空调所属建筑物一阶模型实时参数辨识方法与流程

1.本发明属于电力系统调度领域，具体涉及一种空调所属建筑物一阶模型实时参数辨识方法。


背景技术：

2.负荷聚合商可以通过智能电网的高级测量终端和双向通信网络获取用户空调的开关状态、室内外温度的实时变化情况。在多种参数辨识方法中，最小二乘法的原理简单，计算量少，被广泛应用于各个领域的在线参数辨识。为了减少实时参数辨识过程中的计算量，递推最小二乘法被提了出来，为了增强抗干扰能力，引入辅助变量，提出递推辅助变量法。依托于智能电网的硬件支持和相关的在线辨识技术，负荷聚合商的空调负荷在线辨识对空调负荷参与需求响应起着至关重要的作用。
3.空调负荷作为一种重要的需求响应资源，其所属建筑物etp模型已经被广泛应用于空调负荷控制的各个领域，但其模型中的一些参数与建筑物的墙体的厚度、窗户面积、体积大小等因素密切相关，无法通过测量获得，因此需要通过一定的参数辨识手段对空调负荷模型的参数进行识别，目前有关空调负荷模型的参数辨识较薄弱，忽视了空调负荷的实时在线建模。


技术实现要素：

4.针对上述现有技术中存在的缺陷，本发明提供一种可以实现空调负荷实时控制与调度的空调所属建筑物一阶模型实时参数辨识方法。
5.本发明提出的技术方案如下：本发明公开了一种空调所属建筑物一阶模型实时参数辨识方法，包括以下步骤：构建空调所属建筑物一阶模型；获取目标范围内预设时段的空调负荷特性数据及待辨识参数并进行预处理；采用标准最小二乘法对待辨识参数进行第一次辨识；获取所述预设时段的下一时刻的空调负荷特性数据并进行预处理；基于所述第一次辨识结果，采用递推辅助变量法对待辨识参数进行第二次辨识；基于第二次辨识结果实时更新空调所属建筑物一阶模型。
6.进一步的，所述构建空调所属建筑物一阶模型的具体过程为：将空调所属建筑物一阶模型等效为单输入/输出线性系统；使用差分方程的标准形式对所述单输入/输出线性系统进行描述。
7.进一步的，所述空调所属建筑物一阶模型具体为：
其中，为时刻输入序列，为时刻输出序列，为时刻随机变量序列，和为待辨识参数，。
8.进一步的，所述随机变量序列：其中，为时刻零均值的不相关随机噪声序列。
9.进一步的，所述空调负荷特性数据包括室内/室外温度、空调负荷的开关状态量。
10.进一步的，所述采用标准最小二乘法对待辨识参数进行第一次辨识具体为：其中，为采集的时刻总数，的为标准最小二乘法的参数辨识结果，为输入序列和输出序列组成的矩阵，为输出矩阵。
11.进一步的，所述递推辅助变量法的具体为：其中，为修正系数，为中间变量，为辅助变量。
12.进一步的，所述辅助变量的选择方法具体为：其中，，为标准最小二乘法的参数辨识结果。
13.进一步的，所述基于所述第一次辨识结果，采用递推辅助变量法对待辨识参数进行第二次辨识具体为：其中，为递推辅助变量法的参数辨识结果。
14.现有的研究空调负荷的技术，采用的空调所属建筑物模型通常无法辨识模型参数与建筑物的墙体厚度、窗户面积、体积大小等因素之间的关系，本发明提出的空调所属建筑物一阶模型实时参数辨识方法，将空调负荷的etp模型等效为标准差分方程，确定输入输出序列及待辨识序列，基于递推辅助变量法，实时建立目标范围内的空调负荷模型，用以进行空调负荷的实时控制与调度，并且其抗干扰能力相对于现有技术有显著提升，参数辨识结果相对于递推最小二乘法误差减少了40%。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对技术方案描述时所需要使用的附图作简单地介绍，显而易见地，本发明的示意性实施例及其说明仅用于解释本发明，并不构成对本发明的不当限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。在附图中：图1是本发明实时参数辨识方法的流程示意图；图2是本发明实施例1中噪信比为16.06%时，riv算法参数的预测结果和真实参数的对比图示意图；图3是本发明实施例1中噪信比为16.06%时，riv算法的误差和rls算法的误差随迭代次数变化的曲线图示意图；图4是本发明实施例1中噪信比为25.94%时，riv算法参数的预测结果和真实参数的对比图；图5是本发明实施例1中噪信比为25.94%时，riv算法的误差和rls算法的误差随迭代次数变化的曲线图。
具体实施方式
16.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
17.参照图1，本实施例提供一种空调所属建筑物一阶模型实时参数辨识方法，该方法包括以下步骤：s1：构建空调所属建筑物一阶模型；具体地，将空调所属建筑物一阶模型等效为单输入/输出线性系统，并使用差分方程的标准形式进行描述，确定时刻的输入输出序列为，时刻的随机变量序列为，待辨识参数数量为，待辨识参数为和，则目标范围内的空调所属建筑物一阶模型为：(1)式中：为差分方程的阶数，，时刻的零均值的不相关噪声序列为；s2：获取目标范围内预设时段的空调负荷特性数据及待辨识参数并进行预处理；具体地，参照图2，本实施例通过智能电网的高级计量终端采集输入输出数据并进
行预处理，将获取的时刻的个输入输出序列，根据式(1)列出个差分方程为：个差分方程为：个差分方程为：个差分方程为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)将式(2)写成矩阵的形式为：(3)式中，(4)(5)(6)(7)(8)式中，为输出矩阵，为由输入输出序列组成的矩阵，为待辨识参数矩阵，为误差矩阵；s3：采用标准最小二乘法对待辨识参数进行第一次辨识；具体地，对s2中采集的数据进行标准最小二乘法的参数估计，获取递推辅助变量法递推过程的初始值；(9)(10)式中：为中间变量，为经过标准最小二乘法求得的待辨识参数估计值；s4：获取所述预设时段的下一时刻的空调负荷特性数据并进行预处理；具体地，采集时刻的输入输出数据，并对输入输出数据进行预处理得到时刻的输入输出序列为；s5：基于所述第一次辨识结果，采用递推辅助变量法对待辨识参数进行第二次辨识；
具体地，通过时刻的输入输出序列和，对修正系数进行计算：(11)用辅助变量代替式(11)中，得到递推辅助变量法：(12)其中辅助变量的选择方式如下：(13)式中，(14)根据式(13)计算待识别参数估计值：(15)s6：基于第二次辨识结果实时更新空调所属建筑物一阶模型；具体地，根据更新式(1)，实时更新空调所属建筑物一阶模型；s7：更新中间变量，重设循环参数；具体地，计算时刻的：(16)然后令，返回步骤s4。
18.需要说明的是，步骤s2和s4中所述的预处理具体如下：a：对于室内/室外温度进行预处理：a1：按照如下公式计算室内/室外温度的平均值和标准差：(17)(18)式中：表示连续采集的第个室内/室外温度；a2：判断是否成立：若不成立，则说明是正常数据；否则说明
是坏数据，需要进行修正；a3：坏数据修正公式为：(19)式中：表示修正后的第个室内/室外温度，为自定义的修正系数，且；b：对于空调负荷的开关状态量进行预处理：在室内温度上升或者下降过程中，空调的开关状态保持不变，只有在到达所设温度的上下限的时候空调开关才会发生变化：设连续采集的三个开关状态量为，对应采集的三个室内温度为，，进行如下判断：b1：若，则表示是正常数据；b2：若且，则表示是坏数据，需要进行修正，令；b3：若，则：在时：若，则表示是正常数据；若，则表示是坏数据，需要进行修正，令；在时：若，则表示是正常数据；若，则表示是坏数据，需要进行修正，令；式中：表示逻辑与计算。
19.需要说明的是，辅助变量选取的方法具体如下：(20)根据式(20)，式(1)可以写为：
(21)根据式(21)可以得到：(22)其中，其中，。
20.则最小二乘算法具有如下表达形式：(23)引入frechet定理：定理1：假设是以概率1收敛于常量的随机变量组成的序列，则有：(24)即：(25)应用上述收敛定理，可以推出：(26)如果是白噪声，则，可以推出：(27)此时可以得到无偏估计；如果不是白噪声，此时。如果想得到参数的无偏估计，等式仍然成立，就需要引入辅助向量，定义如下辅助矩阵:
(28)其中辅助变量必须满足如下两个条件：其中辅助变量必须满足如下两个条件：是非奇异矩阵；是非奇异矩阵；与独立，即是非奇异矩阵；如果辅助变量满足以上两个条件，则有：(29)其中，为辅助变量参数估计值。如果所选择的辅助变量可以满足以上两个条件，则可以得到无偏的一致的参数估计值。
21.基于上述分析，可以得到辅助变量法为：(30)假设辅助变量为，定义辅助矩阵，其中：(31)关于辅助变量的选择，有三种方法，具体如下：自适应滤波法：
(32)或者(33)其中，是在时刻辅助变量的参数估计值。该方法是将辅助模型参数进行平滑处理，平滑参数要根据和具体情况选定。
22.输入滞后法：(34)此时有：。
23.输出滞后法：将噪声看作如下模型：(35)其中，是零均值的不相关随机噪声，且：(36)则可按如下方式对辅助变量进行选择：(37)此时有：
ꢀꢀꢀꢀꢀꢀ
(38)需要说明的是，递推辅助变量法的推导过程如下：递推算法的基本思想可以概括为：新的估计值=老的估计值+修
正项；定义：(39)根据式(39)可以推出：(40)(41)将式(40)、式(41)带入式(30)，可以推出：(42)将矩阵反演公式带入式(40)，可以推出：(43)将式(43)带入式(39)，可以推出：(44)递推辅助变量法公式为：(45)(46)(47)其中，为辅助向量，是辨识参数在时刻的估计值，在递推算法中，初值通常选择为一个很大的正定阵，，。
24.需要说明的是，递推辅助变量法的均方收敛性证明如下：首先提出特征值位移和奇异值位移引理：
引理1[特征值位移引理]：设矩阵的个特征值为，则矩阵的特征值为，其中，是一个常数。
[0025]
引理2[奇异值位移引理]：设矩阵的个特征值为，记，则有，成立，其中。
[0026]
定理3：设为零均值、方差有界的随机噪声向量序列，即，输入信号和辅助向量与不相关，且系统满足弱持续激励来保证是非奇异的，即：(48)(49)定义，设，且与不相关，则riv算法的参数估计以的速率一致收敛于真实参数，即：或其中，是矩阵的秩，是矩阵的
最大特征值，比如说比如说。
[0027]
证明如下：定义参数估计误差向量：(50)将式(45)两边同时减去，可得：(51)将式(21)和式(39)带入式(30)，可得：(52)将式(40)两边同时左乘，可得：(53)将式(53)带入式(52)，可得：(54)其中，，，，。
[0028]
利用引理1和引理2，对任意有：(55)定义：
(56)可以推出：(57)又因为：(58)可以推出：(59)进一步推出：(60)(61)将式(61)和式(60)带入式(54)，可以推出：(62)(63)由上述可知，尽管为有色噪声，只要系统是持续激励，为零均值且方差有界，并与不相关，就可以满足条件和，那么riv算法就具有均方收敛性，也就是参数估计误差以的速率一致收敛于真实参数。
[0029]
实施例1本实施例构建的空调所属建筑物一阶模型等效标准差分方程为：
所需辨识参数为，其中，项为有色噪声。
[0030]
根据本发明所述方法，实时参数辨别结果如下：表1说明了噪信比为16.06%情况下，本发明所述方法（riv）预测结果及精度随迭代次数变化情况。
[0031]
表1 噪信比为16.6%时，riv算法各参数及误差随迭代次数变化情况参照图2，图2是噪信比为16.06%时，riv算法参数的预测结果和真实参数的对比图；参照图3，图3是噪信比为16.06%时，riv算法的误差和递推最小二乘算法（rls）的误差随迭代次数变化的曲线图；可以看出在初始阶段，riv算法和rls算法的误差均较大，随着迭代次数增加，很快进行收敛，且riv算法的误差始终小于rls，误差减少了近40%。
[0032]
表2说明了噪信比为25.94%情况下，riv算法各参数辨识结果及精度随迭代次数变化情况。
[0033]
表2 噪信比为25.94%时，riv算法各参数及误差随迭代次数变化情况参照图4，图4是噪信比为25.94%时，riv算法参数的预测结果和真实参数的对比图，可以看出，riv算法预测值与真实值曲线基本一致，但是由于噪信比略有提高，在曲线拐
角处的预测偏差较低噪信比略大。
[0034]
参照图5，图5是噪信比为25.94%时，riv算法的误差和rls算法的误差随迭代次数变化的曲线图，可以看出在初始阶段，riv和rls算法的误差均较大，随着迭代次数增加，很快进行收敛，且riv算法的误差始终小于rls，误差减少了近40%。
[0035]
另外，本发明实施例还提供一种计算机可读存储介质，其中，该计算机可读存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何空调所属建筑物一阶模型实时参数辨识方法的部分或全部步骤。
[0036]
另外，在本发明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。
[0037]
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器中。基于这样的理解，本发明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器中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random accessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0038]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器、随机存取器、磁盘或光盘等。
[0039]
以上所述的具体实施方式，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本技术的具体实施方式而已，并不用于限定本技术的保护范围，凡在本技术的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本技术的保护范围之内。