CN117091242A - 空调温控负荷集群的评估方法、温度设定方法及系统 - Google Patents
空调温控负荷集群的评估方法、温度设定方法及系统 Download PDFInfo
- Publication number
- CN117091242A CN117091242A CN202311049459.6A CN202311049459A CN117091242A CN 117091242 A CN117091242 A CN 117091242A CN 202311049459 A CN202311049459 A CN 202311049459A CN 117091242 A CN117091242 A CN 117091242A
- Authority
- CN
- China
- Prior art keywords
- cluster
- air conditioner
- control load
- temperature control
- temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims abstract description 85
- 238000004378 air conditioning Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 31
- 238000010248 power generation Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000013210 evaluation model Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- 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
- F24F11/62—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- 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
Abstract
本申请提供一种空调温控负荷集群的评估方法、温度设定方法及控制系统,所述方法包括:获取空调温控负荷集群的环境特征和集群特征,所述环境特征包括环境温度和环境湿度,所述集群特征包括集群总功率、室内平均温度和集群设定温度;基于所述环境特征和集群特征的组合确定所述空调温控负荷集群的可调节潜力;其中,所述空调温控负荷集群的可调节潜力包括:功率可调节幅度及可持续时间。采用本申请提供的方案,能够对空调温控负荷集群的可调节潜力进行准确评估,进而能够通过对空调温控负荷集群的功率调整,实现对电网整体稳定性的有效调控。
Description
技术领域
本申请涉及空调温控负荷集群的控制领域,具体而言,涉及一种空调温控负荷集群的评估方法、温度设定方法及系统。
背景技术
我国近年来国民经济迅速发展,导致电力负荷急剧增加。在夏季高峰时段,部分经济发达地区电力供应偏紧,呈现空调负荷逐年递增、占比最高的情况。同时,随着光伏发电的大力推广,其在电网中的渗透率不断提高,为传统电网的规划、调度和运行带来了诸多挑战。
具体而言,由于光伏发电出力易受环境变化影响,且具有较强的间歇性和随机性,其大规模接入对配电网的稳定性带来了考验。因此,为保障电网安全运行,在例如光伏等新能源出力波动性对电网带来负面影响时,需要灵活地利用可调节的用电侧资源进行调控。这样不仅可以解决新能源波动性问题,而且还能提高电力系统的可靠性和稳定性。
其中,可调节的用电侧资源可以包括智能电表、储能设备、智能家居等设备,通过控制这些设备的用电行为和用电时间,可以在一定程度上平衡电力系统的供需矛盾,保证电网的稳定性和安全性。例如,在光伏出力高峰期时,可以通过控制智能电表等设备的用电行为,将部分用电负荷从高峰期移至低谷期,从而缓解电网负荷压力,保障电力系统的稳定运行。
其中,出力波动性是指一些可再生能源发电装置(如风力发电、光伏发电等)在运行过程中会因为天气、光照、强度等环境条件的变化而导致发电量的波动变化。由于这些新能源发电装置的出力波动性比传统的火电、燃气等发电方式更加剧烈,因此对于电网的调峰能力和稳定性提出了更高的要求。为了解决这些问题,需要通过灵活地利用可调节的用电侧资源进行调控,以平衡电力系统的供需矛盾,保证电网的稳定性和安全性。
而利用可调节的用电侧资源进行调控的重要前提之一,是能够对用电侧资源进行准确的可调能力评估。
发明内容
本申请提供了一种空调温控负荷集群的评估方法、温度设定方法及系统,以至少解决准确评估空调温控负荷集群的可调节能力的技术问题。
根据本申请实施例的第一个方面,提供了一种空调温控负荷集群的评估方法,包括:
获取空调温控负荷集群的环境特征和集群特征,所述环境特征包括环境温度和环境湿度,所述集群特征包括集群总功率、室内平均温度和集群设定温度;
基于所述环境特征和集群特征的组合确定所述空调温控负荷集群的可调节潜力;
其中,所述空调温控负荷集群的可调节潜力包括:功率可调节幅度及可持续时间。
可选地,在本实施例的一种实现方式中,所述获取空调温控负荷集群的环境特征和集群特征,包括:
获取当前时段所述空调温控负荷集群的环境特征和集群特征;
所述基于所述环境特征和集群特征的组合确定所述空调温控负荷集群的可调节潜力,包括:
基于所述当前时段所述空调温控负荷集群的环境特征和集群特征,确定所述空调温控负荷集群的在当前时段的可调节潜力,或,确定所述空调温控负荷集群的在包含当期时段在内的多个时段的可调节潜力。
可选地,在本实施例的一种实现方式中,所述获取空调温控负荷集群的环境特征和集群特征,包括:
周期性地获取所述空调温控负荷集群的环境特征和集群特征;
所述基于所述环境特征和集群特征的组合确定所述空调温控负荷集群的可调节潜力,包括:
根据周期性获取的所述空调温控负荷集群的环境特征和集群特征,周期性地更新所述空调温控负荷集群的可调节潜力。
可选地,在本实施例的一种实现方式中,所述方法还包括:
基于当前时段的实际功率调整需求,以及当前时段所述空调温控负荷集群的环境温度、环境湿度和室内平均温度,确定下一时段的集群设定温度。
可选地,在本实施例的一种实现方式中,所述基于所述环境特征和集群特征的组合确定所述空调温控负荷集群的可调节潜力,包括:
将所述环境特征和集群特征的组合输入可调节潜力评估模型,得到所述空调温控负荷集群的可调节潜力;
其中,所述可调节潜力评估模型是基于训练数据集和神经网络模型训练得到的,所述训练数据集包括环境温度、环境湿度、集群总功率、室内平均温度、集群设定温度和可调节潜力数据。
可选地,在本实施例的一种实现方式中,所述神经网络模型为深度神经网络模型;所述可调节潜力数据是在不同的集群设定温度下,通过改变环境温度、环境湿度、集群总功率和室内平均温度中的任意一项或多项来仿真得到。
根据本申请实施例的第二个方面,提供了一种空调温控负荷集群的温度设定方法,所述方法包括:
获取实际功率调整需求;
获取所述空调温控负荷集群的环境特征和集群特征,其中,所述环境特征包括环境温度和环境湿度,所述集群特征包括室内平均温度;
基于所述实际功率调整需求以及所述环境特征和集群特征,确定所述空调温控负荷集群的集群设定温度。
可选地,在本实施例的一种实现方式中,所述获取功率调整需求,包括:
获取由负荷聚合商反馈的所述功率调整需求;
其中,所述功率调整需求根据与所述空调温控负荷集群共同接入电网的光伏发电系统的输出功率而确定。
可选地,在本实施例的一种实现方式中,所述获取实际功率调整需求,包括:获取当前时段的实际功率调整需求,或,获取与当前时段所述空调温控负荷集群的可调节潜力对应的功率调整需求;
所述获取所述空调温控负荷集群的环境特征和集群特征,包括:获取当前时段所述空调温控负荷集群的环境特征和集群特征;
所述确定所述空调温控负荷集群的集群设定温度,包括:确定当前时段所述空调温控负荷集群的集群设定温度。
可选地,在本实施例的一种实现方式中,所述基于所述实际功率调整需求以及所述环境特征和集群特征,确定所述空调温控负荷集群的集群设定温度,包括:
将所述实际功率调整需求以及所述环境特征和集群特征输入温度预测模型,得到所述空调温控负荷集群的集群设定温度;
其中,所述温度预测模型是基于训练数据集和神经网络模型训练得到的,所述训练数据集包括实际功率调整需求、环境温度、环境湿度和室内平均温度。
根据本申请实施例的第三个方面,提供了一种空调温控负荷集群的控制系统,其特征在于,所述控制系统包括:
可调节潜力评估子系统,用于基于如本申请实施例的第一个方面所提供的方法确定空调温控负荷集群的可调节潜力;
温度预测子系统,用于基于如本申请实施例的第二个方面所提供的方法确定空调温控负荷集群的集群设定温度。
可选地,在本实施例的一种实现方式中,所述控制系统还包括:
负荷聚合商,用于将从所述可调节潜力评估子系统获取的所述空调温控负荷集群的可调节潜力,参与电力市场竞价以确定实际功率调整需求,并将所述实际功率调整需求发送给所述温度预测子系统。
根据本申请实施例的第四个方面,提供了一种电子设备,所述电子设备包括:存储器,用于存储一条或多条计算机指令;
处理器,用于从所述存储其中调用和执行所述计算机指令以实现如本申请实施例的第一、二个方面所述的方法。
本发明相关实施例的有益效果将在具体实施例部分进行详细说明。
附图说明
图1是据本发明一种实施例的空调温控负荷集群的评估方法的流程示意图。
图2是根据本发明一种实施例的训练神经网络模型并基于神经网络模型得到可调节潜力的方法的流程示意图;
图3是根据本发明一种实施例的空调温控负荷集群的温度设定方法的流程示意图;
图4是根据本发明一种实施例的空调温控负荷集群的控制系统的示意图;
图5是根据本发明一种实施例的空调温控负荷集群的控制方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,提供了一种空调温控负荷集群的评估方法/温度设定方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示,根据本发明一种实施例的空调温控负荷集群的评估方法的流程示意图,包括如下步骤:
100:获取空调温控负荷集群的环境特征和集群特征。
其中,环境特征是指的空调温控负荷集群所处的环境特征,包括环境温度和环境湿度。集群特征是指的空调温控负荷集群自身的特征,包括集群总功率、室内平均温度和集群设定温度。需要说明的是,本步骤中采集的环境特征和集群特征的值,可以是一定时间和/或一定范围内的平均值,也可以是某个时刻的瞬时值,还可以是多个值中的中位数值。本发明实施例并不对这些特征在统计学上的计算逻辑做具体限制。
102:基于所述环境特征和集群特征的组合确定所述空调温控负荷集群的可调节潜力。其中,可调节潜力包括功率可调节幅度及可持续时间,例如,最大可调节(上调或下调)功率及可最大可调节功率的持续时间。
采用本实施例提供的方法,在基于环境特征和集群特征的组合对空调温控负荷集群的可调节潜力进行评估的同时,在环境特征中引入了温度与湿度的结合作为评估的影响因素,在集群特征中引入了设定温度、平均温度和实际功率作为评估的影响因素,通过多维度数据的组合,有效提高了评估的准确性。
空调温控负荷集群是将多个房间或建筑内的空调温控系统集中管理的一种智能化控制方式。该方法通过调整集群内每个房间的空调温度设定、定时排程(指在一定的时间范围内,按照一定的时间规则自动执行预先设定好的任务或程序的功能。通过定时排程,可以轻松地实现一些周期性、重复性的任务,如备份数据、生成报表、自动清理垃圾文件)等方式进行能耗消费的管理,实现能源的高效利用、降低维护成本和提高用户舒适度等优势。除此之外,空调温控负荷集群还可以做到光伏发电系统能量输出不足时在能耗消费方面进行调控,从而实现最大能量消纳。通过安装空调温控负荷集群控制设备和配套的数据采集、传输和处理系统等,能够实现集群的远程管控和数据监测,以便随时调节负荷的能耗消费。总之,空调温控负荷集群的应用对于促进能源的合理管理和使用,为环保和可持续发展做出了积极贡献。而采用本实施例提供的空调温控负荷集群的评估方法,通过对空调温控负荷集群的可调能力的准确评估,有利于精准调控空调温控负荷集群在电网中的能耗,提高在电力系统中的协调平衡作用。
可选地,在本实施例的一种实现方式中,环境温度是指集群所处的环境中的温度水平。它可以通过使用温度传感器或温度计等设备来测量。在一个集群中,可以安装多个温度传感器来获取不同位置的温度数据,并将其进行平均或加权平均,以得到整个集群的环境温度。环境湿度是指集群所处环境中的湿度水平。湿度的测量可以通过湿度传感器或湿度计等设备来完成。与测量环境温度相似,可以在集群的不同位置安装多个湿度传感器,并将其进行平均或加权平均,以得到整个集群的环境湿度。在集群中,集群总功率是指集群消耗的能量或电力的能力(即,功率表示所述空调温控负荷集群的总耗电能力)。为了获取集群的功率消耗情况,可以通过监控集群中每个设备的电流和电压,并使用功率计算公式计算得出。另外,还可以利用电表或电能监测系统来实时监测集群的总功率消耗。此外,一般情况下,空调温控负荷集群集中安装在某一地区,因此室外温湿度变化基本一致,也可以从网上爬取该地区不同时刻的温湿度值作为环境温湿度。
可选地,在本实施例的一种实现方式中,100可以通过以下方式实现:获取当前时段所述空调温控负荷集群的环境特征和集群特征。需要说明的是,“当前时段所述空调温控负荷集群的环境特征和集群特征”可以是当前时段的某个时刻(例如,时段开始的时刻)的环境特征和集群特征(“环境特征和集群特征”下文简称评估基础特征),也可以获取当前时段内的某个时段的评估基础特征(例如,某个时段内相关特征的均值)。例如,可以将一个总调整周期(例如,一天)划分为不同的时段(例如,半小时、1小时或20分钟为一段),在每个时段执行一次100和102。
进一步可选地,102可以通过以下方式实现:基于所述当前时段所述空调温控负荷集群的环境特征和集群特征,确定所述空调温控负荷集群的可调节潜力。其中,102所确定的所述空调温控负荷集群的可调节潜力可以是总调整周期内的可调节潜力,也可以是当前时段内的可调节潜力,也可以是包含当期时段在内的多个时段(例如,两个、三个或总调整周期内的当期男时段及后续所有时段)的可调节潜力。这取决于后续提及的模型训练中需要预测的数据到底是多长时间内的数据。
可选地,在本实施例的一种实现方式中,100可以通过以下方式实现:周期性地获取所述空调温控负荷集群的环境特征和集群特征。例如,每隔30分钟或1小时获取一次。进一步可选地,102可以通过以下方式实现:根据周期性获取的所述空调温控负荷集群的环境特征和集群特征,周期性地更新所述空调温控负荷集群的可调节潜力,例如,周期性地更新空调温控负荷集群在当前时段或当前时段及其后续所有时段的可调节潜力。
例如,在本实现方式中可以将一个调整周期(1天)划分为48个时段(30分钟),在每一个时段,都执行至少一次100和102的处理,以得到所述空调温控负荷集群在每个时段的可调节潜力。这样,可以根据实际场景适时地更新可调节潜力,保证可调节潜力能够真实、准确地反映空调温控负荷集群的可调节能力。
可选地,在本实施例的一种实现方式中,集群设定温度是根据实际场景计算/预测得到的。例如,在评估空调温控负荷集群的可调节潜力之前,根据实际功率调整需求、环境温度、环境湿度和室内平均温度确定集群设定温度。所述实际功率调整需求用于表征期望空调温控负荷集群进行功率调整的量,与空调温控负荷集群的可调节潜力以及市场选择相关。关于此的详细描述请参照后文。
具体而言,仍然以前文提及的调整周期和时段为例,可以基于第一时段(即,在先时段)的实际功率调整需求,以及空调温控负荷集群的环境温度、环境湿度和室内平均温度,确定第二时段的集群设定温度。进一步地,在第二时段可以基于第二时段(例如,第二时段的某个时刻或某个时段)的环境温度、环境湿度、集群总功率、室内平均温度和集群设定温度得到空调温控负荷集群的可调节潜力。
可选地,在本实施例的一种实现方式中,基于训练好的神经网络模型实现102的处理。具体而言,可以将环境特征和集群特征的组合输入可调节潜力评估模型,得到所述空调温控负荷集群的可调节潜力。其中,所述可调节潜力评估模型是基于训练数据集和神经网络模型训练得到的,所述训练数据集包括环境温度、环境湿度、集群总功率、室内平均温度、集群设定温度和可调节潜力数据。
具体而言,如图2所示是根据本发明一种实施例的训练神经网络模型并基于神经网络模型得到可调节潜力的方法的流程示意图。如图2所示,所述方法包括:
200:获取空调温控负荷集群的负荷数据。例如,考虑到室外温度、湿度与空调初始设定温度等影响因素,针对不同的温度设定,对空调温控负荷在不同的室外温湿度以及初始设定温度下进行可调节潜力仿真计算,得到不同设定温度情况下空调温控负荷集群的可调节潜力数据。
其中,为了提高数据的准确度和时效性,还可以从多个角度收集数据。例如:利用物联网技术实现对空调温控负荷集群和光伏发电系统的实时监测和数据采集。
202:数据预处理。包括对原始数据进行清洗、去噪、归一化、标准化等处理,以便更好地使用它们进行训练。这些预处理步骤旨在提高数据质量和可用性,并消除数据中的异常值或错误。
204:生成训练样本。基于经过预处理的数据,将其转换为机器学习算法可以接受的格式。这通常包括选择特征、进行特征工程、划分训练集和测试集等。
206:DNN模型训练。即基于训练样本进行DNN(Deep Nueral Network,深度神经网络)模型的训练。DNN作为深度学习算法的一种,不仅能够从大量数据集中独立地提取数据特征,而且具备良好的模型拓展能力,与其他传统的机器学习模型相比,在学习能力与计算精度方面更具优势。在本实施例中,DNN包括但不仅限于BP神经网络、感知机神经网络、RBF神经网络等。
208:进行参数优化和性能评估,判断是否满足需求。如果满足需求,则得到训练好的DNN评估模型(即,可调节潜力评估模型),并执行210;如果不满足需求,则执行206。
210:基于DNN评估模型得到可调节潜力。
关于206-208,具体而言,可以采用DNN模型对数据集进行训练,在训练过程中可以采用交叉验证等方法来优化模型参数,并进行模型选择。当训练集误差率以及决定系数满足预设要求时,结束模型训练,并保存最佳模型权重参数。最终,得到一个训练好的模型,可以用来进行可调节潜力的预测。当新的数据出现时,可以将这些数据输入到训练好的模型中,得到相应的可调节潜力的预测结果。如果预测结果符合实际情况,说明模型能够有效地对空调负荷集群的可调节潜力进行预测。如果预测结果与实际情况不符,则需要对模型进行优化和改进。
图3是根据本发明一种实施例的空调温控负荷集群的温度设定方法的流程示意图,用于预测或者设定空调温控负荷集群的温度。如图3所示,所述方法包括:
300:获取实际功率调整需求。所述实际功率调整需求用于表示集群需要调整的实际功率幅度。
302:获取空调温控负荷集群的环境特征和集群特征。其中,所述环境特征包括环境温度和环境湿度,所述集群特征包括室内平均温度。
304:基于所述实际功率调整需求以及所述环境特征和集群特征,确定所述空调温控负荷集群的集群设定温度。
采用本实施例提供的方法,在基于实际功率调整需求、环境特征和集群特征的组合对空调温控负荷集群的集群设定温度进行评估的同时,在环境特征中引入了温度与湿度的结合作为评估的影响因素,在集群特征中引入了室内平均温度作为评估的影响因素,通过多维度数据的组合,有效提高了评估的准确性。
可选地,在本实施例的一种实现方式中,300通过以下方式实现:获取由负荷聚合商反馈的所述功率调整需求;其中:所述负荷聚合商将所述空调温控负荷集群的可调节潜力发送给电力市场参与竞价,并获取电力市场根据竞价结果反馈的所述功率调整需求,和/或,所述功率调整需求根据与所述空调温控负荷集群共同接入电网的光伏发电系统的输出功率变化而确定(例如,该功率调整需求的值与光伏发电系统的输出功率的和值能够保持在一定的区间范围内)。
采用本实现方式提供的方法,能够获取到与市场需求和/或光伏发电系统输出功率相对应的功率调整需求,从而使得预测到的集群设定温度能够随着市场需求/光伏发电系统输出功率而相应的变化,从而满足市场需求/提高光伏发电系统所在电网的稳定性。
可选地,在本实施例的一种实现方式中,300通过以下方式实现:获取当前时段的功率调整需求,或,获取与当前时段所述空调温控负荷集群的可调节潜力对应的功率调整需求。相应地,302通过以下方式实现:获取当前时段所述空调温控负荷集群的环境特征和集群特征。相应地,304通过以下方式实现:确定当前时段所述空调温控负荷集群的集群设定温度。本领域技术人员应当理解,在包含当前时段的总调整周期内,300-304可以是周期性发生的。
采用本实现方式,通过获取当前时段的功率调整需求、环境特征和集群特征来确定当前时段的集群设定温度,有利于提高集群设定温度的实时性。其中,当前时刻可以是某个具体时刻,当前时段可以是一个总调整周期(例如,1天)中的时段(例如,30分钟)。
可选地,在本实施例的一种实现方式中,304可以通过以下方式实现:将所述实际功率调整需求以及所述环境特征和集群特征输入温度预测模型,得到所述空调温控负荷集群的集群设定温度;其中,所述温度预测模型是基于训练数据集和神经网络模型训练得到的,所述训练数据集包括功率调整需求、环境温度、环境湿度和室内平均温度。例如,所述温度预测模型可以是DNN模型。
在本发明的一种实施例中,提供一种等电量分配法则,如下:
1)首先确定可调节功率总量和需要分配的时间段数目。例如,假设可调节功率总量为1000W,需要分配到48个30分钟时段。
2)计算出每个30分钟时间段应该分配多少功率。这里采用平均分配的方式,即将可调节功率总量平均分配到每个30分钟时段内。计算公式为:可调节功率总量/时间段数目。
3)对于最后一个时段,由于可能剩余一些功率无法完全平均分配,因此需要进行特殊处理。可以将剩余的功率加到最后一个时间段内,以保证可调节功率总量得到充分利用。
通过以上方法,可以将可调节功率总量等比例地分配到每个30分钟时间段内,以有效地利用能源资源并满足实际需求。
更详细的方法如下:
假设需要将可调节功率总量P(单位为W)平均分配到N个30分钟时段内,每个时段的功率为Pi(单位为W),则可按照以下步骤进行计算和分配:
1.计算每个时间段应该分配的平均功率:P/N=Pavg,其中Pavg即为每个时间段应该分配的功率。
2.对于前N-1个时段(第一类时段),每个时间段分配的功率都是Pavg,即Pi=Pavg。
3.对于最后一个时间段(第二类时段),由于可能存在一些多余的功率无法完全平均分配,因此需要进行特殊处理。如果剩余的功率小于或等于Pavg的一半,则将剩余的功率加到最后一个时间段内;否则,将剩余的功率平均分配到前面的时间段中。
下面对根据本发明一种实施例的基于等电量法则的温度预测模型训练样本的构建方法进行分步骤说明。
1.获取当前时刻的空调温控负荷集群的最大可调节功率总量P(集群中所有设备的最大可调节功率汇总)。
2.获取当前时刻最大可调节功率总量的分配时间段:分成48个30分钟的时间段。将可调节功率总量使用等电量法则和基于等电量规则的30分钟功率调整方法,分配至各时间段内的集群功率调整量。
其分配方法和获取集群功率调整量的方法如下:
2.1.每个时间段应该分配的平均功率:Pavg=P/48;
2.2.对于前N-1个时间段,每个时间段分配的功率都是Pavg。
此时对Pavg使用基于等电量规则的30分钟功率调整方法获取该时间段的集群功率调整量为因为模型预测精度等问题,可能有/>这样,就会导致P不能全部响应。因此在最后一个时刻分配完成后会出现剩余的情况。
2.3.对于最后一个时间段,由于可能存在一些多余的功率无法完全平均分配(原因见之前提交批注解释),因此需要进行特殊处理。
a.计算最后一个时间段已经分配的功率总和:(即所有时间段均完成分配)
b.计算剩余的功率:Presidual=P-Psum。
c.如果Presidual≤Pavg/2,则将Presidual加到最后一个时间段的功率中:PN=Pavg+Presidual。
d.否则,将Presidual平均分配到前面的时间段中,使得前面的时间段每个都分配到Pavg+Presidual/(N-1)的功率,而最后一个时间段的功率为Pavg。
根据各时间段分配的功率,使用基于等电量规则的30分钟功率调整方法,可比较均匀的获得各时间段的集群功率调整量
3.获取集群中各设备或负荷单位的设定温度,求取平均,可得到该集群的设定温度,则得到温度预测模型的输出数据。
温度预测模型的训练样本收集一般为下表:
这样,基于上述方法可以得到48条训练数据,显然,这对于模型训练来说,数据量太少了。因此,可以选取多个时间点的最大可调节功率总量P,获取多条训练样本数据,来提升互动模型的精准率。
在本发明的一种实施例中,还提供一种基于等电量规则的30分钟功率调整方法,基于该方法可以实现对集群中负荷单位(例如,单个空调)的功率控制。所述方法包括:
1.收集负荷信息:首先,收集空调温控负荷集群的相关信息,包括各个空调设备或负荷单位的当前功率需求、最大可调节功率和对应的可持续时间。
2.归一化可持续时间:针对不同场景下的可持续时间进行归一化处理,将所有可持续时间映射到一个统一的范围,例如[0,1]。可以使用线性归一化或其他合适的方法。
线性归一化公式:y=(x-Value_min)/(Value_max-Value_min)
其中,x为单个设备原始可持续时间,Value_min和Value_max分别为集群中所有设备的可持续时间中的最小值和最大值。
3.确定每个设备的调整量权重:根据归一化的可持续时间,为每个设备分配一个调整量权重wi1。较高的权重表示该设备在该时间段内具有更大的调整潜力。可以将步骤2计算的归一化可持续时间作为权重,也可以通过设定一个权重函数,如对可持续时间使用sigmoid函数来设定权重。
4.计算每个设备的功率调整量:根据设定的调整量权重和最大可调节功率,计算每个设备在该时间段内的功率调整量。可以使用以下公式进行计算:调整量Adj=wi1*Δp。其中,计算单个时间段内的功率调整量。其中,p为可调节潜力评估模型所得的最大可调节功率,Tmax为对应最大可持续时间,Δt为归一化的调度时间30min。
5.限制总功率调整量:根据系统要求和限制,对所有设备的功率调整量进行加总并确保在系统设定的总功率P变化范围内。如果总调整量超过范围则按比例调整每个设备的调整量,使其满足限制。
如按比例分配可这样分配:
集群中设备量为n,则每台可再调节比例为
则每台设备的功率调整量:Adj=(wi1+wi2)*Δp
根据该方法计算出的功率调整量,通过负荷聚合商进行能源需求响应和控制,实现对空调温控负荷集群的精准调控和管理,降低对电网的影响和扰动,增强电力系统的稳定性和可靠性。
在本发明的一种实施例中,温度预测模型的训练方法与前文提及的可调节潜力评估模型的训练方法相同或类似,此处不再赘述。
如图4所示,是根据本发明一种实施例的空调温控负荷集群的控制系统的示意图。如图4所示,控制系统包括可调节潜力评估子系统和温度预测子系统。其中,可调节潜力评估子系统采用前文实施例或其实现方式提供的可调节潜力评估方法确定空调温控负荷集群的可调节潜力;温度预测子系统则基于前文实施例或其实现方式提供的温度预测方法确定空调温控负荷集群的集群设定温度。
在本实施例中,空调温控负荷集群相关的特征包括室外温度、室外湿度、功率、室内平均温度、集群设定温度等。可调节潜力评估子系统包括可调节潜力评估模型,用于评估确定空调温控负荷集群在某个状态下的可调节潜力。温度预测子系统包括温度预测模型,用于预测空调温控负荷集群在某个需求和状态下的集群设定温度。
可选地,在本实施例的一种实现方式中,所述控制系统还包括负荷聚合商。其中,可调节潜力评估子系统可以将实时获取的空调温控负荷集群的可调节潜力数据上报给负荷聚合商。负荷聚合商将数据提交给电力市场参与竞价。电力市场根据竞价结果,告知负荷聚合商空调温控负荷集群实际分配的实际功率调整需求,负荷聚合商将实际功率调整需求发送给温度预测子系统。温度预测子系统以功率调整需求、外部温湿度和室内平均温度为输入,以设定温度为输出,从而实时输出基于当前时段的功率调整需求而对空调温控负荷集群的调控温度。
在本控制系统中,基于温度预测子系统进行设定温度的控制,使空调温控负荷集群处于新的运行状态。此时可调节潜力评估子系统可以再次工作,得到下一时段的可调节潜力数据,再次上报给负荷聚合商从而形成一个完整的闭环结构。从而可以充分利用空调温控负荷集群的可调节潜力,并实时参与到电力市场的需求响应互动中。
图5是根据本发明一种实施例的空调温控负荷集群的控制方法的流程示意图。参照图5,所述方法包括:
500:负荷聚合商实时检测当前时刻的实时数据。包括温度、湿度等。
502:可调节潜力评估模型预测得到空调温度负荷集群的可调节潜力(包括最大可调节功率及其可持续时间)。具体请参照前文相关实施例中的描述。
504:负荷聚合商将可调节潜力数据上报电力市场参与竞价。
506:电力市场以竞价结果告知温控负荷集群实际分配的用电量调整需求。
508:基于等电量规则的功率调整方法获得总功率调整量。
510:判断总功率调整量与用电量调整需求的差值是否在阈值范围内。如果是,则执行512。否则执行514。
512:将总功率调整量(即,实际功率调整需求)输入温度预测模型,得到当前时段集群设定温度。在其他实施例中,也可以将用电量调整需求作为实际功率调整需求输入温度预测模型。
514:进行等比例调节,得到更新的总功率调整量。
516:负荷聚合商实时检测下一时段的实时数据。包括温度、湿度等。并执行502处理。如此循环,实现对空调温度负荷集群的持续调控。
在本实施例中,关于508、510、514的详细描述,请参照前文对于等电量法则及30分钟功率调整方法的相关说明;关于相关实时数据的解释,请参照前文与温度预测模型和可调节潜力评估模型相关的描述;此处均不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (13)
1.一种空调温控负荷集群的评估方法,其特征在于,所述方法包括:
获取空调温控负荷集群的环境特征和集群特征,所述环境特征包括环境温度和环境湿度,所述集群特征包括集群总功率、室内平均温度和集群设定温度;
基于所述环境特征和集群特征的组合确定所述空调温控负荷集群的可调节潜力;
其中,所述空调温控负荷集群的可调节潜力包括:功率可调节幅度及可持续时间。
2.如权利要求1所述的评估方法,其特征在于,
所述获取空调温控负荷集群的环境特征和集群特征,包括:
获取当前时段所述空调温控负荷集群的环境特征和集群特征;
所述基于所述环境特征和集群特征的组合确定所述空调温控负荷集群的可调节潜力,包括:
基于所述当前时段所述空调温控负荷集群的环境特征和集群特征,确定所述空调温控负荷集群的在当前时段的可调节潜力,或,确定所述空调温控负荷集群的在包含当期时段在内的多个时段的可调节潜力。
3.如权利要求1或2所述的评估方法,其特征在于,
所述获取空调温控负荷集群的环境特征和集群特征,包括:
周期性地获取所述空调温控负荷集群的环境特征和集群特征;
所述基于所述环境特征和集群特征的组合确定所述空调温控负荷集群的可调节潜力,包括:
根据周期性获取的所述空调温控负荷集群的环境特征和集群特征,周期性地更新所述空调温控负荷集群的可调节潜力。
4.如权利要求2所述的评估方法,其特征在于,所述方法还包括:
基于当前时段的实际功率调整需求,以及当前时段所述空调温控负荷集群的环境温度、环境湿度和室内平均温度,确定下一时段的集群设定温度。
5.如权利要求1所述的评估方法,其特征在于,所述基于所述环境特征和集群特征的组合确定所述空调温控负荷集群的可调节潜力,包括:
将所述环境特征和集群特征的组合输入可调节潜力评估模型,得到所述空调温控负荷集群的可调节潜力;
其中,所述可调节潜力评估模型是基于训练数据集和神经网络模型训练得到的,所述训练数据集包括环境温度、环境湿度、集群总功率、室内平均温度、集群设定温度和可调节潜力数据。
6.如权利要求5所述的评估方法,其特征在于,
所述神经网络模型为深度神经网络模型;
所述可调节潜力数据是在不同的集群设定温度下,通过改变环境温度、环境湿度、集群总功率和室内平均温度中的任意一项或多项来仿真得到。
7.一种空调温控负荷集群的温度设定方法,其特征在于,所述方法包括:
获取实际功率调整需求;
获取所述空调温控负荷集群的环境特征和集群特征,其中,所述环境特征包括环境温度和环境湿度,所述集群特征包括室内平均温度;
基于所述实际功率调整需求以及所述环境特征和集群特征,确定所述空调温控负荷集群的集群设定温度。
8.如权利要求7所述的温度设定方法,其特征在于,所述获取功率调整需求,包括:
获取由负荷聚合商反馈的所述功率调整需求;
其中,所述功率调整需求根据与所述空调温控负荷集群共同接入电网的光伏发电系统的输出功率而确定。
9.如权利要求7所述的温度设定方法,其特征在于,
所述获取实际功率调整需求,包括:获取当前时段的实际功率调整需求,或,获取与当前时段所述空调温控负荷集群的可调节潜力对应的功率调整需求;
所述获取所述空调温控负荷集群的环境特征和集群特征,包括:获取当前时段所述空调温控负荷集群的环境特征和集群特征;
所述确定所述空调温控负荷集群的集群设定温度,包括:确定当前时段所述空调温控负荷集群的集群设定温度。
10.如权利要求7所述的温度设定方法,其特征在于,所述基于所述实际功率调整需求以及所述环境特征和集群特征,确定所述空调温控负荷集群的集群设定温度,包括:
将所述实际功率调整需求以及所述环境特征和集群特征输入温度预测模型,得到所述空调温控负荷集群的集群设定温度;
其中,所述温度预测模型是基于训练数据集和神经网络模型训练得到的,所述训练数据集包括实际功率调整需求、环境温度、环境湿度和室内平均温度。
11.一种空调温控负荷集群的控制系统,其特征在于,所述控制系统包括:
可调节潜力评估子系统,用于基于如权利要求1-6中任一项所述的方法确定空调温控负荷集群的可调节潜力;
温度预测子系统,用于基于如权利要求7-10中任一项所述的方法确定空调温控负荷集群的集群设定温度。
12.如权利要求11所述的控制系统,其特征在于,所述控制系统还包括:
负荷聚合商,用于将从所述可调节潜力评估子系统获取的所述空调温控负荷集群的可调节潜力,参与电力市场竞价以确定实际功率调整需求,并将所述实际功率调整需求发送给所述温度预测子系统。
13.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储一条或多条计算机指令;
处理器,用于从所述存储其中调用和执行所述计算机指令以实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311049459.6A CN117091242A (zh) | 2023-08-18 | 2023-08-18 | 空调温控负荷集群的评估方法、温度设定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311049459.6A CN117091242A (zh) | 2023-08-18 | 2023-08-18 | 空调温控负荷集群的评估方法、温度设定方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117091242A true CN117091242A (zh) | 2023-11-21 |
Family
ID=88782887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311049459.6A Pending CN117091242A (zh) | 2023-08-18 | 2023-08-18 | 空调温控负荷集群的评估方法、温度设定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117091242A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745043A (zh) * | 2024-02-21 | 2024-03-22 | 国网数字科技控股有限公司 | 一种调节潜力确定方法、装置及设备 |
-
2023
- 2023-08-18 CN CN202311049459.6A patent/CN117091242A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745043A (zh) * | 2024-02-21 | 2024-03-22 | 国网数字科技控股有限公司 | 一种调节潜力确定方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Operating reserve capacity evaluation of aggregated heterogeneous TCLs with price signals | |
Sala-Cardoso et al. | Activity-aware HVAC power demand forecasting | |
JP2020501491A (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
KR20140105506A (ko) | 전력 생산 용량의 적응 및 에너지 저장 유닛 사이즈의 결정 | |
Huang et al. | Validation on aggregate flexibility from residential air conditioning systems for building-to-grid integration | |
Wang et al. | Consensus control strategy of an inverter air conditioning group for renewable energy integration based on the demand response | |
Wang et al. | Dynamic control strategy of residential air conditionings considering environmental and behavioral uncertainties | |
CN117091242A (zh) | 空调温控负荷集群的评估方法、温度设定方法及系统 | |
CN113139711A (zh) | 一种基于数据整合的智慧能源数据中心管理系统 | |
CN116937569A (zh) | 光伏发电智能储能方法、装置及电子设备 | |
Yang et al. | Bi-level decentralized control of electric heating loads considering wind power accommodation in real-time electricity market | |
Dong et al. | An adaptive decentralized regulation strategy for the cluster with massive inverter air conditionings | |
Wang et al. | Aggregated large-scale air-conditioning load: Modeling and response capability evaluation of virtual generator units | |
Nasiakou et al. | Power distribution network partitioning in big data environment using k-means and fuzzy logic | |
CN111859242A (zh) | 一种家庭电力能效优化方法及系统 | |
Zhang et al. | Time-of-use pricing model considering wind power uncertainty | |
Wang et al. | Control strategies of large-scale residential air conditioning loads participating in demand response programs | |
CN115051374A (zh) | 电采暖设备参与电力调峰的控制方法、装置和存储介质 | |
CN114638727A (zh) | 计及生产不确定性的流程工业灵活性可调鲁棒监测方法 | |
Gelazanskas et al. | Neural network based real-time pricing in demand side management for future smart grid | |
CN114221341A (zh) | 一种基于全物联链路的双向互动电力需求响应方法及系统 | |
CN111900740B (zh) | 一种基于需求响应设备的电力系统调频方法和系统 | |
Lénet et al. | An inverse nash mean field game-based strategy for the decentralized control of thermostatic loads | |
Holmberg et al. | Comparison of two approaches for managing building flexibility using energy market prices | |
Wang et al. | A Data-driven Control Method for Operating the Commercial HVAC Load as a Virtual Battery |
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 |