一种商业建筑空调负荷可调度潜力评估方法与流程

1.本发明属于空调负荷可调潜力技术领域，具体涉及一种商业建筑空调负荷可调度潜力评估方法。


背景技术：

2.农村能源清洁低碳发展是双碳目标实现的关键要素，农村电网作为连接农村能源供需两侧的枢纽，如何挖掘农村能源电力领域碳减排潜力，推动农村电能替代负荷及分散式灵活性资源促进新能源消纳成为难点。当前新型电力系统建设的大背景下，电网优化调度模式不再局限于传统配电网电源侧调用，而需充分挖掘用户资源潜力，提升对用户侧资源的调动能力，增加系统调节的主动性，用户侧可调节资源多样，本发明主要针对商业建筑中空调负荷可调度潜力进行研究，商业负荷主要由空调、电梯、通风、安防、消防、照明等多个部分组成，除通风、安防、消防等常开系统外，其他部分均有明显的时段性，从夏季白天时段来看，其白天温度较高，同时客流量也较多，因此相应的空调负荷也最高，电梯、照明等负荷与气候非强相关，具有时段性，全年负荷较平稳；根据能源部的调查，商业建筑的用电量约占总用电量的36％，据粗略估计，在多区域商业建筑中，暖通空调(hvac)消耗了大约40％的电能，商业建筑巨大的电能消耗和巨大的蓄热能力使其成为需求响应的候选对象，以实现能量调度、负荷均衡、电力平滑等多项功能；因此，提供一种充分挖掘可调度潜力、提升调动能力、提升电网平衡能力的一种商业建筑空调负荷可调度潜力评估方法是非常有必要的。


技术实现要素：

3.本发明的目的是为了克服现有技术的不足，而提供一种充分挖掘可调度潜力、提升调动能力、提升电网平衡能力的一种商业建筑空调负荷可调度潜力评估方法。
4.本发明的目的是这样实现的：一种商业建筑空调负荷可调度潜力评估方法，它包括以下步骤：
5.步骤1：商业建筑空调负荷可调度潜力评估；
6.步骤2：聚合空调负荷群可调度潜力评估；
7.步骤3：算例分析。
8.所述的步骤1中的商业建筑空调负荷可调度潜力评估具体为：常见的空调控制策略一般有开关控制和调整温度设定值两种，开关控制的潜力最大，但会对设备和用户的用电舒适度造成影响，属于刚性控制；调整温度设定值策略属于柔性控制，可以依托空调本身的恒温控制器来控制温度设定值的变化，无需直接对空调进行开关，对电器和用户的影响较小，在实际中应用更为广泛，采用对楼宇空调采用调整温度设定值策略，并通过energyplus能耗分析对其进行可调度潜力评估。
9.所述的energyplus对单个典型建筑响应潜力进行评估包括以下步骤：
10.步骤1.1：输入某典型建筑模型数据和该地区典型气象数据，仿真基准情况下该类
型建筑的全年用电功率；
11.步骤1.2：在模型文件中其它参数不变的情况下，调整hvac系统单元中空调温度设定值δθ
set
再进行仿真分析；
12.步骤1.3：详细分析δθ
set
变化前后建筑用电功率的改变值，计算建筑在调节hvac策略下的响应潜力；采用全局温度控制即gta策略，即所有空调负荷的温度设定值调整量δθ
set
相同，假设用户响应标准差δh与δθ
set
之间呈线性相关关系：δh＝kδθ
set
，即，温度设定值调整量越大，用户响应的个性化、离散程度越大。
13.所述的步骤2中的聚合空调负荷群可调度潜力评估包括：空调负荷聚合模型和空调负荷需求响应削峰潜力。
14.所述的空调负荷聚合模型具体为：典型商业建筑分成大型办公楼、中型办公楼、小型办公楼、仓库、零售百货、宾馆共16类，其可调度负荷主要为空调设备，在热环境中，人体的热舒适标准为：温度为24.5℃，相对湿度为50％，而人体可以接受的温度上限是26～28℃，相对湿度范围是30％～60％，这表明，在一定的温湿度范围内，短时间内让室温升高或降低，并不会影响到人体舒适度，而调整室内温度对空调能耗的影响非常大，在电网出现功率不平衡时，可短期微调建筑物内部空调的温度设定值，在不影响用户用电体验的同时，节约大量电力，起到需求响应效果；空调负荷作为重要的互动资源，当前最主要的空调负荷建模方法是等效热参数模型，空调负荷的热力学特性主要是热储存特性和绝热特性，以空调负荷制冷为例，根据热力学原理可以得到单个空调负荷模型，其一阶常微分方程方程表示为：为：式中，i为房间序数；ta为室外温度，单位℃；ti为房间i室内温度，单位℃；ci为房间i热容,单位kwh/℃；pi(t)为t时刻房间i空调运行功率，单位kw；η为空调能效比；gi为i绝热参数，单位kw/℃，mi(t)为空调i在t时刻的开关状态，1表示开，0表示关；t
set,i
表示空调设定温度；δ为温度死区；单个空调负荷对电网的影响很小，因此需要将空调进行聚合，进行有效地控制，以达到互动效果，由于空调负荷制冷原理相同，房间内温度变化及储热的热力学原理相同，而且室内温度相差不大，因此可以将多个空调房间进行聚合，得到一个聚合空调。
15.所述的空调负荷聚合模型采用基于蒙特卡洛模拟法的空调负荷聚合模型，蒙特卡洛模拟法是一种基于随机抽样的统计试验方法，基本原理是通过数字模拟试验，得到所要求解的出现某种事件的概率，作为问题的近似解，蒙特卡洛模拟方法包括以下步骤：
16.步骤2.11：构建问题的概率分布模型：对于本身就具有随机性质的问题，主要是正确描述和模拟这个概率过程，对于本来不是随机性质的确定性问题，就需要先构造一个人为的概率过程，它的某些参量正好是所要求问题的解；
17.步骤2.12：实现从已知概率分布抽样：根据概率分布抽取随机变量或者随机向量；
18.步骤2.13：建立各种估计量：实现模拟实验之后，需要确定一个随机变量为模型的解，建立各种估计量，相当于对模拟实验结果进行考察和登记，从中选择问题的解；
19.分散式空调负荷在聚合时各自的参数以及初始状态具有随机性，各空调工作过程是相对独立、互不干扰的随机过程，采用蒙特卡洛模拟法可以有效地实现空调负荷参数的
多样性，因此采用基于蒙特卡洛的抽样统计方法，建立了空调负荷的聚合模型：首先提取空调个体建模需要的参数：空调额定功率p、房间等效热容c、房间等效热阻r，然后利用蒙特卡洛模拟的方法构建概率模型，空调房间等效热容c、等效热阻r、能效比均服从高斯分布,最后从参数空间中按照各参数的概率分布进行抽样，每次抽取的结果分别作为各个个体空调模型的运行参数,假设某商业建筑有m台空调，每台空调的额定功率为pi，所有的空调均为定频空调，每台空调的运行状态为si，根据大数定律，该小区的空调负荷聚合模型的实时功率以及运行状态为：个体空调的运行状态为：根据中心极限定律，参与聚合的空调数量决定了蒙特卡洛模拟的精确度，且误差随着空调数量的增大而减小，在参与聚合的空调台数足够大的场景下，蒙特卡洛法聚合所得的结果误差近似为零，精确度极高，在数目没有足够大而空调参数分散范围太广时，可以将空调按照同质类分组聚合，提高聚合结果的精度，个体空调模型里面的参数取值服从一定的概率分布，不同空调的取值相对独立，但又有一定的关联，比如功率越大的个体空调，其房间的面积一般会更大，那么房间的等效热容和等效热阻的取值也会更大，为了得到更精准的结果，可以将空调按照不同功率进行分组，不同组的聚合模型的参数具有不同的概率分布模型，能效比、等效热容和等效热阻在一定范围内按照概率模型随机选取，概率分布为高斯型连续分布，考虑空调额定制冷量qr、房间等效热阻r和房间等效热容c的差异形成的异质性，以内部参数差异较大的受控群为研究对象，提出分组及聚类预处理的方法，使得同一聚类群中受控端的参数尽可能相似，无论是家用还是工商业用定频空调，其额定制冷量遵循一定的规格，呈现出数值离散化特征，使得根据额定制冷量大小将空调群分成有限组，组内空调额定制冷量相同成为了可能，在预处理阶段，先将具有相同额定制冷量的空调分为一组，共m组；分组后，对于第p(1≤p≤m)个空调组，通过聚类降低组内个体响应速度即温升/温降速率之间的差异；当空调所处区域室外温度相同时，位于同一状态单元即室内温度相近、启停状态一致的空调其温升/温降速率与两项指标和有关，在实际应用中，负荷聚合商可通过参数辨识得到这两项特征指标。
20.所述的空调负荷聚合模型采用模糊c-均值聚类算法，基于这两项指标对m个空调组分别进行聚类，每组形成q个聚类群，用各聚类中心分别代表m
×
q个聚类群群内个体的特征指标，具体包括以下步骤：
21.步骤
①
：设x为经额定制冷量分组后，第p个空调组中全体n
p
个空调的两项特征指标构成的数据矩阵，记x
jmax
为该组空调中第j项指标的最大值，经标准化处理后的矩阵
22.步骤
②
：设定每组聚类数q以及迭代停止阈值ε在矩阵中随机抽取q个样本，将q个样本的值赋给初始聚类中心z
l
(l＝1,2,...,q)，z
l
＝[z
l1
,z
l2
]；
[0023]
步骤
③
：设x
′k是该组中第k(1≤k≤n
p
)样本，x
′k＝[x
′
k1
,x
′
k2
]，对矩阵x
′
中所有样本x
′k分别计算其到各聚类中心的欧氏距离dk，式中，d
lk
为样
本到第个聚类中心的欧氏距离；d
hk
为样本到各个聚类中心的欧氏距离；
[0024]
步骤
④
：计算所有样本x
′k对各类的隶属度u
lk
，
[0025]
步骤
⑤
：更新各聚类中心z
l
，
[0026]
步骤
⑥
：计算此次迭代的目标函数f(t)，f(t)与前一次迭代得到的目标函数f(t-1)进行比较，若f(t)-f(t-1)＞ε则继续转步骤
③
操作，否则聚类过程结束，以z
l
作为最终聚类中心；比较每一样本x
′k对各聚类中心的隶属度大小，若u
lk
最大，则将该空调个体归到第l类。
[0027]
所述的空调负荷需求响应削峰潜力具体为：调负荷参与需求侧响应的目的是主动参与电网调峰，当夏季的某一天，电网公司发出指令需要进行调峰时，空调负荷参与需求响应后的负荷削减量越大，需求响应深度越大；可持续时间越长，需求响应潜力越大，现在将这一指标量化，记为需求响应深度乘以需求响应持续的时间，单位为kw
·
min，则需求响应能力为：式中，pn为需求响应之前的负荷功率，单位kw；p
t
为需求响应之后的负荷功率，单位kw；t1为需求响应开始时刻；t2为需求响应结束时刻。
[0028]
所述的空调负荷需求响应削峰潜力为求得聚合空调的可调度潜力，采用需求响应削峰优化模型进行分析，具体包括以下步骤：
[0029]
步骤2.21：目标函数：假设电网公司将需求响应指令下达给所有负荷聚合商，负荷聚合商数量为m，每个负荷聚合商控辖一定数量的空调，若负荷聚合商m控辖台n空调，在x时刻第i台空调的功率为pi(x)，状态为si(x)，且si(x)＝0表示空调关闭，si(x)＝1表示空调开启，则需求响应时段内下负荷聚合商的总负荷功率为：所有负荷聚合商在需求响应时段内的总空调负荷功率为：需求响应的目标是尽可能将需求响应能力si最大化，在原始负荷功率一定的前提下，可等价于需求响应时段内总负荷功率最小，则目标函数为：
[0030]
步骤2.22：约束条件：为了满足人体舒适度的要求，空调聚合模型无法直接表示出空调运行过程中的温度上下限约束，需要利用空调状态的分布范围与数量来得到在室内温度限度约束下空调聚合模型的约束条件，m个空调在t时刻的聚合模型的功率为：可知聚合模型的功率只与目前处于开机状态的空调有关，那么t时刻单个空调处于开启状态的概率p
on,i
与开启时间占整个运行周期的占空比有关：
当聚合的空调数目足够大时，可以根据大数定律，得到m个空调负荷的聚合模型的功率可以近似等于每一台空调的概率乘上开机概率再求之和，即：当聚合小组内空调功率相等时，即pi＝p，t时刻单个空调处于开启状态的概率p
on,i
计算公式为：根据不等式变换，可以将上式进一步变换为：可以得到空调聚合模型的功率上下限为：上式是空调聚合负荷功率可调节的最大范围，式中，t
out
为室外温度；t
max
为室内设定温度最大值；t
min
为室内设定温度最小值；在不考虑人体舒适度的要求时，可以将空调集群的聚合功率是在此范围中的任一功率，但是当空调出力作为优化目标时，房间的温度可能会超出温度范围，所以在优化计算中不仅采用聚合功率的上下限作为约束条件，还需要考虑空调状态之前的累积量，而当直接以室内温度设为约束条件时会发现实际的室温测量难以实现，并且信息的传输也存在着延迟，可以利用空调开启和关闭的时间来代替实时室温作为约束条件，如果要满足房间温度不超出舒适度范围，空调开关时间需要满足每个周期内的关闭时间不大于最大连续关闭时间，并且每个时间的房间出力不超过之前所有时间累加起来的蓄冷量，即：根据上式可以得到聚合模型功率基于人体舒适度的范围：当聚合模型的功率满足上下限范围以及开关时间约束时，总有一种控制策略可以使聚合模型里面的每一台空调都满足人体舒适度的温度范围；
[0031]
步骤2.23：模型求解：由于定频空调的功率是离散的，停运时功率为0，开启时功率为额定功率，当空调聚合在一起时聚合负荷的功率也会是离散的，采用离散粒子群算法进行求解。
[0032]
所述的步骤2.23中的模型求解采用离散粒子群算法进行求解，具体为：粒子群算
法即pso算法起源于对鸟群的研究，通过迭代进行寻优，不需要调整过多的参数，由于粒子群算法只适用于解决连续问题，因此采用离散粒子群算法即bpso算法，在bpso算法中，速度矢量不是粒子位置变化的速率，而是粒子位置变化的概率；也就是说，速度矢量以一定的概率表示粒子的位置状态1或0，在bpso算法中，下式描述了每个粒子的速度更新公式，并给出了每个粒子的位置更新公式：式中，是第i个粒子找到的最佳位置；是整个粒子群找到的最佳位置；分别表示d维搜索空间中第k次迭代中第i个粒子的速度和位置；c1、c2是学习因子；r1、r2、r3是均匀分布在0和1之间的随机数；利用sigmoid函数将速度转化为约束在区间[0，1]内的概率，并定义sigmoid函数为：采用离散粒子群算法对上述优化模型进行求解包括以下步骤：
[0033]
步骤2.31：确定粒子的数量及迭代次数：通常情况下，粒子的维度即为聚合空调的数目，粒子的数量为了方便算例分析时对比结果，设状态粒子有100个，迭代次数分别为50次；
[0034]
步骤2.32：状态粒子的初始化：随机初始化粒子的位置和速度；
[0035]
步骤2.33：极值的初始化：将粒子的初始位置作为其个体极值纵向比较个体极值从而找到群体极值将群体极值对应的粒子做为最佳粒子完成极值的初始化；
[0036]
步骤2.34：令状态粒子的迭代次数k＝1；
[0037]
步骤2.35：更新状态粒子的位置和速度：记录当下粒子i当前的最佳位置及其对应的最优目标函数值判断是否更新与纵向比较粒子的个体最佳位置得到群体最佳位置及其对应的最优目标函数值判断是否更新最佳粒子与
[0038]
步骤2.36：令k＝k+1，判断是否满足收敛条件，若不满足，跳回步骤2.35；若满足，输出状态粒子的最优目标函数值
[0039]
本发明的有益效果：本发明为一种商业建筑空调负荷可调度潜力评估方法，在使用中，它包括以下步骤：商业建筑空调负荷可调度潜力评估；聚合空调负荷群可调度潜力评估；算例分析；本发明通过构建空调负荷聚合模型表明在一定的温湿度范围内，短时间内让室温升高(或降低)，并不会影响到人体舒适度，而调整室内温度对空调能耗的影响非常大，在电网出现功率不平衡时，可短期微调建筑物内部空调的温度设定值，在不影响用户用电体验的同时，节约大量电力，起到需求响应效果；通过构建空调负荷需求响应削峰潜力模型进行商业建筑空调负荷的可调节潜力计算，并建立约束条件，最终获得可调度潜力，使得商
业建筑空调负荷资源通过参与电网调控运行，可充分挖掘其可调度潜力，对负荷资源进行优化整合，从而提升了电网平衡能力和平衡手段，大大提高电网调分布式灵活调节资源的把控能力；本发明具有充分挖掘可调度潜力、提升调动能力、提升电网平衡能力的优点。
附图说明
[0040]
图1为本发明的工作日空调功率曲线示意图。
[0041]
图2为本发明的休息日空调功率曲线示意图。
[0042]
图3为本发明的空调设定温度上调1℃功率曲线变化示意图。
[0043]
图4为本发明的空调设定温度上调1℃时可调度潜力示意图。
[0044]
图5为本发明的空调不同设定温度下功率曲线示意图。
[0045]
图6为本发明的空调不同设定温度下可调度潜力示意图。
[0046]
图7为本发明的单个空调热量传递模型示意图。
[0047]
图8为本发明的聚合空调热量传递模型示意图。
[0048]
图9为本发明的空调群分组聚类示意图。
[0049]
图10为本发明的需求响应前后负荷功率曲线示意图。
[0050]
图11为本发明的离散粒子群算法流程图。
[0051]
图12为本发明的不同调控温度下空调功率示意图。
具体实施方式
[0052]
下面结合附图对本发明做进一步的说明。
[0053]
实施例1
[0054]
如图1-12所示，一种商业建筑空调负荷可调度潜力评估方法，它包括以下步骤：
[0055]
步骤1：商业建筑空调负荷可调度潜力评估；
[0056]
步骤2：聚合空调负荷群可调度潜力评估；
[0057]
步骤3：算例分析。
[0058]
本发明为一种商业建筑空调负荷可调度潜力评估方法，在使用中，它包括以下步骤：商业建筑空调负荷可调度潜力评估；聚合空调负荷群可调度潜力评估；算例分析；本发明通过构建空调负荷聚合模型表明在一定的温湿度范围内，短时间内让室温升高(或降低)，并不会影响到人体舒适度，而调整室内温度对空调能耗的影响非常大，在电网出现功率不平衡时，可短期微调建筑物内部空调的温度设定值，在不影响用户用电体验的同时，节约大量电力，起到需求响应效果；通过构建空调负荷需求响应削峰潜力模型进行商业建筑空调负荷的可调节潜力计算，并建立约束条件，最终获得可调度潜力，使得商业建筑空调负荷资源通过参与电网调控运行，可充分挖掘其可调度潜力，对负荷资源进行优化整合，从而提升了电网平衡能力和平衡手段，大大提高电网调分布式灵活调节资源的把控能力；本发明具有充分挖掘可调度潜力、提升调动能力、提升电网平衡能力的优点。
[0059]
实施例2
[0060]
如图1-12所示，一种商业建筑空调负荷可调度潜力评估方法，它包括以下步骤：
[0061]
步骤1：商业建筑空调负荷可调度潜力评估；
[0062]
步骤2：聚合空调负荷群可调度潜力评估；
[0063]
步骤3：算例分析。
[0064]
所述的步骤1中的商业建筑空调负荷可调度潜力评估具体为：常见的空调控制策略一般有开关控制和调整温度设定值两种，开关控制的潜力最大，但会对设备和用户的用电舒适度造成影响，属于刚性控制；调整温度设定值策略属于柔性控制，可以依托空调本身的恒温控制器来控制温度设定值的变化，无需直接对空调进行开关，对电器和用户的影响较小，在实际中应用更为广泛，采用对楼宇空调采用调整温度设定值策略，并通过energyplus能耗分析对其进行可调度潜力评估。
[0065]
所述的energyplus对单个典型建筑响应潜力进行评估包括以下步骤：
[0066]
步骤1.1：输入某典型建筑模型数据和该地区典型气象数据，仿真基准情况下该类型建筑的全年用电功率；
[0067]
步骤1.2：在模型文件中其它参数不变的情况下，调整hvac系统单元中空调温度设定值δθ
set
再进行仿真分析；
[0068]
步骤1.3：详细分析δθ
set
变化前后建筑用电功率的改变值，计算建筑在调节hvac策略下的响应潜力；采用全局温度控制即gta策略，即所有空调负荷的温度设定值调整量δθ
set
相同，假设用户响应标准差δh与δθ
set
之间呈线性相关关系：δh＝kδθ
set
，即，温度设定值调整量越大，用户响应的个性化、离散程度越大。
[0069]
在本实施例中，以典型中型办公楼为例，取夏季7-9月份期间气象数据进行仿真，正常情况下办公楼内hvac系统温度设定值为24℃，此状态为本次评估中建筑楼宇的基准运行状态，该建筑楼宇工作日与休息日的典型日负荷曲线如图1-2所示，从图中可以看出，在工作日，从早上6:00开始，该办公楼随着楼内人员陆续上班而用电功率逐步上升，8:00前后是工作人员到达的高峰期，造成此时用电功率急速增长，随后，从8:00～17:00之间用电功率基本保持稳定，这一时段楼内用电功率的增、减量主要受外界温度影响，且与外界温度变化趋势一致，17:00后随着工作人员陆续下班用电功率迅速下降，到夜间21:00～06:00之间整栋办公楼的用电功率维持在基本用电功率40kw左右，而休息日，由于没有人员上班，因此整栋楼全天24h的用电功率都维持在40kw上下；
[0070]
在夏季某典型气象日(此日为工作日)，将hvac系统温度设定值上调1℃，重新在软件energyplus中进行仿真，该建筑的用电功率及响应潜力如图3所示，可以看出，在正常上班时间8:00～17:00之间，hvac系统温度设定值上调1℃后，可减少该办公楼内的用电功率约8％～12％左右，平均值为10％，阴影部分即为商业办公楼空调设定温度值上调1摄氏度时的可调度潜力，可以用图4直观表示，同理，在保证楼内办公人员用电舒适度的前提下，分别将hvac系统温度设定值上调1℃、2℃、3℃和下调-1℃、-2℃、-3℃后，可以得到中型办公楼在正常上班时间内的用电功率及响应潜力分别如图5和图6所示，为便于观察，将图5和图6所得到的空调不同设定温度下可调度潜力可以看出：(1)在夏季负荷高峰期，通过上调hvac系统的温度设定值，中型办公楼的调节潜力约在10％上下，可控潜力巨大，但受外界温度及其它因素的影响，每个时段的调节潜力不同；(2)hvac系统温度设定值提高2℃和3℃，办公楼的dr潜力相差不大，这是由于空调制冷量饱和引起的，受到空调制冷能力的限制，即使继续上调温控设定值，空调已经没有调节空间，同理，hvac系统温度设定值下调-2℃和-3℃，办公楼的dr潜力也相近，这是由于空调制热量饱和引起的。
[0071]
所述的步骤2中的聚合空调负荷群可调度潜力评估包括：空调负荷聚合模型和空
调负荷需求响应削峰潜力。
[0072]
所述的空调负荷聚合模型具体为：典型商业建筑分成大型办公楼、中型办公楼、小型办公楼、仓库、零售百货、宾馆共16类，其可调度负荷主要为空调设备，在热环境中，人体的热舒适标准为：温度为24.5℃，相对湿度为50％，而人体可以接受的温度上限是26～28℃，相对湿度范围是30％～60％，这表明，在一定的温湿度范围内，短时间内让室温升高或降低，并不会影响到人体舒适度，而调整室内温度对空调能耗的影响非常大，在电网出现功率不平衡时，可短期微调建筑物内部空调的温度设定值，在不影响用户用电体验的同时，节约大量电力，起到需求响应效果；空调负荷作为重要的互动资源，当前最主要的空调负荷建模方法是等效热参数模型，空调负荷的热力学特性主要是热储存特性和绝热特性，以空调负荷制冷为例，其热量传递模型如图7所示，图7中p
o,i
表示外界环境传递到房间的热量；ηipi为空调做功从房间内向室外搬运的热量，其中ηi和pi分别为空调功率和制冷能效系数；当p
o,i
≠ηipi时，室内温度ti将会发生变化，根据热力学原理可以得到单个空调负荷模型，其一阶常微分方程方程表示为：式中，i为房间序数；ta为室外温度，单位℃；ti为房间i室内温度，单位℃；ci为房间i热容,单位kwh/℃；pi(t)为t时刻房间i空调运行功率，单位kw；η为空调能效比；gi为i绝热参数，单位kw/℃，mi(t)为空调i在t时刻的开关状态，1表示开，0表示关；t
set,i
表示空调设定温度；δ为温度死区；单个空调负荷对电网的影响很小，因此需要将空调进行聚合，进行有效地控制，以达到互动效果，由于空调负荷制冷原理相同，房间内温度变化及储热的热力学原理相同，而且室内温度相差不大，因此可以将多个空调房间进行聚合，得到一个聚合空调，聚合空调热量传递过程如图8所示。
[0073]
所述的空调负荷聚合模型采用基于蒙特卡洛模拟法的空调负荷聚合模型，蒙特卡洛模拟法是一种基于随机抽样的统计试验方法，基本原理是通过数字模拟试验，得到所要求解的出现某种事件的概率，作为问题的近似解，蒙特卡洛模拟方法包括以下步骤：
[0074]
步骤2.11：构建问题的概率分布模型：对于本身就具有随机性质的问题，主要是正确描述和模拟这个概率过程，对于本来不是随机性质的确定性问题，就需要先构造一个人为的概率过程，它的某些参量正好是所要求问题的解；
[0075]
步骤2.12：实现从已知概率分布抽样：根据概率分布抽取随机变量或者随机向量；
[0076]
步骤2.13：建立各种估计量：实现模拟实验之后，需要确定一个随机变量为模型的解，建立各种估计量，相当于对模拟实验结果进行考察和登记，从中选择问题的解；
[0077]
分散式空调负荷在聚合时各自的参数以及初始状态具有随机性，各空调工作过程是相对独立、互不干扰的随机过程，采用蒙特卡洛模拟法可以有效地实现空调负荷参数的多样性，因此采用基于蒙特卡洛的抽样统计方法，建立了空调负荷的聚合模型：首先提取空调个体建模需要的参数：空调额定功率p、房间等效热容c、房间等效热阻r，然后利用蒙特卡洛模拟的方法构建概率模型，空调房间等效热容c、等效热阻r、能效比均服从高斯分布,最后从参数空间中按照各参数的概率分布进行抽样，每次抽取的结果分别作为各个个体空调模型的运行参数,假设某商业建筑有m台空调，每台空调的额定功率为pi，所有的空调均为定频空调，本发明不考虑变频空调，每台空调的运行状态为si，根据大数定律，该小区的空
调负荷聚合模型的实时功率以及运行状态为：调负荷聚合模型的实时功率以及运行状态为：个体空调的运行状态为：根据中心极限定律，参与聚合的空调数量决定了蒙特卡洛模拟的精确度，且误差随着空调数量的增大而减小，在参与聚合的空调台数足够大的场景下，蒙特卡洛法聚合所得的结果误差近似为零，精确度极高，在数目没有足够大而空调参数分散范围太广时，可以将空调按照同质类分组聚合，提高聚合结果的精度，个体空调模型里面的参数取值服从一定的概率分布，不同空调的取值相对独立，但又有一定的关联，比如功率越大的个体空调，其房间的面积一般会更大，那么房间的等效热容和等效热阻的取值也会更大，为了得到更精准的结果，可以将空调按照不同功率进行分组，不同组的聚合模型的参数具有不同的概率分布模型，能效比、等效热容和等效热阻在一定范围内按照概率模型随机选取，概率分布为高斯型连续分布，考虑空调额定制冷量qr、房间等效热阻r和房间等效热容c的差异形成的异质性，以内部参数差异较大的受控群为研究对象，提出分组及聚类预处理的方法，使得同一聚类群中受控端的参数尽可能相似，无论是家用还是工商业用定频空调，其额定制冷量遵循一定的规格，呈现出数值离散化特征，使得根据额定制冷量大小将空调群分成有限组，组内空调额定制冷量相同成为了可能，在预处理阶段，先将具有相同额定制冷量的空调分为一组，共m组；分组后，对于第p(1≤p≤m)个空调组，通过聚类降低组内个体响应速度即温升/温降速率之间的差异；当空调所处区域室外温度相同时，位于同一状态单元即室内温度相近、启停状态一致的空调其温升/温降速率与两项指标和有关，在实际应用中，负荷聚合商可通过参数辨识得到这两项特征指标。
[0078]
所述的空调负荷聚合模型采用模糊c-均值聚类算法，基于这两项指标对m个空调组分别进行聚类，每组形成q个聚类群，用各聚类中心分别代表m
×
q个聚类群群内个体的特征指标，具体包括以下步骤：
[0079]
步骤
①
：设x为经额定制冷量分组后，第p个空调组中全体n
p
个空调的两项特征指标构成的数据矩阵，记x
jmax
为该组空调中第j项指标的最大值，经标准化处理后的矩阵
[0080]
步骤
②
：设定每组聚类数q以及迭代停止阈值ε在矩阵中随机抽取q个样本，将q个样本的值赋给初始聚类中心z
l
(l＝1,2,...,q)，z
l
＝[z
l1
,z
l2
]；
[0081]
步骤
③
：设x
′k是该组中第k(1≤k≤n
p
)样本，x
′k＝[x
′
k1
,x
′
k2
]，对矩阵x
′
中所有样本x
′k分别计算其到各聚类中心的欧氏距离dk，式中，d
lk
为样本到第个聚类中心的欧氏距离；d
hk
为样本到各个聚类中心的欧氏距离；
[0082]
步骤
④
：计算所有样本x
′k对各类的隶属度u
lk
，
[0083]
步骤
⑤
：更新各聚类中心z
l
，
[0084]
步骤
⑥
：计算此次迭代的目标函数f(t)，f(t)与前一次迭代得到的目标函数f(t-1)进行比较，若f(t)-f(t-1)＞ε则继续转步骤
③
操作，否则聚类过程结束，以z
l
作为最终聚类中心；比较每一样本x
′k对各聚类中心的隶属度大小，若u
lk
最大，则将该空调个体归到第l类，对负荷群进行分组聚类预处理的流程如图9所示，本发明采用分组控制空调负荷的方法，按照空调的功率把空调分为m组，先聚合每小组里面的空调，再聚合所有组的空调，则空调负荷聚合模型的运行状态以及实时功率可以表示为：聚合所有组的空调，则空调负荷聚合模型的运行状态以及实时功率可以表示为：
[0085]
所述的空调负荷需求响应削峰潜力具体为：调负荷参与需求侧响应的目的是主动参与电网调峰，当夏季的某一天，电网公司发出指令需要进行调峰时，空调负荷参与需求响应后的负荷削减量越大，需求响应深度越大；可持续时间越长，需求响应潜力越大，现在将这一指标量化，记为需求响应深度乘以需求响应持续的时间，单位为kw
·
min，如图10所示，阴影部分的面积表示需求响应能力为：式中，pn为需求响应之前的负荷功率，单位kw；p
t
为需求响应之后的负荷功率，单位kw；t1为需求响应开始时刻；t2为需求响应结束时刻。
[0086]
所述的空调负荷需求响应削峰潜力为求得聚合空调的可调度潜力，采用需求响应削峰优化模型进行分析，具体包括以下步骤：
[0087]
步骤2.21：目标函数：假设电网公司将需求响应指令下达给所有负荷聚合商，负荷聚合商数量为m，每个负荷聚合商控辖一定数量的空调，若负荷聚合商m控辖台n空调，在x时刻第i台空调的功率为pi(x)，状态为si(x)，且si(x)＝0表示空调关闭，si(x)＝1表示空调开启，则需求响应时段内下负荷聚合商的总负荷功率为：所有负荷聚合商在需求响应时段内的总空调负荷功率为：需求响应的目标是尽可能将需求响应能力si最大化，在原始负荷功率一定的前提下，可等价于需求响应时段内总负荷功率最小，则目标函数为：
[0088]
步骤2.22：约束条件：为了满足人体舒适度的要求，空调聚合模型无法直接表示出空调运行过程中的温度上下限约束，需要利用空调状态的分布范围与数量来得到在室内温度限度约束下空调聚合模型的约束条件，m个空调在t时刻的聚合模型的功率为：可知聚合模型的功率只与目前处于开机状态的空调有关，那么t时刻单
个空调处于开启状态的概率p
on,i
与开启时间占整个运行周期的占空比有关：当聚合的空调数目足够大时，可以根据大数定律，得到m个空调负荷的聚合模型的功率可以近似等于每一台空调的概率乘上开机概率再求之和，即：当聚合小组内空调功率相等时，即pi＝p，t时刻单个空调处于开启状态的概率p
on,i
计算公式为：根据不等式变换，可以将上式进一步变换为：可以得到空调聚合模型的功率上下限为：上式是空调聚合负荷功率可调节的最大范围，式中，t
out
为室外温度；t
max
为室内设定温度最大值；t
min
为室内设定温度最小值；在不考虑人体舒适度的要求时，可以将空调集群的聚合功率是在此范围中的任一功率，但是当空调出力作为优化目标时，房间的温度可能会超出温度范围，所以在优化计算中不仅采用聚合功率的上下限作为约束条件，还需要考虑空调状态之前的累积量，而当直接以室内温度设为约束条件时会发现实际的室温测量难以实现，并且信息的传输也存在着延迟，可以利用空调开启和关闭的时间来代替实时室温作为约束条件，如果要满足房间温度不超出舒适度范围，空调开关时间需要满足每个周期内的关闭时间不大于最大连续关闭时间，并且每个时间的房间出力不超过之前所有时间累加起来的蓄冷量，即：根据上式可以得到聚合模型功率基于人体舒适度的范围：当聚合模型的功率满足上下限范围以及开关时间约束时，总有一种控制策略可以使聚合模型里面的每一台空调都满足人体舒适度的温度范围；
[0089]
步骤2.23：模型求解：由于定频空调的功率是离散的，停运时功率为0，开启时功率为额定功率，当空调聚合在一起时聚合负荷的功率也会是离散的，采用离散粒子群算法进行求解。
[0090]
所述的步骤2.23中的模型求解采用离散粒子群算法进行求解，具体为：粒子群算法即pso算法起源于对鸟群的研究，通过迭代进行寻优，不需要调整过多的参数，由于粒子群算法只适用于解决连续问题，因此采用离散粒子群算法即bpso算法，在bpso算法中，速度
矢量不是粒子位置变化的速率，而是粒子位置变化的概率；也就是说，速度矢量以一定的概率表示粒子的位置状态1或0，在bpso算法中，下式描述了每个粒子的速度更新公式，并给出了每个粒子的位置更新公式：式中，是第i个粒子找到的最佳位置；是整个粒子群找到的最佳位置；分别表示d维搜索空间中第k次迭代中第i个粒子的速度和位置；c1、c2是学习因子；r1、r2、r3是均匀分布在0和1之间的随机数；利用sigmoid函数将速度转化为约束在区间[0，1]内的概率，并定义sigmoid函数为：采用离散粒子群算法对上述优化模型进行求解包括以下步骤：
[0091]
步骤2.31：确定粒子的数量及迭代次数：通常情况下，粒子的维度即为聚合空调的数目，粒子的数量为了方便算例分析时对比结果，设状态粒子有100个，迭代次数分别为50次；
[0092]
步骤2.32：状态粒子的初始化：随机初始化粒子的位置和速度；
[0093]
步骤2.33：极值的初始化：将粒子的初始位置作为其个体极值纵向比较个体极值从而找到群体极值将群体极值对应的粒子做为最佳粒子完成极值的初始化；
[0094]
步骤2.34：令状态粒子的迭代次数k＝1；
[0095]
步骤2.35：更新状态粒子的位置和速度：记录当下粒子i当前的最佳位置及其对应的最优目标函数值判断是否更新与纵向比较粒子的个体最佳位置得到群体最佳位置及其对应的最优目标函数值判断是否更新最佳粒子与
[0096]
步骤2.36：令k＝k+1，判断是否满足收敛条件，若不满足，跳回步骤2.35；若满足，输出状态粒子的最优目标函数值离散粒子群的算法流程图如图11所示。
[0097]
在本实施例中，算例分析具体为：设商业写字楼主要参数设置如下：
[0098]
1)设参与互动的空调数量有100台，按照区域大小设定有三种额定功率的空调，分别为1kw、2kw、3kw，额定功率为1kw的空调数量为40台，额定功率为2kw的空调数量为30台，额定功率为3kw的空调数量为30台；
[0099]
2)每台空调的制冷能效比以及房间的等效热容c、等效热阻r均采用连续高斯分布生成，空调负荷参数配置如表1所示；
[0100]
3)用户的初始室温t
in
(0)采用均匀分布随机产生；
[0101]
4)假定相同的室外温度32℃，规定温度设定值一致为25℃，改变温度范围裕度，温
度变化的范围区间分为[24℃,26℃]、[23℃,27℃]、[22℃,28℃]。
[0102]
表1空调负荷参数配置
[0103][0104]
通过matlab进行求解，得到不同温度范围裕度下的聚合空调总负荷功率的变化如图12所示，从图中可以看出，该地区夏季12:00-14:00时段为用电高峰期，因为空调的大量使用，易造成电力系统电力的供应不足，此时电网需要进行需求响应的响应，7:00-18:00这12个时段是需求响应事件发生时间，为了尽可能的减小这部分的峰值负荷，空调负荷群均会在前半小时及x取1:00-6:00的时段，通过利用空调所具有的热储能特性，提前将空调房间的温度降到最低，储存一定的冷量，到需求响应事件到来时再释放冷量；当温度设定值一定时，温度的范围越大，削峰容量越大，需求响应能力越大，温度的范围的上下限分别决定了空调的连续停用时间τ
off
和连续启动时间τ
on
，所以温度范围越大代表着空调群的可调裕度越大。
[0105]
本发明为一种商业建筑空调负荷可调度潜力评估方法，在使用中，它包括以下步骤：商业建筑空调负荷可调度潜力评估；聚合空调负荷群可调度潜力评估；算例分析；本发明通过构建空调负荷聚合模型表明在一定的温湿度范围内，短时间内让室温升高(或降低)，并不会影响到人体舒适度，而调整室内温度对空调能耗的影响非常大，在电网出现功率不平衡时，可短期微调建筑物内部空调的温度设定值，在不影响用户用电体验的同时，节约大量电力，起到需求响应效果；通过构建空调负荷需求响应削峰潜力模型进行商业建筑空调负荷的可调节潜力计算，并建立约束条件，最终获得可调度潜力，使得商业建筑空调负荷资源通过参与电网调控运行，可充分挖掘其可调度潜力，对负荷资源进行优化整合，从而提升了电网平衡能力和平衡手段，大大提高电网调分布式灵活调节资源的把控能力；本发明具有充分挖掘可调度潜力、提升调动能力、提升电网平衡能力的优点。