜力评估方法 - Google Patents

Abstract

本发明公开一种基于数据驱动的空调集群负荷需求响应潜力评估方法，所述空调集群负荷需求响应潜力评估方法包括以下步骤：步骤1：基于物理特性对空调集群负荷需求响应潜力评估；步骤2：基于经济激励特性对空调集群负荷需求响应潜力评估；步骤3：实用空调集群负荷需求响应潜力评估。本发明空调集群负荷需求响应潜力评估方法利用数据驱动技术实现了空调集群调节过程中静态参数和动态参数的估计，完成了基于物理特性的空调集群需求响应潜力评估，基于多元回归实现了基于激励的空调集群需求响应潜力评估，结合物理和激励特性，给出了实际应用中空调集群需求响应潜力评估方法，从而为空调集群参与需求响应提供了技术支撑。

Description

一种基于数据驱动的空调集群负荷需求响应潜力评估方法

技术领域

本发明涉及电力需求响应技术领域，具体是一种基于数据驱动的空调集群负荷需求响应潜力评估方法。

背景技术

近年来，需求响应在世界范围得到了大规模实践，具有削峰填谷、促进可再生能源消纳等重要作用。空调负荷是一种典型的需求响应资源，且在夏季、冬季占尖峰负荷的比例很高，在满足用户舒适度的前提下，负荷可调节潜力巨大。因此，研究空调参与需求响应的潜力成为了一个重要研究课题。现有研究，要集中在基于空调物理模型对其调节功率进行计算，或是简单的利用价格弹性模型对基于激励的需求响应潜力进行计算，且主要考虑的是单个空调参数，无法对空调集群进行估算，而实际应用中，只有大规模空调集群才能够发挥需求响应的优势。针对这种情况，现提出一种基于数据驱动的空调集群负荷需求响应潜力评估方法。

发明内容

本发明的目的在于提供一种基于数据驱动的空调集群负荷需求响应潜力评估方法，能够有效解决上述背景技术中的不足，本发明空调集群负荷需求响应潜力评估方法有效解决了空调集群模型复杂，参数难以估计的问题，利用数据驱动技术实现了空调集群调节过程中静态参数和动态参数的估计，完成了基于物理特性的空调集群需求响应潜力评估，基于多元回归实现了基于激励的空调集群需求响应潜力评估，结合物理和激励特性，给出了实际应用中空调集群需求响应潜力评估方法，从而为空调集群参与需求响应提供了技术支撑。

本发明的目的可以通过以下技术方案实现：

一种基于数据驱动的空调集群负荷需求响应潜力评估方法，所述空调集群负荷需求响应潜力评估方法包括以下步骤：

步骤1：基于物理特性对空调集群负荷需求响应潜力评估；

步骤2：基于经济激励特性对空调集群负荷需求响应潜力评估；

步骤3：实用空调集群负荷需求响应潜力评估。

进一步地，所述步骤1包括以下步骤：

步骤1.1：空调负荷热力学模型建立；

步骤1.2：数据的获取与预处理，按照气温的时间尺度采集智能电表数据从而形成匹配或利用插值的方法保证电表数据和温度数据时间尺度的一致性；

步骤1.3：负荷聚类分析；

步骤1.4：相关性分析，对步骤1.3聚类后的负荷数据集进行相关性分析，识别和去除前述得到的基准负荷中的空调负荷部分，获得不同温度下工作日基准负荷和周末基准负荷；

步骤1.5：分布检验；

步骤1.6：空调负荷曲线分解为静态和动态部分；

步骤1.7：静态参数估计：

步骤1.8：动态参数估计；

步骤1.9：需求响应潜力计算。

进一步地，所述步骤1.1中空调负荷的热力学模型采用一阶ETP模型：

所述步骤1.3根据误差平方差之和将每月的负荷数据集分成K_i(K_i≥2)个类别/>

所述步骤1.5中：

P_total,t＝P_eq,t+P_baseload,t (4)

所述步骤1.6中静态和动态部分的区分由下式决定：

所述步骤1.7由下式对参数进行估计：

约束条件通过下式决定：

所述步骤1.8中确定初始的热容量值由下式确定：

利用粒子群算法步骤寻找最优的热容和对应的室内温度；

所述步骤1.9中需求响应潜力通过下式计算；

式中t_duration是需求响应的持续时长，是可以根据步骤1.7和步骤1.8计算出来的温度变化的指数过程，ΔT是根据步骤1.8得到的需求响应过程中室内温度变化量，p_t是由步骤1.6得到的空调处于开机状态的概率。

进一步地，所述步骤2包括以下步骤：

步骤2.1：数据获取；

步骤2.2：差值计算；

步骤2.3：多元线性回归。

进一步地，所述步骤2.1采集变化前后的电价数据以及电价改变前后的负荷数据；

所述步骤2.2计算各时间点需求响应前后的负荷差和电价差；

所述步骤2.3负荷变化量用下式描述：

输入步骤2.2得到的数据，输出数据是每个时间点的自弹性和交叉弹性；

基于经济激励的需求响应潜力如下式：

α₁和α₂分别表示可削减负荷和可转移负荷的比例。

进一步地，所述步骤3实际应用中的需求响应潜力计算如下：

根据式(11)计算得到基于经济激励的需求响应潜力DR₀，根据式(9)得到的基于物理特性需求响应潜力DR₁。

进一步地，所述式(12)中λ_t＜λ₀时，用户不参与需求响应；

所述式(12)中λ₀≤λ_t＜λ₁时，用户主要是基于经济激励参与需求响应，空调负荷无法实现物理特性上的最大需求响应，通过式(11)计算需求响应潜力；

所述式(12)中λ_t≥λ₁时，用户在自身舒适度承受范围内实现物理特性上的最大需求响应，通过式(9)计算需求响应潜力。

本发明的有益效果：

本发明空调集群负荷需求响应潜力评估方法有效解决了空调集群模型复杂，参数难以估计的问题，利用数据驱动技术实现了空调集群调节过程中静态参数和动态参数的估计，完成了基于物理特性的空调集群需求响应潜力评估，基于多元回归实现了基于激励的空调集群需求响应潜力评估，结合物理和激励特性，给出了实际应用中空调集群需求响应潜力评估方法，从而为空调集群参与需求响应提供了技术支撑。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明空调集群负荷需求响应潜力评估方法的总体流程图；

图2是本发明需求响应潜力关系图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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它实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。

请参阅图1所示，一种基于数据驱动的空调集群负荷需求响应潜力评估方法，空调集群负荷需求响应潜力评估方法包括以下步骤：

步骤1：基于物理特性对空调集群负荷需求响应潜力评估；

步骤1.1：空调负荷热力学模型建立；

考虑到后续参数识别的复杂性和多样性，空调负荷的热力学模型采用应用广泛的一阶ETP模型：

式中，C_eq(kWh/℃)是用户集群的等效热容，R_eq(℃/kW)是用户集群的等效热阻，P_eq(kW)是空调集群的总功率，η_eq是空调集群的等效热点转换系数，T_in(℃)是用户集群的等效室内温度，T_out(℃)是室外温度，Δt是需求响应持续的时间。

步骤1.2：数据的获取与预处理；

为了评估空调负荷集群基于物理特性的需求响应潜力，通过低压配电网处采集到的空调集群负荷和对应的温度数据是必须的，其他例如室内温度、建筑物参数等额外数据，可以提高参数估计的精度，但并不必要。完成数据采集之后，对数据进行清洗，去除坏数据，利用插值等方法对遗漏数据进行补充。由于智能电表的数据和气温数据的时间尺度不一致，智能电表通常每15分钟至1小时采集一次数据，而气温数据的度量通常以小时为间隔，针对上述时间尺度不匹配的问题有两种解决方案，一是按照气温的时间尺度采集智能电表数据从而形成匹配，二是利用插值的方法保证电表数据和温度数据时间尺度的一致性。实际应用中可根据数据的体量等因素选择合适方案。

步骤1.3：负荷聚类分析；

利用K-means聚类法对负荷水平进行聚类分析，区分出不同的负载水平，例如工作日带空调负荷、工作日不带空调负荷、休息日带空调负荷、休息日不带空调负荷，根据误差平方差之和将每月的负荷数据集分成K_i(K_i≥2)个类别/>

式中是第i个月第k个类的聚类中心集合

通过上述聚类过程，可以提取出一组不包含或包含较少空调负荷的工作日基准负荷D_k＝{D_k,i}和周末基准负荷D_e＝{D_e,i}。

步骤1.4：相关性分析；

对聚类后的负荷数据集进行相关性分析，进一步识别和去除前述得到的基准负荷中的空调负荷部分，最后获得不同温度下工作日基准负荷和周末基准负荷。

步骤1.5：分布检验；

考虑到不同时间和用户使用模式的多样性和随机性，利用分布检验来得到基准负荷的概率分布。给定显著性水平α(例如0.05),我们可以定义零假设，基准负荷服从某个概率分布。接着我们可以估计每个概率分布的参数(μ,σ,λ)然后基于这些参数得到一个不同的累积分布函数F_n(X)，再根据K-S检验计算假设分布函数F_n(X)和实际累积分布函数F(X)间的显著性差异，最终选择最能接受的假设分布，并采用±5％扰动的期望值作为期望基准负载。夏季或冬季的空调负荷用智能电表数据减去期望基准负荷得到。

P_total,t＝P_eq,t+P_baseload,t (4)

步骤1.6：空调负荷曲线分解；

由于空调负荷原始曲线存在许多非线性部分，直接对静态和动态参数进行估计误差较大，因此首先对空调负荷曲线进行分解，对空调负荷曲线用开/关和静态/动态两个指标进行分解。功率P_eq,t≤δmaxP_eq,t(δ＝0.1\％)的部分被认为处在关机状态，其余部分认为处在开机状态，静态和动态部分的区分由下式决定：

|dPT_t|≤σ(σ＝0.1)的部分被认为是静态，其余部分认为是动态。

步骤1.7：静态参数估计：

需要估计的静态参数是室外温度的响应斜率和空调设定点温度，通过改进的回归方法对静态参数进行估计，对所有处于开机和静态状态的点，利用以下优化方法对参数进行估计：

约束条件：

式中，a＝1/η_eqR_eq和-b_t/a＝T_set,t是决策变量，以最小二乘误差为目标函数，约束条件中的第一项表示温度响应斜率的上下限，第二项表示空调温度设定值的上下限，第三项表示设定值温度的变化趋势应与环境温度的变化趋势相一致。

步骤1.8：动态参数估计；

需要估计的动态参数是热容和对应的室内温度。由于室内温度通常无法获得，因此估算难度较大，利用一种基于粒子群算法的混合方法进行求解，初始的热容量值由下式确定：

式中，c_air(J/kg℃)是空气的热容量，ρ_air(kg/m3)是空气的密度，P_max是可从步骤1.5得到的空调负荷最大值，h是建筑物的高度，Q是建筑冷负荷指标，Q的范围是90～300(W/m2)；

利用下表所示的粒子群算法步骤寻找最优的热容和对应的室内温度。

步骤1.9：需求响应潜力计算；

需求响应潜力可通过下式进行计算：

式中t_duration是需求响应的持续时长，是可以根据步骤1.7和步骤1.8计算出来的温度变化的指数过程，ΔT是根据步骤1.8得到的需求响应过程中室内温度变化量，p_t是由步骤1.6得到的空调处于开机状态的概率。

步骤2：基于经济激励特性对空调集群负荷需求响应潜力评估；

步骤2.1：数据获取；

采集变化前后的电价数据以及电价改变前后的负荷数据。

步骤2.2：差值计算；

计算各时间点需求响应前后的负荷差和电价差。

步骤2.3：多元线性回归；

综合考虑价格和激励的影响，负荷变化量可用下式描述：

式中，E_t是t时刻的自弹性，E_t,j是t时刻和j时刻之间的交叉弹性，ρ_t和ρ_t ^*分别是t时刻变化前后的电价值，λ_t和η分表表示激励价格和它的影响系数，是电价变化前的总功率。因此，求解弹性的问题相当于多元线性回归，输入数据是步骤2.2得到的大量数据，输出数据是每个时间点的自弹性和交叉弹性。

最终基于经济激励的需求响应潜力可被描述如下：

式中，α₁和α₂分别表示可削减负荷和可转移负荷的比例。

步骤3：实用空调集群负荷需求响应潜力评估；

请参阅图2所示，图2提现了实际应用中，实际需求响应潜力，基于物理特性的需求响应潜力和基于激励的需求响应潜力之间的关系，λ₀是驱使用户参与需求响应的初始激励价格，DR₀是根据式(11)计算得到的基于经济激励的需求响应潜力，DR₁是根据式(9)得到的基于物理特性的需求响应潜力。

实际应用中的需求响应潜力计算如下：

当λ_t＜λ₀时，用户不参与需求响应，当λ₀≤λ_t＜λ₁时，用户主要是基于经济激励参与需求响应，空调负荷无法实现物理特性上的最大需求响应，因此通过式(11)计算需求响应潜力，当λ_t≥λ₁时，用户在自身舒适度承受范围内实现物理特性上的最大需求响应，因此通过式(9)计算需求响应潜力。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (1)

1.一种基于数据驱动的空调集群负荷需求响应潜力评估方法，其特征在于，所述空调集群负荷需求响应潜力评估方法包括以下步骤：

步骤1：基于物理特性对空调集群负荷需求响应潜力评估；

步骤2：基于经济激励特性对空调集群负荷需求响应潜力评估；

步骤3：实用空调集群负荷需求响应潜力评估；

所述步骤1包括以下步骤：

步骤1.1：空调负荷热力学模型建立；

步骤1.2：数据的获取与预处理，按照气温的时间尺度采集智能电表数据从而形成匹配或利用插值的方法保证电表数据和温度数据时间尺度的一致性；

步骤1.3：负荷聚类分析；

步骤1.4：相关性分析，对步骤1.3聚类后的负荷数据集进行相关性分析，识别和去除前述得到的基准负荷中的空调负荷部分，获得不同温度下工作日基准负荷和周末基准负荷；

步骤1.5：分布检验；

步骤1.6：空调负荷曲线分解为静态和动态部分；

步骤1.7：静态参数估计：

步骤1.8：动态参数估计；

步骤1.9：需求响应潜力计算；

所述步骤1.1中空调负荷的热力学模型采用一阶ETP模型：

式中，C_eq是用户集群的等效热容，R_eq是用户集群的等效热阻，P_eq是空调集群的总功率，η_eq是空调集群的等效热点转换系数，T_in是用户集群的等效室内温度，T_out是室外温度，Δt是需求响应持续的时间；

所述步骤1.3根据误差平方差之和将每月的负荷数据集分成K_i个类别/>其中，K_i≥2：

式中是第i个月第k个类的聚类中心集合；

提取出一组不包含或包含较少空调负荷的工作日基准负荷D_k＝{D_k,i}和周末基准负荷D_e＝{D_e,i}；

所述步骤1.5中：

P_total,t＝P_eq,t+P_baseload,t (4)

所述步骤1.6中静态和动态部分的区分由下式决定：

所述步骤1.7由下式对参数进行估计：

约束条件通过下式决定：

式中，a＝1/η_eqR_eq和-b_t/a＝T_set,t是决策变量，TS_min表示温度响应斜率的下限,TS_max表示温度响应斜率的上限，T_set,min表示空调温度设定值的下限,T_set,max表示空调温度设定值的上限，(T_out，t+Δt-T_out，t)(b_t+Δt-b_t)≥0表示设定值温度的变化趋势应与环境温度的变化趋势相一致；

所述步骤1.8中确定初始的热容量值由下式确定：

式中，c_air是空气的热容量，ρ_air是空气的密度，P_max是由步骤1.5得到的空调负荷最大值，h是建筑物的高度，Q是建筑冷负荷指标；

利用粒子群算法步骤寻找最优的热容和对应的室内温度；

所述步骤1.9中需求响应潜力通过下式计算；

式中t_duration是需求响应的持续时长，是根据步骤1.7和步骤1.8计算出来的温度变化的指数过程，ΔT是根据步骤1.8得到的需求响应过程中室内温度变化量，p_t是由步骤1.6得到的空调处于开机状态的概率；

所述步骤2包括以下步骤：

步骤2.1：数据获取；

步骤2.2：差值计算；

步骤2.3：多元线性回归；

所述步骤2.1采集变化前后的电价数据以及电价改变前后的负荷数据；

所述步骤2.2计算各时间点需求响应前后的负荷差和电价差；

所述步骤2.3负荷变化量用下式描述：

式中，E_t是t时刻的自弹性，E_t,j是t时刻和j时刻之间的交叉弹性，ρ_t和分别是t时刻变化前后的电价值，λ_t和η分表表示激励价格和它的影响系数，/>是电价变化前的总功率；

输入步骤2.2得到的数据，输出数据是每个时间点的自弹性和交叉弹性；

基于经济激励的需求响应潜力如下式：

α₁和α₂分别表示可削减负荷和可转移负荷的比例；

所述步骤3实际应用中的需求响应潜力计算如下：

式中，λ₀是驱使用户参与需求响应的初始激励价格；

根据式(11)计算得到基于经济激励的需求响应潜力DR₀，根据式(9)得到的基于物理特性需求响应潜力DR₁；

所述式(12)中λ_t＜λ₀时，用户不参与需求响应；

所述式(12)中λ₀≤λ_t＜λ₁时，用户主要是基于经济激励参与需求响应，空调负荷无法实现物理特性上的最大需求响应，通过式(11)计算需求响应潜力；

所述式(12)中λ_t≥λ₁时，用户在自身舒适度承受范围内实现物理特性上的最大需求响应，通过式(9)计算需求响应潜力。