CN115018184B - 一种基于需求响应的空调系统双层优化调度方法 - Google Patents

一种基于需求响应的空调系统双层优化调度方法 Download PDF

Info

Publication number
CN115018184B
CN115018184B CN202210743796.4A CN202210743796A CN115018184B CN 115018184 B CN115018184 B CN 115018184B CN 202210743796 A CN202210743796 A CN 202210743796A CN 115018184 B CN115018184 B CN 115018184B
Authority
CN
China
Prior art keywords
building
heat
air conditioning
model
conditioning system
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
Application number
CN202210743796.4A
Other languages
English (en)
Other versions
CN115018184A (zh
Inventor
丁研
刘路衡
黄宸
王翘楚
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202210743796.4A priority Critical patent/CN115018184B/zh
Publication of CN115018184A publication Critical patent/CN115018184A/zh
Priority to US18/126,452 priority patent/US20230417438A1/en
Application granted granted Critical
Publication of CN115018184B publication Critical patent/CN115018184B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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"
    • 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
    • F24F11/47—Responding to energy costs
    • 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
    • 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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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—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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F5/00—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater
    • F24F5/0007—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning
    • F24F5/0017—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning using cold storage bodies, e.g. ice
    • F24F2005/0025—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning using cold storage bodies, e.g. ice using heat exchange fluid storage tanks
    • 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
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/50—Load
    • 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
    • F24F2140/60—Energy consumption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Fuzzy Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

本发明公开一种基于需求响应的空调系统双层优化调度方法，包括：采用集总热容模型对建筑的蓄热能力进行描述，得到建筑蓄热模型；基于建筑蓄热模型，得到描述建筑室内干球温度与冷热负荷量的函数关系式；基于函数关系式，构建需求响应工况下的耗电量计算模型；基于耗电量计算模型，构建优化目标函数；将优化目标函数代入至双层优化过程中，并对双层优化过程进行寻优，得到空调系统参与需求响应的最优调度策略。在蓄能阶段对水箱蓄能量的优化设定中充分考虑需求响应阶段各需求响应策略的合理搭配，使日前水箱蓄能与日间系统运行相匹配，实现空调系统需求响应调度策略的全局最优，充分利用空调系统的需求响应潜力，提高系统运行的经济性和节能性。

Description

一种基于需求响应的空调系统双层优化调度方法
技术领域
本发明涉及计算领域，特别涉及一种基于需求响应的空调系统双层优化调度方法。
背景技术
随着能源短缺和环境污染问题的日益突出，高效和可持续的绿色用能方式成为当前社会发展的主旋律。到2025年我国“非化石能源消费比重达到20％左右，风电、太阳能发电总装机容量达到12亿千瓦以上”。但由于风电、太阳能发电等可持续能源在时间上具有明显的间歇性和波动性，当其接入电网中后，会使得电网的供需两端出现明显差异，并且随着电动汽车的普及率不断提高，其充电需求的不确定性更是加剧了电网供需两端的不平衡问题，对电网供电的可靠性和稳定性提出了巨大的挑战。
近年来，需求响应管理被认为是改善电网运行状态、解决电网失衡问题的有效方法。建筑能源系统作为电网需求侧的重要部门，能够响应电网需求改变其用电负荷曲线，进而平衡电网供需两端的差异，消纳分布式可再生能源产能的不稳定性。然而利用建筑需求灵活性涉及几个关键问题，其中最重要的是实现灵活性资源的最佳调度。其中空调系统作为建筑能源系统重要组成部分，对建筑能源系统进行需求响应管理，最重要的是充分利用空调系统的灵活性。
然而空调系统主动蓄能策略的灵活性主要取决于系统中水箱的蓄能量，日前水箱蓄能量的设定对日间运行策略的需求响应效果具有显著影响，因此在考虑需求响应的空调系统调度策略优化问题中，如何在蓄能阶段对水箱蓄能量的设定中充分考虑需求响应阶段各需求响应策略的合理搭配是一个重要问题。由于该问题的各优化变量之间相互关联，存在时间上的次序性，目前常用的单层优化结构往往难以实现预期的优化效果。
发明内容
为解决上述现有技术中所存在的问题，本发明提供一种基于需求响应的空调系统双层优化调度方法，在蓄能阶段对水箱蓄能量的优化设定中充分考虑需求响应阶段各需求响应策略的合理搭配，使日前水箱蓄能与日间系统运行相匹配，实现空调系统需求响应调度策略的全局最优，充分利用空调系统的需求响应潜力，提高系统运行的经济性和节能性。
为了实现上述技术目的，本发明提供了一种基于需求响应的空调系统双层优化调度方法，包括以下步骤：
S1，构建集总热容模型，采用所述集总热容模型对建筑的蓄热能力进行描述，得到建筑蓄热模型；
S2，基于所述建筑蓄热模型，得到描述建筑室内干球温度与冷热负荷量的函数关系式；
S3，基于所述函数关系式，构建需求响应工况下的耗电量计算模型；
S4，基于所述耗电量计算模型，构建优化目标函数；
S5，将所述优化目标函数代入至双层优化过程中，并对所述双层优化过程进行寻优，得到空调系统参与需求响应的最优调度策略。
可选地，所述S1中所述集总热容模型从四个方面对建筑的蓄热能力进行描述，包括：
建筑围护结构墙体具有的蓄热能力，建筑室内空气具有的蓄热能力，建筑内隔墙、家具、顶棚蓄热体具有的蓄热能力和空调水系统具有的蓄热能力。
可选地，所述S2包括：
采用灰狼算法，对所述建筑蓄热模型的参数进行辨识，得到描述建筑室内干球温度与冷热负荷量的函数关系式。
可选地，所述S3包括：
基于所述函数关系式，构建冷热源构件模型、主动蓄能构件模型、被动蓄能构件模型和附属构件模型；
依次通过所述冷热源构件模型、所述主动蓄能构件模型、所述被动蓄能构件模型和所述附属构件模型进行参数辨识和模型整合，得到所述耗电量计算模型。
可选地，所述S4中所述目优化标函数包括：
灵活性目标函数、成本目标函数和能耗目标函数。
可选地，所述双层优化过程为：
上层优化为空调系统日前水箱优化，下层优化为空调系统日间运行参数优化。
本发明具有如下技术效果：
1.本发明通过双层优化方法的两级结构以及优化算法上下层之间目标函数的设置和参数传递，使得空调系统日前的水箱蓄能与日间的系统运行之间实现最优匹配，在满足负荷削减需求的前提下，提高了系统运行的经济性和节能性。
2.本发明使用集总热容模型(RC模型)对建筑蓄热能力建模的过程中，尽可能全面地涵盖建筑中所有具有蓄热能力的构件，增加1R1C支路用于描述空调水系统的蓄热能力；同时对外围护结构和内蓄热体支路进行了降阶处理，用3R1C支路描述围护结构的传热过程，用1R1C支路描述内部蓄热体的传热过程，降低了模型结构复杂度，提高了计算的稳定性。
3.本发明关注于空调系统需求响应过程中的时间特征，提出了用能量灵活性指标和功率灵活性指标对空调系统的灵活性进行量化，并给出了需求响应下空调系统耗电量的建模方式和灵活性量化指标的计算步骤，为空调系统灵活性资源的高效配置和利用奠定了基础。
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为本发明实施例基于需求响应的空调系统双层优化调度方法的流程框图；
图2为本发明实施例中RC模型结构图；
图3为本发明实施例中建筑蓄热模型对室内温度计算结果的对比图；
图4为本发明实施例中建筑蓄热模型对供冷量计算结果的对比图；
图5为本发明实施例中三种优化结果下空调系统逐时电负荷的对比图；
图6为本发明实施例中三种优化结果下空调系统需求响应效果的百分比雷达图。
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。
实施例
如图1所示，本发明公开一种基于需求响应的空调系统双层优化调度方法，包括：
S1，构建集总热容模型，采用集总热容模型对建筑的蓄热能力进行描述，得到建筑蓄热模型；
依据建筑内的热传递过程，构建集总热容模型(RC模型)，如图2所示，包括3R1C的建筑围护结构蓄热模型、1R1C的建筑内蓄热体的蓄热模型以及1R1C的空调水系统蓄热模型，室内空气的热容量则简化表示为一个热容，得到RC模型。
本实施例中，RC模型分别从四部分对建筑的蓄热能力进行描述，包括建筑围护结构墙体具有的蓄热能力，建筑室内空气具有的蓄热能力，建筑内隔墙、家具、顶棚等蓄热体具有的蓄热能力和空调水系统具有的蓄热能力，并分别搭建虚拟热网络对上述四部分的传热过程进行模拟，得到建筑蓄热模型。该建筑蓄热模型的各部分的传热过程可以表示为：
建筑围护结构墙体的传热过程：
Ql,n＝α×Al,n×Is,n
Ql＝Ql,n+Ql,w+Ql,s+Ql,e
式中，R1、R2为建筑不透明外围护结构传热的等效热阻(K/kW)；Tw为建筑外围护结构虚拟节点的温度(℃)；Qs为围护结构表面吸收的太阳辐射热量(kW)；C1为建筑不透明围护结构的等效热容(kJ/K)；Qw为通过透明结构进入室内的热量(kW)；Ql,n为建筑北向透明围护结构透射的太阳辐射热量(kW)；Ql为建筑透明围护结构透射的太阳辐射热量(kW)；Rw为建筑透明围护结构传热的等效热阻(K/kW)；Tout为建筑室外环境的干球温度(℃)；Tin为建筑室内空间的容积平均干球温度(℃)；α为建筑透明围护结构的透射率(％)；Al,n为建筑北向透明围护结构的面积(m2)；Is,n为建筑北向垂直于透明围护结构的太阳辐射强度(kW)；Ql,w,Ql,s,Ql,e为建筑西、南、东向透明围护结构透射的太阳辐射热量，计算方法与北向相同(kW)。
建筑内蓄热体的传热过程：
式中，Ql为建筑透明围护结构透射的太阳辐射热量(kW)；Tm为建筑室内蓄热体节点的温度(℃)；Tin为建筑室内空间的容积平均干球温度(℃)；Rm为建筑室内蓄热体的等效热阻(K/kW)；C3为建筑内蓄热体的等效热容(kJ/K)。
空调水系统的传热过程：
式中，Qh为空调机组的供热量(kW)；Tin为建筑室内空间的容积平均干球温度(℃)；Th为空调水系统虚拟节点的温度(℃)；R3为空调末端设备传热的等效热阻(k/kW)；C4为空调水系统的等效热容(kJ/K)。
建筑室内空气的传热过程：
式中，Tw为建筑外围护结构虚拟节点的温度(℃)；Tin为建筑室内空间节点的容积平均干球温度(℃)；R2为建筑不透明外围护结构传热的等效热阻(k/kW)；Th为空调水系统虚拟节点的温度(℃)；R3为空调末端设备传热的等效热阻(K/kW)；Tm为建筑室内蓄热体节点的温度(℃)；Tout为建筑室外环境的干球温度(℃)；Rw为建筑透明围护结构传热的等效热阻(K/kW)；Qg为建筑室内人员的散热量(kW)；Qfr为建筑室内新风的散热量(kW)；Qu为建筑室内设备的散热量(kW)；Qb为建筑室内照明的散热量(kW)；Ni为建筑室内i区域的容积(m3)；Ti为建筑室内i区域的干球温度(℃)；k为建筑室内的区域个数(个)。
S2，基于建筑蓄热模型，得到描述建筑室内干球温度与冷热负荷量的函数关系式；
在RC模型的基础上，将实测数据集中的70％的数据划分为建筑蓄热模型的训练集，30％的数据划分为测试集，并通过灰狼算法对建筑蓄热模型进行参数辨识。最终，可以将建筑蓄热模型简化为供热、供冷量与室内干球温度之间的函数关系式：
Qj,t＝fB(a,Tout,t,Tin,t,Tin,t-1,b,c,d)
Tin,t＝fT(a,Tout,t,Qj,t,Tin,t-1,b,c,d)
式中，Qj,t为t时刻建筑的供热、供冷量(kW)；a为辨识后的建筑蓄热模型参数，包括5个等效热阻(K/kW)和4个等效热容(kJ/K)；Tout,t为t时刻建筑室外干球温度(℃)；Tin,t为t时刻建筑室内干球温度(℃)；Tin,t-1为t-1时刻建筑室内干球温度(℃)；b为时间参数，包括真太阳时和日期序号；c为内扰参数，包括人数、设备功率、照明功率、人均新风量；fB(.....)为建筑蓄热模型对供冷、供热量的计算函数；fT(.....)为建筑蓄热模型对温度的计算函数。
参数辨识过程中，依据本实施例中建筑围护结构墙体材料的热物理属性，空调系统的水容量、末端形式，室内空气容量等实际因素，对建筑蓄热模型中等效热容和等效热阻的合理取值范围进行约束，其中等效热阻R1、R2、R3、Rm、Rw的取值范围分别是0.02-0.8K/kW、0.1-0.8K/kW、0.00001-0.17K/kW、0.01-0.27K/kW、0.01-0.5K/kW；等效热容C2、C3、C4的取值范围分别是10-100KJ/K、0.8-150KJ/K、0.2-1000KJ/K。
对于灰狼算法的优化参数，设定种群数量为120，最大迭代次数为500，经过迭代计算，得到灰狼算法对建筑蓄热模型的辨识结果，对于等效热阻R1、R2、R3、Rm、Rw分别为0.0326K/kW、0.153K/kW、0.0003K/kW、0.0189K/kW、0.0457K/kW；等效热容C1、C2、C3、C4分别为22.75KJ/K、47.2KJ/K、1.1KJ/K、0.99KJ/K。
为了验证建筑蓄热模型计算的准确性，将测试集带入到建筑蓄热模型中，对比实测结果与建筑蓄热模型计算结果的差异。由于后续空调系统灵活性计算要求建筑蓄热模型可以同时准确计算室内温度和建筑供冷量，因此，首先在相同供冷量条件下，对实测室内温度和建筑蓄热模型的室温计算结果进行了对比，验证建筑蓄热模型对室温计算的准确性，取48h的计算结果对比如下图3所示。对比结果可以发现，通过建筑蓄热模型计算的室内温度与实测结果基本相符，在模型准确性评价指标的计算结果中，相关性系数R^2为90.8％，表明模型的计算结果对测试结果具有很好的跟随能力，可以认为利用建筑蓄热模型计算室内温度是准确的。
并且，为验证建筑蓄热模型对供冷量计算的准确性，在相同室内温度变化条件下，对比了实测建筑供冷量与建筑蓄热模型计算的供冷量，取48h的计算结果如下图4所示。可以看出，相较于对室内温度的计算，建筑蓄热模型对供冷量的计算误差比较大，但基本可以反映建筑供冷量的变化趋势。而在建筑蓄热模型的评价指标中，CV-RMSE为3.5％，而负荷预测中将CV-RMSE小于30％作为预测准确的判断依据，因此可以认为建筑蓄热模型对供冷量的计算是准确的。
S3，基于S2得到的函数关系式，构建需求响应工况下的耗电量计算模型；
基于S2得到的函数关系式，构建冷热源构件模型、主动蓄能构件模型、被动蓄能构件模型和附属构件模型；依次通过冷热源构件模型、主动蓄能构件模型、被动蓄能构件模型和附属构件模型进行参数辨识和模型整合，得到可以准确计算空调系统在不同需求响应工况下的耗电量计算模型。
其中需要对空调机组性能模型进行回归，本案例中采用温度相关性模型，利用空调机组供冷量倒数与性能系数倒数/>之间的线性关系，构建空调机组性能系数与机组蒸发器进口温度、机组供冷量及机组冷凝器进口温度之间的关系：
式中，a1、a2、a3为空调机组性能模型参数；Te为空调机组蒸发器进口温度(℃)；Tc为空调机组冷凝器进口温度(℃)；Q为空调机组供冷量(kW)。
根据实测的热泵机组供冷量及用电量，采用最小二乘法对热泵机组的性能曲线进行拟合，拟合得到的耗电量计算模型为：
通过对耗电量计算模型的计算精度进行验证，R2＝92.3％，证明拟合得到的耗电量计算模型可以准确反映机组性能的变化。
冷热源构件模型
空调机组消耗电能从低温热源取热，向高温热源放热，机组的供冷、供热量及用电量可以通过下式计算：
Qjz,t＝4.2×Gjz,t×(Th,t-Tg,t)÷3.6
式中，Qjz,t为t时刻空调机组承担的冷热负荷(kW)；Gjz,t为t时刻空调机组冷冻水流量(m3/h)；Th,t为t时刻空调机组回水温度(℃)；Tg,t为t时刻空调机组出水温度(℃)；Ejz,t为t时刻空调机组的能耗(kW)；copt为t时刻空调系统的性能系数。
主动蓄能构件(蓄能水箱)模型
该类构件的典型代表是空调系统使用冰蓄冷或水蓄冷水箱实现热量转移，利用蓄冷水箱的蓄冷能力，在谷电阶段蓄冷，在峰电阶段放冷，满足或部分满足峰电阶段建筑的冷、热负荷需求。
水箱放能过程：
Qsy,t＝(Qsy,t-1-Qf,t-1)×Δt
式中，Qf,t、Qf,t-1为t时刻、t-1时刻蓄能水箱的放能量(kW)；Gf,t为t时刻放能水泵的流量(m3/h)；Th,T为t时刻蓄能水箱进水温度(℃)；Tg,t为t时刻蓄能水箱放能出水温度(℃)；Qsy,t、Qsy,t-1为t时刻、t-1时刻蓄能水箱剩余的冷量(kJ)；Tf,min为蓄能水箱的最低蓄能温度(℃)；ΔTx为蓄能水箱的设计蓄能温差(℃)；Qx,z为蓄能水箱的设计蓄能量(kJ)；Δt为放能过程计算的时间步长(h)。
水箱蓄能过程：
式中，Qx,t为t时刻蓄能水箱的蓄能量(kW)；Gx,t为t时刻蓄能水泵的流量(m3/h)；Th,t为t时刻蓄能水箱进水温度(℃)；Tg,t为t时刻蓄能水箱放能出水温度(℃)；Qsy,t为t时刻蓄能水箱剩余的冷量(kJ)；Qjz,z为空调机组的额定制冷(热)量(kW)；Qf,z为蓄能水箱最大蓄冷量(kJ)。
被动蓄能构件模型
该类构件主要是指利用建筑围护结构及室内家具、空气具有的蓄能能力实现热量转移，利用建筑内的热惰性，通过在谷电阶段提前向建筑预冷或预热，降低室内温度，以降低峰电阶段的建筑冷、热负荷需求。被动蓄能构件模型侧重于描述其参与需求响应时削减或转移的冷热负荷量，可以用建筑负荷模拟软件(白箱模型)或集总热容模型(灰箱模型)进行计算，该过程表示为：
QB,t＝fB(a,Tout,t,Tin,t,Ts,b,c,d)-fB(a,Tout,t,Ts,t,Ts,t-1,b,c,d)
式中，QB,t为t时刻被动蓄能构件可削减的冷热负荷量(kW)；fB(.....)为建筑蓄热模型对供冷、供热量的计算函数；Ts为需求响应阶段设定的室内温度(℃)；Ts,t为t时刻基准工况下的室内温度(℃)；Ts,t-1为t-1时刻基准工况下的室内温度(℃)。
附属构件模型
空调系统中的附属构件指的是辅助空调系统正常运行的构件，如提供循环动力的水泵、向环境散热的冷却塔等，附属构件大多定频运行，且与系统中的主要设备连锁启停。
水泵能耗：该附属构件模型中对于空调系统循环水泵能耗依据耗电输冷(热)比ECR进行计算：
Ep,t＝ECR×Qp,t
式中，ECR为空调系统循环水泵的耗电输冷比；A为与水泵流量相关的计算系数，按规范(GB 50736-2012)选取；B为与机房及用户的水阻力有关的计算系数；∝为与∑L有关的计算系数；∑L为从机房至系统最远用户的供回水管路的总输送长度(m)；Δt为空调系统的供回水温差(℃)；Ep,t为空调系统中循环水泵的能耗(kW)；Qp,t为循环水泵输送的冷热量(kW)。
冷却塔能耗：该附属构件模型中假设冷却塔定频运行。
Ect,t＝nst×Ect,s
式中，Ect,t为t时刻冷却塔的总功率(kW)；nst为t时刻冷却塔运行台数(台)；Ect,s为冷却塔的额定功率(kW)。
S4，基于耗电量计算模型，构建优化目标函数；
利用S3得到的空调系统耗电量计算模型计算系统不参与需求响应的基础工况下的耗电量，并分别构建优化过程中的优化目标函数的计算公式，包括灵活性目标函数(能量灵活性目标函数ff、功率灵活性目标函数fw)，成本目标函数fc和能耗目标函数fe。
灵活性目标函数
(1)将预冷温度、预冷时间及空调机组的额定供冷量带入到建筑蓄热模型的室温计算函数(fT)中，在建筑供冷、供冷量等于0的条件下，计算建筑在非工作时段的室内温度；在空调系统满负荷运行的条件下，计算建筑在预冷、预热时段的室内温度；并与工作时段设定的室内温度合并，得到需求响应策略下的建筑室内温度变化曲线：
非工作时段：
Tin,t＝fT(a,Tout,t,0,Tin,t-1,b,c,d)
其中，建筑供冷、供热量为0。
预冷时段：
Tin,t＝fT(a,Tout,t,Qjz,t,Tin,t-1,b,c,d)
其中，建筑供冷、供热量为Qjz,t。
正常工作时间段：
Tin,t＝Ts
式中，Tin,t-1为t-1时刻的室内温度，需要对室内温度迭代计算(℃)。
(2)利用S3构建的被动蓄能构件模型和室内温度曲线计算需求响应下的建筑冷热负荷：
QB,t＝fB(a,Tout,t,Tin,t,Ts,b,c,d)
(3)将蓄能策略带入至构建的冷热源构件模型、附属构件模型和蓄能模型(主动蓄能构件模型和被动蓄能构件模型)中，计算在保证建筑需求响应冷热负荷条件下空调系统的用电量，而计算得到的用电量与基准工况下空调系统用电量的差值即为空调系统可以削减或转移的电负荷量。
fs,t＝Es,t-Ed,t
式中，Ed,t为t时刻空调系统参与需求响应下的用电量(kW)；QB,t为t时刻被动蓄能构件可削减的冷热负荷量(kW)；Qf,t为t时刻蓄能水箱的放能量(kW)；copt为t时刻空调系统的性能系数；Ep,t为t时刻空调系统中水泵的用电量(kW)；Es,t为t时刻空调系统基准工况下的用电量(kW)；Ew,t为冷却塔消耗电量(kW)。
(4)在上述功率灵活性计算的基础上，空调系统的能量灵活性目标函数ff为计算周期内电功率削减量对时间的积分，功率灵活性目标函数fw为计算周期内电功率削减量的平均值：
式中，ff为空调系统的能量灵活性目标函数(kW·h)；fs,t为t时刻空调系统转移或削减的用电功率(kW)。
式中，fw为空调系统的功率灵活性目标函数(kW)。
成本目标函数fc
fc＝min(Cstorage+Crun)
L为空调系统的需求响应时间(h)；H为空调系统的蓄能时间(h)；fc为成本目标函数(元)；Crun为空调系统的运行成本(元)；Cstorage为空调系统的蓄能成本(元)；ck,t为t时消耗第k类能源单价(元/kWh)；Ei,k,t为空调系统第i类设备，第k类能源，在t小时能耗(kWh)；z为设备数量；e为能源种类数量；k为第k类能源；i为第i类设备。
能耗目标函数fe
式中，fe为能耗目标函数(kW·h)；Et,k为整个空调系统t小时消耗第k类能源量(kWh)；
S5，将优化目标函数代入至双层优化过程中，并对双层优化过程进行寻优，得到空调系统参与需求响应的最优调度策略。
将构建的目标函数带入到双层优化结构中，上层为空调系统日前水箱蓄能优化，以最小化总成本fc和总能耗fe以及最大化能量灵活性ff为优化目标，在满足设备容量约束的基础上，对系统蓄能阶段水箱的蓄能量V进行优化。下层优化为空调系统日间运行参数优化，优化过程兼顾系统运行成本Crun、能耗fe及功率灵活性fw，在满足各设备容量约束、能量平衡约束和舒适度约束的前提下，对系统中各设备的启停和出力进行优化。
采用遗传算法和多目标决策方法对构建的双层优化结构进行求解寻优，寻优过程中，日前优化结果(蓄能量V)成为日间运行参数优化过程的约束条件，而日间运行参数优化后产生的空调系统运行成本Crun、能耗fe及功率灵活性fw对日前优化目标的计算进行反馈，同时对日前优化过程中的水箱蓄能量V进行重新调整，上下层之间优化参数互相传递，最终使得系统日前的水箱蓄能与日间的系统运行之间实现最优匹配,得到空调系统参与需求响应的最优调度策略。
为体现本发明提出的双层优化方法的优势，与常规单层优化方法的优化结果进行对比，依次对日前水箱蓄能(Case-day-ahead)、日间运行参数(Case-daily)和双层优化情景(Case-bi-level)下空调系统的需求响应策略进行寻优计算，优化结果如下：
对于仅日前水箱蓄能优化，在设定预冷时间5h、预冷温度22℃及温度重设平均绝对温度偏差1.2℃的前提下，优化得到的水箱容量为897kW·h；对于仅日间运行参数优化，在设定日前水箱蓄能1200kW·h的前提下，优化得到的预冷时间为4h、预冷温度为23℃，温度重设平均绝对温度偏差为1.3℃；对于本发明提出的双层优化，优化得到的水箱容量为1037kW·h，预冷时间为4h、预冷温度为23℃，温度重设平均绝对温度偏差为1.3℃。
由此，在上述三种空调系统调度策略的优化结果下，为具体分析水箱蓄能量变化前后系统运行工况的差异，进一步对比空调系统的逐时电负荷变化，如下图5所示。由图中可以看出Case-day-ahead情景下空调系统在最大功率灵活性策略下运行，此时8台机组提前5h开启(3：00开启)并持续运行，将建筑预冷至设定的22℃温度，同时结合主动蓄能和室内温度重设成功转移了91％的峰值电价时间段(8：00-11:00)的电负荷，此时空调系统中机组为关闭状态，建筑冷负荷需求仅依靠水箱放能即可满足，实现了比较好的需求响应效果。但值得注意的是，当Case-bi-level情景在日前水箱蓄能设定中考虑了空调系统的日间优化运行，此时优化后的调度策略使得机组只需要提前4h开启并将建筑预冷至23℃即可实现91.4％的峰段电负荷转移，表现出了不弱Case-day-ahead情景下的负荷转移能力。这主要是由于双层优化通过合理提高水箱蓄能量，使用蓄能效率更高的主动蓄能策略部分替代蓄能效率极低的被动蓄能策略，使得空调系统在具有相同负荷转移能力的前提下，表现出更好的经济性和节能性。
而对比图5中Case-daily和Case-bi-level情景下空调系统的运行状态可知，两种优化调度策略在系统运行阶段的表现差异不大，在4：00-12：00和16：00-23：00时段，空调系统在两种调度下的用电负荷基本一致，而日前水箱蓄能量的差异使得Case-daily情景下，蓄能阶段的空调系统电负荷多增加30.1％，放能阶段的负荷削减量增加7.8％。但值得注意的是，此时转移的电负荷位于12：00-17：00的平值电价时段，此时负荷转移的经济效益很低，使得空调系统的运行成本增加1.4％。说明双层优化方法通过对日前水箱蓄能量的优化，可以充分利用蓄能设备的需求响应能力，有效利用日前的水箱蓄能量，提高系统运行的经济性和节能性。
综合对比发现，相较于单层优化方法，双层优化方法可以实现系统中日前水箱蓄能与日间运行参数的合理匹配，充分挖掘蓄能设备的需求响应潜力，通过合理的水箱蓄能量设定保证需求响应时各需求响应策略的最优搭配，在提高空调系统运行经济性与节能性的同时，对系统的负荷转移效果不产生显著影响。
最后为更加直观地表现出双层优化方法的有益效果，分别对比了上述三种优化调度策略下，空调系统总成本、总能耗、能量灵活性及功率灵活性的变化，并依据计算结果分别绘制了四种情景下需求响应效果的雷达图，如图6所示。由于绘图过程中对各指标进行了归一化处理，在图中可以简单理解为越接近于1该指标越大，越接近于0该指标越小。从图中可以看出，在经济性和节能性方面，双层优化方法由于实现了日前水箱蓄能与日间运行参数的合理匹配，表现出了明显的经济、节能优势，其总成本和总能耗相较于Case-day-ahead分别降低了1.7％和15.9％、较Case-daily分别降低了9.6％和13.8％；而在灵活性方面，双层优化后的调度策略未对系统的能量灵活性和功率灵活性产生显著影响，其中相较于三种优化情景下的最大值，功率灵活性和能量灵活性的降低均不超过10％。由此进一步说明，在空调系统的需求响应优化方面，双层优化方法较单层优化方法可以实现更好的需求响应效果，体现出了显著的优势。
以上显示和描述了本发明的基本原理、主要特征和优点。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。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种基于需求响应的空调系统双层优化调度方法，其特征在于，包括以下步骤：
S1，构建集总热容模型，采用所述集总热容模型对建筑的蓄热能力进行描述，得到建筑蓄热模型；
S2，基于所述建筑蓄热模型，得到描述建筑室内干球温度与冷热负荷量的函数关系式；
S3，基于所述函数关系式，构建需求响应工况下的耗电量计算模型；
S4，基于所述耗电量计算模型，构建优化目标函数；
S5，将所述优化目标函数代入至双层优化过程中，并对所述双层优化过程进行寻优，得到空调系统参与需求响应的最优调度策略；
所述S1中所述集总热容模型从四个方面对建筑的蓄热能力进行描述，包括：
建筑围护结构墙体具有的蓄热能力，建筑室内空气具有的蓄热能力，建筑内隔墙、家具、顶棚蓄热体具有的蓄热能力和空调水系统具有的蓄热能力；
所述集总热容模型包括3R1C的建筑围护结构蓄热模型、1R1C的建筑内蓄热体的蓄热模型以及1R1C的空调水系统蓄热模型；
建筑围护结构墙体的传热过程：
Ql，n＝α×Al，n×Is，n
Ql＝Ql，n+Ql，w+Ql，s+Ql，e
式中，R1、R2为建筑不透明外围护结构传热的等效热阻；Tw为建筑外围护结构虚拟节点的温度；Qs为围护结构表面吸收的太阳辐射热量；C1为建筑不透明围护结构的等效热容；Qw为通过透明结构进入室内的热量；Ql，n为建筑北向透明围护结构透射的太阳辐射热量；Ql为建筑透明围护结构透射的太阳辐射热量；Rw为建筑透明围护结构传热的等效热阻；Tout为建筑室外环境的干球温度；Tin为建筑室内空间的容积平均干球温度；α为建筑透明围护结构的透射率；Al，n为建筑北向透明围护结构的面积；Is，n为建筑北向垂直于透明围护结构的太阳辐射强度；Ql，w，Ql，s，Ql，e为建筑西、南、东向透明围护结构透射的太阳辐射热量，计算方法与北向相同；
建筑内蓄热体的传热过程：
式中，Ql为建筑透明围护结构透射的太阳辐射热量；Tm为建筑室内蓄热体节点的温度；Tin为建筑室内空间的容积平均干球温度；Rm为建筑室内蓄热体的等效热阻；C3为建筑内蓄热体的等效热容；
空调水系统的传热过程：
式中，Qh为空调机组的供热量；Tin为建筑室内空间的容积平均干球温度；Th为空调水系统虚拟节点的温度；R3为空调末端设备传热的等效热阻；C4为空调水系统的等效热容；
建筑室内空气的传热过程：
式中，Tw为建筑外围护结构虚拟节点的温度；Tin为建筑室内空间节点的容积平均干球温度；R2为建筑不透明外围护结构传热的等效热阻；Th为空调水系统虚拟节点的温度；R3为空调末端设备传热的等效热阻；Tm为建筑室内蓄热体节点的温度；Tout为建筑室外环境的干球温度；Rw为建筑透明围护结构传热的等效热阻；Qg为建筑室内人员的散热量；Qfr为建筑室内新风的散热量；Qu为建筑室内设备的散热量；Qb为建筑室内照明的散热量；Ni为建筑室内i区域的容积；Ti为建筑室内i区域的干球温度；k为建筑室内的区域个数；
所述S2包括：
采用灰狼算法，对所述建筑蓄热模型的参数进行辨识，得到描述建筑室内干球温度与冷热负荷量的函数关系式；
在RC模型的基础上，将实测数据集中的70％的数据划分为建筑蓄热模型的训练集，30％的数据划分为测试集，并通过灰狼算法对建筑蓄热模型进行参数辨识；最终，将建筑蓄热模型简化为供热、供冷量与室内干球温度之间的函数关系式：
Qj，t＝fB(a，Tout，t，Tin，t，Tin，t-1，b，c，d)
Tin，t＝fT(a，Tout，t，Qj，t，Tin，t-1，b，c，d)
式中，Qj，t为t时刻建筑的供热、供冷量；a为辨识后的建筑蓄热模型参数，包括5个等效热阻和4个等效热容；Tout，t为t时刻建筑室外干球温度；Tin，t为t时刻建筑室内干球温度；Tin，t-1为t-1时刻建筑室内干球温度；b为时间参数，包括真太阳时和日期序号；c为内扰参数，包括人数、设备功率、照明功率、人均新风量；fB(.....)为建筑蓄热模型对供冷、供热量的计算函数；fT(.....)为建筑蓄热模型对温度的计算函数；
所述S3包括：
基于所述函数关系式，构建冷热源构件模型、主动蓄能构件模型、被动蓄能构件模型和附属构件模型；
依次通过所述冷热源构件模型、所述主动蓄能构件模型、所述被动蓄能构件模型和所述附属构件模型进行参数辨识和模型整合，得到所述耗电量计算模型；
其中需要对空调机组性能模型进行回归，采用温度相关性模型，利用空调机组供冷量倒数与性能系数倒数之间的线性关系，构建空调机组性能系数与机组蒸发器进口温度、机组供冷量及机组冷凝器进口温度之间的关系：
式中，a1、a2、a3为空调机组性能模型参数；Te为空调机组蒸发器进口温度；Tc为空调机组冷凝器进口温度；Q为空调机组供冷量；
根据实测的热泵机组供冷量及用电量，采用最小二乘法对热泵机组的性能曲线进行拟合，拟合得到的耗电量计算模型为：
通过对耗电量计算模型的计算精度进行验证，R2＝92.3％，证明拟合得到的耗电量计算模型能够反映机组性能的变化；
冷热源构件模型，空调机组消耗电能从低温热源取热，向高温热源放热，机组的供冷、供热量及用电量通过下式计算：
Qjz，t＝4.2×Gjz，t×(Th，t-Tg，t)÷3.6
式中，Gjz，t为t时刻空调机组承担的冷热负荷；Gjz，t为t时刻空调机组冷冻水流量；Th，t为t时刻空调机组回水温度；Tg，t为t时刻空调机组出水温度；Ejz，t为t时刻空调机组的能耗；copt为t时刻空调系统的性能系数；
主动蓄能构件模型，该类构件的典型代表是空调系统使用冰蓄冷或水蓄冷水箱实现热量转移，利用蓄冷水箱的蓄冷能力，在谷电阶段蓄冷，在峰电阶段放冷，满足或部分满足峰电阶段建筑的冷、热负荷需求；
水箱放能过程：
Qsy，t＝(Qsy，t-1-Qf，t-1×Δt
式中，Qf，t、Qf，t-1为t时刻、t-1时刻蓄能水箱的放能量；Gf，t为t时刻放能水泵的流量；Th，t为t时刻蓄能水箱进水温度；Tg，t为t时刻蓄能水箱放能出水温度；Qsy，t、Qsy，t-1为t时刻、t-1时刻蓄能水箱剩余的冷量；Tf，min为蓄能水箱的最低蓄能温度；ΔTx为蓄能水箱的设计蓄能温差；Qx，z为蓄能水箱的设计蓄能量；Δt为放能过程计算的时间步长；
水箱蓄能过程：
式中，Qx，t为t时刻蓄能水箱的蓄能量；Gx，t为t时刻蓄能水泵的流量；Th，t为t时刻蓄能水箱进水温度；Tg，t为t时刻蓄能水箱放能出水温度；Qsy，t为t时刻蓄能水箱剩余的冷量；Qjz，z为空调机组的额定制冷量或额定制热量；Qf，z为蓄能水箱最大蓄冷量；
被动蓄能构件模型，该类构件主要是指利用建筑围护结构及室内家具、空气具有的蓄能能力实现热量转移，利用建筑内的热惰性，通过在谷电阶段提前向建筑预冷或预热，降低室内温度，以降低峰电阶段的建筑冷、热负荷需求；被动蓄能构件模型侧重于描述其参与需求响应时削减或转移的冷热负荷量，用建筑负荷模拟软件或集总热容模型进行计算，该过程表示为：
QB，t＝fB(a，Tout，t，Tin，t，Ts，b，c，d)-fB(a，Tout，t，Ts，t，Ts，t-1，b,c,d)
式中，QB，t为t时刻被动蓄能构件可削减的冷热负荷量；fB(.....)为建筑蓄热模型对供冷、供热量的计算函数；Ts为需求响应阶段设定的室内温度；Ts，t为t时刻基准工况下的室内温度；Ts，t-1为t-1时刻基准工况下的室内温度；
附属构件模型，空调系统中的附属构件指的是辅助空调系统正常运行的构件，附属构件大多定频运行，且与系统中的主要设备连锁启停；
水泵能耗：该附属构件模型中对于空调系统循环水泵能耗依据耗电输冷比ECR进行计算：
Ep，t＝ECR×Qp，t
式中，ECR为空调系统循环水泵的耗电输冷比；A为与水泵流量相关的计算系数，按规范(GB 50736-2012)选取；B为与机房及用户的水阻力有关的计算系数；∝为与∑L有关的计算系数；∑L为从机房至系统最远用户的供回水管路的总输送长度；Δt为空调系统的供回水温差；Ep，t为空调系统中循环水泵的能耗；Qp，t为循环水泵输送的冷热量；
冷却塔能耗：该附属构件模型中假设冷却塔定频运行；
Ect,t＝nst×Ect，s
式中，Ect，t为t时刻冷却塔的总功率；nst为t时刻冷却塔运行台数；Ect，s为冷却塔的额定功率；
所述S4中所述优化目标函数包括：
灵活性目标函数、成本目标函数和能耗目标函数；
利用S3得到的空调系统耗电量计算模型计算系统不参与需求响应的基础工况下的耗电量，并分别构建优化过程中的优化目标函数的计算公式，包括灵活性目标函数，成本目标函数fc和能耗目标函数fe，其中灵活性目标函数包括能量灵活性目标函数ff、功率灵活性目标函数fw；
灵活性目标函数：
将预冷温度、预冷时间及空调机组的额定供冷量带入到建筑蓄热模型的室温计算函数中，在建筑供冷、供冷量等于0的条件下，计算建筑在非工作时段的室内温度；在空调系统满负荷运行的条件下，计算建筑在预冷、预热时段的室内温度；并与工作时段设定的室内温度合并，得到需求响应策略下的建筑室内温度变化曲线：
非工作时段：
Tin，t＝fT(a，Tout，t，0，Tin，t-1，b，c，d)
其中，建筑供冷、供热量为0；
预冷时段：
Tin，t＝fT(a，Tout，t，Qjz，t，Tin，t-1，b，c，d)
其中，建筑供冷、供热量为Qjz，t；
正常工作时间段：
Tin，t＝Ts
式中，Tin，t-1为t-1时刻的室内温度，需要对室内温度迭代计算；
利用S3构建的被动蓄能构件模型和室内温度曲线计算需求响应下的建筑冷热负荷：
QB，t＝fB(a，Tout，t，Tin，t，Ts，b，c，d)
将蓄能策略带入至构建的冷热源构件模型、附属构件模型和蓄能模型中，计算在保证建筑需求响应冷热负荷条件下空调系统的用电量，而计算得到的用电量与基准工况下空调系统用电量的差值即为空调系统能够削减或转移的电负荷量；
fs，t＝Es，t-Ed，t
式中，Ed，t为t时刻空调系统参与需求响应下的用电量；QB，t为t时刻被动蓄能构件可削减的冷热负荷量；Qf，t为t时刻蓄能水箱的放能量；copt为t时刻空调系统的性能系数；Ep，t为t时刻空调系统中水泵的用电量；Es，t为t时刻空调系统基准工况下的用电量；Ew，t为冷却塔消耗电量；
在功率灵活性计算的基础上，空调系统的能量灵活性目标函数ff为计算周期内电功率削减量对时间的积分，功率灵活性目标函数fw为计算周期内电功率削减量的平均值：
式中，ff为空调系统的能量灵活性目标函数；fs，t为t时刻空调系统转移或削减的用电功率；
式中，fw为空调系统的功率灵活性目标函数；
成本目标函数fc：
fc＝min(Cstotage+Crun)
L为空调系统的需求响应时间；H为空调系统的蓄能时间；fc为成本目标函数；Crun为空调系统的运行成本；Cstorage为空调系统的蓄能成本；ck，t为t时消耗第k类能源单价；Ei，k，t为空调系统第i类设备，第k类能源，在t小时能耗；z为设备数量；e为能源种类数量；k为第k类能源；i为第i类设备；
能耗目标函数fe：
式中，fe为能耗目标函数；Et，k为整个空调系统t小时消耗第k类能源量；
所述双层优化过程为：
上层优化为空调系统日前水箱优化，下层优化为空调系统日间运行参数优化；
将构建的目标函数带入到双层优化结构中，上层为空调系统日前水箱蓄能优化，以最小化总成本fc和总能耗fe以及最大化能量灵活性ff为优化目标，在满足设备容量约束的基础上，对系统蓄能阶段水箱的蓄能量V进行优化；下层优化为空调系统日间运行参数优化，优化过程兼顾系统运行成本Crun、能耗fe及功率灵活性fw，在满足各设备容量约束、能量平衡约束和舒适度约束的前提下，对系统中各设备的启停和出力进行优化；
采用遗传算法和多目标决策方法对构建的双层优化结构进行求解寻优，寻优过程中，日前优化结果成为日间运行参数优化过程的约束条件，而日间运行参数优化后产生的空调系统运行成本Crun、能耗fe及功率灵活性fw对日前优化目标的计算进行反馈，同时对日前优化过程中的水箱蓄能量V进行重新调整，上下层之间优化参数互相传递，最终使得系统日前的水箱蓄能与日间的系统运行之间实现最优匹配,得到空调系统参与需求响应的最优调度策略。
CN202210743796.4A 2022-06-28 2022-06-28 一种基于需求响应的空调系统双层优化调度方法 Active CN115018184B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210743796.4A CN115018184B (zh) 2022-06-28 2022-06-28 一种基于需求响应的空调系统双层优化调度方法
US18/126,452 US20230417438A1 (en) 2022-06-28 2023-03-26 Bi-level optimization scheduling method for air conditioning system based on demand response

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210743796.4A CN115018184B (zh) 2022-06-28 2022-06-28 一种基于需求响应的空调系统双层优化调度方法

Publications (2)

Publication Number Publication Date
CN115018184A CN115018184A (zh) 2022-09-06
CN115018184B true CN115018184B (zh) 2024-04-05

Family

ID=83076732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210743796.4A Active CN115018184B (zh) 2022-06-28 2022-06-28 一种基于需求响应的空调系统双层优化调度方法

Country Status (2)

Country Link
US (1) US20230417438A1 (zh)
CN (1) CN115018184B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118258102A (zh) * 2024-05-29 2024-06-28 深圳市天元维视实业有限公司 多主机中央空调系统的节能调配方法、装置、终端及介质
CN118565061B (zh) * 2024-08-02 2024-10-08 成都倍特数字能源科技有限公司 一种空调柔性调控方法及调控终端

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617460A (zh) * 2013-12-06 2014-03-05 天津大学 冷热电联供微网系统的双层优化规划设计方法
WO2015077754A1 (en) * 2013-11-25 2015-05-28 Siemens Corporation A statistical approach to modeling and forecast of cchp energy and cooling demand and optimization cchp control setpoints
CN112862154A (zh) * 2021-01-04 2021-05-28 天津大学 一种考虑需求响应的区域能源系统双层规划优化方法
CN113094907A (zh) * 2021-04-15 2021-07-09 天津大学 一种用于空调负荷和电动汽车充电负荷联合调度方法
CN113435042A (zh) * 2021-06-28 2021-09-24 天津大学 一种建筑空调系统需求响应的强化学习建模方法
CN113610152A (zh) * 2021-08-06 2021-11-05 天津大学 一种基于负荷模式的空调系统灵活性运行策略制定方法
CN113623710A (zh) * 2021-08-18 2021-11-09 国网福建省电力有限公司经济技术研究院 考虑配网功率及供暖的蓄热式电采暖优化配置方法及装置
CN114117693A (zh) * 2021-10-28 2022-03-01 国网天津市电力公司 一种考虑住宅用户供热需求的社区综合能源系统双层优化方法
CN114282730A (zh) * 2021-12-29 2022-04-05 天津大学 一种用于建筑负荷预测的数据完备性检验与特征学习方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4141462B2 (ja) * 2005-07-07 2008-08-27 日本ペイント株式会社 熱量予測方法及び熱量予測システム並びに熱量予測プログラム
US8606374B2 (en) * 2010-09-14 2013-12-10 Nest Labs, Inc. Thermodynamic modeling for enclosures
CA2838453C (en) * 2012-12-31 2022-08-30 Battelle Memorial Institute Distributed hierarchical control architecture for integrating smart grid assets during normal and disrupted operations
US10372146B2 (en) * 2016-10-21 2019-08-06 Johnson Controls Technology Company Systems and methods for creating and using combined predictive models to control HVAC equipment
US20220381470A1 (en) * 2021-05-18 2022-12-01 The Board Of Regents Of The University Of Oklahoma System and method for residential hvac control

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015077754A1 (en) * 2013-11-25 2015-05-28 Siemens Corporation A statistical approach to modeling and forecast of cchp energy and cooling demand and optimization cchp control setpoints
CN103617460A (zh) * 2013-12-06 2014-03-05 天津大学 冷热电联供微网系统的双层优化规划设计方法
CN112862154A (zh) * 2021-01-04 2021-05-28 天津大学 一种考虑需求响应的区域能源系统双层规划优化方法
CN113094907A (zh) * 2021-04-15 2021-07-09 天津大学 一种用于空调负荷和电动汽车充电负荷联合调度方法
CN113435042A (zh) * 2021-06-28 2021-09-24 天津大学 一种建筑空调系统需求响应的强化学习建模方法
CN113610152A (zh) * 2021-08-06 2021-11-05 天津大学 一种基于负荷模式的空调系统灵活性运行策略制定方法
CN113623710A (zh) * 2021-08-18 2021-11-09 国网福建省电力有限公司经济技术研究院 考虑配网功率及供暖的蓄热式电采暖优化配置方法及装置
CN114117693A (zh) * 2021-10-28 2022-03-01 国网天津市电力公司 一种考虑住宅用户供热需求的社区综合能源系统双层优化方法
CN114282730A (zh) * 2021-12-29 2022-04-05 天津大学 一种用于建筑负荷预测的数据完备性检验与特征学习方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Multi-objective optimisation approach for campus energy plant operation based on building heating load scenarios;Yan Ding等;《Applied Energy》;20191231;第1-18页 *
综合能源系统日前-日内多目标优化控制策略;杜先波;陶苏朦;刘述波;姚鹏;王琦;;电测与仪表;20201231(16);全文 *
考虑建筑储能特性的高铁站综合能源系统规划方法;付建民;杨斌;王小君;孙庆凯;张义志;和敬涵;张放;;电力建设;20200301(03);全文 *
超低能耗绿色建筑设计方法思考与案例分析――以中新天津生态城公屋展示中心为例;伍小亭;;建设科技;20141125(22);全文 *

Also Published As

Publication number Publication date
US20230417438A1 (en) 2023-12-28
CN115018184A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN115018184B (zh) 一种基于需求响应的空调系统双层优化调度方法
CN110094802B (zh) 一种热泵与蓄热式电锅炉联合供暖负荷分配方法及装置
CN109696891B (zh) 包含空气源热泵和储能的微能源网系统及其运行控制方法
CN100545521C (zh) 太阳能与建筑一体化复合能量系统
CN106403102A (zh) 能源智能控制方法、装置和系统
CN109685332A (zh) 一种综合能源多主体利益均衡优化调度方法及设备
CN111737884A (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN110186212B (zh) 一种蓄热、蓄冷系统
CN113222227A (zh) 基于建筑特性和虚拟电厂的建筑综合能源系统调度方法
CN112182887A (zh) 一种综合能源系统规划优化仿真方法
Bai et al. Flexibility quantification and enhancement of flexible electric energy systems in buildings
CN112600253A (zh) 基于用能效率最优的园区综合能源协同优化方法及设备
Blacha et al. Dynamic simulation of bidirectional low-temperature networks-a case study to facilitate the integration of renewable energies
CN113887079A (zh) 考虑新能源发电不确定性的空气源热泵控制方法及系统
Kang et al. The power simulation of water-cooled central air-conditioning system based on demand response
CN114881280B (zh) 一种基于双层优化算法的光伏建筑能量分析方法
CN109919506B (zh) 用户级综合能源系统及其关键设备稳态建模方法及装置
CN112487625A (zh) 基于信息物理融合的建筑能源系统及其优化方法和装置
CN116415793A (zh) 计及热电储能园区综合能源系统及其低碳优化调度方法
CN113807746B (zh) 一种冷热电联供系统的综合运行优化方法
CN115147014A (zh) 一种综合能源系统的多目标均衡分配方法
Wang et al. Electricity demand analysis for solar PV houses: Polyvalent heat pumps coupled with water storage tanks
CN113719929B (zh) 一种溴化锂空调系统整体性优化控制方法和系统
CN116305758A (zh) 一种基于空调负荷模拟的冷机建模方法及模型应用
CN115470564A (zh) 一种公共建筑能源系统协调控制方法及其控制组件

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