基于需求响应的负荷反弹量优化、负荷调节方法及系统

技术领域

本发明属于电力需求侧管理技术领域，具体涉及一种基于需求响应的负荷反弹量优化、负荷调节方法及系统。

背景技术

随着需求的增加，各种新型发电方式主导的间歇性新能源大规模地接入到了电网之中，这大大增加了电力负荷的波动，也增加了电力潮流的不稳定性，对电网系统稳健运行造成了巨大的威胁。同时，这种情况也促使着人们对电网的自适应能力提出更高的要求。另一方面，虽然电网整体的供需相对比较平衡，不会出现大规模崩溃现象，但是在某些地区的电力负荷高峰期，仍然会出现阶段性、局部性的紧张状态。

在实际需求响应负荷调控过程中，当用户负荷结束受控，再一次转换到运行状态时，出现的负荷反弹对用电峰值的调整起到了很大的影响作用，甚至可以造成新一轮的负荷高峰，造成更大的威胁，同时也对峰值负荷的削减提出了新的约束。

发明内容

本发明的目的在于提供一种基于需求响应的负荷反弹量优化、负荷调节方法及系统，用以解决现有技术中的响应控制技术在控制期结束后出现的负荷反弹问题等问题。

为了实现上述任务，本发明采用以下技术方案：

基于需求响应的负荷反弹量优化方法，包括如下步骤：

步骤1：建立室内空调负荷模型；

步骤2：采用直接负荷控制方法对室内空调负荷模型进行模拟，得到室内空调负荷模型的运行参数，采用最小二乘法对室内空调负荷模型的运行参数进行参数拟合，获得拟合方程，将拟合方程作为负荷反弹最小的目标函数；

步骤3：建立整体降负荷目标函数，将室内温度上限、控制时长、参与负荷数作为约束条件，采用NSGA2算法对整体降负荷目标函数和步骤2得到的负荷反弹最小的目标函数求解，获得室内空调负荷反弹量；

步骤4：将步骤3得到的室内空调负荷反弹量通过PD控制算法进行优化，获得优化后的负荷反弹量。

进一步的，步骤1中先通过一阶等效热参数法建立单体空调负荷模型，然后通过蒙特卡洛模拟法获得室内空调负荷模型，所述室内空调负荷模型包括聚合的多个空调。

进一步的，步骤1建立室内空调负荷模型后还包括如下步骤：

步骤a1：获取空调负荷历史数据，所述空调负荷历史数据包括采集日历史数据和预测日历史数据；

步骤a2：根据将室内空调负荷模型中的模型参数建立基于Elman神经网络的空调负荷预测模型，将采集日历史数据和预测日历史数据输入空调负荷预测模型进行训练，得到训练好的空调负荷预测模型；

步骤a3：获取训练好的空调负荷预测模型的模型参数，用训练好的空调负荷预测模型的模型参数更新室内空调负荷模型的模型参数，获得更新后的室内空调负荷模型。

进一步的，步骤2中负荷反弹最小的目标函数J

其中，x

进一步的，步骤3将室内温度上限、控制时长、参与负荷数作为约束条件包括：

控制时长的约束条件为式Ⅱ和式Ⅲ：

τ

其中，τ

室内温度上限的约束条件为式Ⅳ：

其中，T(τ

一种负荷调节方法，用于抑制在需求响应控制时期出现的负荷反弹现象，包括如下步骤：

步骤A：根据负荷反弹量优化方法，获得优化后的负荷反弹量；

步骤B：根据获得的优化后的负荷反弹量进行负荷控制和调节。

基于需求响应的负荷反弹量优化系统，包括模型建立模块、负荷控制模块、室内空调负荷反弹量计算模块和优化模块；

所述模型建立模块用于建立室内空调负荷模型；

所述负荷控制模块采用直接负荷控制方法对室内空调负荷模型进行模拟，得到室内空调负荷模型的运行参数，采用最小二乘法对室内空调负荷模型的运行参数进行参数拟合，获得拟合方程，将拟合方程作为负荷反弹最小的目标函数；

所述室内空调负荷反弹量计算模块用于建立整体降负荷目标函数，将室内温度上限、控制时长、参与负荷数作为约束条件，采用NSGA2算法对整体降负荷目标函数和负荷反弹最小的目标函数求解，获得室内空调负荷反弹量；

所述优化模块用于将室内空调负荷反弹量计算模块得到的室内空调负荷反弹量通过PD控制算法进行优化，获得优化后的负荷反弹量。

进一步的，模型建立模块中先通过一阶等效热参数法建立单体空调负荷模型，然后通过蒙特卡洛模拟法获得室内空调负荷模型，所述室内空调负荷模型包括聚合的多个空调。

进一步的，模型建立模块建立室内空调负荷模型后还包括如下步骤：

步骤a1：获取空调负荷历史数据，所述空调负荷历史数据包括采集日历史数据和预测日历史数据；

步骤a2：根据将室内空调负荷模型中的模型参数建立基于Elman神经网络的空调负荷预测模型，将采集日历史数据和预测日历史数据输入空调负荷预测模型进行训练，得到训练好的空调负荷预测模型；

步骤a3：获取训练好的空调负荷预测模型的模型参数，用训练好的空调负荷预测模型的模型参数更新室内空调负荷模型的模型参数，获得更新后的室内空调负荷模型。

进一步的，负荷反弹最小的目标函数J

其中，x

本发明与现有技术相比具有以下技术特点：

(1)本发明是通过MATLAB对建立的模型进行直接负荷控制不同参数下的仿真模拟，获取运行参数以及需求响应控制结束之后负荷反弹量数据。通过对数据进行分析处理，确定了直接负荷控制过程中直接影响负荷反弹量的三个指标：直接负荷控制温度上限、直接负荷控制时长和参与负荷数量。通过对这三个指标和负荷反弹量进行拟合，获取需求响应负荷反弹指标和负荷反弹量之间的关系，从而更好的描述了负荷反弹；

(2)本发明以直接负荷控制温度上限、直接负荷控制时长和参与负荷数量这三个指标所引起的负荷反弹量总和最小为目标，以空调最小启停时间、控制周期长度以及温度上限为约束，对传统直接负荷控制策略进行改进，提出基于直接负荷控制的负荷反弹抑制优化策略，以弥补传统控制策略在负荷反弹方面的不足；

(3)本发明针对基于直接负荷控制的负荷反弹抑制优化策略优化后的数据通过迭代学习进行序列平滑，提出基于迭代学习算法的协同负荷反弹抑制策略，以获得更加平滑的负荷曲线，使冷机、空调机组等设备逐步转变工作状态，可进一步减少系统负荷反弹，可为后续需求响应工作更好地展开提供参考依据。

附图说明

图1为本发明的实施例中空调一阶等效热参数模型；

图2为本发明的实施例中室外温度逐时变化曲线图；

图3为本发明的实施例中一天内用户组1-10的自然负荷变化情况图；

图4为本发明的实施例中用户组6在执行DLC控制后与自然状态全天负荷对比图；

图5为本发明的实施例中控制前后负荷对比；

图6为本发明的实施例中采用PD型迭代学习控制算法优化后负荷曲线图；

图7为迭代学习算法示意图。

具体实施方式

以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。

一阶等效热参数方法：负荷建模是负荷参与需求响应控制的基础，主要描述的是建筑物室内温度与制冷(热)量之间的关系，是需求响应策略的依据。是需求响应策略的依据。如图1所示为现在比较常用的空调系统一阶等效热参数模型。由图1可以得出：

其中，T

NSGA2算法：即带有精英保留策略的快速非支配多目标优化算法，是一种基于Pareto最优解的多目标优化算法。

PD控制算法：一种比例(P)微分(D)控制算法，算法原理如图7所示。

在本实施例中公开了一种负荷反弹量优化方法，包括如下步骤：

步骤1：建立室内空调负荷模型；

步骤2：采用直接负荷控制方法对室内空调负荷模型进行模拟，得到室内空调负荷模型的运行参数，采用最小二乘法对室内空调负荷模型的运行参数进行参数拟合，获得拟合方程，将拟合方程作为负荷反弹最小的目标函数；

本步骤进行模拟时，是对同一工况下不同用户群的数据分别进行模拟，每组用户群的负荷数量和大小均不同，获得多组运行参数，对所有的运行参数进行参数拟合后，得到拟合方程，该拟合方程适用于该同一工况下的任何用户；在本实施例中，工况为夏季用户活跃时间(09:00-21:00)，本方法也适用于其他季节的工况；

步骤3：建立整体降负荷目标函数，将室内温度上限、控制时长、参与负荷数作为约束条件，采用NSGA2算法对整体降负荷目标函数和步骤2得到的负荷反弹最小的目标函数求解，获得室内空调负荷反弹量；

步骤4：将步骤3得到的室内空调负荷反弹量通过PD控制算法进行优化，获得优化后的负荷反弹量。

具体的，建立出的空调负荷模型包括房间温度变化模型、空调启停模型和空调系统制冷量模型，如下所示：

1)房间温度变化模型

其中，Δt表示时间间隔，min；s(t)表示空调的运行状态，等于1的时候表示开启状态，等于0表示关闭状态。

2)空调启停模型

空调房间内温度控制上下限分别为：

式中，T

当室温波动范围为[T

式中，τ

3)空调系统制冷量模型

根据能量守恒定律，一段时间内，空调系统制冷量应该等于围护结构冷负荷、室内热源散热引起的冷负荷、人体散热引起的冷负荷及新风负荷之和；

Q

其中：Q

具体的，步骤1中先通过一阶等效热参数法建立单体空调负荷模型，然后通过能量守恒定律以及蒙特卡洛模拟法获得室内空调负荷模型，所述室内空调负荷模型包括聚合的多个空调。

空调负荷模型中的额定功率P、房间等效热阻R、房间等效热容C均服从对数正态分布。假设某区域中有M台空调，每台空调的额定运行功率为P，假设所有的空调均为定频空调，每台空调的运行状态为s(t)，根据大数定律，该区域中空调负荷聚合模型即室内空调负荷模型的实时运行状态及功率如下。

具体的，步骤1建立室内空调负荷模型后还包括如下步骤：

步骤a1：获取空调负荷历史数据，所述空调负荷历史数据包括采集日历史数据和预测日历史数据；

步骤a2：根据将室内空调负荷模型中的模型参数建立基于Elman神经网络的空调负荷预测模型，将采集日历史数据和预测日历史数据输入空调负荷预测模型进行训练，得到训练好的空调负荷预测模型；

步骤a3：获取训练好的空调负荷预测模型的模型参数，用训练好的空调负荷预测模型的模型参数更新室内空调负荷模型的模型参数，获得更新后的室内空调负荷模型。

具体的，步骤2中负荷反弹最小的目标函数J

其中，x

具体的，整体降负荷目标函数J

J

其中，L

具体的，步骤3将室内温度上限、控制时长、参与负荷数作为约束条件包括：

控制时长的约束条件为式Ⅱ和式Ⅲ：

τ

其中，τ

室内温度上限的约束条件为式Ⅳ：

其中，T(τ

本实施例中还公开了一种基于需求响应的负荷反弹抑制方法，用于抑制在需求响应控制时期出现的负荷反弹现象，包括如下步骤：

步骤A：根据任一种负荷反弹量优化方法，获得优化后的负荷反弹量；

步骤B：根据获得的优化后的负荷反弹量进行负荷控制和调节。

本实施例中还公开了一种负荷反弹量优化系统，包括模型建立模块、负荷控制模块、室内空调负荷反弹量计算模块和优化模块；

所述模型建立模块用于建立室内空调负荷模型；

所述负荷控制模块采用直接负荷控制方法对室内空调负荷模型进行模拟，得到室内空调负荷模型的运行参数，采用最小二乘法对室内空调负荷模型的运行参数进行参数拟合，获得拟合方程，将拟合方程作为负荷反弹最小的目标函数；

所述室内空调负荷反弹量计算模块用于建立整体降负荷目标函数，将室内温度上限、控制时长、参与负荷数作为约束条件，采用NSGA2算法对整体降负荷目标函数和负荷反弹最小的目标函数求解，获得室内空调负荷反弹量；

所述优化模块用于将室内空调负荷反弹量计算模块得到的室内空调负荷反弹量通过PD迭代学习算法进行优化，获得优化后的负荷反弹量。

具体的，模型建立模块中先通过一阶等效热参数法建立单体空调负荷模型，然后通过能量守恒定律以及蒙特卡洛模拟法获得室内空调负荷模型，所述室内空调负荷模型包括聚合的多个空调。

具体的，模型建立模块建立室内空调负荷模型后还包括如下步骤：

步骤a1：获取空调负荷历史数据，所述空调负荷历史数据包括采集日历史数据和预测日历史数据；

步骤a2：根据将室内空调负荷模型中的模型参数建立基于Elman神经网络的空调负荷预测模型，将采集日历史数据和预测日历史数据输入空调负荷预测模型进行训练，得到训练好的空调负荷预测模型；

步骤a3：获取训练好的空调负荷预测模型的模型参数，用训练好的空调负荷预测模型的模型参数更新室内空调负荷模型的模型参数，获得更新后的室内空调负荷模型。

具体的，负荷反弹最小的目标函数J

其中，x

实施例1

本实施例中公开了一种负荷反弹量优化方法，在上述实施例的基础上还公开了如下技术特征：

优选的，目标函数J

基于上述聚合模型，对夏季用户活跃时间(09:00-21:00)内的12个时段负荷分布情况分别进行模拟。假定有10组用户群参与DLC，每组用户群包含 500个控制对象；用户参与需求响应期间内实施了若干次DLC，其控制时段互不连续。该时段内逐时室外温度变化情况如图2所示。

用户的热力学参数如表1所示。

表1用户热力学参数表

将总数为5000的用户分类成为10组，每组含500个用户，为了便于计算，将每组内的500个用户理想化为同类型同参数。其中，房间热容、房间热阻、空调额定功率采用MATLAB从连续高斯分布中随机获取生成。空调能效比统一取为2.50。一天内用户组1-10的自然负荷变化情况如图3所示。

假定用户组1-10的参数不变，此时假定所有用户选取室内温度上下限为 [24℃,28℃]。以组别6为例，全天在自然状态下的负荷情况及受控于DLC后的负荷对比如图4所示。

由图4可以看出，在11:00-17:00采用了DLC控制方法之后，用户的负荷有了明显降低，削峰效果明显，且负荷削减量达到全天负荷的9.312％。但在上述条件下，在结束DLC控制时期11:00-17:00之后，在17:00-18:00之间用户组1-10会产生一定量的反弹，具体负荷反弹量及负荷反弹比例如表2所示。

表2用户组1-10负荷反弹量及负荷反弹比例

如表2所示，随着DLC控制时期的结束，会伴随着一定量的负荷反弹，且最高占整个时段负荷的9.312％。针对这种情况，确定了三个与直接负荷控制相关的参数作为负荷反弹指标，分别为直接负荷控制温度上限、直接负荷控制时长和参与负荷数量。

对上述三个指标在不同工况下进行仿真模拟，仿真数据采用正交最小二乘法进行拟合，结果分别如式所示。

y

y

y

y

如图5为用户组6运行在自然状态、传统DLC以及优化方法下的负荷变化情况。当系统运行在传统DLC控制下，相比于自然状态，系统的负荷有了明显的削减，但在集中控制期结束后，在17:00-18:00之间的负荷又达到一个高峰，且该负荷反弹几乎与未受控时的负荷持平，会对电网造成较大冲击。采用本发明所用优化方法，可以看出，虽然负荷值也有波动，但系统的负荷削减效果明显，且负荷反弹量均低于受控前的负荷，整体运行在节能状态，相比于自然状态下节能效果明显。

采用NSGA2算法对提出的基于直接负荷控制的反弹抑制优化模型求解。具体参数设置为：遗传的迭代次数100，交叉率为2，变异率为2，种群数为5，其中每个种群规模为500；各种群之间的迁移率设为0.2。选取控制时段为 9:00-21:00，一共12小时，直接负荷控制每个阶段为60min，共有12个阶段。需求响应负荷反弹抑制优化仿真的负荷情况如图5所示。

用户组1-10受需求响应负荷反弹抑制优化策略控制下，全天各时段内的受控情况如表3所示。

表3用户组在全天的受控情况

如表3所示，表示用户组1-20在全天各个时段受控情况，其中，1表示该时段该用户受控于该负荷反弹抑制优化策略，0表示不受控。在这样的受控情况下，即为本文所描述的负荷反弹抑制优化后的状态。相比于传统DLC控制方法，需求响应负荷反弹抑制策略使得用户的受控状态分散于全天时段内，对用户的舒适度有了一定的提高。

进一步，基于MATLAB，采用PD型迭代学习控制算法，设置仿真采样时间t

表4用户组6在三种状态下全天负荷的对比

经过1600次迭代优化，如图6，在使用PD型迭代学习控制算法优化负荷曲线之前，负荷曲线经过了反弹抑制优化策略控制之后，相比于自然状态以及传统DLC控制状态下峰值有所降低，且负荷反弹量大大降低，但是由于DLC 控制时长限制导致负荷只能以固定时间变化，不足以反映真实工况。在采用 PD型迭代学习控制算法优化之后，由于PD迭代学习可以根据上一次的输出结果负反馈给输入，使得系统的过渡状态更加平稳，几乎没有波动和超调量，而且具有更短的调节时间。并且当负荷值发生变化时，系统能够从相对稳定的一个状态平滑过渡到另一个状态，这样会使得负荷反弹量进一步降低，能够使电网运行的安全性进一步加大。

本发明基于一阶等效热参数法建立的空调负荷聚合模型，结合直接负荷控制控制方法，对其进行了不同工况下的模拟仿真，确定了三个负荷反弹指标，并对其进行了敏感度分析以及拟合。然后，制定了负荷反弹抑制优化策略以及基于迭代学习算法的协同负荷反弹抑制策略，仿真结果表明，负荷反弹抑制优化策略可以大大削减负荷高峰，还可以在一定程度上减少负荷反弹；基于迭代学习算法的协同负荷反弹抑制策略可以使优化后的负荷曲线的过渡状态更加平稳，进一步减少负荷反弹对电网运行的影响。发明的研究对电网负荷调度优化以及需求响应更好的展开具有一定现实意义。