CN117236746A - 一种空调负荷可调节潜力评估方法 - Google Patents
一种空调负荷可调节潜力评估方法 Download PDFInfo
- Publication number
- CN117236746A CN117236746A CN202311125222.1A CN202311125222A CN117236746A CN 117236746 A CN117236746 A CN 117236746A CN 202311125222 A CN202311125222 A CN 202311125222A CN 117236746 A CN117236746 A CN 117236746A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- seagull
- dynamic
- neural network
- value
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000004378 air conditioning Methods 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 230000001105 regulatory effect Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 101150055297 SET1 gene Proteins 0.000 claims description 10
- 101150117538 Set2 gene Proteins 0.000 claims description 10
- 230000033228 biological regulation Effects 0.000 claims description 10
- 241000272168 Laridae Species 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005057 refrigeration Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical class C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种空调负荷可调节潜力评估方法，方法包括：定义单个空调负荷可调节潜力指标；建立基于改进海鸥优化算法的动态BP神经网络模型；基于改进海鸥优化算法的动态BP神经网络的空调负荷可调节潜力评估。该发明不仅有效的解决了传统BP神经网络的隐含层节点不易确定以及参数选取困难的问题，且具有极强的非线性映射能力，良好的评估精度和稳定性，为空调负荷可调节潜力评估的后续研究提供了一种新思路。
Description
技术领域
本发明属于负荷可调节潜力评估领域，是一种空调负荷可调节潜力评估方法。
背景技术
随着社会经济的高速发展，能源紧缺与环境污染等相关问题越来越严重。在“双碳”目标的驱动下，国家正在大力建设新能源体系，新能源发电的比重不断提高。但新能源发电具有不稳定与间歇性的特点，大量的接入会导致电网频率不稳定、谐波严重等电能质量问题，同时，负荷的多样化也使得负荷侧具有较大的可调节潜力，引入电网后使得电网的调节能力进一步提高。此外，电网用电负荷逐年增加，空调等温控负荷在电网用电负荷中的占比居高不下，电力供需矛盾进一步加剧。然而，仅依靠传统调节方式增加装机容量来维持电网稳定性越来越困难且经济效益相对较小，因此推进需求侧的可调节资源来参与负荷调节，转向“源荷互动”协调模式，以保持电力系统平衡的稳定显得至关重要。由于储热介质热惯性作用的影响，在短时间内对温控负荷的运行状态进行调节基本不会对用户的使用体验造成影响，因而温控负荷具有较大的可调节空间。
目前针对空调负荷的研究主要集中于空调负荷聚合模型，侧重于新型控制策略的研究，而对单个空调设备可调节潜力评估的研究较少，且通常使用简化的等效热参数(equivalent thermal parameters，ETP)模型对单个空调设备进行建模。由于传统的评估方法存在建模过程较为复杂、参数求解较为困难等一系列问题，无法精准表达复杂的非线性关系，进而导致评估结果的精度较低。
考虑到基于改进海鸥优化算法的动态BP神经网络能够解决复杂的非线性函数映射问题，在处理多因素问题上具有较强的学习和模拟能力，能够更好的解决该问题。
在此背景下，本专利提出了一种空调负荷可调节潜力评估方法。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种空调负荷可调节潜力评估方法，该方法解决了传统BP神经网络的隐含层节点不易确定与参数选取困难的问题；具有极强的非线性映射能力，良好的评估精度和稳定性。
为实现上述目的，本发明提供了一种空调负荷可调节潜力评估方法，包括以下步骤：
S1、定义单个空调负荷可调节潜力指标；
S2、建立基于改进海鸥优化算法的动态BP神经网络模型；
S3、基于改进海鸥优化算法的动态BP神经网络的空调负荷可调节潜力评估。
优选的，所述步骤S1中，定义单个空调负荷可调节潜力指标，其具体步骤为：
S11、建立单个空调负荷的一阶ETP模型
将房间的等效热阻、等效热容、单个空调设备制冷功率与环境温度建立联系。单个空调设备制冷模式下一阶ETP模型所描述的室内温度变化如式(1)所示：
其中，为t时刻的室内温度；/>分别为t+1时刻的室内温度、室外温度；R、C分别为一阶ETP模型等效热阻、等效热容；为简化空调负荷模型，假设空调运行时的功率消耗恒定，大小为额定功率PAC；Δt为设定的采样时间间隔；s(t)为t时刻单个空调负荷的开关时序状态，0表示空调关闭，1表示空调开启；用户可接受室内温度的约束范围(即人体舒适度)为[Tmin,Tmax]；Tset为用户设定的空调温度值；η为空调的能效系数；δ为室内温度上下调节范围。
S12、定义单个空调的可调节潜力指标：本发明采用重设空调目标温度的方法评估空调的可调节潜力，在满足人体舒适度的条件下，在调节期间减少的空调出力功率即调节潜力。
S13、构建单个空调的可调节潜力评估公式
假设调节时间为tdu，在调节时间内，室外温度To保持恒定，调节前室内温度稳定在空调温度的设定值Tset1，在tdu内室内温度上升至新的温度设定值Tset2，该过程中空调的出力功率为Pdu。
由式(2)可得
令Pdu>0，得tdu>RCF，因此仅当tdu>RCF，才符合实际调节情况。其中，Pres为待机功率。
若未对空调进行调节时的功率消耗为P1，设调节期间减少的空调出力功率即调节潜力为Prd，有：
联立式(3)与式(4)，空调调节潜力Prd表示为：
其中，若确定室外温度To，调节前室内温度Tset1，调节后室内温度Tset2，空调参数η、R、C，以及调节时间tdu，即可计算得到当前状态下的空调可调节潜力大小。
优选的，所述步骤S2中，建立基于改进海鸥优化算法的动态BP神经网络模型，其具体步骤为：
S21、根据评估精度构建具有最佳隐含层节点的动态BP神经网络；
S22、初始化动态BP神经网络权值和阈值，初始化改进海鸥优化算法的各参数；
S23、计算海鸥个体的适应度值、平均适应度值以及最小适应度值；将各海鸥的适应度值与平均适应度值进行比较，实现动态更新权重；
S24、计算海鸥避免碰撞的新位置与平衡系数，计算最佳位置的方向与靠近最佳位置的新位置；
S25、计算惯性权重与海鸥攻击时的运动行为；求得海鸥的最终位置；
S26、计算海鸥的适应度值，更新海鸥个体与全体的位置和适应度值；
S27、判断当前算法是否达到最大迭代次数，若没有，则返回步骤S23；否则，结束迭代，输出最优参数；
S28、将最优权值和最优阈值返回到动态BP神经网络；
S29、建立基于改进的海鸥优化算法的动态BP神经网络模型。
优选的，所述步骤S3中，基于改进海鸥优化算法的动态BP神经网络的空调负荷可调节潜力评估，其具体步骤为：
S31、确定模型输入数据
基于空调负荷运行实验的实测数据和式(5)确定空调制冷模式下的模型输入数据为：外界环境温度To、调节前室内温度Tset1、调节后室内温度Tset2、空调参数η、R、C以及调节时间tdu；
S32、数据预处理
对输入数据进行筛选，以天为单位，剔除不满足步骤S2中变化规律的采样点；
S33、划分预处理后的数据，得到训练集与测试集，初始化基于改进海鸥优化算法的动态BP神经网络的各个参数，输入训练集对该网络进行训练，直至达到目标准确率；
S34、保存训练文件，输入测试数据集进行测试；
S35、输出评估结果，并根据模型评估指标对评估结果进行分析。
优选的，所述建立基于改进海鸥优化算法的动态BP神经网络模型中，根据评估精度构建具有最佳隐含层节点的动态BP神经网络具体为：动态BP神经网络可根据评估精度的不同动态的选择BP神经网络的隐含层节点个数，形成拓扑结构。ni为隐含层节点个数，比较不同隐含层节点个数下对应的MSE，MSE最小值(低于MSE0)对应的隐含层节点数即为最佳隐含层节点数，获得最佳隐含层节点数后，保存并构建动态BP神经网络。
优选的，所述建立基于改进海鸥优化算法的动态BP神经网络模型中，最佳隐含层节点ni确定公式如式(6)：
其中，n为输入层节点个数，m为输出层节点个数，a为[1,10]之间的随机常数。
优选的，所述建立基于改进海鸥优化算法的动态BP神经网络模型中，步骤S22初始化改进海鸥优化算法的各参数包括：种群规模N，迭代次数Maxiter，自适应权重Wmax和Wmin，惯性权重umax和umin，频率fc。
优选的，所述建立基于改进海鸥优化算法的动态BP神经网络模型中，步骤S23将各海鸥的适应度值与平均适应度值进行比较，实现动态更新权重，如式(7)所示。
其中，wmax是w的最大值，wmin是w的最小值。f代表的是海鸥的适应度值，favg是对种群适应度值求取的平均值，fmin为最小适应度值。
将各海鸥的适应度值与平均适应度值进行比较，若个体适应度值小于平均适应度，则利用式(7)的第一个条件求取权重；反之，权重等于wmax，从而实现动态的更新权重。
优选的，所述建立基于改进海鸥优化算法的动态BP神经网络模型中，步骤S24计算海鸥避免碰撞的新位置与平衡系数，计算最佳位置的方向与靠近最佳位置的新位置的具体步骤包括：
S241、计算海鸥避免碰撞后的新位置
cs(t)＝A×ps(t) (8)
其中，cs(t)是新位置，ps(t)是海鸥初始化的位置，t是迭代次数，A表示的是海鸥在搜索区域中的一种运动行为。
A (9)
＝fc
-(t×(fc/Maxiter))
其中，fc可以控制A的频率，Maxiter表示种群迭代次数的最大值。fc的参数是从2线性递减到0。
S242、计算平衡系数
B＝2×A×A×rd×w×MSE(t) (10)
为了增强全局搜索和局部搜索之间的平衡能力，使用改进公式(10)求取平衡系数B。该式引入了模型评估指标MSE和自适应权重w，rd是[0,1]之间的一个随机数，t表示当前迭代次数。
S243、计算最佳位置所在方向
ms(t)＝B×(pbs(t) (11)
-ps(t))
其中，ms(t)表示最佳位置的方向，pbs(t)表示最优个体的位置。
S244、计算海鸥靠近最佳位置的新位置
ds(t)＝|cs(t)+ms(t)| (12)
其中，ds(t)表示海鸥靠近最佳位置的新位置。
优选的，所述建立基于改进海鸥优化算法的动态BP神经网络模型中，步骤S25计算惯性权重与海鸥攻击时的运动行为；求得海鸥的最终位置的具体步骤包括：
S251、计算惯性权重
u＝rand×umin×(1-cosα)+umax×cosα (13)
α＝(π×iter)/(2×Maxiter) (14)
其中，u增强海鸥群体在攻击过程中的局部搜索能力，umin是u的最小值，umax是u的最大值；rand是属于[0,1]的一个随机值；iter表示当前海鸥个体处于第iter次迭代，Maxiter表示整个算法的迭代最大值。
S252、计算海鸥在攻击过程中的运动行为
x＝r×cos(θ) (15)
y＝r×sin(θ) (16)
其中，r代表螺旋形态的半径，u和v是相关常数。θ表示的角度，是[0,2π]的一个随机数。
S253、计算海鸥的最终位置
ps(t)＝ds(t)×x×y×z+pbs(t) (19)
其中，ps(t)为海鸥的最终位置。
优选的，所述建立基于改进海鸥优化算法的动态BP神经网络模型中，步骤S35模型评估指标见公式(20)～(23)。
eME＝max|(Yi-Y′i)|
其中，Yi为每次训练的仿真结果，Y′i为Prd第i次的实测值，为Prd的i次实测值的平均值。
本发明的有益效果：其提供的一种空调负荷可调节潜力评估方法，不仅能够有效的解决传统BP神经网络隐含层节点个数不易确定的问题，同时，改进海鸥优化算法对动态BP神经网络的输入权重w和阈值b参数的优化，解决了参数选取困难的问题；且具有极强的非线性映射能力，良好的评估精度和稳定性，为空调负荷可调节潜力评估的后续研究提供了一种新思路。
附图说明
图1为本发明提供的单个空调负荷一阶ETP模型。
图2为本发明提供的动态BP神经网络拓扑结构示意图。
图3为本发明提供的构建基于改进海鸥优化算法的动态BP神经网络模型流程框图。
图4为本发明提供的一种基于改进海鸥优化算法的动态BP神经网络的空调负荷可调节潜力评估流程框图。
具体实施方式
下面结合附图1-4，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
本发明提供了一种空调负荷可调节潜力评估方法，具体步骤如下:
S1、定义单个空调负荷可调节潜力指标；
S2、建立基于改进海鸥优化算法的动态BP神经网络模型；
S3、基于改进海鸥优化算法的动态BP神经网络的空调负荷可调节潜力评估。
所述步骤S1中，定义单个空调负荷可调节潜力指标，其具体步骤为：
S11、建立单个空调负荷的一阶ETP模型
将房间的等效热阻、等效热容、单个空调设备制冷功率与环境温度建立联系，用于建立20m2家庭用户房间冷负荷的模型。单个空调设备制冷模式下一阶ETP模型所描述的室内温度变化如式(1)所示：
其中，为t时刻的室内温度，单位为℃；/>分别为t+1时刻的室内温度、室外温度，单位为℃；R、C分别为一阶ETP模型等效热阻(℃/W)、等效热容(J/K)；为简化空调负荷模型，假设空调运行时的功率消耗恒定，大小为额定功率PAC，单位为W；Δt为设定的采样时间间隔(1min)；s(t)为t时刻单个空调负荷的开关时序状态，0表示空调关闭，1表示空调开启；用户可接受室内温度的约束范围(即人体舒适度)为[Tmin,Tmax]；Tset为用户设定的空调温度值；η为空调的能效系数；δ为室内温度上下调节范围。
S12、定义单个空调的可调节潜力指标：本发明采用重设空调目标温度的方法评估空调的可调节潜力，在满足人体舒适度([Tmin,Tmax])条件下，在调节期间(tdu)减少的空调出力功率(Prd)即调节潜力。
S13、构建单个空调的可调节潜力评估公式
假设调节时间为tdu(tdu＝5min)，且在该时间内，室外温度To始终保持不变，调节前室内温度稳定在空调温度设定值Tset1，在tdu内室内温度上升至新的设定值Tset2，此过程中空调的出力功率为Pdu。
由式(2)可得
令Pdu>0，得tdu>RCF，因此仅当tdu>RCF，才符合实际调节情况。其中Pres为待机功率。
若未对空调进行调节时的功率消耗为P1，设调节期间减少的空调出力功率即调节潜力为Prd，有：
联立式(3)与式(4)，空调调节潜力Prd表示为：
若确定外界环境温度To，调节前室内温度Tset1，调节后室内温度Tset2，空调参数η、R、C，以及调节时间tdu，即可根据式(5)计算得到当前状态下的空调可调节潜力大小，由式(5)可知Tset2-Tset1越大，空调的可调节潜力越大。
所述步骤S2中，建立基于改进海鸥优化算法的动态BP神经网络模型，其具体步骤为：
S21、根据评估精度构建具有最佳隐含层节点的动态BP神经网络
动态BP神经网络可根据评估精度的不同动态的选择BP神经网络的隐含层节点个数，形成拓扑结构，见图2。该拓扑结构中，ni为隐含层节点个数，比较不同隐含层节点个数下对应的MSE，MSE最小值(低于MSE0)对应的隐含层节点数即为最佳隐含层节点数，获得最佳隐含层节点数后，保存并构建动态BP神经网络。
所述最佳隐含层节点ni确定公式如式(6)：
其中，n为输入层节点个数，设定值为7，m为输出层节点个数，设定值为1，a为[1,10]之间的随机常数。
S22、初始化动态BP神经网络权值和阈值，初始化改进海鸥优化算法的各参数
初始化改进海鸥优化算法的各参数包括：设置种群规模N＝80；迭代次数Maxiter＝200；自适应权重Wmax＝0.9，Wmin＝0.4；惯性权重umax＝1，umin＝-1；频率fc＝1；考虑到海鸥在飞行过程中的速度是不断变化的，v设置为[0,1]之间的一个随机值。
S23、计算海鸥个体的适应度值、平均适应度值以及最小适应度值；将各海鸥的适应度值与平均适应度值进行比较，实现动态更新权重
其中，wmax是w的最大值，wmin是w的最小值。f代表的是海鸥的适应度值，favg是对种群适应度值求取的平均值，fmin是海鸥的最小适应度值。
将各海鸥的适应度值与平均适应度值进行比较，若海鸥个体适应度值小于平均适应度，则利用式(7)的第一个条件进行求取权重；反之，权重等于wmax，实现动态的更新权重。
S24、计算海鸥避免碰撞的新位置与平衡系数，计算最佳位置的方向与靠近最佳位置的新位置的具体步骤包括：
S241、计算海鸥避免碰撞后的新位置
cs(t)＝A×ps(t) (8)
其中，cs(t)是新位置，ps(t)是海鸥初始化的位置，t是迭代次数，A表示的是海鸥在搜索区域中的一种运动行为。
A (9)
＝fc
-(t×(fc/Maxiter))
其中，fc可以控制A的频率，Maxiter表示种群迭代次数的最大值。其中，fc的参数是从2线性递减到0。
S242、计算平衡系数
B＝2×A×A×rd×w×MSE(t) (10)
为了增强全局搜索和局部搜索之间的平衡能力，使用改进公式(10)求取平衡系数B。该式引入了模型评估指标MSE和自适应权重w，rd是[0,1]之间的一个随机数，t表示当前迭代次数。
S243、计算最佳位置所在方向
ms(t)＝B×(pbs(t) (11)
-ps(t))
其中，ms(t)表示最佳位置的方向，pbs(t)表示最优个体的位置。
S244、计算海鸥靠近最佳位置的新位置
ds(t)＝|cs(t)+ms(t)| (12)
其中，ds(t)表示海鸥靠近最佳位置的新位置。
S25、计算惯性权重与海鸥攻击时的运动行为；求得海鸥的最终位置的具体步骤包括：
S251、计算惯性权重
u＝rand×umin×(1-cosα)+umax×cosα (13)
α＝(π×iter)/(2×Maxiter) (14)
u增强海鸥群体在攻击过程中的局部搜索能力，umin是u的最小值，umax是u的最大值。rand是属于[0,1]的一个随机值；iter表示当前海鸥个体处于第iter次迭代，Maxiter表示整个算法的迭代最大值。
S252、计算海鸥在攻击过程中的运动行为
x＝r×cos(θ) (15)
y＝r×sin(θ) (16)
z＝r×θ (17)
其中，r代表螺旋形态的半径，u和v是相关常数。θ表示的角度，是属于[0,2π]的一个随机数。
S253、计算海鸥的最终位置
ps(t)＝ds(t)×x×y×z+pbs(t) (19)
其中，ps(t)是海鸥的最终位置。
S26、计算海鸥的适应度值，更新海鸥个体与全体的位置和适应度值；
S27、判断当前算法是否达到最大迭代次数，若没有，则返回步骤S23；否则，结束迭代，输出最优参数；
S28、将最优权值和最优阈值返回到动态BP神经网络；
S29、建立基于改进的海鸥优化算法的动态BP神经网络模型。
所述步骤S3中，基于改进海鸥优化算法的动态BP神经网络的空调负荷可调节潜力评估，其具体步骤为：
S31、确定模型输入数据
基于空调负荷运行实验的实测数据和式(5)确定空调制冷模式下的模型输入数据为：外界环境温度To、调节前室内温度Tset1、调节后室内温度Tset2、空调参数η、R、C以及调节时间tdu；
S32、数据预处理
实验数据每1min采集一次，1天分三个时间段(03:00-06:00；11:00-14:00；19:00-22:00)各采集180组数据，以30天为一个周期，共16200组数据。对模型输入数据进行筛选，以天为单位，剔除不满足步骤S2中变化规律的采样点；。
S33、划分预处理后的数据，随机选取9720组数据作为训练数据集，其余6480组数据作为测试数据集，初始化基于改进海鸥优化算法的动态BP神经网络的各参数，输入训练集对该网络进行训练，直到获得模型的目标准确率；
S34、保存训练文件，输入测试数据集进行测试；
S35、输出评估结果，并根据模型评估指标对评估结果进行分析。
所述模型评估指标见公式(20)～(23)。
eME＝max|(Yi-Y′i)|
其中，Yi为每次训练的仿真结果，Y′i为Prd第i次的实测值，为Prd的i次实测值的平均值。/>
Claims (8)
1.一种空调负荷可调节潜力评估方法，其特征在于，包括以下步骤：
S1、定义单个空调负荷可调节潜力指标；
S2、建立基于改进海鸥优化算法的动态BP神经网络模型；
S3、基于改进海鸥优化算法的动态BP神经网络的空调负荷可调节潜力评估。
所述步骤S1中，定义单个空调负荷可调节潜力指标，其具体步骤为：
S11、建立单个空调负荷的一阶ETP模型
将房间的等效热阻、等效热容、单个空调设备制冷功率与环境温度建立联系，单个空调设备制冷模式下一阶ETP模型所描述的室内温度变化如式(1)所示：
其中，为t时刻的室内温度；/>分别为t+1时刻的室内温度、室外温度；R、C分别为一阶ETP模型等效热阻、等效热容；为简化空调负荷模型，假设空调运行时的功率消耗恒定，大小为额定功率PAC；Δt为设定的采样时间间隔；s(t)为t时刻单个空调负荷的开关时序状态，0表示空调关闭，1表示空调开启；用户可接受室内温度的约束范围(即人体舒适度)为[Tmin,Tmax]；Tset为用户设定的空调温度值；η为空调的能效系数；δ为室内温度上下调节范围。
S12、定义单个空调负荷的可调节潜力指标
本发明采用重设空调目标温度的方法评估空调的可调节潜力，在满足人体舒适度条件下，在调节期间减少的空调出力功率即调节潜力。
S13、构建单个空调的可调节潜力评估公式
假设调节时间为tdu，在调节时间内，室外温度To保持恒定，调节前室内温度稳定在空调温度的设定值Tset1，在tdu内室内温度上升至新的温度设定值Tset2，该过程中空调的出力功率为Pdu。
由式(2)可得
令Pdu>0，得tdu>PCF，因此仅当tdu>RCF，才符合实际调节情况，其中，Pres为待机功率。
若未对空调进行调节时的功率消耗为P1，设调节期间减少的空调出力功率即调节潜力为Prd，有：
联立式(3)与式(4)，空调调节潜力Prd表示为：
其中，若确定室外温度To，调节前室内温度Tset1，调节后室内温度Tset2，空调参数η、R、C，以及调节时间tdu，即可计算得到当前状态下的空调可调节潜力大小。
所述步骤S2中，建立基于改进海鸥优化算法的动态BP神经网络模型，其具体步骤为：
S21、根据评估精度构建具有最佳隐含层节点的动态BP神经网络；
S22、初始化动态BP神经网络权值和阈值，初始化改进海鸥优化算法的各参数；
S23、计算海鸥个体的适应度值、平均适应度值以及最小适应度值；将各海鸥的适应度值与平均适应度值进行比较，实现动态更新权重；
S24、计算海鸥避免碰撞的新位置与平衡系数，计算最佳位置的方向与靠近最佳位置的新位置；
S25、计算惯性权重与海鸥攻击时的运动行为；求得海鸥的最终位置；
S26、计算海鸥的适应度值，更新海鸥个体与全体的位置和适应度值；
S27、判断当前算法是否达到最大迭代次数，若没有，则返回步骤S23；否则，结束迭代，输出最优参数；
S28、将最优权值和最优阈值返回到动态BP神经网络；
S29、建立基于改进的海鸥优化算法的动态BP神经网络模型。
所述步骤S3中，基于改进海鸥优化算法的动态BP神经网络的空调负荷可调节潜力评估，其具体步骤为：
S31、确定模型输入数据
基于空调负荷运行实验的实测数据和式(5)确定空调制冷模式下的模型输入数据为：外界环境温度To、调节前室内温度Tset1、调节后室内温度Tset2、空调参数η、R、C以及调节时间tdu；
S32、数据预处理
对输入数据进行筛选，以天为单位，剔除不满足步骤S2中变化规律的采样点；
S33、划分预处理后的数据，得到训练集与测试集，初始化基于改进海鸥优化算法的动态BP神经网络的各个参数，输入训练集对该网络进行训练，直至达到目标准确率；
S34、保存训练文件，输入测试数据集进行测试；
S35、输出评估结果，并根据模型评估指标对评估结果进行分析。
2.权利要求1中所述的一种空调负荷可调节潜力评估方法，其特征在于，所述步骤S21根据评估精度构建具有最佳隐含层节点的动态BP神经网络具体为：动态BP神经网络可根据评估精度的不同动态的选择神经网络的隐含层节点个数，形成拓扑结构。ni为隐含层节点个数，比较不同隐含层节点个数下对应的MSE，MSE最小值(低于MSE0)对应的隐含层节点数即为最佳隐含层节点数，获得最佳隐含层节点数后，保存并构建动态BP神经网络。
3.权利要求2中所述的一种空调负荷可调节潜力评估方法，其特征在于，所述最佳隐含层节点ni确定方法如式(6)：
其中，n为输入层节点个数，m为输出层节点个数，a为[1,10]之间的随机常数。
4.权利要求1中所述的一种空调负荷可调节潜力评估方法，其特征在于，所述步骤S22初始化改进海鸥优化算法的各参数包括：种群规模N，迭代次数Maxiter，自适应权重Wmax和Wmin，惯性权重umax和umin，频率fc。
5.权利要求1中所述的一种空调负荷可调节潜力评估方法，其特征在于，所述步骤S23将各海鸥的适应度值与平均适应度值进行比较，实现动态更新权重，如式(7)所示。
其中，wmax是w的最大值，wmin是w的最小值。f是海鸥的适应度值，favg是对种群适应度值求取的平均值，fmin为最小适应度值。
将各海鸥的适应度值与平均适应度值进行比较，若个体适应度值小于平均适应度，则利用式(7)的第一个条件求取权重；反之，权重等于wmax，实现动态更新权重。
6.权利要求1中所述的一种空调负荷可调节潜力评估方法，其特征在于，所述步骤S24计算海鸥避免碰撞的新位置与平衡系数，计算最佳位置的方向与靠近最佳位置的新位置的具体步骤包括：
S241、计算海鸥避免碰撞后的新位置
cs(t)＝A×ps(t) (8)
其中，cs(t)是避免碰撞的新位置，ps(t)是海鸥初始化的位置，t是迭代次数，A表示的是海鸥在搜索区域内的一种运动行为。
其中，fc可以控制A的频率，Maxiter表示种群迭代次数的最大值。fc的参数从2线性递减到0。
S242、计算平衡系数
B＝2×A×A×rd×w×MSE(t) (10)
为了增强全局搜索和局部搜索之间的平衡能力，使用改进公式(10)求取平衡系数B。该式引入了模型评估指标MSE和自适应权重w，rd是[0,1]之间的一个随机数，t表示当前迭代次数。
S243、计算最佳位置所在方向
其中，ms(t)表示最佳位置的方向，pbs(t)表示最优个体的位置。
S244、计算海鸥靠近最佳位置的新位置
ds(t)＝|cs(t)+ms(t)| (12)
其中，ds(t)表示海鸥靠近最佳位置的新位置。
7.权利要求1中所述的一种空调负荷可调节潜力评估方法，其特征在于，所述步骤S25计算惯性权重与海鸥攻击时的运动行为；求得海鸥的最终位置的具体步骤包括：
S251、计算惯性权重
u＝rand×umin×(1-cosα)+umax×cosα (13)
α＝(π×iter)/(2×Maxiter) (14)
其中，u增强海鸥群体在攻击过程中的局部搜索能力，umin为u的最小值，umax为u的最大值；rand属于[0,1]的一个随机值；iter表示当前海鸥个体处于第iter次迭代，Maxiter表示整个算法迭代次数的最大值。
S252、计算海鸥在攻击过程中的运动行为
x＝r×cos(θ) (15)
y＝r×sin(θ) (16)
z＝r×θ (17)
r＝u×eθv (18)
其中，r代表螺旋形态的半径，u和v是相关常数。θ为角度，是属于[0,2π]的一个随机数。
S253、计算海鸥的最终位置
ps(t)＝ds(t)×x×y×z+pbs(t) (19)
其中，ps(t)为海鸥的最终位置。
8.权利要求1中所述的一种空调负荷可调节潜力评估方法，其特征在于，所述步骤S35模型评估指标见公式(20)～(23)：
其中，Yi为每次训练的仿真结果，Y′i为Prd第i次的实测值，为Prd的i次实测值的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311125222.1A CN117236746A (zh) | 2023-09-01 | 2023-09-01 | 一种空调负荷可调节潜力评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311125222.1A CN117236746A (zh) | 2023-09-01 | 2023-09-01 | 一种空调负荷可调节潜力评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117236746A true CN117236746A (zh) | 2023-12-15 |
Family
ID=89090362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311125222.1A Pending CN117236746A (zh) | 2023-09-01 | 2023-09-01 | 一种空调负荷可调节潜力评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236746A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118013290A (zh) * | 2024-04-10 | 2024-05-10 | 山东科技大学 | 一种电离层tec预报方法、系统、计算机设备及介质 |
-
2023
- 2023-09-01 CN CN202311125222.1A patent/CN117236746A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118013290A (zh) * | 2024-04-10 | 2024-05-10 | 山东科技大学 | 一种电离层tec预报方法、系统、计算机设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
| CN111555355B (zh) | 水光蓄联合发电的调度策略及其优化方法 | |
| CN105512745A (zh) | 基于粒子群—bp神经网络的风电功率区间预测方法 | |
| CN111523749B (zh) | 一种水电机组模型智能辨识方法 | |
| CN117236746A (zh) | 一种空调负荷可调节潜力评估方法 | |
| WO2023160110A1 (zh) | 一种集群温控负荷系统调频方法、系统、电子设备及存储介质 | |
| CN108167802B (zh) | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 | |
| Song et al. | An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings | |
| CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
| CN116520909A (zh) | 哈里斯鹰算法优化模糊pid参数的高值耗材柜温度控制方法 | |
| CN115840987A (zh) | 一种基于深度强化学习的混动汽车热管理策略生成方法 | |
| CN115660346A (zh) | 一种基于边缘控制的规模化车网互动负荷调控方法 | |
| CN113486593B (zh) | 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法 | |
| CN113437756B (zh) | 考虑配电网静态电压稳定性的微电网优化配置方法 | |
| CN115759604B (zh) | 一种综合能源系统优化调度方法 | |
| CN114266186B (zh) | 一种空调能耗数据缺失值填补方法、设备及介质 | |
| CN115526504A (zh) | 泵站供水系统节能调度方法、系统、电子设备及存储介质 | |
| CN111859780A (zh) | 一种微电网运行优化方法和系统 | |
| Xing et al. | Fuzzy-PID controller with variable integral parameter for temperature control in variable air volume air conditioning systems | |
| Du et al. | Prediction of HVAC Energy Consumption Using PSO Optimized Deep Neural Network | |
| CN110556868A (zh) | 一种考虑电压稳定性的风电接入系统储能充放电控制方法 | |
| Li et al. | Short-term Power Load Forecasting Model Based on CS-Elman Neural Network | |
| CN116502922B (zh) | 一种基于群智能算法的电网稳定性分析系统 | |
| CN109506248A (zh) | 一种基于可在线寻优的案例推理查询式锅炉燃烧优化方法 | |
| Zhang et al. | Application of improved particle swarm-gray wolf data fusion algorithm for air quality prediction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |