一种计及空调响应成本的多智能体一致性控制方法与流程

本发明涉及电力系统自动化领域，尤其涉及一种计及空调响应成本的多智能体一致性控制方法。

背景技术：

随着可再生能源渗透率的不断提高，通过发电侧资源来调节功率平衡已越来越无法满足电力系统运行的需要，利用需求侧资源消纳可再生能源受到越来越多的关注。空调负荷在电力负荷中占比较高，且具有一定的冷热存储能力，是一种重要的需求侧资源。

考虑到空调负荷分布、分散的特点，利用分布式控制方式控制空调负荷资源有利于实现控制指令的下发和提高系统的可靠性。考虑到空调调控过程中对室内温度会产生影响，因此在调控过程中应尽可能地结合空调自身热力学特性，选择性地调控潜在影响较小地空调负荷，从而尽可能地减小空调负荷在调控过程中对用户舒适度的影响，但现有技术中尚未发现这样的技术方案。

技术实现要素：

本发明所要解决的技术问题在于，提供一种计及空调响应成本的多智能体一致性控制方法，在保证负荷响应量的同时实现空调调整的优化，提高空调调节时的使用体验。

为解决上述的技术问题，本发明的一方面，提供一种计及空调响应成本的多智能体一致性控制方法，其应用于分布式控制多个空调的场景中，所述方法包括如下步骤：

步骤s10，建立空调负荷热力学模型，确定空调参数，所述空调参数至少包括：房间的热阻、房间的热容以及空调负荷的热效率；

步骤s11，在空调负荷热力学模型的基础上，通过仿真以及拟合，对每一空调进行成本函数建模，获得各个空调的成本函数拟合曲线；

步骤s12，在各个空调的成本函数曲线的基础上，采用多智能体一致性控制策略实现对大量空调进行协同控制，根据期望的空调负荷削减总量，确定每一个空调所对应的功率调整量；

步骤s13，将所述每一个空调所对应的功率调整量下发给对应的空调，进行功率调整。

优选地，所述步骤s10进一步包括：

以下述微分表达式确定单台空调负荷的热力学模型：

其中，ta为空调房间内空气温度，单位为℃；to为室外温度，单位为℃；r为房间的热阻，单位为ω；c为房间的热容，单位为j/℃；p为空调负荷的电功率，η为空调负荷的热效率；当空调处于制冷状态，η前面取负号，当空调处于制热状态，η前面取正号。

优选地，所述步骤s11进一步包括：

根据实际场景初始化参数ta、to、p；对应于不同的削负荷事件pdec发生时，记录每一个pdec对应的空调房间内空气温度ta的变化曲线，通过计算ta-tset0的积分得到当前场景下空调负荷的调控成本fdec，记录下pdec和fdec，形成pdec-fdec散点图；

采用二次函数对pdec-fdec散点图进行拟合，得到每个空调的成本函数拟合曲线：

fdec(pdec)＝αpdec²+βpdec+γ(2)

其中，α、β、γ为相应的系数。

优选地，所述步骤s12进一步包括：

步骤s120，确定期望的空调负荷削减总量，并取增量成本作为多智能体一致性控制策略中的一致性变量，所述增量成本为空调的成本对其负荷功率的偏导；

步骤s121，对于非主导节点而言，通过计算相邻节点的一致性变量来实现空调的信息更新；对于主导节点而言，通过计算计算相邻节点的一致性变量和期望的空调负荷削减总量来实现空调的信息更新；

步骤s122，逐步计算期望的空调负荷削减总量与当前获得的响应功率累计值之间的总功率偏差量，在总功率偏差量趋近于零时，获得每一空调的功率调整量。

优选地，所述步骤s120进一步包括：

假设第i个空调的成本函数可以表示为：

fdeci(pdeci)＝αipdeci²+βipdeci+γi(3)

其中，fdeci(pdeci)表示第i个空调的成本；pdeci表示第i个空调的输出功率；αi、βi、γi为相应的系数；

在一致性算法中，定义取增量成本为一致性变量，即空调的成本对其负荷功率的偏导作为负荷集群的增量成本，对任意的负荷集群i，其增量成本为:

优选地，所述步骤s121进一步包括：

对于非主导节点而言，空调i的信息更新通过下式实现：

其中，λi表示空调i的信息状态；λj表示与空调i相邻的空调的信息状态；δij对应的是稀疏迭代矩阵中的元素，其值由下式定义：

式中，lij表示系统拉普拉斯矩阵的对应元素。

对于主导节点而言，空调负荷i需要确定削减的负荷功率是否达到给定的值，功率调整量信息需通过主导节点下发给其它节点；主导节点空调负荷i的信息更新通过下式实现：

其中，ε为收敛系数，其为一正的标量；δp为总的功率偏差量；pdec_all为期望的空调负荷削减总量。

优选地，所述步骤s122进一步包括：

根据下述公式计算空调i的功率调整量：

不断重复上述步骤s120和步骤s121的过程，直到δp趋近于零。

实施本发明，具有如下的有益效果：

本发明提供一种计及空调响应成本的多智能体一致性控制方法，考虑实际空调的热力学特性，建立空调参与负荷控制的成本函数模型，可以考虑削负荷对用户舒适度的影响，可以为电力需求侧管理提供指导，并能提高用户体验；

本发明利用多智能体一致性控制策略实现对空调负荷地分布式控制，能够避免传统集中控制造成的数据挤占、延时的问题，提高控制的可靠性。

附图说明

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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明提供一种计及空调响应成本的多智能体一致性控制方法的一个实施例的主流程示意图；

图2为图1中涉及的空调室内温度ta随功率p变化曲线的原理示意图；

图3为图1中涉及的空调负荷成本函数曲线的示例图；

图4为图1对应的更详细的流程图。

具体实施方式

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。

为使本领域的普通技术人员更加清楚地理解发明的目的、技术方案和优点，以下结合附图和实施例对发明做进一步的阐述。

本发明提供了计及空调响应成本的多智能体一致性控制方法，通过在分布式控制中计及调控成本，在实现分布式调控的同时尽可能地减小对用户舒适度的影响，为电力需求侧管理提供指导。

具体地，请结合图1所述，示出了本发明提供的一种计及空调响应成本的多智能体一致性控制方法的一个实施例的主流程示意图。一并参考图2至图4所示，在本实施例中，其应用于分布式控制多个空调的场景中，所述方法包括如下步骤：

步骤s10，建立空调负荷热力学模型，确定空调参数，所述空调参数至少包括：房间的热阻、房间的热容以及空调负荷的热效率；

步骤s11，在空调负荷热力学模型的基础上，通过仿真以及拟合，对每一空调进行成本函数建模，获得各个空调的成本函数拟合曲线；

步骤s12，在各个空调的成本函数曲线的基础上，采用多智能体一致性控制策略实现对大量空调进行协同控制，根据期望的空调负荷削减总量，确定每一个空调所对应的功率调整量；

步骤s13，将所述每一个空调所对应的功率调整量下发给对应的空调，进行功率调整。

下述结合图2至图4，对上述每一步骤进行详述的描述。

在一个具体的例子中，所述步骤s10进一步包括：

以下述微分表达式确定单台空调负荷的热力学模型：

其中，ta为空调房间内空气温度，单位为℃；to为室外温度，单位为℃；r为房间的热阻，单位为ω；c为房间的热容，单位为j/℃；p为空调负荷的电功率，η为空调负荷的热效率；当空调处于制冷状态，η前面取负号，当空调处于制热状态，η前面取正号。

在一个具体的例子中，所述步骤s11进一步包括：

根据实际场景初始化参数ta、to、p；初始条件下，室内平均温度ta，稳定在初始温度设定值tset0附近。削负荷事件发生时，空调功率p突然发生pdec的阶跃变化，经过tdr后再回恢复到p，室内温度经过了一个振荡过程，最终室内平均温度ta稳定tset0。对应于不同的削负荷事件pdec发生时，记录每一个pdec对应的空调房间内空气温度ta的变化曲线，通过计算ta-tset0的积分得到当前场景下空调负荷的调控成本fdec，记录下pdec和fdec，重复上述过程，得到不同pdec条件下的fdec，从而形成pdec-fdec散点图；

为了方便实施分布式控制策略，采用二次函数对pdec-fdec散点图进行拟合，得到每个空调的成本函数拟合曲线：

fdec(pdec)＝αpdec²+βpdec+γ(2)

其中，α、β、γ为相应的系数。上述过程可以结合图2和图3所示。

在得到各个空调的成本函数曲线的基础上，下述可以通过多智能体一致性控制策略实现对大量空调的协同控制。

在一个具体的例子中，所述步骤s12进一步包括：

步骤s120，确定期望的空调负荷削减总量，并取增量成本作为多智能体一致性控制策略中的一致性变量，所述增量成本为空调的成本对其负荷功率的偏导；

具体地，假设第i个空调的成本函数可以表示为：

fdeci(pdeci)＝αipdeci²+βipdeci+γi(3)

其中，fdeci(pdeci)表示第i个空调的成本；pdeci表示第i个空调的输出功率；αi、βi、γi为相应的系数；

在一致性算法中，定义取增量成本为一致性变量，即空调的成本对其负荷功率的偏导作为负荷集群的增量成本，对任意的负荷集群i，其增量成本为:

步骤s121，对于非主导节点而言，通过计算相邻节点的一致性变量来实现空调的信息更新；对于主导节点而言，通过计算计算相邻节点的一致性变量和期望的空调负荷削减总量来实现空调的信息更新；

具体地，对于非主导节点而言，空调i的信息更新通过下式实现：

其中，λi表示空调i的信息状态；λj表示与空调i相邻的空调的信息状态；δij对应的是稀疏迭代矩阵中的元素，其值由下式定义：

式中，lij表示系统拉普拉斯矩阵的对应元素。

对于主导节点而言，空调负荷i需要确定削减的负荷功率是否达到给定的值，功率调整量信息需通过主导节点下发给其它节点；主导节点空调负荷i的信息更新通过下式实现：

其中，ε为收敛系数，其为一正的标量；δp为总的功率偏差量；pdec_all为期望的空调负荷削减总量。

步骤s122，逐步计算期望的空调负荷削减总量与当前获得的响应功率累计值之间的总功率偏差量，在总功率偏差量趋近于零时，获得每一空调的功率调整量。

具体地，基于公式(3)和公式(4)，可以根据下述公式计算空调i的功率调整量：

不断重复上述步骤s120和步骤s121的过程，直到δp趋近于零。

在具体应用时，假设期望的总的空调负荷削减量为pdec_all，通过将pdec_all作为控制信号下发给主导节点，通过各个节点之间的信息交互，即可使得总的响应功率趋近于pdec_all，同时尽可能地减小空调的调控成本fdec，减小对用户舒适度的影响。

实施本发明，具有如下的有益效果：

本发明提供一种计及空调响应成本的多智能体一致性控制方法，考虑实际空调的热力学特性，建立空调参与负荷控制的成本函数模型，可以考虑削负荷对用户舒适度的影响，可以为电力需求侧管理提供指导，并能提高用户体验；

本发明利用多智能体一致性控制策略实现对空调负荷地分布式控制，能够避免传统集中控制造成的数据挤占、延时的问题，提高控制的可靠性。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。