基于双层优化的中央空调精细化调控方法

本发明涉及一种基于双层优化的中央空调精细化调控方法，属于空调负荷调控。

背景技术：

1、随着社会电力需求总量不断攀升，电力供需矛盾是目前电力系统主要面临问题之一，尤其迎峰度夏期间电力缺口较大。据不完全统计，近年来在一些一线城市夏季空调负荷甚至超过了社会总负荷量的50％，导致夏季负荷峰谷差率的显著拉大，进一步加剧了电力系统的供需矛盾。空调负荷具有一定的热惯性，对空调负荷进行调控后，功率可在短时间内降低而室内温度则会随时间缓慢变化，能够在对用户舒适度影响较小的前提下快速响应电网侧调度。

2、相比较分散式独立空调，中央空调主要应用场景为公共楼宇。其负荷容量较大，可调潜力较高，同时对于公共楼宇的中央空调进行调节不会对民生用电带来较大影响。中央空调负荷主要集中在冬季和夏季两季，如仅仅依靠增加输配电网容量来满足短暂的尖峰用电，需付出巨大财力、物力以及人力的投入。

3、现有中央空调参与需求侧响应研究大都集中于空调参与电网调峰的顶层设计及电网层面的空调调控，对于中央空调调控多为粗放式调控，例如，开关控制和周期性启停控制，不能真正关注到用户使用的舒适度，运行能源消耗较高，且较少关注中央空调内部各个子系统间的配合调控，调控精度较差，不能真正释放中央空调调节潜力。

4、上述问题是在基于双层优化的中央空调精细化调控过程中应当予以考虑并解决的问题。

技术实现思路

1、本发明的目的是提供一种基于双层优化的中央空调精细化调控方法解决现有技术中存在的采用粗放式调控，不能真正关注到用户使用的舒适度，运行能源消耗有待降低的问题。

2、本发明的技术解决方案是：

3、一种基于双层优化的中央空调精细化调控方法，包括以下步骤，

4、s1、采集用户对室内环境舒适满意度数据，包括室内最佳舒适温度tc和最佳舒适湿度wc，建立建筑温度标度模型与建筑湿度标度模型并制定舒适区间；

5、s2、建立中央空调精细化调控上层模型，包括舒适度最佳的中央空调调控模型和运行成本最小的中央空调调控模型；

6、s3、运用夏普利值法即shaple值法对中央空调精细化调控上层模型的舒适度与经济性占比进行分配，并计算中央空调制冷总量；

7、s4、建立中央空调精细化调控下层模型，包括末端风机子系统负荷调控模型、冷冻水泵子系统负荷调控模型、冷水机组子系统负荷调控模型与冷却水泵子系统负荷调控模型；

8、s5、建立中央空调精细化调控上层模型与中央空调精细化调控下层模型组成的双层优化模型，采用蚁群算法对双层优化模型进行优化，获得中央空调精细化调控方案。

9、进一步地，步骤s1中，建立建筑温度标度模型与建筑湿度标度模型，具体为，

10、s11、建立建筑温度标度模型为：λt_pmv＝β1(tin-tc)，其中，λt_pmv为建筑温度标度，tin为室内温度，β1为温度系数；

11、s12、建立建筑湿度标度模型为：λw_pmv＝β2|m*tin|(win-wc)，其中，λw_pmv为建筑湿度标度，win为室内湿度，m为温度对湿度影响因子，表征在不同建筑环境内，不同温度对湿度舒适度的影响程度，β2为湿度系数。

12、进一步地，步骤s1中，制定舒适区间为λt_pmv∈[-2，2]且λw_pmv∈[-2，2]，λt_pmv＝-2且λw_pmv＝-2为室内环境最低舒适度，λt_pmv＝-0且λw_pmv＝-0为室内环境最佳舒适度，λt_pmv＝2且λw_pmv＝2为室内环境最高舒适度，λt_pmv、λw_pmv均为无量纲常数值。

13、进一步地，步骤s2中，建立中央空调精细化调控上层模型，包括舒适度最佳的中央空调调控模型和运行成本最小的中央空调调控模型，具体为，

14、建立中央空调精细化调控上层模型：

15、minc＝y1cc+y2cm

16、其中，c为上层目标函数，y1、y2分别为经济性分配系数和舒适度分配系数，cc为经济性目标函数，cm为舒适性目标函数；

17、舒适度最佳中央空调调控模型为：

18、

19、其中，tset为设定温度，wset为设定温度，γ1、γ2分别为舒适性温度系数和舒适性湿度系数，e为指数函数，β1为温度系数，m为温度对湿度影响因子，β2为湿度系数；

20、运行成本最小的中央空调调控目标模型为：

21、

22、其中，γ3、γ4分别为经济性温度系数和经济性湿度系数。

23、约束条件为：

24、

25、其中，tmax、tmin分别为设定温度上下限，wmax、wmin分别为设定湿度上下限。

26、进一步地，步骤s3中，运用shaple值法对中央空调精细化调控上层模型的舒适度与经济性占比进行分配，具体为，

27、中央空调精细化调控上层模型的目标函数包括舒适度最佳中央空调调控目标模型和运行成本最小的中央空调调控目标模型两个分目标成员，不同分目标组成不同联盟s，分目标成员i参与上层模型目标函数时共有(|s|-1)！种排列方法，其中，|s|为联盟s所包含分目标数，剩余(n-|s|)个成员排列顺序有(n-|s|)！种，分目标对中央空调精细化调控上层模型目标函数分配系数为：

28、

29、其中，n为集合个数，n为成员数量，y(s)是联盟s的特征函数，代表联盟s通过各目标的相互协作实现联盟的最大利益，y(s/i)为子集s中去除主体i后所取得的效益。

30、进一步地，步骤s3中，计算中央空调制冷总量，具体为，

31、qth(t)＝qs(t)+ql(t)＝(tout(t)-tset(t))ga+qm(t)+qs(t)+k(win-wset)

32、其中，qth(t)为制冷总量，qs(t)为显热量，ql(t)为潜热量，tout为室外温度，ga为建筑物导热系数，qm(t)为人员及设备散发热量，qs(t)为太阳辐射热量，k为汽化热导系数，t表示时刻，win为室内湿度，wset为设定温度。

33、进一步地，步骤s4中，建立中央空调精细化调控下层模型，包括末端风机子系统负荷调控模型、冷冻水泵子系统负荷调控模型、冷水机组子系统负荷调控模型与冷却水泵子系统负荷调控模型，具体为，

34、建立中央空调精细化调控下层模型为：

35、minp＝min(ps,pq,pl,pd)

36、其中，p为下层目标函数，ps为末端风机子系统负荷，pq为冻水泵子系统负荷，pl为冷水机组子系统负荷，pd冷却水泵子系统负荷；

37、末端风机子系统负荷调控模型为：

38、

39、其中，gn、gs分别为额定送风量和实际送风量，fn、fs分别为末端风机额定运行频率与实际运行频率，pn为末端风机额定运行功率；

40、冷冻水泵子系统负荷调控模型为：

41、

42、其中，wq.i为第i台冷冻水泵实际进水量，hq.i为第i台冷冻水泵实际扬程，ρ为水密度，g为重力加速度，nq.i为第i台冷冻水泵工作点效率；

43、冷水机组子系统负荷调控模型为：

44、minpl＝a0+a1(tcwj-tw1)+a2(tcwj-tw1)2+a3(tcwj-tw1)qth+a4qth+a5qth2

45、其中，tw1为冷冻水进水温度，tcwj为冷却水进水温度，a0、a1、a2、a3、a4、a5分别为能耗模型系数，qth为制冷总量；

46、冷却水泵子系统负荷调控模型为：

47、

48、其中，wd.i为第i台冷却水泵实际进水量，hd.i为第i台冷却水泵实际扬程，ρ为水密度，g为重力加速度，nd.i为第i台冷却水泵工作点效率；

49、约束条件为：

50、

51、其中，gmax、gmin分别为送风量上下限，fi.s为设备i的实际运行频率，fi.max、fi.min分别为设备i的运行频率上下限，tw2为冷冻水出水温度，分别为冷冻水进出水温度上下限，分别为冷却水进水温度上下限，分别为第i台冷冻水泵扬程上下限，分别为第i台冷却水泵扬程上下限，分别为第i台冷冻水流量上下限，分别为第i台冷却水流量上下限。

52、进一步地，步骤s5中，采用蚁群算法对双层优化模型进行优化，获得中央空调精细化调控方案，具体为，

53、s51、初始化蚁群的种群规模，并初始化相关参数，包括启发式信息因子和信息素挥发系数；

54、s52、初始化信息素矩阵，中央空调精细化调控上层模型中满足舒适度区间的一组温湿度组合为一个路径，中央空调精细化调控下层模型中满足设备运行约束的一组设备负荷值为一个路径，分别为每组温湿度组合的路径和每组设备负荷值的路径分配信息素初值；

55、s53、为每只蚂蚁随机初始化位置，并记录在各自的禁忌表信息；

56、s54、对每只蚂蚁迭代计算，根据状态转化概率计算下一个访问节点；

57、s55、更新各自的禁忌表信息；

58、s56、判定禁级表是否已满，若否，则返回步骤s54；若是，则继续下一步骤s57；

59、s57、计算当前上层目标函数值和下层目标函数值，并根据信息素更新全局信息素；

60、s58、判断当前是否陷入局部最优，若是，则继续执行步骤s59；若否，则转至步骤s510；

61、s59、使用变领域思想更新局部信息素，继续步骤s510；

62、s510、判定是否满足终止条件，即达到最大蚁群迭代代数，若否，则跳至步骤s53，若是，程序结束，获得中央空调精细化调控方案。

63、进一步地，步骤s5中，获得的中央空调精细化调控方案包括调整末端风机风量、调整投运冷冻水泵流量、关停部分冷冻水泵调整投运冷冻水泵流量、调整冷水机组出水温度、部分冷水机组待机调整投运冷水机组出水温度、调整投运冷却水泵流量和关停部分冷却水泵调整投运冷却水泵流量。

64、本发明的有益效果是：该种基于双层优化的中央空调精细化调控方法，通过双层优化模型，能够在保证用户舒适度前提下，有效降低运行能源消耗，提高经济性，能够实现中央空调精细化调控，降低高峰时段的电力耗能，有利于缓解电力供应紧缺矛盾与保障电网安全运行。