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
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 Download PDFInfo
- Publication number
- CN113297799B CN113297799B CN202110649530.9A CN202110649530A CN113297799B CN 113297799 B CN113297799 B CN 113297799B CN 202110649530 A CN202110649530 A CN 202110649530A CN 113297799 B CN113297799 B CN 113297799B
- Authority
- CN
- China
- Prior art keywords
- demand response
- load
- air conditioner
- response potential
- cluster
- 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 100
- 238000011156 evaluation Methods 0.000 title abstract description 20
- 238000004378 air conditioning Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000003068 static effect Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 18
- 230000005611 electricity Effects 0.000 claims description 13
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000000704 physical effect Effects 0.000 claims description 2
- 230000002459 sustained effect Effects 0.000 claims 1
- 230000005284 excitation Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000005315 distribution function Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004138 cluster model Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Air Conditioning Control Device (AREA)
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
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Ki(Ki≥2)个类别/>
所述步骤1.5中:
Ptotal,t=Peq,t+Pbaseload,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tduration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,pt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λt<λ0时,用户不参与需求响应;
所述式(12)中λ0≤λt<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λt≥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,Ceq(kWh/℃)是用户集群的等效热容,Req(℃/kW)是用户集群的等效热阻,Peq(kW)是空调集群的总功率,ηeq是空调集群的等效热点转换系数,Tin(℃)是用户集群的等效室内温度,Tout(℃)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Ki(Ki≥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Dk={Dk,i}和周末基准负荷De={De,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Fn(X),再根据K-S检验计算假设分布函数Fn(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。
Ptotal,t=Peq,t+Pbaseload,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Peq,t≤δmaxPeq,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:
|dPTt|≤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/ηeqReq和-bt/a=Tset,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,cair(J/kg℃)是空气的热容量,ρair(kg/m3)是空气的密度,Pmax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tduration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,pt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,Et是t时刻的自弹性,Et,j是t时刻和j时刻之间的交叉弹性,ρt和ρt *分别是t时刻变化前后的电价值,λt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λt<λ0时,用户不参与需求响应,当λ0≤λt<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λt≥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,Ceq是用户集群的等效热容,Req是用户集群的等效热阻,Peq是空调集群的总功率,ηeq是空调集群的等效热点转换系数,Tin是用户集群的等效室内温度,Tout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Ki个类别/>其中,Ki≥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Dk={Dk,i}和周末基准负荷De={De,i};
所述步骤1.5中:
Ptotal,t=Peq,t+Pbaseload,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/ηeqReq和-bt/a=Tset,t是决策变量,TSmin表示温度响应斜率的下限,TSmax表示温度响应斜率的上限,Tset,min表示空调温度设定值的下限,Tset,max表示空调温度设定值的上限,(Tout,t+Δt-Tout,t)(bt+Δt-bt)≥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,cair是空气的热容量,ρair是空气的密度,Pmax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tduration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,pt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,Et是t时刻的自弹性,Et,j是t时刻和j时刻之间的交叉弹性,ρt和分别是t时刻变化前后的电价值,λt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λt<λ0时,用户不参与需求响应;
所述式(12)中λ0≤λt<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λt≥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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649530.9A CN113297799B (zh) | 2021-06-10 | 2021-06-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649530.9A CN113297799B (zh) | 2021-06-10 | 2021-06-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297799A CN113297799A (zh) | 2021-08-24 |
CN113297799B true CN113297799B (zh) | 2024-02-06 |
Family
ID=77328107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110649530.9A Active CN113297799B (zh) | 2021-06-10 | 2021-06-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297799B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822581B (zh) * | 2021-09-24 | 2024-04-30 | 国网江苏省电力有限公司营销服务中心 | 一种考虑动态过程的负荷聚合商需求响应评估方法 |
CN114492169B (zh) * | 2021-12-28 | 2024-03-29 | 国网河北省电力有限公司营销服务中心 | 考虑用户市场响应潜力的电动汽车用户画像方法及系统 |
CN115330280B (zh) * | 2022-10-14 | 2023-02-21 | 国网山东省电力公司营销服务中心(计量中心) | 聚合负荷中空调负荷需求响应可调潜力评估方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679357A (zh) * | 2013-12-06 | 2014-03-26 | 国网山东省电力公司 | 基于价格和激励的电力需求响应的智能决策方法 |
CN106022548A (zh) * | 2016-07-11 | 2016-10-12 | 东南大学 | 一种针对聚合空调的变时段尖峰电价优化方法 |
CN107425521A (zh) * | 2017-06-28 | 2017-12-01 | 国网江苏省电力公司电力科学研究院 | 一种考虑负荷波动性的动态聚合建模及参与调频方法 |
CN107767074A (zh) * | 2017-11-09 | 2018-03-06 | 东南大学 | 一种计及综合需求响应资源的能源枢纽规划方法 |
CN108039710A (zh) * | 2017-11-13 | 2018-05-15 | 国网辽宁省电力有限公司 | 一种基于阶跃特性的空调负荷参与的电网日前调度方法 |
CN109243547A (zh) * | 2018-07-09 | 2019-01-18 | 河海大学 | 一种空调负荷群需求响应潜力定量评估方法 |
CN109886469A (zh) * | 2019-01-23 | 2019-06-14 | 华北电力大学 | 一种区域综合能源系统需求侧管理方法 |
CN110210914A (zh) * | 2019-06-17 | 2019-09-06 | 华北电力大学 | 基于智能推荐的居民用电需求响应方法 |
CN110991786A (zh) * | 2019-10-15 | 2020-04-10 | 国网浙江省电力有限公司台州供电公司 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
CN111724210A (zh) * | 2020-06-23 | 2020-09-29 | 华中科技大学 | 一种基于价格弹性系数矩阵的电力需求响应调控方法 |
CN112348283A (zh) * | 2020-11-26 | 2021-02-09 | 国网天津市电力公司电力科学研究院 | 蓄热式电采暖虚拟电厂日前可调度潜力评估方法及装置 |
KR20210054441A (ko) * | 2019-11-05 | 2021-05-13 | 포항공과대학교 산학협력단 | 전기 요금 책정 방법 및 장치 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8041467B2 (en) * | 2008-10-31 | 2011-10-18 | General Electric Company | Optimal dispatch of demand side electricity resources |
US10210568B2 (en) * | 2014-09-26 | 2019-02-19 | Battelle Memorial Institute | Coordination of thermostatically controlled loads with unknown parameters |
US11301941B2 (en) * | 2017-06-12 | 2022-04-12 | Tata Consultancy Services Limited | Systems and methods for optimizing incentives for demand response |
-
2021
- 2021-06-10 CN CN202110649530.9A patent/CN113297799B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679357A (zh) * | 2013-12-06 | 2014-03-26 | 国网山东省电力公司 | 基于价格和激励的电力需求响应的智能决策方法 |
CN106022548A (zh) * | 2016-07-11 | 2016-10-12 | 东南大学 | 一种针对聚合空调的变时段尖峰电价优化方法 |
CN107425521A (zh) * | 2017-06-28 | 2017-12-01 | 国网江苏省电力公司电力科学研究院 | 一种考虑负荷波动性的动态聚合建模及参与调频方法 |
CN107767074A (zh) * | 2017-11-09 | 2018-03-06 | 东南大学 | 一种计及综合需求响应资源的能源枢纽规划方法 |
CN108039710A (zh) * | 2017-11-13 | 2018-05-15 | 国网辽宁省电力有限公司 | 一种基于阶跃特性的空调负荷参与的电网日前调度方法 |
CN109243547A (zh) * | 2018-07-09 | 2019-01-18 | 河海大学 | 一种空调负荷群需求响应潜力定量评估方法 |
CN109886469A (zh) * | 2019-01-23 | 2019-06-14 | 华北电力大学 | 一种区域综合能源系统需求侧管理方法 |
CN110210914A (zh) * | 2019-06-17 | 2019-09-06 | 华北电力大学 | 基于智能推荐的居民用电需求响应方法 |
CN110991786A (zh) * | 2019-10-15 | 2020-04-10 | 国网浙江省电力有限公司台州供电公司 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
KR20210054441A (ko) * | 2019-11-05 | 2021-05-13 | 포항공과대학교 산학협력단 | 전기 요금 책정 방법 및 장치 |
CN111724210A (zh) * | 2020-06-23 | 2020-09-29 | 华中科技大学 | 一种基于价格弹性系数矩阵的电力需求响应调控方法 |
CN112348283A (zh) * | 2020-11-26 | 2021-02-09 | 国网天津市电力公司电力科学研究院 | 蓄热式电采暖虚拟电厂日前可调度潜力评估方法及装置 |
Non-Patent Citations (4)
Title |
---|
李依琳.面向需求侧响应的空调负荷模型与调控策略研究.中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑).2019,C042-1892. * |
李娜,张文月,王玉玮,符景帅,王炜劼,王麟.基于数据均值化及LSSVM算法的峰谷电价需求响应模型.中国电力.2016,第49卷(第9期),第137-141页. * |
王蓓蓓 ; 朱峰 ; 嵇文路 ; 曹阳 ; .中央空调降负荷潜力建模及影响因素分析.电力系统自动化.2016,(第19期),第44-52页. * |
程文,孙树敏,李宝,唐小婷,王楠,程艳,史晓航.考虑需求响应的多目标模糊机会约束动态经济调度.科学技术与工程.2020,第20卷(第31期),第12849-12856页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113297799A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113297799B (zh) | 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 | |
Yu et al. | A decision tree method for building energy demand modeling | |
Yu et al. | A systematic procedure to study the influence of occupant behavior on building energy consumption | |
Yan et al. | A simplified prediction model for energy use of air conditioner in residential buildings based on monitoring data from the cloud platform | |
Roberts et al. | Characterisation of Australian apartment electricity demand and its implications for low-carbon cities | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN110705792A (zh) | 一种计及分时定价的动态需求响应求解方法 | |
Swan | Residential sector energy and GHG emissions model for the assessment of new technologies | |
Belaid et al. | Investigating the factors shaping residential energy consumption patterns in France: evidence form quantile regression | |
CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN112633924A (zh) | 一种基于负荷分解的小区电能替代需求分析方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN115882463A (zh) | 一种商业建筑空调负荷可调度潜力评估方法 | |
CN111626608B (zh) | 一种居民电力需求响应潜力评估方法 | |
CN106875058A (zh) | 一种电力业扩可开放容量智能判断方法 | |
Li et al. | The impacts of temperature on residential electricity consumption in Anhui, China: does the electricity price matter? | |
CN111859242A (zh) | 一种家庭电力能效优化方法及系统 | |
Yu | Mining hidden knowledge from measured data for improving building energy performance | |
CN109559146A (zh) | 电力客服中心基于logistic模型预测潜在用户数量的省市接入数据中心优化方法 | |
Liu et al. | Recognition model of air conditioning electricity consumption behaviors for demand response based on k-means clustering | |
Parra et al. | Customers' demand clustering analysis—A case study using smart meter data | |
Bo et al. | Research of Typical Line Loss Rate in Transformer District Based on Data-Driven Method | |
Kunwar et al. | Residential Occupant-Dependent Appliance Power and Time-Of-Use Estimation for Grid Demand Response Applications. | |
Christensen et al. | Data-driven learning from dynamic pricing data-classification and forecasting | |
Zhou et al. | Machine-learning-based investigation of the associations between residential power consumption and weather conditions |
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 |