本发明属于灵活互动智能用电和需求响应领域，尤其涉及一种基于模型预测和多尺度优先级的集群温控负荷控制方法。
背景技术：
近年来，我国可再生能源发展迅猛，2016年风电新增并网容量1930万千瓦、光伏新增并网容量达3424万千瓦。然而，风电、光伏等可再生能源具有随机性、间歇性等“不友好”特点，大规模并网会给电力系统安全可靠运行带来不利影响。国内外最新研究表明，动态整合需求侧资源将逐渐成为提高新能源消纳能力的有效途径。以空调、热水器等为主的温控负荷具有热储存及速断等特性，对用户舒适度影响较小，经聚合其参与系统调度潜力巨大，参与需求响应具有重要意义。
集群温控负荷的有效建模是其参与需求响应负荷控制的必要前提。目前集群温控负荷的建模方法主要包括大量温控负荷等效热参数方法、状态仓分组方法以及虚拟储能等效热电池方法。状态仓分组方法根据用户舒适度温度上下限实现了负荷状态的分组，相比于大量温控负荷等效热参数方法大大降低了计算矩阵的维度。等效电池模型区别其他两种建模方法，是从一般的充放电功率、电池容量等角度将集群温控负荷等效为电池储能模型。现有集群温控负荷的控制方法从上层控制模型上主要包括模型预测控制和滑模变结构控制；从本地层负荷遴选控制上主要包括状态队列和温度距离两种控制方法。模型预测可提前感知dr目标信号的变化，进而提前对温控负荷切换进行调整，实现滚动优化，而滑模控制则可以提高系统响应速度。状态队列是根据不同温控负荷的状态转移特性进行排队，而温度距离方法则是根据温控负荷的当前温度状态进行温度优先级排序。
需求响应中负荷控制的核心问题是获得最优控制信号和遴选控制对象。当前，现有控制方法主要存在两方面问题：一方面，输出性能的优劣依赖于给定跟踪信号的时变特性，无法保障优越的响应效果；另一方面，未考虑到如何将最优控制信号和最优负荷控制对象紧密联系在一起，以实现更好的控制效果。
技术实现要素：
本发明的目的在于提供一种基于模型预测和多尺度优先级的集群温控负荷控制方法，用于解决现有集群温控负荷控制方法响应效果依赖给定跟踪信号的时变特性以及控制精度低等问题。
为实现上述目的，本发明的技术方案是：一种基于模型预测和多尺度优先级的集群温控负荷控制方法，包括如下步骤，
步骤s1、集群温控负荷的2d状态仓建模，即基于空调负荷的热运行方程对空调负荷进行随机模拟，依据负荷所处2d位置，进行状态分仓，得到2d状态仓模型；
步骤s2、求解控负荷时变状态空间模型，即对步骤s1中得到的2d状态仓模型采用马尔可夫链求解状态仓之间的转移概率，得到时变状态空间方程；
步骤s3、基于模型预测控制算法得到当前时刻的集群温控负荷控制模型，对步骤s2中得到的时变状态空间方程采用模型预测控制算法求解当前时刻的预测控制模型；
步骤s4、多尺度优先级排序指标进行负荷对象遴选，即对步骤s3中模型预测控制算法求解的最优控制信号，采用基于归一化温度距离、功率相似度和累计控制次数的多尺度优先级排序指标进行负荷对象遴选；
步骤s5、执行模型预测控制最优控制信号，让步骤s4中的遴选负荷对象执行模型预测控制的最优控制信号。
在本发明一实施例中，所述步骤s1中，集群温控负荷的2d状态仓建模，其具体流程为：
步骤s11、根据集群温控负荷当前开关状态将其分为关闭群和开启群；
步骤s12、针对关闭群在二维平面内，分别根据用户舒适度室内空气温度上下限值
在本发明一实施例中，所述步骤s2中，采用马尔可夫链求解状态仓之间的转移概率具体流程为：
步骤s21、基于全天24小时空调负荷群时间-温度热运行曲线，根据每个空调负荷在不同时刻的2d温度，依次进行状态仓编号；
步骤s22、统计在相邻仿真时刻k到k+1间，状态仓i的空调负荷转移到状态仓j的个数，其中，i,j＝1,2,…,n；
步骤s23、计算一阶马尔可夫链第k时段状态仓i的空调负荷转移到状态仓j的状态转移概率：
式中，ni,j(k)表示第k时段状态仓i的空调负荷转移到状态仓j的个数；ni(k)表示第k时段状态仓i中发生状态转移的总负荷数；n表示状态仓总数。
在本发明一实施例中，所述步骤s3的具体流程为：
步骤s31、取步骤s2中获得的集群温控负荷时变状态空间方程，将其写成模型预测控制下状态预测方程，并写成矩阵形式；
步骤s32、由于模型预测控制系统的目标是集群空调负荷的聚合输出跟踪目标负荷输出曲线，因此，以用最小化跟踪误差作为目标函数；
步骤s33、通过以集群输出跟踪误差最小为目标，将集群空调负荷的优化控制模型转化为二次规划问题。
在本发明一实施例中，所述步骤s4的具体流程为：
步骤s41、从步骤s3中得到的当前时刻的模型预测最优控制信号；
步骤s42、根据目标信号，分别基于功率相似度指标、归一化温度距离、累计控制次数的依次对集群温控负荷群进行负荷排序；
步骤s42、综合步骤s42中三个指标参数，每个指标参数的偏重点各不同，归一化后都是取值范围在0和1之间的无量纲系数，其值大小均表示对应的优先级指数；因此，根据预定的权重系数，将三个指标进行加权求和，可得到综合排序参考值。
相较于现有技术，本发明具有以下有益效果：
一、提出一种基于2d状态仓转移时变马尔可夫链的温控负荷建模方法，充分考虑负荷异构性和多样性，相比传统时不变马尔可夫链建模方法，具有更高的温控负荷建模精度；
二、提出一种基于模型预测滚动优化控制的集群温控负荷控制方法，增加了基于归一化温度距离、功率相似度和累计控制次数的多尺度优先级排序的负荷遴选过程，提高了负荷响应最优控制信号向量的精度和速度；
三、即使目标需求响应信号曲线变化剧烈情况下，本发明所述控制方法可提前感知dr目标信号的变化，进而提前对温控负荷切换进行调整，实现滚动优化，达到了较好的动态控制性能。
附图说明
图1为本发明方法的控制流程图。
图2为2d状态仓转移模型图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明基于模型预测和多尺度优先级的集群温控负荷控制方法的流程图如图1所示，具体流程如下：
1)集群温控负荷的2d状态仓建模，具体流程为：
11)如图2所示，根据集群温控负荷当前开关状态将其分为关闭群和开启群；
12)针对关闭群在二维平面内，分别根据用户舒适度室内空气温度和室内物质温度的上下限值(
2)求解温控负荷时变状态空间模型，对步骤1)中得到的2d状态仓模型采用马尔可夫链求解状态仓之间的转移概率，得到时变状态空间方程。具体流程为：
21)基于全天24小时空调负荷群时间-温度热运行曲线，根据每个空调负荷在不同时刻的2d温度，依次进行状态仓编号；
22)统计在相邻仿真时刻k到k+1间，状态仓i的空调负荷转移到状态仓j的个数(i,j＝1,2,…,n)；
23)计算一阶马尔可夫链第k时段状态仓i的空调负荷转移到状态仓j的状态转移概率：
式中，ni,j(k)表示第k时段状态仓i的空调负荷转移到状态仓j的个数；ni(k)表示第k时段状态仓i中发生状态转移的总负荷数；n表示状态仓总数。
3)基于模型预测控制算法得到当前时刻的集群温控负荷控制模型，对所述步骤2)中得到的时变状态空间方程采用模型预测控制算法求解当前时刻的预测控制模型。具体流程为：
31)取所述步骤2)中已获得的集群温控负荷状态空间方程，将其写成模型预测控制下状态预测方程，并写成矩阵形式，表示如下：
x(k)＝ap(k)x(k|k)+bp(k)u(k)(2)
其中，
x(k)＝[x(k+1|k)x(k+2|k)…x(k+p|k)]t(3)
u(k)＝[u(k|k)u(k+1|k)…u(k+p-1|k)]t(4)
ap(k)＝[a(k)a(k+1)a(k)…a(k+p-1)…a(k)]t
ap内分块矩阵ap＝[a(k+p-1)…a(k+1)a(k)]表示当前k时刻下，系统第k+p时刻状态转移矩阵的预测值，其元素ap(i,j)表示仅已知当前时刻k各状态仓负荷个数向量x(k|k)，系统在第k+p个时间步长内，状态仓j的空调负荷转移到状态仓i的转移概率预测值。bp完全类似，不再赘述。x(k)表示当前k时刻各个仓内负荷数所占百分比；u(k)表示第k时刻的控制信号，即当前时刻k各状态仓内的空调负荷需要切换的百分比；当该信号为正值时表示开启动作，为负值时表示关闭动作。
32)由于该模型预测控制系统的主要目标是集群空调负荷的聚合输出跟踪目标负荷输出曲线，所以，以用最小化跟踪误差作为目标函数：
其中，werr表示模型输出与实际目标值的跟踪误差权重系数矩阵，本文设为单位矩阵；d(k)＝diag{c(k+1)c(k+2)…c(k+p)}，r(k)＝[r(k+1)r(k+2)…r(k+p)]t,而r(k+ζ)表示在k+ζ时刻输出目标轨迹值。
33)通过以集群输出跟踪误差最小为目标，将集群空调负荷的优化控制模型转化为二次规划问题：
式(7)约束条件中的0和1均是向量形式，同时，该二次规划模型可以通过调用matlab优化工具箱提供的二次规划函数进行求解。求解之后便得控制时域p*δt内状态仓空调负荷开关个数构成的优化控制序列，在当前调度时刻仅下发该优化序列的第一个分量u*(k|k)。等待下一个调度周期到来，重复上述滚动优化过程。
4)多尺度优先级排序指标进行负荷对象遴选，对上述所述步骤3)中模型预测控制算法求解的最优控制信号，采用基于归一化温度距离、功率相似度和累计控制次数的多尺度优先级排序指标进行对象遴选。具体流程为：
41)为了提高空调负荷响应的准确性和快速性，引入一种功率相似度的负荷排序指标。定义simi,(p,q)为状态仓(p,q)中空调负荷功率与所需调整功率的相似度指数，计算公式如下：
其中，pi为第i个空调负荷的额定功率，paim,(p,q)为状态仓(p,q)需要响应的目标功率。n(p,q)表示状态仓(p,q)中的空调负荷个数。当第i个空调负荷的额定功率pi越接近所需调整功率时，该空调负荷的功率相似度指数simi,(p,q)越小，则该空调负荷的响应响应优先级越高。由式(14)可知，simi,(p,q)也是个取值范围在0和1之间的无量纲系数。
42)某一空调负荷在某一时刻的温度与其边界温度的差值可称为该负荷在这一时刻的温度距离。由于室内物质温度相比室内空气温度对用户舒适度的影响小，故只考虑室内空气温度距离。同时，为了计算和组合优先级排队方便，此处采用归一化温度距离，其表达式为：
其中，ntdi,k是第i个空调负荷在当前k时刻的归一化温度距离，为取值范围在0和1之间的无量纲系数。δ表示温度死区，即用户舒适度温度上、下限值θhigh和θlow之差。θi,t表示第i个空调负荷在当前k时刻的温度，ok和ck分别表示在当前k时刻的开启群和关闭群，m是空调负荷总个数。当集群空调负荷响应最优控制信号时，可根据归一化温度距离进行排序选取调控对象，ntd值越大响应的优先级越高。
43)空调负荷i在k时刻的累计控制次数记为：ci,k。为了可以将累计控制次数和其他指标进行加权得到一个综合指标，需要首先归一化到0和1之间。归一化公式如下：
nci,k＝(ci,k-ck,min)/(ck,max-ck,max)(10)
ck,min和ck,max表示当前时刻k负荷已被控次数的最小值和最大值。
综合以上三个指标参数，每个指标参数的偏重点各不同，归一化后都是取值范围在0和1之间的无量纲系数，其值大小均表示对应的优先级指数。因此，根据一定的权重系数，将三个指标进行加权求和[6][21]，可得到综合排序参考值。以可控开状态群的负荷为例，其空调负荷i在时刻k的综合排序参考值γopen为：
kt，ks和kc分别为相应的权重系数，根据多尺度优先级综合指数γopen的取值大小对开状态群对应的各2d状态仓内空调负荷进行排序，γopen值越小表示该空调负荷在该状态仓内的优先级越高。
5)执行模型预测控制最优控制信号，让上述所述步骤4)中的遴选负荷对象执行模型预测控制的最优控制信号。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。