CN113610152B - 一种基于负荷模式的空调系统灵活性运行策略制定方法 - Google Patents
一种基于负荷模式的空调系统灵活性运行策略制定方法 Download PDFInfo
- Publication number
- CN113610152B CN113610152B CN202110900598.XA CN202110900598A CN113610152B CN 113610152 B CN113610152 B CN 113610152B CN 202110900598 A CN202110900598 A CN 202110900598A CN 113610152 B CN113610152 B CN 113610152B
- Authority
- CN
- China
- Prior art keywords
- load
- building
- air conditioning
- conditioning system
- classification
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Abstract
本发明公开了一种基于负荷模式的空调系统灵活性运行策略制定方法。可应用于建筑节能相关领域的科学研究和工程应用。双步聚类的方法同时考虑冷热负荷曲线形态变化和负荷数值大小。通过聚类区分获得典型负荷模式,进而将灵活性指标作为优化目标,与运行能耗目标一起,纳入运行策略的多目标优化过程中,采用Topsis灰色关联度熵权法进行运行策略的多目标决策。本运行策略制定方法可以实现负荷模式的高精度识别,此外,针对不同的冷热负荷模式,对比优化前的策略实现了运行电耗和费用的节约。分析优化的结果可以发现对建筑的空调系统进行有计划地调节,可以实现建筑空调系统节能节费运行。
Description
技术领域
本发明涉及一种建筑运行策略制定方法,具体涉及一种基于负荷模式的空调系统灵活性运行策略制定方法。
背景技术
随着时代的发展,经济快速的增长,在第三次科技革命的大背景下,人们对能源的需求量日益增加,供冷供热与电网的联系也日益紧密。供电商必须根据需求方的实时需求提供电力。分析负荷曲线可以指导开发能源管理方案。建筑在运行调控时,根据当地气候条件,用户需求和电网需要,对负荷进行转移,削峰,填谷。了解了建筑的负荷变化,可以通过改变建筑的负荷曲线实现优化的能源管理。随着可获取的参数增多,负荷变化的细节特征能够被更好的展现,采用数据分析方法可以分析获得建筑的能耗利用模式。
之前的研究通常采用神经网络或多元回归模型等方法对建筑的负荷进行建模和预测,但是在预测算法中存在的最大缺陷就是得到的负荷曲线也缺乏典型的特征。如果没有典型性的支撑,可能仅由于个别时间人为因素的随机变化而产生多个峰少个峰的形态,这种情况本身就是带有特殊性的,不具有代表性和指导设备运行的意义。而训练数据不同,可能获得的负荷曲线形态各异,如果不加以聚类,则会产生海量的需求目标工况,增加了计算的复杂度不利于后续的策略制定。其次是在优化问题的制定上,通常关注的是运行的经济性,或者是冷热供应是否能满足用户的需求。少有研究将电网的需求响应和运行的费用还有用户的需求综合考虑,在解决现在的空调系统优化问题上,需要综合考虑多种因素,使空调系统的调控合理化。
发明内容
有鉴于此,本发明提供一种基于负荷模式的空调系统灵活性运行策略制定方法,以解决上述技术问题。基于以往的发明,本发明进行了以下改进:
本发明提出了一种基于负荷模式的空调系统灵活性运行策略制定方法,包括以下步骤:
1)归类建筑负荷曲线的特征,采用了基于余弦相似性的聚类和基于欧氏距离的聚类对建筑负荷曲线的模式进行识别,外层聚类对负荷进行标准化之后,采用形态相似进行判别,内层对外层得到的不同类型的负荷进行进一步的聚类,得到负荷大小相似的类簇。
2)提取典型模式建立和分类的特征指标,
a)平均日负荷计算开机之后的建筑负荷的平均值。
b)最大日负荷(Qmax):反映了一天中的负荷极大值,在该时间的负荷调控时通常需要被削减,或通过增加设备来满足负荷需求。
c)负荷变化率(ΔQ):反应研究日的负荷变化剧烈程度。通过计算负荷逐时变化率的平均值求得反应全天负荷变化;
d)峰值负荷率,按照天津市物价局的规定,电网的峰期的时间为8:00-11:00,18:00-23:00计算了电价处于峰值的时候需要被满足的总建筑冷热负荷;
式中:—平均峰值负荷,kW
3)对新获得的负荷进行模式分类,在分类器训练中采用了决策树分类以及最近邻(KNN)。通过训练分类器,在获得新的负荷曲线时,将其归类于现有的典型负荷曲线类别中。计算时考虑了负荷的特征对于分类精度的影响。分类时选用5交叉验证计算数据的分类精度。
4)建立空调系统的优化模型,将24h视为一个运行周期,计算了在一天的运行中的最高灵活性和最低运行能耗并将其作为优化目标。
目标1:全天的灵活性最高/运行费用最低
f1=FF
灵活性因子的计算方法是:
目标2:全天的能耗最低
其中W设备是各设备能耗的总和,W热泵、W储热、W循环泵和W太阳能是热泵,储热、循环泵和太阳能的运行能耗。CNYi为在第i小时的电价。
5)采用优化算法计算模型得到优化策略,最优供能方案优化算法是多目标遗传算法,降低了寻优过程中的计算复杂度。
6)对于优化的决策部分采用TOPSIS-熵权-灰色关联度分析法进行多目标决策,具体思路是首先依据TOPSIS法选出正理想解,然后采用熵权法求出各个指标的权重,最后依据灰色关联分析法求解各个方案与最优方案的关联度程度,结合熵权法的出的权重计算灰色关联度,选取灰色关联度最高的方案作为最佳方案。
本发明的有益效果是:对于典型负荷模式曲线进行最优运行策略的制定,首先,优化的边界来自于模式识别得到的典型负荷模式,利用统计分析方法提取具有代表性的负荷曲线,通过两步聚类在负荷大数据中对负荷进行细分,从而实现建筑热负荷的多种需求的提前估计。后续的优化中通过只需要通过对负荷特性指标进行计算就可以对建筑负荷的模式进行识别,从而得到适宜的运行方案。其次,考虑了空调系统中,需求响应时不同设备负载分配的问题,针对负荷需求的变化特点,建立灵活性指标作为优化目标之一,采用群体智能优化算法确定方案。最后,在决策过程中采用TOPSIS方法对多目标最优解的集合进行决策,使最终方案同步兼顾费用最低与能耗最低的效果。
附图说明
图1为本发明的流程图;
具体实施方式
为使本发明的实施的目的、技术方案等更加清楚,下面将结合本发明实施里中的附图,对本发明的技术方案进行更加详细的补充描述。
所描述的实施例是本发明的一部分实施例,而不是全部实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
一种基于负荷模式的空调系统灵活性运行策略制定方法,其包括:
1)归类建筑负荷曲线的特征,提出负荷曲线的分类标准和分类特征,从而实现建筑负荷曲线的典型模式建立,针对负荷的模式进行了分类关键指标的分析和分类器的训练;
对测试得到的原始负荷数据进行缺失数据填补和归一化后整理在矩阵中,采用基于余弦相似度的K-means算法进行聚类,将形态相似的负荷曲线归为一类。
通过特征识别每一类负荷的特征指标,以更好地量化曲线的变化特点,展示聚类算法的区分效果,提高模式识别的可解释性和识别精度。利用Bagging Decision Trees计算各指标在分类中的重要性。指标分析可以将每一类的负荷特征进行更加详细的描述,对负荷指标分析后,将指标作为模式识别中分类器的输入数据。训练数据包括通过测试得到的每天的负荷值。和负荷的特征值。在训练分类模型后通过5交叉验证方法进行验证,模型的准确度良好。
2)采用灰箱建模,建立空调系统模型,同时考虑各能源设备运行耦合约束,获得优化算法的实际问题测试模型;
通过测试,获得热泵机组的供热量和运行耗电,经过整理后采用最小二乘法系数进行了拟合。
太阳能模型的建立,通过获得太阳能集热平面的辐射强度,再通过分析集热器的使用面积来计算有效集热量。
对于变频水泵依据流量和功率之间的关系进行建模。而对于定频水泵,认为水泵运行时的功率即为设备的额定功率。定频水泵的耗电只和开启的时长相关。
此外在建模过程中,需要考虑设备的耦合运行和相应的约束。在系统运行过程中需要考虑约束条件,使其在符合真实运行条件的前提下进行运行。由于地源热泵和储能水箱的启停,和循环泵有着一定的关联性,因此对于设备的能耗计算需要和循环泵的电耗进行关联。当
供能设备开启时,除了需要通过具体的设备模型计算出设备的自身耗电,还需要考虑与设备运行相关的元件的耗电量。
在优化的过程中需要针对一些参数进行预先的设定,这些参数有:项目所在地的电价,基准负荷曲线的24小时负荷数值作为边界条件,以及算法的性能参数设置。天津市电价采用阶梯电价,通过查阅天津发改委2019年5月28日发布的天津市电网销售电价表,获得天津市的峰值谷值和平段的电力价格,作为优化的价格输入参考。
3)在实际系统优化问题中,获得不同负荷模式下的最优供能方案,在优化的过程中,通过各设备时间表的调节,实现负荷曲线的需求响应调节。
在空调系统运行优化问题对应的群体智能算法初始设置中,变量的上限和下限符合实际设备的运行范围。优化计算了一天之内的灵活性指标和供热耗电两个相互冲突的目标。采用NSGA-II算法进行寻优,当结果稳定或达到最大迭代次数时认为结果收敛。
本发明所提供的一种基于负荷模式的空调系统灵活性运行策略制定方法,有效规避了传统优化运行策略制定方法的片面性。本发明引入对需求响应和节能同时考虑的两个目标,参考建筑的负荷模式,针对性地建立了运行策略制定体系,弥补了国内目前对智能与性能调控与需求响应结合优化进行日前运行调控研究的空白,为类似情况下运行方案的确定提供了科学的依据。
最后需要指出的是: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 (1)
1.一种基于负荷模式的空调系统灵活性运行策略制定方法,其特征在于,包括以下步骤:
1)研究归类建筑负荷曲线的特征,提出负荷曲线的分类标准和分类特征,从而实现建筑负荷曲线的典型模式建立,针对负荷的模式进行了分类关键指标的分析和分类器的训练;
2)采用灰箱建模,建立空调系统模型,同时考虑各能源设备运行耦合约束,获得优化算法的实际问题测试模型;
3)在实际系统优化问题中,获得不同负荷模式下的最优供能方案,在优化的过程中,通过各设备时间表的调节,实现负荷曲线的需求响应调节;
多目标最优化策略的建立依据来自建筑的历史负荷模式,该方法考虑了灵活性大小的变化对运行策略带来的影响,来建立日前的调度策略;
外层聚类对负荷进行标准化之后,采用形态相似进行判别,内层对外层得到的不同类型的负荷进行进一步的聚类,得到负荷大小相似的类簇;
第一步采用了基于余弦相似性的聚类,计算余弦相似性是通过计算两个向量的夹角进行判断,夹角越小时认为结果越相似;余弦相似度的计算公式如下:
余弦相似度:
第二步采用了基于欧氏距离的聚类,使用欧式距离是最常见的聚类方法,计算通过求解两点之间的距离对变量进行聚类;传统欧氏距离的计算公式如下:
欧氏距离:
式中:E-平方误差;
μi-质心;
k-样本集;
Ci-簇;
建筑负荷曲线的典型模式建立和分类的特征指标是:
a)平均日负荷计算开机之后的建筑负荷的平均值;
b)最大日负荷Qmax:反映了一天中的负荷极大值,在该时间的负荷调控时通常需要被削减,或通过增加设备来满足负荷需求;
c)负荷变化率ΔQ:反映研究日的负荷变化剧烈程度;通过计算负荷逐时变化率的平均值求得反映全天负荷变化;
d)峰值负荷率,计算了电价处于峰值的时候需要被满足的总建筑冷热负荷;
式中:为平均峰值负荷,kW;
建筑负荷曲线的典型模式分类的方法是:在分类器训练中采用了决策树分类以及最近邻KNN;通过训练分类器,在获得新的负荷曲线时,将其归类于现有的典型负荷曲线类别中;计算时考虑了负荷的特征对于分类精度的影响;分类时选用5折交叉验证计算数据的分类精度;
空调系统模型的建立方法是:研究将24h视为一个运行周期,计算了在一天的运行中的最高灵活性和最低运行能耗并将其作为优化目标;
目标1:全天的灵活性最高和运行费用最低;
f1=FF;
空调系统模型的灵活性计算方法是:计算不同负荷情景的灵活性因子FF:
目标2:全天的能耗最低;
其中W设备是各设备能耗的总和,W热泵、W储热、W循环泵和W太阳能是热泵,储热、循环泵和太阳能的运行能耗;以上两个优化目标中的各个参数从具体设备的模型中获得;最优供能方案优化算法是多目标遗传算法,算法降低了寻优过程中的计算复杂度,可以在帕累托前沿附近找到更好的解决方案和更好的收敛性,对于优化的决策部分采用TOPSIS-熵权-灰色关联度分析法进行多目标决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110900598.XA CN113610152B (zh) | 2021-08-06 | 2021-08-06 | 一种基于负荷模式的空调系统灵活性运行策略制定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110900598.XA CN113610152B (zh) | 2021-08-06 | 2021-08-06 | 一种基于负荷模式的空调系统灵活性运行策略制定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610152A CN113610152A (zh) | 2021-11-05 |
CN113610152B true CN113610152B (zh) | 2023-07-18 |
Family
ID=78339612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110900598.XA Active CN113610152B (zh) | 2021-08-06 | 2021-08-06 | 一种基于负荷模式的空调系统灵活性运行策略制定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610152B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114327859A (zh) * | 2021-11-18 | 2022-04-12 | 西安电子科技大学 | 云计算环境大规模问题代理优化的源模型聚类选择方法 |
CN114065898B (zh) * | 2021-12-21 | 2022-05-17 | 特斯联科技集团有限公司 | 基于决策技术的空调机能量使用测控方法及系统 |
CN115018184B (zh) * | 2022-06-28 | 2024-04-05 | 天津大学 | 一种基于需求响应的空调系统双层优化调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789598A (zh) * | 2010-03-05 | 2010-07-28 | 湖北省电力试验研究院 | 一种电力系统负荷的建模方法 |
CN102855592A (zh) * | 2012-09-27 | 2013-01-02 | 广东电网公司电力调度控制中心 | 多目标调峰优化方法和系统 |
CN107944630A (zh) * | 2017-12-01 | 2018-04-20 | 华北电力大学 | 一种季节性分时电价优化制定方法 |
CN110135623A (zh) * | 2019-04-12 | 2019-08-16 | 天津大学 | 基于层次聚类和神经网络的负荷预测输入特征筛选方法 |
CN111563610A (zh) * | 2020-03-30 | 2020-08-21 | 山东电力工程咨询院有限公司 | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11556850B2 (en) * | 2019-10-10 | 2023-01-17 | Accenture Global Solutions Limited | Resource-aware automatic machine learning system |
-
2021
- 2021-08-06 CN CN202110900598.XA patent/CN113610152B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789598A (zh) * | 2010-03-05 | 2010-07-28 | 湖北省电力试验研究院 | 一种电力系统负荷的建模方法 |
CN102855592A (zh) * | 2012-09-27 | 2013-01-02 | 广东电网公司电力调度控制中心 | 多目标调峰优化方法和系统 |
CN107944630A (zh) * | 2017-12-01 | 2018-04-20 | 华北电力大学 | 一种季节性分时电价优化制定方法 |
CN110135623A (zh) * | 2019-04-12 | 2019-08-16 | 天津大学 | 基于层次聚类和神经网络的负荷预测输入特征筛选方法 |
CN111563610A (zh) * | 2020-03-30 | 2020-08-21 | 山东电力工程咨询院有限公司 | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
Meta-Heuristic Optimization Based Two-stage Residential Load Pattern Clustering Approach Considering Intra-cluster Compactness and Inter-cluster Separation;Kangping Li et al.;《2019 IEEE Industry Applications Society Annual Meeting》;全文 * |
基于K-均值聚类算法的大客户用电行为分析;崔立卿 等;《电力大数据》;第24卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113610152A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113610152B (zh) | 一种基于负荷模式的空调系统灵活性运行策略制定方法 | |
CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN110392515B (zh) | 一种基于历史数据的冷热源机房节能控制方法及系统 | |
US11500341B2 (en) | Source-load cooperation access method for a power distribution region, terminal and storage medium | |
CN110111003A (zh) | 一种基于改进fcm聚类算法的新能源典型场景构建方法 | |
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 | |
CN116187601B (zh) | 一种基于负荷预测的综合能源系统运行优化方法 | |
CN111754037A (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
CN110486793B (zh) | 一种基于热网五级监控的智能分析调度方法及系统 | |
CN113809755B (zh) | 一种基于需求响应的智慧楼宇节能优化控制方法 | |
CN109647899A (zh) | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 | |
CN111555363B (zh) | 大数据环境下基于深度学习的agc实时控制策略 | |
CN107860057B (zh) | 一种热电联产供暖系统热负荷经济优化调度方法 | |
CN111476439A (zh) | 基于灰色时间序列的供暖户阀调节方法、系统及设备 | |
CN113609778B (zh) | 一种综合能源系统多目标优化方法及系统 | |
CN115333164A (zh) | 一种基于新能源接入的电力系统碳排放量的分析方法 | |
Zhang et al. | Time-of-use pricing model considering wind power uncertainty | |
Sun et al. | Identifying supply-demand mismatches in district heating system based on association rule mining | |
CN111043720B (zh) | 负荷不确定性下制冷系统低成本鲁棒性调适策略制定方法 | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
CN116659128B (zh) | 一种太阳能联合热泵的节能控制方法及系统 | |
Ling et al. | Stochastic Scenario Generation for Wind Power and Photovoltaic System Based on Wasserstein Distance Metric | |
CN117875629A (zh) | 一种热力站一站一策略智能调节方法及系统 | |
CN117993611A (zh) | 一种基于场景时序的灵活热源新能源消纳能力评估方法 | |
Ren et al. | AI-based Green Energy Saving Solutions for IDC |
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 |