一种模型预测控制的智能空调负荷聚合调控系统及方法

本发明属于需求式响应领域，尤其涉及一种模型预测控制的智能空调负荷聚合调控系统及方法。

背景技术：

1、需求式响应是目前电力系统科研人员的研究热点，其能够通过电价或者激励等信号改变用户的用电习惯，调节需求侧负荷，增加发电的稳定性，在一定程度上维持电力平衡，同时也调节电力峰值负荷，减轻了电力系统的压力，节约电网运行成本。空调负荷市场体量大，种类多样，调控灵活性高，是目前参与需求式响应的重要资源。

2、然而如何对大规模空调负荷进行统一调度是科研界和业界重点关注的问题。就我国市场情况来看，针对单一空调负荷的调控是无意义的，并不能达到需求响应的要求。因此，需要对空调负荷进行聚合。目前针对空调负荷的聚合方法主要有蒙特卡洛方法。蒙特卡洛方法原理简单，对于具有相同参数特征的空调负荷，可以建立较为准确的聚集模型。当负荷参数的异质性比较明显时，蒙特卡罗方法的精度就相应降低。因此，亟需提出一种考虑参数异质性的空调负荷聚合方法。

技术实现思路

1、针对以上技术问题，本发明提供了一种模型预测控制的智能空调负荷聚合调控系统及方法。

2、本发明系统的技术方案为一种模型预测控制的智能空调负荷聚合调控系统，包括：

3、中央控制器、多台智能空调；

4、中央控制器与多台智能空调依次无线连接；

5、中央控制器构建建立考虑随机干扰的单个空调负荷的一阶等效热参数模型，采用最小二乘法求解每台空调的特征参数；将一定温度范围均匀划分为多段温度区间，构建设置开启状态集合、关闭状态集合、当前时刻空调集合的状态变量、状态空间模型，求解状态空间模型中各个矩阵；预测未来多个时刻的状态变量，求解未来多个时刻的最优控制信息；计算当前时刻的调节误差以作为反馈信号，并作为mpc控制器的输入，结合mpc控制器进行滚动优化得到下一个时刻的多台智能空调状态控制向量；中央控制器根据下一个时刻的多台智能空调状态控制向量，控制多台空调下一时刻的状态。

6、本发明方法的技术方案为一种模型预测控制的智能空调负荷聚合调控方法，具体如下：

7、步骤1：构建建立考虑随机干扰的单个空调负荷的一阶等效热参数模型，采用最小二乘法求解每台空调的特征参数；

8、步骤2：获取多个空调的当前时刻的开关状态、室内温度，将一定温度范围均匀划分为多段温度区间，根据每个空调的当前时刻的室内温度划分至对应的温度区间，在同一温度区间内分别构建设置开启状态集合、关闭状态集合，将处于开启状态的空调放入开启集合内，将处于关闭状态的空调放入关闭集合内，将每个空调集合中空调的数量进行归一化处理，得到当前时刻每个空调集合的空调数量与空调总数量之比，构建当前时刻空调集合的状态变量、状态空间模型，求解状态空间模型中各个矩阵；

9、步骤3：结合状态空间模型根据当前时刻的状态变量，预测未来多个时刻的状态变量，根据未来多个时刻的状态变量求解未来多个时刻的最优控制信息；

10、步骤4：计算当前时刻的调节误差以作为反馈信号，以当前时刻的调节误差作为mpc控制器的输入，结合mpc控制器进行滚动优化得到下一个时刻的多台智能空调状态控制向量；

11、步骤5：中央控制器根据下一个时刻的多台智能空调状态控制向量，在多台智能空调中随机选择多台智能空调作为开启状态，将对应的开启控制信号无线传输至对应的空调，多台智能空调中剩余空调作为关闭状态，将对应的关闭控制信号无线传输至对应的空调；

12、作为优选，步骤1所述考虑随机干扰的单个空调负荷的一阶等效热参数模型，具体定义如下：

13、tin,l,k+1＝al*tin,l,k+(1-al)*(tout,l-λl*tg,l)+wl,k

14、其中，λl为第l台空调的无量纲量，当该空调开启时为1，关闭时为0；rl,cl为空调的等效热阻、等效热容，l＝1,2,3…,ntcls为空调负荷的编号，ntcls为空调的总数量。δt为时间步长,tg,l为第l台空调的温度增益，tin,l,k为第l台空调第k时刻的室内温度，tout,l,k为第l台空调第k时刻的室外温度；

15、步骤1所述采用最小二乘法求解每台空调的特征参数，具体如下：

16、为第l台空调的特征参数，通过空调一段时间内的温度变化数据，采用最小二乘法求出该参数，具体求解如下：

17、

18、作为优选，步骤2所述将一定温度范围均匀划分为多段温度区间，具体如下：

19、用编号m＝1,2,3,…,m来区分温度区间；将温度区间[tmin,tmax]均匀划分为m个温度区间，则第m个温度区间可以表示为[tm,tm+1]；

20、当前时刻所有关闭空调的集合、当前时刻所有开启空调的集合，分别定义如下：

21、closek＝{statebinclose,k,1,statebinclose,k,2,statebinclose,k,3,…,statebinclose,k,m}

22、openk＝{statebinopen,k,1,statebinopen,k,2,statebinopen,k,3,…,statebinopen,k,m}

23、其中，closek为第k个时刻所有关闭空调的集合，statebinclose,k,m为第k个时刻第m个温度区间的所有关闭状态空调的集合；openk为第k个时刻所有开启空调的集合，statebinopen,k,m为第k个时刻第m个温度区间所有开启状态的空调集合，k表示当前时刻；

24、由于一个温度区间有两个集合，则对于m个温度区间共有2m个集合；

25、步骤2所述将每个空调集合中空调的数量进行归一化处理，具体如下：

26、定义loadk,n,n＝1,2,3,…,n,表示第k个时刻的第n个空调群的集合，其中n＝2m，loadk,n满足下列关系：

27、

28、将每个空调集合中空调数量归一化如下所示的形式：

29、

30、其中，xk,n表示第k个时刻第n个空调集合的空调数量与空调总数量之比,n表示空调集合总数量，m表示温度区间总数量，k表示当前时刻；

31、步骤2所述构建当前时刻空调集合的状态变量，具体如下：

32、将xk,n定义为空调集合的状态，对于2m个空调集合，共有2m个状态量，定义如下：

33、xk＝[xk,1,xk,2,xk,3,…,xk,n]

34、其中，xk为第k时刻空调集合的状态变量，k表示当前时刻；

35、对于状态变量xk+1，变化决定因素如下：第k时刻状态变量xk，第k时刻控制信号uk以及第k时刻的调控过程中的随机干扰wk；

36、步骤2所述状态空间模型，定义如下：

37、xk+1＝axk+buk+wk

38、yk＝cxk

39、uk＝[uk,1,uk,2,uk,3,…,uk,n]

40、其中，uk表示第k个时刻的控制变量，uk,n为在第k个时刻控制器施加给loadk,n的控制信号，yk为第k个时刻所有温度区间的定频空调功率之和，wk为第k个时刻的随机干扰，矩阵a为状态转换矩阵，矩阵b为控制输入矩阵，矩阵c为输出矩阵，k表示当前时刻；

41、步骤2所述求解状态空间模型中各个矩阵，具体如下：

42、矩阵a为一个n×n的矩阵。a中元素为pi,j，i,j∈n。其中，pi,j为两个状态箱之间转换概率，下标表示第j个状态箱中的空调向第i个状态箱中空调转换其具体形式如下：

43、

44、其中，tj,tj+1分别表示第j个状态箱所处温度区间的上下界，ti,ti+1分别表示第i个状态箱所处温度区间的上下界。a1,a2分别表示由ti,ti+1所决定的的两个参数，m为温度区间的数量；

45、其中p(a)为均匀分布的概率密度函数，形式如下：

46、

47、其中amin,amax可由步骤1所述最小二乘法拟合求得。

48、将b写为如下形式：

49、

50、c的形式如下所示:

51、c＝prate*ntcls*[0...0|1...1]1×n

52、其中，prate为空调额定功率，ntcls为空调负荷总数量，n为空调集合的总数量；

53、作为优选，步骤3所述预测未来多个时刻的状态变量，具体如下：

54、由状态空间模型在已知第k时刻的状态变量时可以预测第k+1时刻状态变量，通过一个迭代的过程，可以预测np个时刻的状态变量，具体如下：

55、

56、其中，矩阵a为状态转换矩阵，矩阵b为控制输入矩阵，np为预测步长，xk为第k时刻空调集合的状态变量，uk+q表示第k+q个时刻的控制变量，k表示当前时刻，k+1表示下一个时刻，q∈[0,np]；

57、步骤3所述根据未来多个时刻的状态变量求解未来多个时刻的最优控制信息，具体如下：

58、根据np个时刻的状态变量，可以求得np个时刻的预测输出，如下所示：

59、

60、其中，yk+q表示第k+q所有温度区间的定频空调功率之和，q∈[0,np]；

61、令：

62、

63、

64、

65、其中，矩阵a为状态转换矩阵，矩阵b为控制输入矩阵，矩阵c为输出矩阵，np为预测步长，为np个时刻的控制信号，φ为状态变量过度矩阵，f为控制信号过度矩阵，为np个时刻的控制信号；

66、则得出：

67、

68、其中，xk为第k时刻空调集合的状态变量，y为np个时刻的预测输出，φ为状态变量过度矩阵，f为控制信号过度矩阵；

69、定义功率跟踪的误差性能指标，具体如下：

70、

71、其中，rs为输入的参考信号，y为np个时刻的预测输出，为np个时刻的控制信号，g为控制作用的权重矩阵，可以限制系统频繁的进行开关切换，同时也可以根据仿真期望，给控制序列不同的权重，即改变g矩阵的值；

72、根据上述目标函数及约束条件，利用matlab中二次规划求解器求解最优的np个时刻的控制信号；

73、作为优选，步骤4所述计算当前时刻的调节误差，具体如下：

74、ek＝rsk-yk+wk

75、其中，ek为第k时刻的调节误差，rsk为第k个时刻的目标功率，yk为第k个时刻所有温度区间的定频空调功率之和，wk为第k个时刻的预测误差；

76、步骤4所述结合mpc控制器进行滚动优化得到下一个时刻的控制作用的值，具体如下：

77、mpc控制器中滚动优化的方式为根据状态空间模型预测下一时刻的输出功率不断调整u(k)使得该输出功率与目标功率之间的差最小，具体为：

78、

79、其中，rs为输入的参考信号，y为np个时刻的预测输出，为np个时刻的控制信号，g为控制作用的权重矩阵；

80、步骤4所述下一个时刻的多台智能空调状态控制向量包括：

81、下一个时刻的多台智能空调状态控制向量包括下一时刻的开启状态的智能空调数量、关闭状态的智能空调数量；

82、上述模型预测控制的空调负荷群调控方法，通过建立空调负荷群的聚合体状态空间模型来预测其未来的功率输出，并且在随机干扰存在的情况下，根据模型预测来控制中滚动优化的思想，在未来时刻将随机干扰作为控制器的输入，并通过mpc控制器求解下一时刻的控制量，进行调节。随着时刻的推进，进行滚动优化，整个负反馈控制系统会不断调整负荷群输出，使其接近目标功率，这样就实现了对空调群的整体调度。