CN114936529A - 一种温控负荷群聚合模型及建模方法、温控负荷群可调节潜力评估方法 - Google Patents
一种温控负荷群聚合模型及建模方法、温控负荷群可调节潜力评估方法 Download PDFInfo
- Publication number
- CN114936529A CN114936529A CN202210694914.7A CN202210694914A CN114936529A CN 114936529 A CN114936529 A CN 114936529A CN 202210694914 A CN202210694914 A CN 202210694914A CN 114936529 A CN114936529 A CN 114936529A
- Authority
- CN
- China
- Prior art keywords
- temperature
- temperature control
- load
- control load
- load group
- 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.)
- Pending
Links
- 230000002776 aggregation Effects 0.000 title claims abstract description 69
- 238000004220 aggregation Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 title claims description 9
- 230000004931 aggregating effect Effects 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 238000004378 air conditioning Methods 0.000 description 9
- 238000006116 polymerization reaction Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004138 cluster model Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005338 heat storage Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
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
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- 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
- G06F2119/06—Power analysis or power optimisation
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Power Engineering (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力系统控制技术领域,提供一种温控负荷群聚合模型的建模方法,包括:构建温控负荷的电‑热等效参数模型;将各温控负荷划分为具有相似负荷功率特性的温控负荷群,并且将温控负荷群聚合为温控负荷群聚合模型;根据温控负荷群聚合模型和用户全年负荷信息,获得温控负荷群聚合模型中的等效负荷参数。本发明实施例公开的建模方法将分散异构的温控负荷划分为具有相似特性的温控负荷群,并建立聚合模型,基于该聚合模型对温控负荷群的可调节潜力进行评估,实现更有效的电网功率调度。
Description
技术领域
本发明涉及电力系统控制技术领域,特别涉及一种温控负荷群聚合模型,还涉及一种温控负荷群聚合模型建模方法,还涉及一种温控负荷群可调节潜力评估方法。
背景技术
在负荷侧,夏季高温时段的高峰负荷快速增加,给电网调峰带来巨大压力,电网调度灵活性不足的问题日益凸显。受电源侧灵活资源建设高投资、长周期的限制,越来越多的专家学者把增加电网灵活性的思路转向了需求侧(即用户侧)。
由于温控负荷控制温度的热储能特性,短时间内的负荷调整几乎不会影响用户的舒适度。并且相对于传统的调峰方法,不论是采用直接负荷控制的方法还是基于动态电价的机制,对于温控负荷进行调控的成本将更小。因此,作为一种调节空间大、调控成本低的柔性负荷,温控负荷得到越来越多重视。然而,由于温控负荷行为的多样性以及其不确定性,单一的温控负荷调控潜力较小,不足以达到电网要求的参与需求响应的最低值;此外,负荷侧资源的工作及响应都具有随机性,难以直接利用单个温控负荷参与电网调节。因此,将大量分散异构的单一的温控负荷聚合成调节容量大、调节特性好的温控负荷群,具有巨大的功率调度潜力。
如何对温控负荷群进行建模,进而对温控负荷群可调节潜力进行评估,实现更有效的电网功率调度,是目前亟待解决的问题。
发明内容
为了克服上述问题,本发明的目的在于提供一种温控负荷群聚合模型建模方法,能够对温控负荷群进行建模,进而将温控负荷群可调节潜力与调控时间等控制因素联系起来,对温控负荷群的可调节潜力进行评估,实现更有效的电网功率调度。
为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
根据本发明实施例的第一方面,提供了一种温控负荷群聚合模型的建模方法。
在一个实施例中,一种温控负荷群聚合模型的建模方法,包括:
一种温控负荷群聚合模型的建模方法,包括:
构建温控负荷的电-热等效参数模型;
将各温控负荷划分为具有相似负荷功率特性的温控负荷群,并且将温控负荷群聚合为温控负荷群聚合模型;
根据温控负荷群聚合模型和用户全年负荷信息,获得温控负荷群聚合模型中的等效负荷参数。
可选地,所述温控负荷的电-热等效参数模型为:
式中,Tin(t)表示t时刻的室内温度,Tout(t)表示t时刻的室外温度,C为室内-外部环境热能交互的等效热容,R为室内-外部环境热能交互的等效热阻,η为能效比,表示固有的能量效率,P为温控负荷的额定功率,S(t)为温控负荷的状态变量,表示其开启、关闭运行状态的切换,1表示开启,0表示关停。
可选地,所述将各温控负荷划分为具有相似负荷功率特性的温控负荷群的步骤,包括:
通过迭代将用电数据按照功率特性进行分类,聚类分析后的每类负荷曲线是具有相似用电数据表现的曲线。
可选地,所述聚类分析的步骤,包括:
对于聚类数目的判断采用肘部法则,作为未给定聚类数目K时选取最佳聚类数目的判断依据。
可选地,所述聚类分析的步骤包括成本函数,成本函数为各曲线与其所属中心的距离平方和。
可选地,所述温控负荷群聚合模型表示为:
Peq为等效功率,Req为等效热阻、ηeq为等效能效比、Ceq为等效热容。
可选地,所述根据温控负荷群聚合模型和用户全年负荷信息,获得温控负荷群聚合模型中的等效负荷参数的步骤,包括:
从用户全年负荷信息中分离出基础负荷数据和温控负荷数据,从历史天气数据中获取室外温度Tout(t);
将温控负荷数据以室外温度为维度进行样本集的重新划分,新的样本集为每一相同室外温度下温控负荷的功率值;
对温控负荷分布进行拟合,得到拟合曲线的斜率为k,常数项为b,则温控负荷群聚合模型中待辨识参数等效热阻Req、待机功率Pres、等效热容Ceq可表示为:
Req=1/k·ηeq
Pres=b
c为空气比热容,ρ为空气密度,h为房间高度,Q0为房屋温度指标,Pmax为温控负荷功率最大值。
根据本发明实施例的第二方面,提供了一种温控负荷群聚合模型。
在一个实施例中,所述温控负荷群聚合模型由上述任一项实施例所述的建模方法所获得。
根据本发明实施例的第三方面,提供了一种温控负荷群可调节潜力评估方法。
在一些实施例中,所述温控负荷群可调节潜力评估方法,基于上述温控负荷群聚合模型对温控负荷群可调节潜力进行评估,根据温控负荷群聚合模型的调控时间和设定温度,获得温控负荷群的可调节潜力评估结果。
可选地,所述温控负荷群聚合模型的调控时间根据以下步骤获得:
温控负荷进行调节时,室内温度在调控时间内从T1变化到T2,假设室外温度Tout保持不变,调节期间温控负荷的出力维持特定值Pac_op,则调控时间tac_op表示为:
式中,Req为等效热阻、ηeq为等效能效比、Ceq为等效热容。
可选地,所述根据温控负荷群聚合模型的调控时间和设定温度,获得温控负荷群的可调节潜力评估结果的步骤,包括:
根据温控负荷等效模型以及设定温度重置温度后,室内温度变化期间温控负荷出力为零,到达新设定温度T2后结合调控时间tac_op,室外温度Tout由历史天气数据得到,调节期间温控负荷出力Pac_op表示为:
则调控期间的可调节潜力,即减少的负荷功率Pac_re表示为:
Peq'为不施加调节时温控负荷的理论功率,Pres为温控负荷待机功率;
联立以上两式得到温控负荷群的可调节潜力Pac_re的表达式为:
根据本发明实施例的第四方面,提供了一种计算机设备。
在一些实施例中,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述温控负荷群可调节潜力评估方法的步骤。
本发明实施例提供的技术方案可以包括以下有益效果:
(1)本发明提出了一种温控负荷群聚合模型建模方法,将分散异构的温控负荷划分为具有相似特性的温控负荷群,并建立聚合模型。
(2)本发明提出了一种温控负荷群可调节潜力评估方法,对聚合模型中的等效参数进行识别,将聚合温控负荷群的调节潜力从独立的功率值变为与调控时间对应的一定范围内的功率序列,对温控负荷群的可调节潜力进行评估,实现更有效的电网功率调度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明提供的温控负荷聚合运行可调节潜力评估方法的流程图;
图2为本发明提供的温控负荷群聚合模型示意图;
图3为本发明提供的计算机设备的结构图。
具体实施方式
以下描述和附图充分地示出本文的具体实施方案,以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围,以及权利要求书的所有可获得的等同物。本文中,术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来,而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素,反之亦然。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文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。
本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本文和简化描述,而不是指示或暗示所指的装置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。在本文的描述中,除非另有规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本文中,除非另有说明,术语“多个”表示两个或两个以上。
本文中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
本文中,术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
由于温控负荷行为的多样性以及其不确定性,单一的温控负荷调控潜力较小,不足以达到电网要求的参与需求响应的最低值,难以直接利用单个温控负荷参与电网调节。为了以高效、可靠的方式利用温控负荷的可调节潜力,本发明实施例公开了一种温控负荷群聚合模型建模方法,将分散异构的温控负荷划分为具有相似特性的温控负荷群,并建立聚合模型,实现对温控负荷群的可调节潜力进行评估,实现更有效的电网功率调度。
图1示出了温控负荷群聚合模型建模方法的一个实施例。
如图1所示,本实施例中,温控负荷群聚合模型建模方法包括以下步骤:
步骤S1,构建温控负荷的电-热等效参数模型。
温控负荷的工作原理是负荷功率、室内温度和室外温度之间的能量守恒,通过压缩机来周期性地进行热量转移。目前,等效参数模型是温控负荷建模中最为广泛的应用模型。等效参数模型是物理模型和数据驱动模型的结合,通过引入热容、热阻等概念建立温控负荷的能量模型。温控负荷的电-热等效参数模型采用了一些简化条件:将房间内空气和热源的热特性视作相同,用等效热容表示;将温控负荷产生热量用能效比乘以消耗电功率的形式替代;忽略太阳辐射的热量传递,因此,温控负荷的电-热等效参数模型表示如式(1):
式中,Tin(t)表示t时刻的室内温度,Tout(t)表示t时刻的室外温度,C为室内-外部环境热能交互的等效热容,R为室内-外部环境热能交互的等效热阻,η为能效比,表示固有的能量效率,P为温控负荷的额定功率,S(t)为温控负荷的状态变量,表示其开启、关闭运行状态的切换,1表示开启,0表示关停,表达式为:
Tset是用户设置的预期温度,δ是温度的迟滞控制区间,当室内温度高于温度上限Tset+δ时,温控负荷状态将会设定为运行模式;当室内温度低于温度下限Tset-δ时,温控负荷状态将会设定为待机模式。
步骤S2,将各温控负荷划分为具有相似负荷功率特性的温控负荷群,并且将温控负荷群聚合为温控负荷群聚合模型。
对温控负荷进行数据挖掘,通过K-means聚类方法将分散异构的温控负荷划分为具有相似特性的温控负荷群。通过不断迭代可以将一组具有相同数据结构的数据按照特征量相似度进行分类,对于聚类数目的判断采用肘部法则,可作为未给定聚类数目K时选取最佳聚类数目的判断依据。采用误差平方和SSE作为聚类分析的成本函数,误差平方和SSE是所有曲线与其所属中心的距离平方和,公式如下:
K-means聚类通过迭代求解来进行聚类分析,具体步骤包括:
步骤(11),确定聚类数k,从所有参与聚类的元素中随机选取k个元素,作为k个类簇的初始聚类中心;
步骤(12),以误差平方和作为相似性判据,计算剩余元素与这k个聚类中心之间的误差;
步骤(13),把每个元素划分到距离最近的类簇中;
步骤(14),每划分完一轮,重新计算各类簇的聚类中心;
步骤(15),重复(12)至(14)步,当聚类中心不再变化,或者不再有元素被划分到新的类簇时,停止循环,输出聚类结果。
例如,通过迭代将一组以每日30min为周期采样的用电数据按照功率特性进行分类,因此,聚类分析后的每类负荷曲线是具有相似用电数据表现的曲线。由于选用的样本数据集是以家庭为单位,工作日和周末的负荷水平有着较大差异,因此,对于K-means聚类数目,分为四类来区分不同的负荷功率级别,分别是无温控负荷或温控负荷较少的工作日负荷、有温控负荷的工作日负荷,无温控负荷或温控负荷较少的周末负荷、有温控负荷的周末负荷。
由于单个负荷具有可调节潜力小、分散性大等特点,使得对单个负荷进行集中调控具有一定难度,为了方便集中控制,提出了温控负荷群聚合模型。不同温控负荷的电-热等效参数模型中的能耗比η、等效热容R和等效热阻C参数各不相同,在同一温度控制目标下,由于稳态控制下所有温控负荷均达到其目标温度,因此可以以设定的温度Tset来表示稳态下的状态变量,可以将多个温控负荷电-热等效参数模型联立,等效为图2所示的温控负荷群聚合模型。
此时,温控负荷群聚合模型的功率(制冷功率或制热功率)稳态方程和动态方程如公式(4)和公式(5)所示:
在室内温度达到预定的目标温度后,温控负荷群聚合模型进入稳态运行的状态,此时Tin(t)与温控负荷的温度设定值Tset相同,与单台温控负荷电-热等效参数模型相比,温控负荷聚合模型同样具有基本的一阶电路结构,区别在于电路参数不同,温控负荷群聚合模型电路参数Peq、Req、ηeq、Ceq是等效值,Peq为等效功率,Req为等效热阻、ηeq为等效能效比、Ceq为等效热容。
步骤S3,根据温控负荷群聚合模型和用户全年负荷信息,获得温控负荷群聚合模型中的等效负荷参数。
具体地,从用于数据驱动的数据集中用户全年负荷信息中分离出基础负荷数据和温控负荷数据Peq,从历史天气数据中获取室外温度Tout(t);将温控负荷数据以室外温度为维度进行样本集的重新划分,新的样本集为每一相同室外温度下温控负荷的功率值;对温控负荷分布进行拟合,得到拟合曲线的斜率为k,常数项为b,则温控负荷群聚合模型中待辨识参数等效热阻Req、最低功率即温控负荷待机功率Pres、等效热容Ceq可表示为:
Req=1/k·ηeq
Pres=b
c为空气比热容,ρ为空气密度,h为房间高度,Q0为房屋温度指标,Pmax为温控负荷功率最大值。
在另一些实施例中,还公开了一种温控负荷群聚合模型,该温控负荷群聚合模型根据上述实施例公开的建模方法获得。
基于上述实施例获得的温控负荷群聚合模型,可以对温控负荷群的可调节潜力进行评估,根据温控负荷群聚合模型的调控时间和设定温度,获得温控负荷群的可调节潜力评估结果。
温控负荷群的可调节潜力来源于两点:一是自身或其所在建筑物往往具有储热功能,短时的出力变化所造成的影响不大;二是人体的舒适环境温度有一个范围,在该范围内用户均可以接受,这也就给温控负荷群的调控产生了空间。
对于温控负荷群的控制策略,一般是通过重新设置预期温度来降低功耗。可将温控负荷制冷或制热状态下的设定温度进行调整,削减温控负荷群总功率,参与需求响应。温控负荷设定温度的调整量将由用户设定在最大-最低可接受范围内以保证用户的用电舒适。
在温控负荷群调节潜力评估过程中,调节期间温控负荷群的控制方法是重置温度设定值,在该方式下温控负荷群可调潜力将与调节时间、温升范围、室外温度等控制因素联系起来。此时,温控负荷群调节潜力从独立的功率值变为与调控时间对应的一定范围内的功率序列。
根据上式的温控负荷群聚合模型动态方程(5),可以求解得到如式(6)所示的指数函数的形式:
Tin(t+τ)表示经过调控时间τ后的室内温度。
对温控负荷群进行调节时,重置温度设定值的步骤,具体包括:室内温度在调节时间tac_op内从T1变化到T2,假设室外温度保持Tout不变,此过程中温控负荷出力维持特定值Pac_op,则调节时间可表示为式(7):
根据温控负荷群聚合模型的热力学参数以及温度设定,重置温度后,室内温度变化期间温控负荷出力为零,到达新设定温度T2后结合上式,在室外温度可以由历史天气数据得到的情况下,调节期间温控负荷出力可以表示为式(8):
式中,Pres为温控负荷待机功率,该部分功率是维持正常运行的必要部分。Peq’为不施加调节时温控负荷的理论功率,则调节期间的调节潜力(即减少的温控负荷功率)Pac_re如式(9)所示:
联立上式可以得到温控负荷群的可调节潜力Pac_re表达式:
由于满足用户舒适程度的温度调节范围ΔT=T2-T1,参与调节时间tac_op,室外温度Tout,温控负荷群聚合模型的等效聚合参数Heq、ηeq、Ceq是根据设置的不同调节条件决定的,则根据上式可以求得该温控负荷群可提供的调节潜力Pac_re。
下面给出空调群聚合模型的一个实施例。
空调的电-热等效参数模型采用了如下简化条件:将房间内空气和热源的热特性视作相同,用等效热容表示;将空调产生热量用能效比乘以消耗电功率的形式替代;忽略太阳辐射的热量传递。空调的电-热等效参数模型表示如下:
Tin(t)表示t时刻的室内温度,Tout(t)表示t时刻的室外温度,C为描述室内-外部环境热能交互的等效热容,R为室内-外部环境热能交互的等效热阻,η为能效比,表示固有的能量效率,P为空调的额定功率,S(t)为空调的状态变量,表示其开启、关闭运行状态的切换,1表示开启,0表示关停,表达式为:
Tset是用户设置的预期温度,δ是温度的迟滞控制区间,当室内温度高于温度上限时Tset+δ,空调状态将会设定为运行模式;当室内温度低于温度下限时Tset-δ,空调状态将会设定为待机模式。
在同一温度控制目标下,由于稳态控制下所有空调均达到其目标温度,因此可以以设定的温度Tset来表示稳态下的状态变量,可以将多个出力模型联立等效为图2所示的空调群聚合模型。
此时空调群聚合模型的制冷功率稳态方程和动态方程如式(13)和(14),在室内温度达到预定目标温度后,空调群聚合模型进入稳态运行的状态,此时Tin(t)与空调的温度设定值Tset相同,与单台空调模型相比,空调群聚合模型同样具有基本的一阶电路结构,区别在于电路参数不同,聚合模型电路参数Peq、Req、ηeq、Ceq是等效值。
空调群的可调潜力来源于两点:一是自身或其所在建筑物往往具有储热功能,短时的出力变化所造成的影响不大;二是人体的舒适环境温度有一个范围,在该范围内用户均可以接受,这也就给空调调控产生了空间。对于空调的控制策略,一般是通过重新设置预期温度来降低功耗。可将空调制冷状态下的设定温度进行调整,削减负荷群总功率,参与需求响应。空调设定温度的调整量将由用户设定在最大-最低可接受范围内以保证用户的用电舒适。
在空调群调节潜力分析中,采用的调控期间空调控制方法是温度设定值重置的方法,在该方式下空调群可调潜力将与调控时间等控制因素联系起来。此时,空调群调节潜力从独立的功率值变为与调控时间对应的一定范围内的功率序列。根据上式的聚合模型动态方程可以求解得到指数函数的形式:
对空调群进行调节时,温度设定值重置方法的控制过程是:室内温度在调控时间内从T1上升到T2,假设外界温度保持Tout不变,此过程中空调出力维持某一特定值Pac_op,则调控时间可表示为:
根据空调群等效模型的热力学参数以及温度设定,重置温度后,室内温度上升期间温控负荷出力为零,到达新设定温度T2后结合上式,可在外界温度可以由历史天气数据得到的情况下,调节期间空调出力可以表示为:
不施加调控时空调群的理论功率为Peq’,则调控期间的调控潜力即减少的空调群功率Pac_re为:
联立上式可以得到空调群的可调节潜力表达式为Pac_re的表达式为:
由于满足用户舒适程度的温度调节范围ΔT=T2-T1,参与调节的时间tac_op,室外温度Tout,聚合模型等效聚合参数Heq、ηeq、Ceq,是根据设置的不同调控条件决定的,则根据上式可以求得该空调群可提供的调节潜力Pac_re。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
本发明并不局限于上面已经描述并在附图中示出的结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (12)
1.一种温控负荷群聚合模型的建模方法,其特征在于,包括:
构建温控负荷的电-热等效参数模型;
将各温控负荷划分为具有相似负荷功率特性的温控负荷群,并且将温控负荷群聚合为温控负荷群聚合模型;
根据温控负荷群聚合模型和用户全年负荷信息,获得温控负荷群聚合模型中的等效负荷参数。
3.根据权利要求1所述一种温控负荷群聚合模型的建模方法,其特征在于,所述将各温控负荷划分为具有相似负荷功率特性的温控负荷群的步骤,包括:
通过迭代将用电数据按照功率特性进行分类,聚类分析后的每类负荷曲线是具有相似用电数据表现的曲线。
4.根据权利要求3所述一种温控负荷群聚合模型的建模方法,其特征在于,
所述聚类分析的步骤,包括:
对于聚类数目的判断采用肘部法则,作为未给定聚类数目K时选取最佳聚类数目的判断依据。
5.根据权利要求3或4所述一种温控负荷群聚合模型的建模方法,其特征在于,
所述聚类分析的步骤包括成本函数,成本函数为各曲线与其所属中心的距离平方和。
7.根据权利要求6所述一种温控负荷群聚合模型的建模方法,其特征在于,
所述根据温控负荷群聚合模型和用户全年负荷信息,获得温控负荷群聚合模型中的等效负荷参数的步骤,包括:
从用户全年负荷信息中分离出基础负荷数据和温控负荷数据,从历史天气数据中获取室外温度Tout(t);
将温控负荷数据以室外温度为维度进行样本集的重新划分,新的样本集为每一相同室外温度下温控负荷的功率值;
对温控负荷分布进行拟合,得到拟合曲线的斜率为k,常数项为b,则温控负荷群聚合模型中待辨识参数等效热阻Req、待机功率Pres、等效热容Ceq可表示为:
Req=1/k·ηeq
Pres=b
c为空气比热容,ρ为空气密度,h为房间高度,Q0为房屋温度指标,Pmax为温控负荷功率最大值。
8.一种温控负荷群聚合模型,其特征在于,所述模型根据权利要求1至7任一项所述的方法获得。
9.一种温控负荷群可调节潜力评估方法,其特征在于,基于权利要求8所述的温控负荷群聚合模型对温控负荷群可调节潜力进行评估,根据温控负荷群聚合模型的调控时间和设定温度,获得温控负荷群的可调节潜力评估结果。
12.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求9至11中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694914.7A CN114936529A (zh) | 2022-06-20 | 2022-06-20 | 一种温控负荷群聚合模型及建模方法、温控负荷群可调节潜力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694914.7A CN114936529A (zh) | 2022-06-20 | 2022-06-20 | 一种温控负荷群聚合模型及建模方法、温控负荷群可调节潜力评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936529A true CN114936529A (zh) | 2022-08-23 |
Family
ID=82868187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210694914.7A Pending CN114936529A (zh) | 2022-06-20 | 2022-06-20 | 一种温控负荷群聚合模型及建模方法、温控负荷群可调节潜力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936529A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151032A (zh) * | 2023-04-17 | 2023-05-23 | 湖南大学 | 住宅建筑动态负荷柔性潜力计算方法、装置、设备及介质 |
-
2022
- 2022-06-20 CN CN202210694914.7A patent/CN114936529A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151032A (zh) * | 2023-04-17 | 2023-05-23 | 湖南大学 | 住宅建筑动态负荷柔性潜力计算方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111076376B (zh) | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统 | |
CN109799851B (zh) | 一种基于负荷簇温度调控的用户侧负荷响应方法 | |
CN110425706B (zh) | 面向电网削峰的聚合空调负荷调控方法 | |
CN108036468B (zh) | 一种空调系统聚合控制方法 | |
CN112733236B (zh) | 面向综合舒适度的建筑内温控负荷优化方法及系统 | |
CN110223005A (zh) | 一种空调负荷供电可靠性评估方法及评估装置 | |
CN110661253B (zh) | 建筑群内多类型电力弹性负荷联合调节方法 | |
CN114862252A (zh) | 可调负荷多层聚合调度潜力分析方法、系统、设备及介质 | |
CN115882463A (zh) | 一种商业建筑空调负荷可调度潜力评估方法 | |
CN111737857A (zh) | 一种基于互动能力曲线的暖通空调集群协调控制方法 | |
CN112128945A (zh) | 一种基于电池等效模型提供有功功率补偿的方法 | |
CN114936529A (zh) | 一种温控负荷群聚合模型及建模方法、温控负荷群可调节潜力评估方法 | |
CN111915107A (zh) | 一种基于动态聚类的负荷分群控制方法 | |
CN114738958A (zh) | 变频空调负荷优化调控方法和系统 | |
CN108151242B (zh) | 一种面向集群需求响应的中央空调控制方法 | |
CN109343461A (zh) | 一种楼宇自动化控制系统的节能控制方法 | |
CN117151398A (zh) | 一种基于虚拟电厂的中央空调调控方法及系统 | |
CN115330280B (zh) | 聚合负荷中空调负荷需求响应可调潜力评估方法及系统 | |
CN111681133A (zh) | 电负荷信息的处理方法和装置 | |
WO2020237468A1 (zh) | 确定温度设置值的方法、装置、系统、存储介质和处理器 | |
Teo et al. | Energy management controls for chiller system: A review | |
CN115903488A (zh) | 分散式电采暖调峰控制方法、系统、装置及存储介质 | |
Wang et al. | A Data-driven Control Method for Operating the Commercial HVAC Load as a Virtual Battery | |
CN113887128A (zh) | 基于建筑物热惰性的虚拟电厂优化调度方法、模型及系统 | |
CN112902392A (zh) | 自适应调整的空调控制方法、电子设备及存储介质 |
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 |