智能建筑中基于热量预测管理的能耗控制方法
【专利摘要】本发明提供了一种智能建筑中基于热量预测管理的能耗控制方法，包括：步骤1：建立建筑物中热量模型；步骤2：建立状态空间下的热力学模型；步骤3：进行可调度性测试，判定在给定能耗负载预算budget下，该建筑物的热量负载是否具有可调度性；步骤4：运行基于模型预测控制MPC的热量控制策略，解出相应的控制输出变量。本发明对于建筑物中HVAC系统进行调节，使其在房间温度较小变动、满足任务处理约束等各项约束的同时，降低峰值功率。并且，系统能够很好地进行可调度性分析，对于当前的能耗预算是否能够满足要求，进行良好地判断和修正。
【专利说明】智能建筑中基于热量预测管理的能耗控制方法
【技术领域】
[0001] 本发明涉及消耗管理，具体地，涉及智能建筑中基于热量预测管理的能耗控制方 法。
【背景技术】
[0002] 最近这些年，建筑物中的能源消耗增长的非常快。2009年的相关研究显示，美 国建筑物中能源消耗占美国总能源消耗将近40%。最近，美国的能源信息部（Energy Information Administration)预测，2012年到2030年间，建筑物中的总能源消耗将会达 到4. 74QBtu。建筑物中的能源消耗具有鲜明的特点，即用电峰值需求较明显。为保证对用 户的用电服务质量，建筑物建造时，需要使其满足用户用电峰值的能力，这将提高建筑物的 建造成本。另一方面，为减少电网的运行风险，电网往往对于峰值负载施加了较为严厉的价 格惩罚，即提高电网峰值电价。因此，平缓建筑物用电曲线对于用电使用者和提供者，都是 有益的。
[0003] 在建筑中，能量的消耗相当大一部分来自建筑中HVAC(Heating, Ventilating and Air Conditioning,供热通风与空气调节）系统。同时，大的建筑中，一般也需要涉及到复 杂的HVAC系统。因此，对于建筑中的HVAC系统，进行电能管理，使其获得较为平稳的用电 曲线，能够使用户获得较大的效益。HVAC系统主要用于消除建筑物中耗能应用产生的热量。 因此，我们使用MPC(Model Predictive Control，模型预测控制）方法考虑热量负载预测管 理，并综合能耗控制方法，建筑物HVAC系统中的用电负载峰值问题进行建模控制。
[0004] 当前，对于建筑物中的耗能系统综合模型预测方法和能耗控制方法相结合进行控 制的方式较少。已有的方法，集中于在一个多层次的结构下，进行耗能应用操作控制和最优 能量消耗管理。该结构包含一个多层调度系统，底层是基于混合整数线性规划问题进行在 线负载调度策略。该策略用于最小化总的操作费用，并进行了能耗能力限制。负载系统和 电网间的交互由需求响应管理器处理。不过，该策略并没有量化地研究可调度性问题，即在 限定能耗下，能否使HVAC系统调节建筑物温度达到特定温度范围。
【发明内容】
[0005] 针对现有技术中的缺陷，本发明的目的是提供一种智能建筑中基于热量预测管理 的能耗控制方法。
[0006] 根据本发明提供的一种智能建筑中基于热量预测管理的能耗控制方法，包括如下 步骤：
[0007] 步骤1 :建立建筑物中热量模型；
[0008] 步骤2 :建立状态空间下的热力学模型；
[0009] 步骤3 :进行可调度性测试，判定在给定负载预算budget下，该建筑物的热量负载 是否具有可调度性；
[0010] 步骤4 :运行基于模型预测控制MPC的热量控制策略，对式（10)进行最小化求解， 解出相应的控制输出变量；
[0011] 其中，所述步骤4具体如下：
[0012] 对于式（11)表示的目标函数，在满足式（10)中的约束下，采用求解标准的整数最 小二乘优化问题的方式进行求解：
[0013]
【权利要求】
1. 一种智能建筑中基于热量预测管理的能耗控制方法，其特征在于，包括如下步骤： 步骤1 :建立建筑物中热量模型； 步骤2 :建立状态空间下的热力学模型； 步骤3 :进行可调度性测试，判定在给定负载预算budget下，该建筑物的热量负载是否 具有可调度性； 步骤4 :运行基于模型预测控制MPC的热量控制策略，对式（10)进行最小化求解，解出 相应的控制输出变量； 其中，所述步骤4具体如下： 对于式（11)表示的目标函数，在满足式（10)中的约束下，采用求解标准的整数最小二 乘优化问题的方式进行求解：
其中，?;(Α·+丨1表示温度参考向量，.表示表示F个区域加热器参考功率输入速率矩阵， 表示预算参考向量，Wjk)表示扰动向量，L表示加热器个数，Ν表示预测长度，Λ?&)表 示状态预测向量，表示状态模型参数，身表示状态模型参数，表示第j个区域第i个 加热器的ΟΝ/OFF状态，Up(k)表示式（10)变形后使用的新的系统输入变量； 式（10)中代式的含义如下：
其中，Μ表示预测长度，乙(k+M|k)表示第k个时间后第Μ个采样间隔的状态预测； X (k+M | k)表示第k个时间后第Μ个采样间隔的状态预测，Μ表示预测长度，Ν表示预测长度， U(k+N-l|k)表示第k个时间后第Ν-1个采样间隔的状态预测，Fj"表示第F个区域的外部 空气温度，X(k)表示k时刻系统状态，R表示两区域间等效电阻，Ψ表示F个区域加热器功 率输入速率矩阵，G表示离散状态空间模型参数，Η表示离散状态空间模型参数，Φ表示离 散状态空间模型参数，彳表示建筑物中的总功率预算数，ΦΓ表示第F个区域加热器的功率 输入速率向量；
sQ表不平方根矩阵，表不sQ转置矩阵，S K 表示平方根矩阵
表示SK转置矩阵，Up(k)表示式（10)变形后使用的新的系统输入变 量；Q和R分别是用来对时间误差和输入功率的补偿矩阵。
2.根据权利要求1所述的智能建筑中基于热量预测管理的能耗控制方法，其特征在 于，所述热量模型，具体如下： 对于有η个加热器的第j个区域来说，通过能量守恒定律，得到热平衡方程式为
t表示时间，F表示区域个数，Nj表示区域j中加热器个数，σ j表示维纳噪声变量，Tj 表示第j个区域内部温度，％及示第j个区域同外部的热电阻，&表示第j个区域的热容， ri表示第j个区域外部温度，/?表示第i个区域和第j个区域的热电阻，?\表示第i个区 域内部温度，表示太阳辐射量Φ3能够进入的有效窗户面积，Φ/表示太阳辐射产生的能 量变化，Φ/表示第j个区域内第η个加热器的功率，表示标准维纳噪声； 在第j个区域的系统模型中，系统状态是室内空气温度，系统输入是加热器功率；扰动 因数包含三个方面，外界温度、太阳辐射热量、标准维纳噪声。
3. 根据权利要求1所述的智能建筑中基于热量预测管理的能耗控制方法，其特征在 于，所述热力学模型，具体如下： X(k) = 〇X(k-l)+GU(k-l)+HW(k-l)， Y(k) = X(k), (4) X(k)表示k时刻系统状态，Φ表示离散状态空间模型参数，X(k-l)表示k-1时刻系统 状态，G表示离散状态空间模型参数，U(k-l)表示k-Ι时刻系统输入量，Η表示离散状态空 间模型参数，W(k-l)表不k-Ι时刻系统扰动量，Y(k)表不k时刻系统控制输出量； 其中，是第k次采样间隔Ts下系统状态，离散时间系统模型矩阵表示
其中，Ts表示时间间隔，e表示常数e，s表示积分项，A表示状态空间模型参数，B表示 状态空间模型参数，D表示状态空间模型参数，G表示离散状态空间模型参数，Η表示离散状 态空间模型参数。
4. 根据权利要求1所述的智能建筑中基于热量预测管理的能耗控制方法，其特征在 于，所述步骤3包括如下步骤： 步骤3. 1 :通过可调度性测试算法，得到需要满足的最小的负载预算budgets ; 步骤3. 2 :如果当前得到的负载预算budget <budgetmin，则执行步骤3. 3,否则，执行步 骤 3. 4 ; 步骤3. 3 :请求增加能耗负载预算，得到一个新的负载预算budget'，重新执行步骤 3. 1，或是放松热量限制，得到一个新的最小的负载budget' min，重新执行步骤3.2 ; 步骤3. 4 :执行步骤4。
5. 根据权利要求4所述的智能建筑中基于热量预测管理的能耗控制方法，其特征在 于，所述可调度性测试算法，具体为： 首先，将可调度性问题设计成为下列优化问题：
s. t. -CA-1 (Dff+B n) e int (Safe). (7) 其中，s. t.表示受约束于； 定义存在η = [η」]e [〇，1广使_
Π j表不存在的[0, 1]区间中的一个数，[*]F表不F维向量，F表不F-可调度性，Ν'3表 示第j个区域加热器个数，Μ表示第j个区域第i个加 热器的存在的η值，#表示功率输 入速率； Α表示状态空间模型参数，Β表示状态空间模型参数，D表示状态空间模型参数，W表示 系统扰动，C表示状态空间模型参数； 集合Safe定义为 ft * 1 \ ^ 11 *·? * 2 \ *·2^ r\ - / 丨力 U MJ/ 、i χ。。S1， iu I- 其中，γ/表示第f个区域加热器的下界向量，nr表示第F个区域加热器的上界向量； 最小的负载预算budgetmin通过该优化问题求解得到；budgetmin应为不小于目标函数 值的负载预算数budget，设置
优化问题中的限制是线性的，被表示为： Yi+CA^DW < -CA_1BP n < Yu+CA_1Dff. (8) 其中，l表示控制输出变量的下界，Yu表示控制输出变量的上界，P表示功率输入向量； 其中 [υΛυΛ …，υ，]τ， 该优化问题通过线性规划求解。
【文档编号】G05B19/418GK104298191SQ201410415239
【公开日】2015年1月21日 申请日期:2014年8月21日 优先权日:2014年8月21日
【发明者】周海航, 姚建国, 管海兵 申请人:上海交通大学