CN113757931A - 一种空调控制方法及系统 - Google Patents

一种空调控制方法及系统 Download PDF

Info

Publication number
CN113757931A
CN113757931A CN202110947962.8A CN202110947962A CN113757931A CN 113757931 A CN113757931 A CN 113757931A CN 202110947962 A CN202110947962 A CN 202110947962A CN 113757931 A CN113757931 A CN 113757931A
Authority
CN
China
Prior art keywords
control
under
power
reduction
power curve
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.)
Granted
Application number
CN202110947962.8A
Other languages
English (en)
Other versions
CN113757931B (zh
Inventor
马云凤
米增强
徐湘楚
孟乡占
纪陵
李靖霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Nanjing SAC Automation Co Ltd
Original Assignee
North China Electric Power University
Nanjing SAC Automation Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University, Nanjing SAC Automation Co Ltd filed Critical North China Electric Power University
Priority to CN202110947962.8A priority Critical patent/CN113757931B/zh
Publication of CN113757931A publication Critical patent/CN113757931A/zh
Priority to GB2210362.6A priority patent/GB2610913B/en
Application granted granted Critical
Publication of CN113757931B publication Critical patent/CN113757931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
    • 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
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • 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
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/65—Electronic processing for selecting an operating mode
    • 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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • 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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/50—Load
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Power Engineering (AREA)
  • Air Conditioning Control Device (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种空调控制方法及系统，包括：根据等效热参数和削减目标参数计算常规响应数量；根据初始时刻各温度区间内各运行状态的空调数量和传输模型得到第一聚合功率曲线、常规控制时长和最大功率削减值；根据常规控制时长和常规响应数量控制空调集群；在当前迭代次数下，将当前时刻各温度区间内各运行状态的空调数量输入传输模型得到上一迭代次数下的第三聚合功率曲线；根据最大功率削减值、第一聚合功率曲线、目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的智能控制时长和智能响应数量；根据当前迭代次数下的智能控制时长和智能响应数量控制空调集群。本发明可同时实现聚合功率的迅速响应以及对功率振荡的抑制。

Description

一种空调控制方法及系统
技术领域
本发明涉及空调控制领域，特别是涉及一种空调控制方法及系统。
背景技术
随着第三产业的发展及居民用电比重的上升，负荷尖峰问题愈加突出，尖峰负荷规模持续增加。空调负荷(air-conditioning loads，ACLs)在夏季尖峰负荷中占据了很大比重，因为日内尖峰负荷时段通常持续1～2小时左右，相较于低频减载等场景其持续时间大大延长，现有技术通常对某单一空调负荷集群持续控制，一方面受其自身响应特性的限制可能无法实现功率削减目标，另一方面对用户舒适度的影响也较大。
考虑到ACLs及其所在空间具有一定的储热特性，且短时改变运行状态不会对用户舒适度产生较大的影响，若采取一定的聚合手段使其提供削峰服务则可显著降低发电侧的投资成本，因为直接负荷控制方式下空调负荷集群参与响应后由于状态多样性遭到破坏，极易出现负荷反弹及振荡，现有的思路大多为采取一定的抑制策略使其响应曲线更为平滑，但此种做法极大的限制了聚合功率的瞬时响应速度，并且尚未有其他方法可以实现响应速度与反弹抑制兼顾的调控策略。
发明内容
本发明的目的是提供一种空调控制方法及系统，可在实现聚合功率的迅速响应以及对功率振荡抑制的情况下完成削峰服务，降低发电侧的投资成本。
为实现上述目的，本发明提供了如下方案：
一种空调控制方法，包括：
获取削减目标参数和目标区域内的等效热参数；所述削减目标参数包括削减总时长和目标削减功率曲线；所述等效热参数包括：能效系数、房间等效热阻、室外温度和室内初始设定温度；
根据所述等效热参数和所述削减目标参数计算常规响应数量；
构建传输模型；所述传输模型为根据处于各温度区间内各运行状态的空调数量和空调集群的聚合功率构建的；
根据初始时刻各温度区间内各运行状态的空调数量和所述传输模型得到第一聚合功率曲线、常规控制时长和最大功率削减值；所述第一聚合功率曲线包括初始时刻之后各时刻的聚合功率；
对所述空调集群进行常规响应模式控制，并当所述常规响应模式控制结束后进行智能响应模式控制；
其中，所述常规响应模式控制包括：
根据所述常规控制时长和所述常规响应数量对所述空调集群进行控制，当所述常规响应模式控制达到所述常规控制时长后，进行所述智能响应模式控制；
所述智能响应模式控制包括：
在当前迭代次数下，将当前时刻各温度区间内各运行状态的空调数量输入所述传输模型得到上一迭代次数下的第三聚合功率曲线；所述第三聚合功率曲线包括当前时刻之后各时刻的聚合功率；
根据所述最大功率削减值、所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量；
根据当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量对所述空调集群进行控制，当当前迭代次数下的控制时长达到当前迭代次数下的智能控制时长时，进入下次迭代，直到所有迭代次数下的控制时长与常规控制时长之和达到所述削减总时长则停止迭代。
一种空调控制系统，包括：
获取模块，用于获取削减目标参数和目标区域内的等效热参数；所述削减目标参数包括削减总时长和目标削减功率曲线；所述等效热参数包括：能效系数、房间等效热阻、室外温度和室内初始设定温度；
常规响应数量确定模块，用于根据所述等效热参数和所述削减目标参数计算常规响应数量；
模型构建模块，用于构建传输模型；所述传输模型为根据处于各温度区间内各运行状态的空调数量和空调集群的聚合功率构建的；所述运行状态包括开和关；
常规参数确定模块，用于根据初始时刻各温度区间内各运行状态的空调数量和所述传输模型得到第一聚合功率曲线、常规控制时长和最大功率削减值；所述第一聚合功率曲线包括初始时刻之后各时刻的聚合功率；
控制模块，用于对所述空调集群进行常规响应模式控制，并当所述常规响应模式控制结束后进行智能响应模式控制；
其中，所述常规响应模式控制包括：常规控制模块，用于根据所述常规控制时长和所述常规响应数量对所述空调集群进行控制，当所述常规响应模式控制达到所述常规控制时长后，进行所述智能响应模式控制；
第三聚合功率曲线确定模块，用于在当前迭代次数下，将当前时刻各温度区间内各运行状态的空调数量输入所述传输模型得到上一迭代次数下的第三聚合功率曲线；所述第三聚合功率曲线包括当前时刻之后各时刻的聚合功率；
智能参数确定模块，用于根据所述最大功率削减值、所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量；
智能控制模块，用于根据当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量对所述空调集群进行控制，当当前迭代次数下的控制时长达到当前迭代次数下的智能控制时长时，进入下次迭代，直到所有迭代次数下的控制时长与常规控制时长之和达到所述削减总时长则停止迭代。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明在常规响应模式下根据所述等效热参数和所述削减目标参数计算常规响应数量；根据初始时刻各温度区间内各运行状态的空调数量和所述传输模型得到第一聚合功率曲线、常规控制时长和最大功率削减值；根据所述常规控制时长和所述常规响应数量对所述空调集群进行控制；在智能响应模式下，在当前迭代次数下，将当前时刻各温度区间内各运行状态的空调数量输入所述传输模型得到上一迭代次数下的第三聚合功率曲线；根据所述最大功率削减值、所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量；根据当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量对所述空调集群进行控制，当当前迭代次数下的控制时长达到当前迭代次数下的智能控制时长时，进入下次迭代，直到所有迭代次数下的控制时长与常规控制时长之和达到所述削减总时长则停止迭代，将常规响应与智能响应模式相结合的控制策略，兼顾了追踪功率削减信号的快速性以及功率振荡的抑制，充分发挥空调负荷的可调度潜力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种空调控制方法的流程图；
图2为本发明实例提供的传输模型温度区间划分及变量含义示意图；
图3为本发明实施例提供的常规响应模式下ACLs响应特性图；
图4为本发明实施例提供的第一次迭代次数下的响应目标曲线图；
图5为采用本发明实施例提供的常规响应模式下得到的聚合功率曲线与采用Monte-Carlo法得到的聚合功率曲线的对比图；
图6为采用本发明实施例提供的智能响应模式下得到的聚合功率曲线与采用Monte-Carlo法得到的聚合功率曲线的对比图；
图7为本发明实施例提供的阶段S2～S4跟踪相对误差曲线图；
图8为本发明实施例提供的模型预测控制下控制变量变化图；
图9为本发明实施例提供的一种空调控制系统的结构框图。
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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本实施例提供了一种空调控制方法，包括：
步骤101：获取削减目标参数和目标区域内的等效热参数。所述削减目标参数包括削减总时长和目标削减功率曲线Pgoal；所述等效热参数包括：能效系数η，房间等效热阻R，室外温度θout，室内初始设定温度θset,old。
步骤102：根据所述等效热参数和所述削减目标参数计算常规响应数量。
步骤103：构建传输模型。所述传输模型为根据处于各温度区间内各运行状态的空调数量和空调集群的聚合功率构建的。所述运行状态包括空调压缩机运行和待机状态，下文中分别用ON和OFF来表示；空调集群包括目标区域内所有在线可控的空调。
步骤104：根据初始时刻各温度区间内各运行状态的空调数量和所述传输模型得到第一聚合功率曲线、常规控制时长和最大功率削减值。所述第一聚合功率曲线包括初始时刻之后各时刻的聚合功率。
步骤105：对所述空调集群进行常规响应模式控制，并当所述常规响应模式控制结束后进行智能响应模式控制。
步骤106：所述常规响应模式控制包括：根据所述常规控制时长和所述常规响应数量对所述空调集群进行控制，当所述常规响应模式控制达到所述常规控制时长后，进行所述智能响应模式控制。
步骤107：所述智能响应模式控制包括：在当前迭代次数下，将当前时刻各温度区间内各运行状态的空调数量输入所述传输模型得到上一迭代次数下的第三聚合功率曲线。所述第三聚合功率曲线包括当前时刻之后各时刻的聚合功率。
步骤108：根据所述最大功率削减值、所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量。
步骤109：根据当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量对所述空调集群进行控制，当当前迭代次数下的控制时长达到当前迭代次数下的智能控制时长时，进入下次迭代，直到所有迭代次数下的控制时长与常规控制时长之和达到所述削减总时长则停止迭代。
在实际应用中，步骤102具体为：
根据式(1)计算常规响应数量N1。
Figure BDA0003217498690000061
在实际应用中，步骤103构建的传输模型具体见式(2)：
Figure BDA0003217498690000062
为便于对式(2)中的符号含义进行描述，称温度设定值调整前空调所处的温度死区为“初始温度死区”，即[θmin,old，θmax,old]；称温度调节后的温度死区为“新温度死区”，即[θmin,new，θmax,new]；称[θmin,old，θmin,new]之间的范围为“过渡温度死区”，过渡温度死区的大小与温度设定值调整幅度的大小有关，θmin,old表示初始温度死区的温度下限，θmax,old表示初始温度死区的温度上限，θmin,new表示新温度死区的温度下限，θmax,new表示新温度死区的温度上限。
其中，y(k)为第k个时间步空调集群的聚合功率；Cout表示空调聚合集群系统的输出矩阵，x(k)为(2s+2M)×1的列向量，表示第k个时间步处于各温度区间内的空调数量，其中M表示新温度死区离散的温度区间数量，M＝db/Δθ，本发明中M取值为10，db表示新温度死区的宽度，Δθ表示离散温度步长，s表示过渡温度死区内离散的温度区间数量，大小与温度设定值的调整范围有关；x(k+1)表示第k+1个时间步处于各温度区间内的空调数量；(I+AΔt)表示ACLs集群的状态转移矩阵；Δt表示响应过程的采样时间，I为大小为(2s+2M)×(2s+2M)的单位阵，A表示ACLs集群的增量状态转移矩阵，结构如式(3)所示，
Figure BDA0003217498690000063
Af矩阵表示新温度死区内的温度区间之间的负荷流动关系，其结构见式(4)：
Figure BDA0003217498690000071
其中，aon/off为处于ON状态和OFF状态的空调所在房间内室温变化率，此处近似认为室内温度与温度设定值相等，即aon/off视为恒定值，aon≈(θout-θset,new)/(CR)，aoff≈(θout-θset,new-RPtrans)/(CR)；Δt表示响应过程的采样时间，Δθ表示离散温度步长，C表示房间等效热容，θset,new表示新温度死区的温度设定值，Ptrans表示空调的冷功率。
A21矩阵表示过渡温度死区内处于OFF状态的负荷经过边界处温度区间流入新温度死区温度区间的的流动速率，只含一个非零元素，该元素的位置及数值见式(5)。
Figure BDA0003217498690000072
其中，A21(1,s)表示A21矩阵内第1行，第s列位置处的元素取值。
As矩阵描述的是过渡温度死区内温度区间之间的负荷流动关系，矩阵大小由温度调节量sΔθ的大小决定，为2s×2s方阵，见式(6)。
Figure BDA0003217498690000073
其中左上角As0矩阵和右下角As1矩阵可分别描述过渡死区中处于OFF状态及ON状态的负荷动态演变过程，As2表示过渡温度死区下边界处负荷由ON状态流动至OFF状态的流动速率。
当温度设定值的改变量大于温度死区的宽度时，初始温度死区与新温度死区之间会产生空隙，设置一个可以贯穿所有温度设定值及对应死区的矩阵Ws，Ws矩阵以若干方阵为最小单元沿主对角线排列组成。
设θset,min为所有温度设定值的最小值，θset,max为所有温度设定值的最大值，θset,j为最大最小值之间第j个温度设定值，则以θset,j处为例，相应温度区间内的最小单元如式(7)-式(8)所示。
Figure BDA0003217498690000081
Figure BDA0003217498690000082
其中，
Figure BDA0003217498690000083
表示贯穿矩阵Ws中第j个温度设定值所在温度死区内OFF状态下的负荷流动速率矩阵，
Figure BDA0003217498690000084
表示贯穿矩阵Ws中第j个温度设定值所在温度死区内ON状态下的负荷流动速率矩阵，as0,j＝(θout-θset,j)/(CR),as1,j＝(θout-θset,j-RPtrans)/(CR)，分别表示温度设定值等于θset,j的温度死区内处于OFF状态和ON状态空调集群的流动速率。
Ws矩阵中最小单元按式(9)所示按对角线排列：
Figure BDA0003217498690000091
其中，
Figure BDA0003217498690000092
表示贯穿矩阵Ws中最小温度设定值所在温度死区内OFF状态下的负荷流动速率矩阵，
Figure BDA0003217498690000093
表示贯穿矩阵Ws中最大温度设定值所在温度死区内OFF状态下的负荷流动速率矩阵，
Figure BDA0003217498690000094
表示贯穿矩阵Ws中最小温度设定值所在温度死区内ON状态下的负荷流动速率矩阵，
Figure BDA0003217498690000095
表示贯穿矩阵Ws中最大温度设定值所在温度死区内ON状态下的负荷流动速率矩阵，对于不同的温度设定值调整量，可按式(10)-式(11)取得所对应的As0及As1矩阵。
As0＝Ws[(θset,old-θset,min)M+1:(θset,new-θset,min)M] 式(10)
As1＝Ws[(2θset,max-θset,min-θset,new)M+1:(2θset,max-θset,min-θset,old)M] 式(11)
As2矩阵描述由过渡温度死区下边界处负荷由ON状态流动至OFF状态的流动速率，该矩阵只含一个非零元素，见式(12)。
Figure BDA0003217498690000096
其中，As2(1,s)表示As2矩阵内第1行，第s列位置处的元素取值。
Cout为(2s+2M)×(2s+2M)的行向量，为空调聚合集群系统的输出矩阵，见式(13)。
Cout＝Pe[0,…,0|s,1,…,1|s,0,…,0|M,1,…,1|M] 式(13)
Pe表示空调的额定功率，Pe＝Ptrans/η，其中Ptrans为空调的额定冷功率，η为空调的能效系数。
在实际应用中，步骤104具体包括：
根据初始时刻各温度区间内各运行状态的空调数量确定初始时刻的常规空调数量和初始时刻的智能空调数量。初始时刻的常规空调数量为常规响应模式控制初始时刻各运行状态下的空调数量，初始时刻的智能空调数量为智能响应模式控制初始时刻各运行状态下的空调数量。
将所述初始时刻的常规空调数量输入所述传输模型得到第一聚合功率曲线。
确定所述第一聚合功率曲线中最低点维持的时长为常规控制时长。
将所述初始时刻的智能空调数量输入所述传输模型得到第二聚合功率曲线；所述第二聚合功率曲线包括经过常规控制时长控制之后各时刻的聚合功率。
确定差值的绝对值为最大功率削减值；所述差值为第二聚合功率曲线起始时刻的聚合功率与最低点处的聚合功率之差。
在实际应用中，根据初始时刻各温度区间内各运行状态的空调数量确定初始时刻的常规空调数量和初始时刻的智能空调数量，具体为：
首先将对x(0)中的元素按照空调集群的开关状态及温度设定值进行分类，x(0)＝[x1 trans-OFF,x2 trans-OFF,…,xs trans-OFF,x1 trans-ON,x2 trans-ON,…,xs trans-ON,x1 new-OFF,x2 new-OFF,…,xM new-OFF,x1 new-ON,x2 new-ON,…,xM new-ON]，其中xj trans-OFF表示过渡温度死区中处于OFF状态的温度区间空调数量，xj trans-ON表示过渡温度死区中处于ON状态的温度区间空调数量，其中xj new -OFF表示新温度死区中处于OFF状态的温度区间空调数量，xj new-ON表示新温度死区中处于ON状态的温度区间空调数量。
然后按照空调集群响应模式的不同对x(0)中的元素按如下方法进行初始化：
(1)常规响应模式下，调高温度设定值后，处于ON状态的空调数量全部转换至OFF状态，故需对处于不同状态及温度处的空调数量做如下变化：
对于过渡死区内，OFF状态内的空调数量等于原本处于OFF状态的数量加对应温度上ON状态的空调数量，详见式(14)，ON状态内的数量全部清零，见式(15)
Figure BDA0003217498690000111
Figure BDA0003217498690000112
其中，过渡死区会被离散化为多个温度区间，j为离散的温度区间编号；nOFF j表示初始状态第j个温度区间内的空调数量，上标OFF表示该温度区间对应的运行状态为OFF，
Figure BDA0003217498690000113
表示初始状态第2M-j+1个温度区间内的空调数量，上标ON表示该温度区间对应的运行状态为ON。
对于新温度死区内，空调的运行状态不会在响应初始时刻发生改变，具体见式(16)—式(17)。
Figure BDA0003217498690000114
Figure BDA0003217498690000115
Figure BDA0003217498690000116
表示新温度死区内初始状态第j+s个温度区间内的空调数量，上标OFF表示该温度区间对应的运行状态为OFF；
Figure BDA0003217498690000117
表示新温度死区内初始状态第M+j-s个温度区间内的空调数量，上标ON表示该温度区间对应的运行状态为ON，根据式(14)-式(17)确定初始时刻的常规空调数量。
(2)智能响应模式下，空调的运行规则发生变化，本发明对智能响应模式的定义为：
智能模式下空调负荷收到改变温度设定值sΔθ的指令时，其原本的运行规则发生改变，具体如下：
1)若设备工作于ON状态，则温控器将暂时锁定死区下限，此时的温度死区为[θset,old-db/2,θset,old+db/2+sΔθ]；当室内温度持续降低至θset,old-db/2时，解除对死区下限的限制，更新为[θset,old-db/2+sΔθ,θset,old+db/2+sΔθ]。
2)若设备工作于OFF状态，则温度死区直接更新为[θset,old-db/2+sΔθ,θset,old+db/2+sΔθ]。
在以上运行规则下，响应初始时刻，处于ON状态的空调状态不会瞬间切换至OFF状态，故过渡死区内的初值设置满足式(18)—式(19)。
Figure BDA0003217498690000121
Figure BDA0003217498690000122
新温度死区内的初值设置仍沿用式(16)—式(17)的方法。根据式(16)-式(19)确定初始时刻的智能空调数量。
在实际应用中，步骤106具体为：
将常规响应数量的空调均上调第一设定温度值并维持常规控制时长，当所述常规响应模式控制达到所述常规控制时长后，进行所述智能响应模式控制，所述第一设定温度值可以为3摄氏度。
在实际应用中，步骤108具体包括：
根据所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的削减目标曲线。
将当前迭代次数下的削减目标曲线中绝对值最大的削减功率确定为当前迭代次数下的目标跟踪功率。
根据所述当前迭代次数下的目标跟踪功率和所述最大功率削减值确定当前迭代次数下的智能响应数量。
将所述当前迭代次数下的削减目标曲线中前两个下降点之间的时间间隔确定为当前迭代次数下的智能控制时长。
在实际应用中，根据所述当前迭代次数下的目标跟踪功率和所述最大功率削减值确定当前迭代次数下的智能响应数量，具体为：
根据式(20)计算当前迭代次数下的智能响应数量。
Figure BDA0003217498690000131
其中，ke为设备数量冗余度系数，该系数应略大于1，以保证聚合群提供足够的可调度潜力，本发明取ke为1.3，[·]为取整运算，Nl表示第l迭代次数下的智能响应数量，ΔPl·max表示当第l迭代次数下的目标跟踪功率，ΔPsmart·max表示最大功率削减值。
在实际应用中，所述根据所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的削减目标曲线，具体包括：
计算所述目标削减功率曲线与所述第一聚合功率曲线的差值得到目标削减曲线。
计算所述目标削减曲线与所述上一迭代次数下的第三聚合功率曲线的差值得到当前迭代次数下的削减目标曲线。
在实际应用中，第一迭代次数下的削减目标曲线的确定方法为：
计算所述目标削减功率曲线与所述第一聚合功率曲线的差值得到第一迭代次数下的削减目标曲线。
在实际应用中，所述根据当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量对所述空调集群进行控制，具体包括：
在所述当前迭代次数下的智能控制时长内对当前迭代次数下的智能响应数量的空调上调第二设定温度值，然后以空调集群的聚合功率与目标削减功率之差最小和开关切换次数最小为目标构建优化控制模型；
根据所述优化控制模型对当前迭代次数下的智能响应数量的空调进行开关切换控制，并维持当前迭代次数下的控制时长达到所述当前迭代次数下的智能控制时长。
在实际应用中，所述优化控制模型，具体为：
minJobj＝(P(k)-Pgoal,l)TQ(P(k)-Pgoal,l)+u(k)TRu(k) 式(21)
Figure BDA0003217498690000141
Figure BDA0003217498690000142
Figure BDA0003217498690000143
对当前迭代次数下的智能响应数量的空调进行开关切换控制，其中，Jobj表示所建立优化控制模型的目标函数，P(k)为空调集群在k时刻的聚合功率即空调集群的在WRT模型下的预测输出功率，Pgoal,l表示目标削减功率曲线，Q为输出误差的权重矩阵，u(k)表示待求解的第k时刻控制变量向量，为(s+M)×1的列向量，表示上下对应的温度区间内开关切换的负荷数量，当u(k)的元素为正数时，表示由OFF切换至ON状态，为负数则表示由ON切换至OFF状态。R表示控制变量权重系数矩阵，x(k)表示第k个时刻处于各温度区间内的空调数量，x(k+1)表示第k+1时刻处于各温度区间内的空调数量，xu(k-1)表示第k-1时刻控制变量u(k)所作用的对应温度区间内的实际空调数量，G表示空调集群的状态转移矩阵，B表示开关状态切换矩阵，y(k)为第k个时间步空调集群的聚合功率，Cout表示空调聚合集群系统的输出矩阵，目标函数中引入u(k)TRu(k)来表示控制过程中尽可能减小对空调的开关控制切换次数。
本实施例提供的一种更加具体的空调控制方法如下：
步骤1：参与削峰响应前，聚合商获取目标区域所辖区域内(以学生公寓楼为例)房间等效热参数，具体包括房间等效热阻R，房间等效热容C，能效系数η，室外温度θout，室内初始设定温度θset,old，分体式定频空调负荷额定制冷功率Ptrans。
步骤2：负荷聚合商获取削峰市场中的功率出清曲线，假设处于运行状态的分体式定频空调总数量满足出清曲线调控要求。根据功率出清曲线确定目标空调负荷集群聚合商功率控制目标，某负荷聚合商收到削减时长为Г，目标削减功率大小为Pgoal的负荷削减指令；为实现对削减信号的快速追踪，采取负荷接力策略对参考信号进行跟踪。用Sl(l＝1,2,3，…)来表示接力阶段编号。
步骤3：对阶段S1参与响应的定频空调负荷采取上调温度设定值的调控方式，并将此种调控方式命名为“常规响应模式”。该模式下，空调负荷集群的最大可削减功率值即等于稳定前的聚合群的稳态功率值Pagg,0，在功率最低点的维持时间为T1。
步骤4：根据常规响应模式下的空调负荷响应特性(如图3)，令Pagg,0＝Pgoal可计算得出第一批参与响应的负荷数量(常规响应数量)N1。阶段一参与响应的负荷数量可按式(1)确定。
步骤5：阶段S1参与在功率最低点的维持时间T1与上调温度设定值的调整幅度有关。本发明中假设用户可接受的温度设定值调整幅度为sΔθ，Δθ为仿真平台中对温度的最小离散步长，本发明中取为0.1℃。由于分体式空调的温度设定值调整最小步长一般为1℃，本发明中假设sΔθ可选区间为[1,2,3]℃，故系数s可选范围为[10,20,30]。阶段一的响应时长可按式(25)进行估计：
Figure BDA0003217498690000151
其中，db为空调的温度死区，一般取为1℃，θout表示室外温度，Δθ表示温度的最小离散步长。由式(25)计算的结果只考虑了同质参数的情形，故该计算结果为同质ACLs的理论可削减时长。考虑ACLs参数分布的异质性的实际值将小于理论值。
步骤6：考虑ACLs参数的异质性情形下，式(25)无法准确得出阶段一的可维持时长，故采用基于宽范围传输模型(Wide-Range Transport model，WRT)(式(2)到式(13))对空调集群的动态功率响应特性进行预测。
步骤7：按步骤6可在MATLAB仿真平台中建立空调集群的WRT模型，温度区间的划分及编号如图2所示，图2(a)为过渡温度死区的划分过程，图2(b)为新温度死区的划分过程。模型的输入为根据式(14)-式(17)确定的x(0)；该向量作为步骤6中状态空间模型x(k)的初值x(0)。
步骤8：经过步骤6中对WRT模型的矩阵定义及步骤7中x(0)的设定，可通过仿真得到常规响应下空调集群的输出第一聚合功率曲线Pagg,1，并得到第一阶段的时长(常规控制时长)T1。所述第一聚合功率曲线中最低点维持的时长为常规控制时长，如图3所示，根据所述常规控制时长和所述常规响应数量对所述空调集群进行控制。
步骤9：进一步确定下一阶段S2(第一次迭代)的持续时间及跟踪目标功率。计算Pgoal-Pagg,1可得阶段S2响应的削减目标(第一迭代次数下的削减目标曲线)Pgoal,2，将Pgoal,2中的绝对值最大的功率定义为ΔP2·max，取Pgoal,2中功率曲线中前两个功率最高点之间的时间作为下一阶段S2的持续时间(智能控制时长)T2，如图4所示。
步骤10：为确定阶段S2的参与响应空调的数量，首先将根据式(16)-式(19)确定的x(0)输入WRT模型进行仿真确定该模式下平均每千台空调的最大功率削减值ΔPsmart·max。
步骤11：根据每千台空调的最大功率削减值ΔPsmart·max来和式(20)确定智能响应数量。
步骤12：采用步骤7中所述智能响应模式下的ACLs响应完成。具体控制方式为：在阶段S2的起始时刻，对该阶段参与响应的Nl台空调的温度设定值统一向上调整1℃，同时采用基于模型预测控制的控制器对空调进行开关切换控制，从而完成对目标功率的精确跟踪。本发明称此种同时基于温度设定值调整与开关切换控制的控制方法为“混合控制”。其中，采用模型预测控制原理设计的控制器具体如下：
1)引入控制变量u(k)表示智能响应控制阶段对空调状态进行开关切换控制，包括需要打开的空调数量和需要关闭的空调数量。
2)令G＝I+AΔt，该控制过程中的控制变量u(k)通过输入矩阵B作用于系统，系统基于混合控制的状态空间表达为式(24)。
其中矩阵B表征了开关控制下的各温度区间之间的状态切换关系，其结构如下：
Figure BDA0003217498690000161
其中B11矩阵和B22矩阵的结构相同，见式(27)，且rank(B11)＝s，rank(B22)＝M。每列的元素之和为0，保证了在上下对应温度区间的位置上由“ON→OFF”或者“OFF→ON”的数量互为相反数。图2中虚线箭头正方向表示控制变量u(k)中的元素取值为正时，空调运行状态的切换方向。
Figure BDA0003217498690000171
3)对于每次迭代次数下的削减时长为Tl的负荷削减任务Pgoal,l，其优化控制问题可构建如式(21)。
4)整型状态变量x(k)须满足非负约束式(22)。
5)为保证控制过程的合理性，本发明限制每步开关切换的控制空调数量不得超过前一时刻该温度状态下的实际空调数量，可由式(23)进行约束。
步骤13：阶段Sl结束前，通过MATLAB仿真得到空调集群在阶段Sl的被控聚合功率曲线Pagg,l，计算Pgoal,2-Pagg，l可得阶段Sl+1响应的削减目标Pgoal,l+1，削减目标序列Pgoal,l+1中的绝对值最大值定义为ΔPl+1·max，取Pgoal,l+1功率曲线中前两个功率最高点之间的时间作为下一阶段Sl+1的持续时间Tl+1。
步骤14：阶段Sl结束后，l＝l+1，重复步骤11-14进行下一阶段Sl的响应，直至达到削峰命令总时长。
本实施例还提供了一种应用上述方法进行的仿真实验：
假定某负荷聚合商在日内尖峰负荷时段10:00—11:15接受到了2MW的削峰指令，该时段负荷聚合商所辖处于运行状态的空调负荷数量为20000台。空调负荷集群的初始设定温度值为24℃，温度死区为1℃，空调所在房间的初始温度服从[23.5℃,24.5℃]上的均匀分布，所在房间等效热容、等效热阻、额定制冷功率、能效系数及环境温度均服从正态分布，具体参数见表1。用户可接受温度设定值调整范围为[24,27]℃。初始状态下空调处于“ON”状态的数目占比分别约为56.31％。
表1空调负荷仿真参数
Figure BDA0003217498690000181
(1)宽范围传输模型准确性验证
假设在0.3h时刻将1000台异质ACLs的温度设定值上调2℃，仿真参数见表1，通过与Monte-Carlo法仿真对比验证WRT模型的准确性。图5为常规响应模式下的聚合功率变化曲线，图6为智能响应模式下的空调集群聚合功率变化曲线。通过与对比可知，WRT模型能较为准确的描述常规模式下ACLs聚合功率变化情况。
(2)负荷接力策略验证
为了尽量减少后续投入负荷群调节压力，应在用户舒适度可接受的调整范围内尽量选择温度最大可调值即3℃，应用步骤4中的计算方法可知，阶段S1需投入的常规模式空调数量为3552台。此时阶段S1的接力时长为0.37h，且可提供的稳态削减功率为0.6MW。温度设定值调整量不同时聚合群的性能分析见表2。
表2常规响应模式下的ACLs响应性能分析
Figure BDA0003217498690000182
根据步骤9可得阶段S2的负荷削减目标Pgoal,2，此时削减功率任务的最大值ΔP2·max为1924kW。根据步骤11中的计算方法可知每千台ACLs可提供的ΔPsmart·max为449kW，步骤12计算可得参与阶段2的智能模式ACLs为5570台。
后续阶段与阶段S2类似，此处不再赘述，整个响应过程中共参与的ACLs数量为16206台，各阶段的设备响应数量与控制时长见表3。
表3各阶段响应情况
Figure BDA0003217498690000191
阶段S1由于采取常规模式对ACLs进行调温控制，可保证在响应时长内聚合功率稳定的维持在最大削减功率。而响应阶段S2-S4由于采取MPC控制器对聚合特性进行了强制响应，故存在一定的跟踪误差，计算可知相对误差可基本维持在-10％～5％以内，如图7所示。由于削峰场景下对负荷响应的精度要求相对较低，该控制策略可满足负荷削减场景需求。
图8为混合控制中在模型预测控制器下控制变量的直观展示，图8(a)为作用于过渡死区内的控制变量u[1:10]的变化情况，图8(b)为作用于新温度死区内的控制变量u[11:20]的变化情况，可见响应中对每个温度区间内进行ON/OFF切换的负荷数量始终维持在20台以内，响应过程中的设备开关总次数为3667台次，即平均一次响应内平均单台空调的开关次数为1.032次。
本实施例还提供了一种与上述方法对应的空调控制系统，如图9所示，所述系统包括：
获取模块A1，用于获取削减目标参数和目标区域内的等效热参数；所述削减目标参数包括削减总时长和目标削减功率曲线；所述等效热参数包括：能效系数、房间等效热阻、室外温度和室内初始设定温度。
常规响应数量确定模块A2，用于根据所述等效热参数和所述削减目标参数计算常规响应数量。
模型构建模块A3，用于构建传输模型；所述传输模型为根据处于各温度区间内各运行状态的空调数量和空调集群的聚合功率构建的；所述运行状态包括开和关。
常规参数确定模块A4，用于根据初始时刻各温度区间内各运行状态的空调数量和所述传输模型得到第一聚合功率曲线、常规控制时长和最大功率削减值；所述第一聚合功率曲线包括初始时刻之后各时刻的聚合功率。
控制模块A5，用于对所述空调集群进行常规响应模式控制，并当所述常规响应模式控制结束后进行智能响应模式控制。
其中，所述常规响应模式控制包括：常规控制模块A6，用于根据所述常规控制时长和所述常规响应数量对所述空调集群进行控制，当所述常规响应模式控制达到所述常规控制时长后，进行所述智能响应模式控制。
所述智能响应模式控制包括：第三聚合功率曲线确定模块A7，用于在当前迭代次数下，将当前时刻各温度区间内各运行状态的空调数量输入所述传输模型得到上一迭代次数下的第三聚合功率曲线；所述第三聚合功率曲线包括当前时刻之后各时刻的聚合功率。
智能参数确定模块A8，用于根据所述最大功率削减值、所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量。
智能控制模块A9，用于根据当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量对所述空调集群进行控制，当当前迭代次数下的控制时长达到当前迭代次数下的智能控制时长时，进入下次迭代，直到所有迭代次数下的控制时长与常规控制时长之和达到所述削减总时长则停止迭代。
作为一种可选的实施方式，所述常规参数确定模块，具体包括：
初始数量确定单元，用于根据初始时刻各温度区间内各运行状态的空调数量确定初始时刻的常规空调数量和初始时刻的智能空调数量。
第一聚合功率曲线确定单元，用于将所述初始时刻的常规空调数量输入所述传输模型得到第一聚合功率曲线。
常规控制时长确定单元，用于确定所述第一聚合功率曲线中最低点维持的时长为常规控制时长。
第二聚合功率曲线确定单元，用于将所述初始时刻的智能空调数量输入所述传输模型得到第二聚合功率曲线；所述第二聚合功率曲线包括经过常规控制时长控制之后各时刻的聚合功率。
最大功率削减值确定单元，用于确定差值的绝对值为最大功率削减值；所述差值为第二聚合功率曲线起始时刻的聚合功率与最低点处的聚合功率之差。
作为一种可选的实施方式，所述智能参数确定模块，具体包括：
削减目标曲线确定单元，用于根据所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的削减目标曲线。
目标跟踪功率确定单元，用于将当前迭代次数下的削减目标曲线中绝对值最大的削减功率确定为当前迭代次数下的目标跟踪功率。
智能响应数量确定单元，用于根据所述当前迭代次数下的目标跟踪功率和所述最大功率削减值确定当前迭代次数下的智能响应数量。
智能控制时长确定单元，用于将所述当前迭代次数下的削减目标曲线中前两个下降点之间的时间间隔确定为当前迭代次数下的智能控制时长。
本发明有如下技术效果：
(1)提出将定频空调集群分为“常规响应模式(normal response mode，NRM)”与“智能响应模式(smart response mode，SNM)”两种模式的调控方法，其中常规模式下聚合功率响应迅速，可作为负荷接力的“第一棒”来快速追踪功率削减目标，追踪到削减目标后，其聚合功率振荡的抑制及后续削减任务则由智能响应模式的下负荷群组接力完成。常规响应与智能响应模式相结合的控制策略，兼顾了追踪功率削减信号的快速性以及功率振荡的抑制，充分发挥空调负荷的可调度潜力。
(2)采取负荷接力思想的控制策略可实现多个负荷集群间的协作，从而实现空调负荷集群削峰能力的充分挖掘，并且减少了对单一负荷集群频繁控制带来的负荷损耗。
(3)智能响应模式下，提出了温度调节控制与开关控制相结合的混合控制方法，并设计了基于模型预测控制的控制器，仿真验证了该控制器可实现对功率削减信号的准确跟踪。
(4)提出了适用于空调温度设定值大幅度离散调节的聚合WRT模型，该模型可准确描述空调集群的动态特性，且面向控制，更利于实际工程应用。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种空调控制方法，其特征在于，包括：
获取削减目标参数和目标区域内的等效热参数；所述削减目标参数包括削减总时长和目标削减功率曲线；所述等效热参数包括：能效系数、房间等效热阻、室外温度和室内初始设定温度；
根据所述等效热参数和所述削减目标参数计算常规响应数量；
构建传输模型；所述传输模型为根据处于各温度区间内各运行状态的空调数量和空调集群的聚合功率构建的；
根据初始时刻各温度区间内各运行状态的空调数量和所述传输模型得到第一聚合功率曲线、常规控制时长和最大功率削减值；所述第一聚合功率曲线包括初始时刻之后各时刻的聚合功率；
对所述空调集群进行常规响应模式控制，并当所述常规响应模式控制结束后进行智能响应模式控制；
其中，所述常规响应模式控制包括：
根据所述常规控制时长和所述常规响应数量对所述空调集群进行控制，当所述常规响应模式控制达到所述常规控制时长后，进行所述智能响应模式控制；
所述智能响应模式控制包括：
在当前迭代次数下，将当前时刻各温度区间内各运行状态的空调数量输入所述传输模型得到上一迭代次数下的第三聚合功率曲线；所述第三聚合功率曲线包括当前时刻之后各时刻的聚合功率；
根据所述最大功率削减值、所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量；
根据当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量对所述空调集群进行控制，当当前迭代次数下的控制时长达到当前迭代次数下的智能控制时长时，进入下次迭代，直到所有迭代次数下的控制时长与常规控制时长之和达到所述削减总时长则停止迭代。
2.根据权利要求1所述的一种空调控制方法，其特征在于，所述根据初始时刻各温度区间内各运行状态的空调数量和所述传输模型得到第一聚合功率曲线、常规控制时长和最大功率削减值，具体包括：
根据初始时刻各温度区间内各运行状态的空调数量确定初始时刻的常规空调数量和初始时刻的智能空调数量；
将所述初始时刻的常规空调数量输入所述传输模型得到第一聚合功率曲线；
确定所述第一聚合功率曲线中最低点维持的时长为常规控制时长；
将所述初始时刻的智能空调数量输入所述传输模型得到第二聚合功率曲线；所述第二聚合功率曲线包括经过常规控制时长控制之后各时刻的聚合功率；
确定差值的绝对值为最大功率削减值；所述差值为第二聚合功率曲线起始时刻的聚合功率与最低点处的聚合功率之差。
3.根据权利要求1所述的一种空调控制方法，其特征在于，所述根据所述最大功率削减值、所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量，具体包括：
根据所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的削减目标曲线；
将当前迭代次数下的削减目标曲线中绝对值最大的削减功率确定为当前迭代次数下的目标跟踪功率；
根据所述当前迭代次数下的目标跟踪功率和所述最大功率削减值确定当前迭代次数下的智能响应数量；
将所述当前迭代次数下的削减目标曲线中前两个下降点之间的时间间隔确定为当前迭代次数下的智能控制时长。
4.根据权利要求3所述的一种空调控制方法，其特征在于，所述根据所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的削减目标曲线，具体包括：
计算所述目标削减功率曲线与所述第一聚合功率曲线的差值得到目标削减曲线；
计算所述目标削减曲线与所述上一迭代次数下的第三聚合功率曲线的差值得到当前迭代次数下的削减目标曲线。
5.根据权利要求3所述的一种空调控制方法，其特征在于，第一迭代次数下的削减目标曲线的确定方法为：
计算所述目标削减功率曲线与所述第一聚合功率曲线的差值得到第一迭代次数下的削减目标曲线。
6.根据权利要求1所述的一种空调控制方法，其特征在于，所述根据当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量对所述空调集群进行控制，具体包括：
在所述当前迭代次数下的智能控制时长内对当前迭代次数下的智能响应数量的空调上调第二设定温度值，然后以空调集群的聚合功率与目标削减功率之差最小和开关切换次数最小为目标构建优化控制模型；
根据所述优化控制模型对当前迭代次数下的智能响应数量的空调进行开关切换控制，并维持当前迭代次数下的控制时长达到所述当前迭代次数下的智能控制时长。
7.根据权利要求6所述的一种空调控制方法，其特征在于，所述优化控制模型，具体为：
minJobj＝(P(k)-Pgoal,l)TQ(P(k)-Pgoal,l)+u(k)TRu(k)
Figure FDA0003217498680000031
Figure FDA0003217498680000032
Figure FDA0003217498680000033
对当前迭代次数下的智能响应数量的空调进行开关切换控制，其中，Jobj表示优化控制模型的目标函数，P(k)为空调集群在k时刻的聚合功率，Pgoal,l表示目标削减功率曲线，Q为输出误差的权重矩阵，u(k)表示待求解的第k时刻控制变量向量，R表示控制变量权重系数矩阵，x(k)表示第k个时刻处于各温度区间内的空调数量，x(k+1)表示第k+1时刻处于各温度区间内的空调数量，xu(k-1)表示第k-1时刻控制变量u(k)所作用的对应温度区间内的实际空调数量，G表示空调集群的状态转移矩阵，B表示开关状态切换矩阵，y(k)为第k个时间步空调集群的聚合功率，Cout表示空调聚合集群系统的输出矩阵。
8.一种空调控制系统，其特征在于，包括：
获取模块，用于获取削减目标参数和目标区域内的等效热参数；所述削减目标参数包括削减总时长和目标削减功率曲线；所述等效热参数包括：能效系数、房间等效热阻、室外温度和室内初始设定温度；
常规响应数量确定模块，用于根据所述等效热参数和所述削减目标参数计算常规响应数量；
模型构建模块，用于构建传输模型；所述传输模型为根据处于各温度区间内各运行状态的空调数量和空调集群的聚合功率构建的；所述运行状态包括开和关；
常规参数确定模块，用于根据初始时刻各温度区间内各运行状态的空调数量和所述传输模型得到第一聚合功率曲线、常规控制时长和最大功率削减值；所述第一聚合功率曲线包括初始时刻之后各时刻的聚合功率；
控制模块，用于对所述空调集群进行常规响应模式控制，并当所述常规响应模式控制结束后进行智能响应模式控制；
其中，所述常规响应模式控制包括：常规控制模块，用于根据所述常规控制时长和所述常规响应数量对所述空调集群进行控制，当所述常规响应模式控制达到所述常规控制时长后，进行所述智能响应模式控制；
所述智能响应模式控制包括：第三聚合功率曲线确定模块，用于在当前迭代次数下，将当前时刻各温度区间内各运行状态的空调数量输入所述传输模型得到上一迭代次数下的第三聚合功率曲线；所述第三聚合功率曲线包括当前时刻之后各时刻的聚合功率；
智能参数确定模块，用于根据所述最大功率削减值、所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量；
智能控制模块，用于根据当前迭代次数下的智能控制时长和当前迭代次数下的智能响应数量对所述空调集群进行控制，当当前迭代次数下的控制时长达到当前迭代次数下的智能控制时长时，进入下次迭代，直到所有迭代次数下的控制时长与常规控制时长之和达到所述削减总时长则停止迭代。
9.根据权利要求8所述的一种空调控制系统，其特征在于，所述常规参数确定模块，具体包括：
初始数量确定单元，用于根据初始时刻各温度区间内各运行状态的空调数量确定初始时刻的常规空调数量和初始时刻的智能空调数量；
第一聚合功率曲线确定单元，用于将所述初始时刻的常规空调数量输入所述传输模型得到第一聚合功率曲线；
常规控制时长确定单元，用于确定所述第一聚合功率曲线中最低点维持的时长为常规控制时长；
第二聚合功率曲线确定单元，用于将所述初始时刻的智能空调数量输入所述传输模型得到第二聚合功率曲线；所述第二聚合功率曲线包括经过常规控制时长控制之后各时刻的聚合功率；
最大功率削减值确定单元，用于确定差值的绝对值为最大功率削减值；所述差值为第二聚合功率曲线起始时刻的聚合功率与最低点处的聚合功率之差。
10.根据权利要求8所述的一种空调控制系统，其特征在于，所述智能参数确定模块，具体包括：
削减目标曲线确定单元，用于根据所述第一聚合功率曲线、所述目标削减功率曲线和上一迭代次数下的第三聚合功率曲线得到当前迭代次数下的削减目标曲线；
目标跟踪功率确定单元，用于将当前迭代次数下的削减目标曲线中绝对值最大的削减功率确定为当前迭代次数下的目标跟踪功率；
智能响应数量确定单元，用于根据所述当前迭代次数下的目标跟踪功率和所述最大功率削减值确定当前迭代次数下的智能响应数量；
智能控制时长确定单元，用于将所述当前迭代次数下的削减目标曲线中前两个下降点之间的时间间隔确定为当前迭代次数下的智能控制时长。
CN202110947962.8A 2021-08-18 2021-08-18 一种空调控制方法及系统 Active CN113757931B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110947962.8A CN113757931B (zh) 2021-08-18 2021-08-18 一种空调控制方法及系统
GB2210362.6A GB2610913B (en) 2021-08-18 2022-07-14 Demand response-orientated relay control method and system for air-conditioning loads (ACLs)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110947962.8A CN113757931B (zh) 2021-08-18 2021-08-18 一种空调控制方法及系统

Publications (2)

Publication Number Publication Date
CN113757931A true CN113757931A (zh) 2021-12-07
CN113757931B CN113757931B (zh) 2022-08-16

Family

ID=78790293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110947962.8A Active CN113757931B (zh) 2021-08-18 2021-08-18 一种空调控制方法及系统

Country Status (2)

Country Link
CN (1) CN113757931B (zh)
GB (1) GB2610913B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114659254A (zh) * 2022-03-17 2022-06-24 南京师范大学 一种基于温度设定值离散调整的空调负荷频率控制方法
CN116518640A (zh) * 2023-07-05 2023-08-01 江苏星星冷链科技有限公司 一种冷柜控制方法、系统和设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116956075B (zh) * 2023-09-18 2024-01-12 国网山西省电力公司营销服务中心 电力用户侧类型自动识别方法、系统、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004324985A (ja) * 2003-04-24 2004-11-18 Mitsubishi Electric Corp 空調管理装置および空調管理システム
JP2011089679A (ja) * 2009-10-21 2011-05-06 Mitsubishi Electric Corp 空気調和機の制御装置、冷凍装置の制御装置
CN105004015A (zh) * 2015-08-25 2015-10-28 东南大学 一种基于需求响应的中央空调建模及控制策略
CN106921159A (zh) * 2017-02-21 2017-07-04 国网山东省电力公司电力科学研究院 一种多空调负荷群的有功功率调制方法
CN107143968A (zh) * 2017-04-14 2017-09-08 东南大学 基于空调聚合模型的调峰控制方法
CN109659928A (zh) * 2018-11-12 2019-04-19 华北电力大学 一种可控空调负荷的优化调度方法
CN109861234A (zh) * 2019-02-27 2019-06-07 浙江大学 考虑聚合空调负荷旋转备用的电力系统可靠性判断方法
WO2021001060A1 (en) * 2019-07-03 2021-01-07 Eaton Intelligent Power Limited Demand response of loads having thermal reserves
CN112865113A (zh) * 2021-01-21 2021-05-28 华中科技大学 一种聚合空调需求响应直接负荷控制方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8090477B1 (en) * 2010-08-20 2012-01-03 Ecofactor, Inc. System and method for optimizing use of plug-in air conditioners and portable heaters
US10607303B2 (en) * 2014-09-26 2020-03-31 Battelle Memorial Institute Coordination of thermostatically controlled loads
US10673273B2 (en) * 2018-05-18 2020-06-02 General Electric Company Distributed ledger based control of large-scale, power grid energy resources
CN111596550B (zh) * 2019-02-20 2022-09-09 青岛海尔洗衣机有限公司 家居系统的控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004324985A (ja) * 2003-04-24 2004-11-18 Mitsubishi Electric Corp 空調管理装置および空調管理システム
JP2011089679A (ja) * 2009-10-21 2011-05-06 Mitsubishi Electric Corp 空気調和機の制御装置、冷凍装置の制御装置
CN105004015A (zh) * 2015-08-25 2015-10-28 东南大学 一种基于需求响应的中央空调建模及控制策略
CN106921159A (zh) * 2017-02-21 2017-07-04 国网山东省电力公司电力科学研究院 一种多空调负荷群的有功功率调制方法
CN107143968A (zh) * 2017-04-14 2017-09-08 东南大学 基于空调聚合模型的调峰控制方法
CN109659928A (zh) * 2018-11-12 2019-04-19 华北电力大学 一种可控空调负荷的优化调度方法
CN109861234A (zh) * 2019-02-27 2019-06-07 浙江大学 考虑聚合空调负荷旋转备用的电力系统可靠性判断方法
WO2021001060A1 (en) * 2019-07-03 2021-01-07 Eaton Intelligent Power Limited Demand response of loads having thermal reserves
CN112865113A (zh) * 2021-01-21 2021-05-28 华中科技大学 一种聚合空调需求响应直接负荷控制方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114659254A (zh) * 2022-03-17 2022-06-24 南京师范大学 一种基于温度设定值离散调整的空调负荷频率控制方法
CN114659254B (zh) * 2022-03-17 2023-09-29 南京师范大学 一种基于温度设定值离散调整的空调负荷频率控制方法
CN116518640A (zh) * 2023-07-05 2023-08-01 江苏星星冷链科技有限公司 一种冷柜控制方法、系统和设备
CN116518640B (zh) * 2023-07-05 2023-08-22 江苏星星冷链科技有限公司 一种冷柜控制方法、系统和设备

Also Published As

Publication number Publication date
GB202210362D0 (en) 2022-08-31
CN113757931B (zh) 2022-08-16
GB2610913B (en) 2024-03-13
GB2610913A (en) 2023-03-22

Similar Documents

Publication Publication Date Title
CN113757931B (zh) 一种空调控制方法及系统
CN110492498B (zh) 一种基于双层控制的温控负荷参与电力系统一次调频方法
CN100362295C (zh) 燃气机热泵的容量自动调节与控制方法
CN109799851B (zh) 一种基于负荷簇温度调控的用户侧负荷响应方法
CN107732977B (zh) 一种基于需求响应的agc实时调度方法
CN108512258B (zh) 一种基于改进多智能体一致性算法的风电场有功调度方法
CN112700094B (zh) 一种基于mpc及loddlc的综合能源系统多时间尺度优化调度方法
WO2023160110A1 (zh) 一种集群温控负荷系统调频方法、系统、电子设备及存储介质
CN109812946B (zh) 一种适用于大规模居民空调负荷群需求响应的控制方法
CN110794775A (zh) 多台锅炉负荷智能控制系统和方法
Dai et al. Event-driven demand response control of air-conditioning to enable grid-responsive buildings
Dai et al. Multi-agent based distributed cooperative control of air-conditioning systems for building fast demand response
CN106765955B (zh) 基于末端舒适度的供水变温度控制系统
CN109301817B (zh) 一种考虑需求响应的多时间尺度源网荷协调调度方法
CN108224692B (zh) 考虑室外气温预测误差的空调柔性控制响应能力预测方法
CN116149401A (zh) 一种压缩空气储能电站换热器出口温度控制系统及方法
CN112994036B (zh) 一种基于模型预测的温控负荷参与微电网调控方法及系统
CN114172202B (zh) 一种基于需求侧资源主动响应的含风电互联电力系统负荷频率控制方法
CN105958513B (zh) 一种基于hvac系统的区域电网功率动态平衡的方法
CN113028604A (zh) 基于聚合空调的温度调节控制及调度方法
CN114659254A (zh) 一种基于温度设定值离散调整的空调负荷频率控制方法
CN113420413A (zh) 一种基于负荷可塑性的柔性负荷可调节能力量化方法及系统
CN112994024A (zh) 一种改进型温控负荷参与的负荷频率控制方法及系统
Ma et al. A Real-time Control Strategy of Air Conditioner Clusters for Slow Reserve Service
Gao et al. Thermostatically Controlled Loads Participating in Microgrid Regulation Strategy Based on Model Prediction

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