CN116976150A - 计及多用户不确定性和需求多样性的空调负荷优化方法 - Google Patents
计及多用户不确定性和需求多样性的空调负荷优化方法 Download PDFInfo
- Publication number
- CN116976150A CN116976150A CN202311233002.0A CN202311233002A CN116976150A CN 116976150 A CN116976150 A CN 116976150A CN 202311233002 A CN202311233002 A CN 202311233002A CN 116976150 A CN116976150 A CN 116976150A
- Authority
- CN
- China
- Prior art keywords
- user
- air conditioner
- time
- load
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 230000004044 response Effects 0.000 claims abstract description 51
- 230000005611 electricity Effects 0.000 claims abstract description 42
- 238000004378 air conditioning Methods 0.000 claims abstract description 31
- 238000005057 refrigeration Methods 0.000 claims abstract description 12
- 238000001816 cooling Methods 0.000 claims description 44
- 238000012546 transfer Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 206010063659 Aversion Diseases 0.000 claims description 9
- 230000004043 responsiveness Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 6
- 230000017525 heat dissipation Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 101150106671 COMT gene Proteins 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000003303 reheating Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 2
- 230000033228 biological regulation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000006996 mental state Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明为一种计及多用户不确定性和需求多样性的空调负荷优化方法,属于电力系统优化调度领域,针对现有技术对用户行为的不确定性和需求的多样性未考虑周全,从而导致不能精准控制需求响应的问题,采用技术方案如下:一种计及多用户不确定性和需求多样性的空调负荷优化方法,包括:建立空调室内舒适温度的时变模型;构建用户舒适温度模型;基于时变模型和用户舒适温度模型,构建分时电价下计及用户满意度的离散选择模型;以获得最低制冷成本和最佳耗电舒适度为决策目标,在约束条件下,构建用户决策优化模型。本申请中,获得考虑用户不确定性和需求多样性的用户决策优化模型,能够充分考虑多用户不确定性和需求多样性,实现需求响应的精准控制。
Description
技术领域
本发明属于电力系统优化调度领域,特别涉及一种计及多用户不确定性和需求多样性的空调负荷优化方法。
背景技术
随着经济快速发展和人民生活水平的提高,空调负荷加剧了电力高峰负荷,在经济发达地区空调负荷占系统峰荷的比例甚至超过了50%。大量可再生能源发电并网后,出力的波动性和随机性使系统功率平衡紧张、备用容量不足等问题更突出。空调负荷具有响应时间快、可控性强等需求响应特性,在缓解供需压力、维护电力系统稳定等方面潜力巨大,但目前研究空调参与需求侧响应并不多,且用户行为的不确定性和需求的多样性,导致难以实现需求响应的精准控制。
发明内容
针对现有技术对用户行为的不确定性和需求的多样性未考虑周全,从而导致不能精准控制需求响应的问题,本发明提供一种计及多用户不确定性和需求多样性的空调负荷优化方法,以居民空调负荷为研究对象,建立完整建筑空调的模型,以实现需求响应的精准控制。
本发明采用技术方案如下:一种计及多用户不确定性和需求多样性的空调负荷优化方法,包括:
步骤1,考虑到外部环境和人为因素的影响,基于室内空调工作时间、建筑结构和人员活动情况,得到空调室内舒适温度的时变模型;
步骤2,构建用户舒适温度模型;
步骤3,基于时变模型和用户舒适温度模型,构建分时电价下计及用户满意度的离散选择模型,用于预测用户在一定时间间隔内作出响应的概率;
步骤4,以获得最低制冷成本和最佳耗电舒适度为决策目标,在步骤3建立的离散选择模型下构建决策目标的约束条件,进而形成用户决策优化模型,以便根据具体的调控目标调用电量。
本申请中,基于构建空调室内舒适温度关于时间的模型和用户舒适温度模型,构建满意度的离散选择模型,以预测作出响应的概率以及获得约束条件,在此基础上获得考虑用户不确定性和需求多样性的用户决策优化模型,这样能够充分考虑多用户不确定性和需求多样性,进而根据具体的调控目标调用电量,实现需求响应的精准控制。
进一步地,空调室内舒适温度的时变模型构建如下:
(1);
式中,T a为空调室内随时间变化的温度;Q N(τ)为τ时刻补偿新风冷负荷和其他因热再热而产生的冷负荷;Q wall(τ)为τ时刻墙与外部环境之间的热传递引起的冷负荷;Q win(τ)为τ时刻阳光透过窗户遮阳设施产生的冷负荷;Q rad(τ)为τ时刻室内设备产生的冷负荷和人体散发热量;Q gas(τ)为τ时刻,空调室与外界空气热交换产生的冷负荷;τ表示时间。
进一步地,墙与外部环境之间的热传递引起的冷负荷Q wall(τ)满足:
(2);
式中,Q wall(τ)为τ时刻墙与外部环境之间的热传递引起的冷负荷;S out为外墙表面积,K out为外墙与室内空气之间的传热系数;T out(τ)为外墙和屋顶之间温度小时值;T in(τ)为τ时刻空调室内温度;S in为内墙表面积;K in为内墙与室内空气之间的传热系数;T ave为室外日平均气温;ΔT f为空调室相邻房间平均温度与空调室外部的日平均温度之间的差;在阳光和气温的共同作用下,外墙和屋顶会因传热而产生每小时一次的冷负荷,在夏季高温期间,当空调的室内温度与相邻室温之间的差值超过3℃时,冷却负荷也是通过热传递产生的。
在τ时刻阳光透过窗户遮阳设施产生的冷负荷Q win(τ)满足:
(3);
其中,Q win(τ)为在τ时间玻璃窗遮阳设施产生的冷负荷,S win为窗户的面积;D win,max为窗户最大值的透阳热系数;K s为窗口的有效面积系数;K z为窗户遮阳设施的综合遮挡系数;K win为窗户的冷却负荷系数。
室内设备产生的冷负荷和人体散发热量Q rad(τ)满足:
(4);
其中,Q eq为室内设备的实际显热散热能量;K eq为室内设备显热散热冷负荷系数;N为指照明设备的功率;K l为照明设备的冷负荷系数;n为房间里的总人数;θ为聚类系数;q xr为人体在不同室内温度和运动强度下的显热散热;K xr为人体显热耗散冷负荷系数;q qr为人体在不同室内温度和运动强度下的潜热散热。
空调室与外界空气热交换产生的冷负荷Q gas(τ)满足:
(5);
式中:C gas为新鲜空气量;i out为室外空气焓值;i in为室内空气焓值;
补偿新风冷负荷和其他因热再热而产生的冷负荷Q N满足:
(6);
式中,COP为空调的制冷效率;P N为空调的额定功率。本申请中Q N包含Q N(τ)。
进一步地,步骤2中,用户的舒适温度模型建立过程为:
设区域用户的舒适度T comf范围满足:
(7);
空调运行时,室内温度T in(τ)应保持在舒适范围内:
(8);
其中,为用户的可容忍舒适度下限;/>为用户的最佳舒适度上限;T comt(τ)为τ时刻的舒适温度。本申请中,T comf包含T comt(τ)。
进一步地,步骤3具体过程为:
步骤3.1,构建用户对于损失厌恶模型:
(9);
其中P real表示实时电价,p 0表示初始电价,K hmax为用户对于损失最大的厌恶心理系数;K lmin为用户对于损失最小的厌恶心理系数;P hmax表示用户对于损失最大的厌恶电价,P lmin表示用户对于损失最小的厌恶电价;
步骤3.2,构建空调负荷响应指数模型:
(10);
(11);
式中,x为响应时间段的数目;C total,i为电网公司在时间段x中对用户i的响应能力的预测值;C(i,x)为用户i在时间段x中的实际负荷减少量;J(i,x)为该时间段内的空调负荷响应指数;Q set(i,x)为用户i在时间段x中设置负荷量;Q after(i,x)为用户i在时间段x中的实际负荷量;i表示为用户,其取值为大于等于1的整数;
步骤3.3,构建空调用户不同偏好模型:
(14);
其中,ω ij为空调用户满意度;ω ij,1为响应度为j时典型用户i的电费满意度;ω ij,2为响应度为j时室内空气温度对典型用户i的电费支出的满意度;v i表示用户i对经济需求给出的损失规避系数;其中,j表示响应度,取值0-1;J为响应度区间;此模型反映了不同用户对经济满意度和制冷舒适度满意度的关注程度;
步骤3.4,基于步骤3.1构建的用户对于损失厌恶模型、步骤3.2构建的空调负荷响应指数模型以及步骤3.3构建的空调用户不同偏好模型,建立离散选择模型:
用户在做出消费决策时总是追求效用最大化,效用价值的计算包括效用的可观察部分和不可观察部分,用户i的响应度在响应度区间J中的效用如下:
(15);
式中,U ij用户i在响应度区间J下的总效用;V ij为研究人员可以观察到的效用部分,即直接效用,如用户通过需求响应获得的电力成本节约和电力消耗模式的变化;不可观察的效用部分,如用户的心理状态、个人偏好和观察误差,是效用的随机项。
当用户i从选择集中选取j类选择因子作为第一选择因子时,得到的直接效用如下:
(16);
式中,β j为用户的内部特征参数,表示效用函数的随机项因子;ω ij为空调用户满意度;
该模型中的随机效用项是独立的,服从极值分布;该模型中的随机效用项是独立的,服从极值分布,根据离散选择模型,用户选择某个响应级别的概率可以由其效用的系统项来确定,用户i在响应水平区间J中的概率P ij:
(17);
式中,U ik为用户i的响应度k在响应度区间K中的效用;为用户i从响应度区间J中选取j响应度作为第一选择因子时,得到的直接效用;k为不同于j的响应度,K为不同于J的响应度区间。
进一步地,步骤3.3中,空调用户不同偏好模型包括电力支出的满意度模型和用电模式的满意度模型;
电力支出的满意度模型为:
(12);
式中ω ij,1为响应度为j时典型用户i的电费满意度;和/>分别是用户i的初始电费和响应度j下的电费;
假设当未实现需求响应时,用户在空调的设定温度下具有最高的满意度,用户参与需求响应后,空调温度设定值与响应前存在一定偏差,导致满意度下降;由于很难实时获得居民用户在不同时间的空调温度设定点,因此,空调用电补偿用于衡量用电模式的满意度。
用电模式满意度模型为:
(13);
式中,ω ij,2为响应度为j时室内空气温度对典型用户i的电费支出的满意度;、分别为用户i在τ时刻的空调功耗的比例和响应度区间J中的空调能耗的比例;r i和s i分别表示与用户类型相关的不同用户对空调温度的满意度。
进一步地,步骤4具体过程为:
步骤4.1,构建空调冷却成本目标函数:
(18);
式中,Q N为补偿新风冷负荷和其他因热再热而产生的冷负荷;f f为高峰时间价格;t fs为高峰时段价格的开始时间;t fe为高峰时段价格的结束时间;fg为谷时间价格;t gs为谷时间价格的开始时间;t ge为谷时间价格的结束时间;T为总时间,即其取值为24;
步骤4.2,构建用户最佳制冷舒适度目标函数:
(19);
式中T in(τ)、T set(τ)分别为实际室内温度、室内用户设定的期望值;
步骤4.3,构建约束条件:
(1)峰值时段功耗降低约束条件:
(20);
(21);
其中为在执行需求响应时的高峰时段中的空调负载的总功耗;/>为当用户i处于响应度区间J时的峰值时段中的降低功耗;P i,total为用户i的总负载功耗;ε为用户在该时段的空调耗电在线率;/>、/>分别为用户i的空调功耗的比例和响应度区间J中的空调能耗的比例;/>为用户初始负载的峰谷功耗系数;a j为用户响应后的负载峰谷功耗系数;
(2)冷负荷需求平衡的约束条件:
(22);
其中,Q N,τ为空调制冷设备的额定冷却功率;C load, τ为空调用户在τ时刻的实际负荷需求, COP为空调的制冷效率;
(3)用户效用值的约束条件:
(23);
其中U ij为用户i在响应度区间J下的总效用;用户i在响应度区间J中获得的收益值。
步骤4.4,在步骤4.3的约束条件下求解步骤4.1构建的空调冷却成本目标函数和步骤4.2构建的用户最佳制冷舒适度目标函数的最优值,具体采用的方法为利用带精英策略的快速非支配排序遗传算法对多目标函数进行优化求解。
本发明具有的有益效果:本申请为一种计及多用户不确定性和需求多样性的空调负荷优化方法,基于构建空调室内舒适温度关于时间的模型和用户舒适温度模型,构建满意度的离散选择模型,以预测作出响应的概率以及获得约束条件,在此基础上获得考虑用户不确定性和需求多样性的用户决策优化模型,这样能够充分考虑多用户不确定性和需求多样性,进而根据具体的调控目标调用电量,实现需求响应的精准控制。
附图说明
图1计及多用户不确定性和需求多样性的空调负荷优化方法流程图;
图2不同时段空调冷负荷需求曲线图;
图3无分时电价和有分时电价的日负荷曲线图。
具体实施方式
下面结合本发明的附图,对本发明实施例的技术方案进行解释和说明,但下述实施例仅为本发明的优选实施例,并非全部。基于实施方式中的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例,都属于本发明的保护范围。
一种计及多用户不确定性和需求多样性的空调负荷优化方法,如图1所示,其包括:
步骤1,考虑到外部环境和人为因素的影响,基于室内空调工作时间、建筑结构和人员活动情况,得到空调室内舒适温度的时变模型;空调室内舒适温度的时变模型构建如下:
(1);
式中,T a为空调室内随时间变化的温度;Q N(τ)为τ时刻补偿新风冷负荷和其他因热再热而产生的冷负荷;Q wall(τ)为τ时刻墙与外部环境之间的热传递引起的冷负荷;Q win(τ)为τ时刻阳光透过窗户遮阳设施产生的冷负荷;Q rad(τ)为τ时刻室内设备产生的冷负荷和人体散发热量;Q gas(τ)为τ时刻,空调室与外界空气热交换产生的冷负荷;τ表示时间。
墙与外部环境之间的热传递引起的冷负荷Q wall(τ)满足:
(2);
式中,Q wall(τ)为τ时刻墙与外部环境之间的热传递引起的冷负荷;S out为外墙表面积,K out为外墙与室内空气之间的传热系数;T out(τ)为外墙和屋顶之间温度小时值;T in(τ)为τ时刻空调室内温度;S in为内墙表面积;K in为内墙与室内空气之间的传热系数;T ave为室外日平均气温;ΔT f为空调室相邻房间平均温度与空调室外部的日平均温度之间的差;在阳光和气温的共同作用下,外墙和屋顶会因传热而产生每小时一次的冷负荷,在夏季高温期间,当空调的室内温度与相邻室温之间的差值超过3℃时,冷却负荷也是通过热传递产生的。
在τ时刻阳光透过窗户遮阳设施产生的冷负荷Q win(τ)满足:
(3);
其中,Q win(τ)为在τ时间玻璃窗遮阳设施产生的冷负荷,S win为窗户的面积;D win,max为窗户最大值的透阳热系数;K s为窗口的有效面积系数;K z为窗户遮阳设施的综合遮挡系数;K win为窗户的冷却负荷系数。
室内设备产生的冷负荷和人体散发热量Q rad(τ)满足:
(4);
其中,Q eq为室内设备的实际显热散热能量;K eq为室内设备显热散热冷负荷系数;N为指照明设备的功率;K l为照明设备的冷负荷系数;n为房间里的总人数;θ为聚类系数;q xr为人体在不同室内温度和运动强度下的显热散热;K xr为人体显热耗散冷负荷系数;q qr为人体在不同室内温度和运动强度下的潜热散热。
空调室与外界空气热交换产生的冷负荷Q gas(τ)满足:
(5);
式中:C gas为新鲜空气量;i out为室外空气焓值;i in为室内空气焓值;
补偿新风冷负荷和其他因热再热而产生的冷负荷Q N满足:
(6);
式中,COP为空调的制冷效率;P N为空调的额定功率。
步骤2,构建用户舒适温度模型;用户的舒适温度模型建立过程为:
设区域用户的舒适度T comf范围满足:
(7);
空调运行时,室内温度T in(τ)应保持在舒适范围内:
(8);
其中,为用户的可容忍舒适度下限;/>为用户的最佳舒适度上限;T comt(τ)为τ时刻的舒适温度。
步骤3,基于时变模型和用户舒适温度模型,构建分时电价下计及用户满意度的离散选择模型,用于预测用户在一定时间间隔内作出响应的概率;
步骤3具体过程为:
步骤3.1,构建用户对于损失厌恶模型:
(9);
其中P real表示实时电价,p 0表示初始电价,K hmax为用户对于损失最大的厌恶心理系数;为用户对于损失最小的厌恶心理系数;P hmax表示用户对于损失最大的厌恶电价,P lmin表示用户对于损失最小的厌恶电价;
步骤3.2,构建空调负荷响应指数模型:
(10);
(11);
式中,x为响应时间段的数目;C total,i为电网公司在时间段x中对用户i的响应能力的预测值;C(i,x)为用户i在时间段x中的实际负荷减少量;J(i,x)为该时间段内的空调负荷响应指数;Q set(i,x)为用户i在时间段x中设置负荷量;Q after(i,x)为用户i在时间段x中的实际负荷量;i表示为用户,其取值为大于等于1的整数;
步骤3.3,构建空调用户不同偏好模型,其包括电力支出的满意度模型和用电模式的满意度模型,具体为:
电力支出的满意度模型为:
(12);
式中ω ij,1为响应度为j时典型用户i的电费满意度;和/>分别是用户i的初始电费和响应度j下的电费;
假设当未实现需求响应时,用户在空调的设定温度下具有最高的满意度,用户参与需求响应后,空调温度设定值与响应前存在一定偏差,导致满意度下降;由于很难实时获得居民用户在不同时间的空调温度设定点,因此,空调用电补偿用于衡量用电模式的满意度。
用电模式满意度模型为:
(13);
式中,ω ij,2为响应度为j时室内空气温度对典型用户i的电费支出的满意度;、分别为用户i在τ时刻的空调功耗的比例和响应度区间J中的空调能耗的比例;r i和s i分别表示与用户类型相关的不同用户对空调温度的满意度;
空调用户不同偏好模型如下:
(14);
其中,ω ij为空调用户满意度;ω ij,1为响应度为j时典型用户i的电费满意度;ω ij,2为响应度为j时室内空气温度对典型用户i的电费支出的满意度;v i表示用户i对经济需求给出的损失规避系数,其中,j表示响应度,取值0-1;J为响应度区间;此模型反映了不同用户对经济满意度和制冷舒适度满意度的关注程度;
步骤3.4,基于步骤3.1构建的用户对于损失厌恶模型、步骤3.2构建的空调负荷响应指数模型以及步骤3.3构建的空调用户不同偏好模型,建立离散选择模型:
用户在做出消费决策时总是追求效用最大化,效用价值的计算包括效用的可观察部分和不可观察部分,用户i的响应度在响应度区间J中的效用如下:
(15);
式中,U ij用户i在响应度区间J下的总效用;V ij为研究人员可以观察到的效用部分,即直接效用,如用户通过需求响应获得的电力成本节约和电力消耗模式的变化;不可观察的效用部分,如用户的心理状态、个人偏好和观察误差,是效用的随机项。
当用户i从响应度区间J中选取响应度j作为第一选择因子时,得到的直接效用如下:
(16);
式中,β j为用户的内部特征参数,表示效用函数的随机项因子;ω ij为空调用户满意度;
该模型中的随机效用项是独立的,服从极值分布;该模型中的随机效用项是独立的,服从极值分布,根据离散选择模型,用户选择某个响应级别的概率可以由其效用的系统项来确定,用户i在响应度区间J中的概率P ij:
(17);
式中,U ik为用户i的响应度k在响应度区间K中的效用;为用户i从响应度区间J中选取j响应度作为第一选择因子时,得到的直接效用;k为不同于j的响应度,K为不同于J的响应度区间。
步骤4,以获得最低制冷成本和最佳耗电舒适度为决策目标,在步骤3建立的离散选择模型下构建决策目标的约束条件,进而形成用户决策优化模型,以便根据具体的调控目标调用电量。
步骤4具体过程为:
步骤4.1,构建空调冷却成本目标函数:
(18);
式中,Q N为补偿新风冷负荷和其他因热再热而产生的冷负荷;f f为高峰时间价格;t fs为高峰时段价格的开始时间;t fe为高峰时段价格的结束时间;fg为谷时间价格;t gs为谷时间价格的开始时间;t ge为谷时间价格的结束时间;T为总时间,即其取值为24;
步骤4.2,构建用户最佳制冷舒适度目标函数:
(19);
式中T in(τ)、T set(τ)分别为实际室内温度、室内用户设定的期望值;
步骤4.3,构建约束条件:
(1)峰值时段功耗降低约束条件:
(20);
(21);
其中为在执行需求响应时的高峰时段中的空调负载的总功耗;/>为当用户i处于响应度区间J时的峰值时段中的降低功耗;P i,total为用户i的总负载功耗;ε为用户在该时段的空调耗电在线率;/>、/>分别为用户i的空调功耗的比例和响应度区间J中的空调能耗的比例;/>为用户初始负载的峰谷功耗系数;a j为用户响应后的负载峰谷功耗系数;
(2)冷负荷需求平衡的约束条件:
(22);
其中,Q N,t为空调制冷设备的额定冷却功率;C load,t为空调用户在τ时刻的实际负荷需求, COP为空调的制冷效率;
(3)用户效用值的约束条件:
(23);
其中U ij为用户i在响应度区间J下的总效用;用户i在响应度区间J中获得的收益值。
步骤4.4,在步骤4.3的约束条件下求解步骤4.1构建的空调冷却成本目标函数和步骤4.2构建的用户最佳制冷舒适度目标函数的最优值,具体采用的方法为利用带精英策略的快速非支配排序遗传算法对多目标函数进行优化求解。
以某市某小区400户居民为对象,以住宅建筑的空调负荷为例,假设住宅建筑的建筑参数为7.65W/m2,内壁表面积为30m2,玻璃的传热系数为6.54W/m2•K,窗户遮阳系数为0.55,标准玻璃窗的有效面积系数为0.65,室外空气交换率为35m3/h,室内电气设备功率密度为20W/m2,室内人员数量为4人,室内人员潜热和显热分别为70W和60W,空调额定制冷功率为2kW,能效比为3。通过使用公式(1)至(8),可以获得用户在不同外部温度下,空调冷负荷不同时刻需求,如图2所示。
考虑到各类用户选择决策方案的概率,通过叠加所有用户的负荷曲线并与原始负荷曲线进行比较,可以得到分时电价实施后住宅用户的总日负荷曲线,如图3所示,显示了综合电价实施前后居民用户的总负荷特征。由此可见,分时电价实施后,居民用户日总负荷曲线趋于平稳,峰谷差明显缩小,调峰填谷效果更加明显。
表1 优化前后用户需求响应负荷变化
从表1中可以看出,优化后400户家庭的峰值负荷空调负荷减少6.3千瓦,优化前峰谷差为40.51kw,优化后峰谷差为32.21kW,峰谷差降低了20.48%。对于对舒适性需求较低的用户来说,在高峰电价下,可以以牺牲舒适性为代价来减少电力消耗。从表中可以看出,优化后的居民用电方案取得了显著的削峰节电效益,且节电量随着空调用电负荷的增加而增加。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,熟悉该领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求的范围中。
Claims (10)
1.一种计及多用户不确定性和需求多样性的空调负荷优化方法,其特征在于,包括:
步骤1,考虑到外部环境和人为因素的影响,基于室内空调工作时间、建筑结构和人员活动情况,得到空调室内舒适温度的时变模型;
步骤2,构建用户舒适温度模型;
步骤3,基于时变模型和用户舒适温度模型,构建分时电价下计及用户满意度的离散选择模型,用于预测用户在一定时间间隔内作出响应的概率;
步骤4,以获得最低制冷成本和最佳耗电舒适度为决策目标,在步骤3建立的离散选择模型下构建决策目标的约束条件,进而形成用户决策优化模型。
2.根据权利要求1所述的计及多用户不确定性和需求多样性的空调负荷优化方法,其特征在于,空调室内舒适温度的时变模型构建如下:
(1);
式中,T a为空调室内随时间变化的温度;Q N(τ)为τ时刻补偿新风冷负荷和其他因热再热而产生的冷负荷;Q wall(τ)为τ时刻墙与外部环境之间的热传递引起的冷负荷;Q win(τ)为τ时刻阳光透过窗户遮阳设施产生的冷负荷;Q rad(τ)为τ时刻室内设备产生的冷负荷和人体散发热量;Q gas(τ)为τ时刻空调室与外界空气热交换产生的冷负荷;τ表示时间。
3.根据权利要求2所述的计及多用户不确定性和需求多样性的空调负荷优化方法,其特征在于,墙与外部环境之间的热传递引起的冷负荷Q wall(τ)满足:
(2);
式中,Q wall(τ)为τ时刻墙与外部环境之间的热传递引起的冷负荷;S out为外墙表面积,K out为外墙与室内空气之间的传热系数;T out(τ)为外墙和屋顶之间温度小时值;T in(τ)为τ时刻室内温度;S in为内墙表面积;K in为内墙与室内空气之间的传热系数;T ave为室外日平均气温;ΔT f为空调室相邻房间平均温度与空调室外部的日平均温度之间的差。
4.根据权利要求2所述的计及多用户不确定性和需求多样性的空调负荷优化方法,其特征在于,在τ时刻阳光透过窗户遮阳设施产生的冷负荷Q win(τ)满足:
(3);
其中,Q win(τ)为在τ时刻玻璃窗遮阳设施产生的冷负荷,S win为窗户的面积;D win,max为窗户最大值的透阳热系数;K s为窗口的有效面积系数;K z为窗户遮阳设施的综合遮挡系数;K win为窗户的冷却负荷系数。
5.根据权利要求2所述的计及多用户不确定性和需求多样性的空调负荷优化方法,其特征在于,在τ时刻室内设备产生的冷负荷和人体散发热量Q rad(τ)满足:
(4);
其中,Q eq为室内设备的实际显热散热能量;K eq为室内设备显热散热冷负荷系数;N为指照明设备的功率;K l为照明设备的冷负荷系数;n为房间里的总人数;θ为聚类系数;q xr为人体在不同室内温度和运动强度下的显热散热;K xr为人体显热耗散冷负荷系数;q qr为人体在不同室内温度和运动强度下的潜热散热。
6.根据权利要求2所述的计及多用户不确定性和需求多样性的空调负荷优化方法,其特征在于,在τ时刻空调室与外界空气热交换产生的冷负荷Q gas(τ)满足:
(5);
式中:C gas为新鲜空气量;i out为室外空气焓值;i in为室内空气焓值;
补偿新风冷负荷和其他因热再热而产生的冷负荷Q N满足:
(6);
式中, COP为空调的制冷效率;P N为空调的额定功率。
7.根据权利要求2所述的计及多用户不确定性和需求多样性的空调负荷优化方法,其特征在于,步骤2中,用户的舒适温度模型建立过程为:
设区域用户的舒适度T comf范围满足:
(7);
空调运行时,T in(τ)应保持在舒适范围内:
(8);
其中,为用户的可容忍舒适度下限;/>为用户的最佳舒适度上限;T comt(τ)为τ时刻的舒适温度。
8.根据权利要求7所述的计及多用户不确定性和需求多样性的空调负荷优化方法,其特征在于,步骤3具体过程为:
步骤3.1,构建用户对于损失厌恶模型:
(9);
其中P real表示实时电价,p 0表示初始电价,K hmax为用户对于损失最大的厌恶心理系数;K lmin为用户对于损失最小的厌恶心理系数;P hmax表示用户对于损失最大的厌恶电价,P lmin表示用户对于损失最小的厌恶电价;
步骤3.2,构建空调负荷响应指数模型:
(10);
(11);
式中,x为响应时间段的数目;C total,i为电网公司在时间段x中对用户i的响应能力的预测值;C(i,x)为用户i在时间段x中的实际负荷减少量;J(i,x)为该时间段内的空调负荷响应指数;Q set(i,x)为用户i在时间段x中设置负荷量;Q after(i,x)为用户i在时间段x中的实际负荷量;i表示为用户,其取值为大于等于1的整数;
步骤3.3,构建空调用户不同偏好模型:
(14);
其中,ω ij为空调用户满意度;ω ij,1为响应度为j时典型用户i的电费满意度;ω ij,2为响应度为j时室内空气温度对典型用户i的电费支出的满意度;v i表示用户i对经济需求给出的损失规避系数;其中,j表示响应度,取值0-1;J为响应度区间;
步骤3.4,基于步骤3.1构建的用户对于损失厌恶模型、步骤3.2构建的空调负荷响应指数模型以及步骤3.3构建的空调用户不同偏好模型,建立离散选择模型:
效用价值的计算包括效用的可观察部分和不可观察部分,用户i的响应度在响应度区间J中的效用如下:
(15);
式中,U ij用户i在响应度区间J下的总效用;V ij为研究人员可以观察到的效用部分,即直接效用;为不可观察的效用部分;
当用户i从响应度区间J中选取响应度j作为第一选择因子时,得到的直接效用如下:
(16);
式中,β j为用户的内部特征参数,表示效用函数的随机项因子;ω ij为空调用户满意度;
用户选择某个响应级别的概率可以由其效用的系统项来确定,用户i在响应度区间J中的概率P ij:
(17);
式中,U ik为用户i的响应度k在响应度区间K中的效用;为用户i从响应度区间J中选取j响应度作为第一选择因子时,得到的直接效用;k为不同于j的响应度,K为不同于J的响应度区间。
9.根据权利要求8所述的计及多用户不确定性和需求多样性的空调负荷优化方法,其特征在于,步骤3.3中,空调用户不同偏好模型包括电力支出的满意度模型和用电模式的满意度模型;
电力支出的满意度模型为:
(12);
式中ω ij,1为响应度为j时典型用户i的电费满意度;和/>分别是用户i的初始电费和响应度j下的电费;
空调用电补偿用于衡量用电模式的满意度,用电模式满意度模型为:
(13);
式中,ω ij,2为响应度为j时室内空气温度对典型用户i的电费支出的满意度;、/>分别为用户i在τ时刻的空调功耗的比例和响应度区间J中的空调能耗的比例;r i和s i分别表示与用户类型相关的不同用户对空调温度的满意度。
10.根据权利要求9所述的计及多用户不确定性和需求多样性的空调负荷优化方法,其特征在于,步骤4具体过程为:
步骤4.1,构建空调冷却成本目标函数:
(18);
式中,Q N为补偿新风冷负荷和其他因热再热而产生的冷负荷;f f为高峰时间价格;t fs为高峰时段价格的开始时间;t fe为高峰时段价格的结束时间;fg为谷时间价格;t gs为谷时间价格的开始时间;t ge为谷时间价格的结束时间;T为总时间,即其取值为24;
步骤4.2,构建用户最佳制冷舒适度目标函数:
(19);
式中T in(τ)、T set(τ)分别为实际室内温度、室内用户设定的期望值;
步骤4.3,构建约束条件:
(1)峰值时段功耗降低约束条件:
(20);
(21);
其中为在执行需求响应时的高峰时段中的空调负载的总功耗;/>为当用户i处于响应度区间J时的峰值时段中的降低功耗;P i,total为用户i的总负载功耗;ε为用户在该时段的空调耗电在线率;/>、/>分别为用户i的空调功耗的比例和响应度区间J中的空调能耗的比例;/>为用户初始负载的峰谷功耗系数;a j为用户响应后的负载峰谷功耗系数;
(2)冷负荷需求平衡的约束条件:
(22);
其中,Q N,τ为空调制冷设备的额定冷却功率;C load, τ为空调用户在τ时刻的实际负荷需求, COP为空调的制冷效率;
(3)用户效用值的约束条件:
(23);
其中U ij为用户i在响应度区间J下的总效用;用户i在响应度区间J中获得的收益值;
步骤4.4,在步骤4.3的约束条件下求解步骤4.1构建的空调冷却成本目标函数和步骤4.2构建的用户最佳制冷舒适度目标函数的最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311233002.0A CN116976150B (zh) | 2023-09-22 | 2023-09-22 | 计及多用户不确定性和需求多样性的空调负荷优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311233002.0A CN116976150B (zh) | 2023-09-22 | 2023-09-22 | 计及多用户不确定性和需求多样性的空调负荷优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976150A true CN116976150A (zh) | 2023-10-31 |
CN116976150B CN116976150B (zh) | 2023-12-12 |
Family
ID=88479947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311233002.0A Active CN116976150B (zh) | 2023-09-22 | 2023-09-22 | 计及多用户不确定性和需求多样性的空调负荷优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976150B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201409030D0 (en) * | 2014-05-21 | 2014-07-02 | Stephens David H | Energy efficient heat pumps for warm dry homes |
CN109409617A (zh) * | 2018-11-27 | 2019-03-01 | 河海大学 | 一种公共楼宇环境因素预测不确定性用电鲁棒优化方法 |
CN109886463A (zh) * | 2019-01-18 | 2019-06-14 | 杭州电子科技大学 | 考虑需求响应不确定性的用户侧优化控制方法 |
CN110044020A (zh) * | 2019-03-29 | 2019-07-23 | 杭州电子科技大学 | 计及空调用户舒适度的需求侧响应方法 |
WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
CN113283640A (zh) * | 2021-04-29 | 2021-08-20 | 国网浙江省电力有限公司湖州供电公司 | 基于用户响应和满意度的峰谷分时电价决策模型构建方法 |
CN113746089A (zh) * | 2021-08-31 | 2021-12-03 | 河海大学 | 面向多用户的多时间尺度电力套餐与家庭能量优化方法 |
WO2022126950A1 (zh) * | 2020-12-14 | 2022-06-23 | 山东建筑大学 | 一种楼宇中央空调需求响应控制方法及系统 |
CN115907350A (zh) * | 2022-11-04 | 2023-04-04 | 华北电力大学 | 一种建筑综合能源系统的能量管理方法及系统 |
CN116379575A (zh) * | 2023-03-31 | 2023-07-04 | 南京工程学院 | 一种考虑用户舒适度的空调负荷建模方法 |
-
2023
- 2023-09-22 CN CN202311233002.0A patent/CN116976150B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201409030D0 (en) * | 2014-05-21 | 2014-07-02 | Stephens David H | Energy efficient heat pumps for warm dry homes |
WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
CN109409617A (zh) * | 2018-11-27 | 2019-03-01 | 河海大学 | 一种公共楼宇环境因素预测不确定性用电鲁棒优化方法 |
CN109886463A (zh) * | 2019-01-18 | 2019-06-14 | 杭州电子科技大学 | 考虑需求响应不确定性的用户侧优化控制方法 |
CN110044020A (zh) * | 2019-03-29 | 2019-07-23 | 杭州电子科技大学 | 计及空调用户舒适度的需求侧响应方法 |
WO2022126950A1 (zh) * | 2020-12-14 | 2022-06-23 | 山东建筑大学 | 一种楼宇中央空调需求响应控制方法及系统 |
CN113283640A (zh) * | 2021-04-29 | 2021-08-20 | 国网浙江省电力有限公司湖州供电公司 | 基于用户响应和满意度的峰谷分时电价决策模型构建方法 |
CN113746089A (zh) * | 2021-08-31 | 2021-12-03 | 河海大学 | 面向多用户的多时间尺度电力套餐与家庭能量优化方法 |
CN115907350A (zh) * | 2022-11-04 | 2023-04-04 | 华北电力大学 | 一种建筑综合能源系统的能量管理方法及系统 |
CN116379575A (zh) * | 2023-03-31 | 2023-07-04 | 南京工程学院 | 一种考虑用户舒适度的空调负荷建模方法 |
Non-Patent Citations (5)
Title |
---|
CHAOLIANG WANG等: "A Response Potential Evaluation Method of Inverter Air Conditioner Clusters Considering User Willingness", IEEE * |
宁艺飞;陈星莺;谢俊;余昆;李作锋;陈振宇;: "实时电价下公共楼宇响应特性分析方法", 电力建设, no. 05 * |
汪舜晨;李炫浓;高赐威;: "基于空调用电模式优化的自动需求响应设计", 安徽电气工程职业技术学院学报, no. 01 * |
王庆泽;陈星莺;颜庆国;徐石明;廖迎晨;余昆;: "分时电价环境下的办公建筑空调负荷双层柔性优化控制策略", 电力系统保护与控制, no. 21 * |
袁晓玲;刘志明;赫卫国;: "分时电价下计及用户用电满意度的家庭负荷优化策略", 广东电力, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN116976150B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523052B (zh) | 一种考虑需求响应和碳交易的虚拟电厂优化调度方法 | |
CN110460040B (zh) | 一种考虑智能建筑热平衡特性的微电网运行调度方法 | |
CN104778631A (zh) | 一种面向需求响应的居民用户用电模式优化方法 | |
CN110443446B (zh) | 需求响应机制下含建筑虚拟储能的能源站经济调度方法 | |
Li et al. | Reinforcement learning of room temperature set-point of thermal storage air-conditioning system with demand response | |
CN113222227B (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 | |
CN110544175A (zh) | 一种面向家庭智能用电的多能源综合优化调度方法 | |
CN111339689A (zh) | 建筑综合能源调度方法、系统、存储介质及计算机设备 | |
CN110474370B (zh) | 一种空调可控负荷、光伏储能系统的协同控制系统及方法 | |
CN112465236B (zh) | 一种考虑综合满意度的社区综合能源系统调度方法 | |
CN115857348A (zh) | 考虑两联供热泵舒适供能的分布式能量系统容量优化方法 | |
CN113255224A (zh) | 一种基于发光萤火虫算法的能源系统配置优化方法 | |
CN113239617B (zh) | 一种室内用电活动的经济低碳型电采暖优化调控方法 | |
CN113566401A (zh) | 需求侧负荷控制方法 | |
CN116976150B (zh) | 计及多用户不确定性和需求多样性的空调负荷优化方法 | |
Changliang et al. | Energy management strategy research for residential microgrid considering virtual energy storage system at demand side | |
CN117313396A (zh) | 一种计及多主体需求响应的环境温度节能优化方法及系统 | |
CN113420413B (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 | |
Chen et al. | Optimization modeling method for coal-to-electricity heating load considering differential decisions | |
CN113036751A (zh) | 一种考虑虚拟储能的可再生能源微电网优化调度方法 | |
CN113379160A (zh) | 基于建筑物热能流的楼宇侧综合能源系统优化调度方法 | |
Yang et al. | Virtual power generation optimization model of office building in virtual power plant based on comfort loss | |
Cao et al. | Optimal Scheduling of Building Integrated Energy System considering uncertainty of Human Behavior | |
Xu et al. | Supply demand coordination for building energy saving | |
Lujie et al. | The Load Aggregation Strategy of Central Air-conditioning for Smoothing Wind Power Fluctuation |
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 |