规模化空调负荷参与电网调峰优化调度方法与流程

本发明涉及一种规模化空调负荷参与电网调峰优化调度方法，属于电力系统及其自动化领域。

背景技术：

随着我国经济结构的逐渐转型升级，清洁能源的不断发展，我国电力结构正在发生深刻的变化。一方面常规发电机组年利用小时数下降，“弃风、弃光”甚至核电降功率运行，另一方面用电尖峰负荷不断攀升、屡创新高；同时，随着电网互联程度的不断提高，对于受端电网，本地电源调节能力非常有限。空调负荷作为主要降温负荷，据统计，在我国华中、华东、华南等地区高峰负荷中已占到30％左右，在北京、上海、广州、南京等局部地区已占到50％左右，这一占比保持逐年增长的态势，而空调负荷在峰荷时段的年利用小时数仅有数百小时，为电网的安全稳定经济运行带来了严峻的挑战。

智能电网的不断发展、需求侧管理技术的不断提升，空调负荷的调控技术不断成熟，调控手段更加灵活多样，对用户舒适度的影响越来越小。将规模化空调负荷进行统一调度，以解决电网夏季尖峰时段的电力紧缺，延缓电厂建设，已成为电力部门面临的重要课题。然而，现有技术主要针对空调负荷本体的调控技术，对于规模化空调负荷的调度技术研究非常欠缺。设计一种适用于规模化空调负荷参与电网调峰的优化调度方法，使其得到广泛的应用，是推动规模化空调负荷参与电网调峰的重要发展方向。

技术实现要素：

为了解决上述技术问题，本发明提供了一种规模化空调负荷参与电网调峰优化调度方法。

为了达到上述目的，本发明所采用的技术方案是：

规模化空调负荷参与电网调峰优化调度方法，包括以下步骤，

步骤1，计及空调负荷本体运行特性，建立适用于电网调峰的空调负荷虚拟调峰机组模型；

步骤2，进行空调虚拟调峰机组的聚合；

步骤3，建立空调负荷虚拟调峰机组聚合层可调度容量及出力成本评估模型；

步骤4，空调负荷虚拟调峰机组聚合层间调峰容量分解；

步骤5，空调负荷虚拟调峰机组聚合层内优化调度。

用于电网调峰的空调负荷虚拟调峰机组模型为，

ACVPG＝{C(t),C(t,max),C(t,min),ρ(C(t)),D^min,D^max,IN}

其中，ACVPG表示空调负荷虚拟调峰机组，C(t)表示t时段空调负荷虚拟调峰机组出力，C(t,max)表示t时段空调负荷虚拟调峰机组出力上限，C(t,min)表示t时段空调负荷虚拟调峰机组出力下限，ρ(C(t))表示t时段空调负荷虚拟调峰机组出力成本，D^min表示空调负荷虚拟调峰机组最小调度持续时长，D^max表示空调负荷虚拟调峰机组最大调度持续时长，IN表示t时段空调负荷虚拟调峰机组最小调度间隔。

步骤1具体包括，

1.1)建立空调负荷等效热参数模型；

其中，C_a表示建筑物等效热容，G_a表示建筑物等效热导，T_a(t)表示t时段室内温度，T_o(t)表示t时段室外温度，Q_h(t)表示t时段空调制冷量，Q_m(t)表示t时段室内人员及设备所散发的热量，Q_s(t)表示t时段进入房间的太阳辐射热量；

1.2)建立空调负荷虚拟调峰机组出力模型；

其中，表示空调负荷调控前基线功率，P_air(t)表示空调负荷调控后实际功率；

1.3)建立空调负荷虚拟调峰机组出力上下限模型；

空调负荷温度设定为约定最高值，最大降负荷量为空调负荷虚拟调峰机组出力上限，出力下限为0；

式中：表示空调负荷温度设定最高值并对空调运行参数优化后的总功耗；

1.4)建立空调负荷虚拟调峰机组出力成本模型；

其中，k_i′表示空调负荷虚拟调峰机组出力成本系数，i′表示C(t)的次数；

1.5)建立空调负荷虚拟调峰机组最小调度持续时长模型；

D^min＝t_on+t_g

其中，t_on为空调负荷最小在线时长，t_g为用户附加最小调度时长；

1.6)建立空调负荷虚拟调峰机组最大调度持续时长模型；

对空调负荷进行调控后，室温上升到温度区间最大值的时长与人体对最高室温的忍耐时长之和，即为空调负荷虚拟调峰机组最大可调度持续时长；

D^max＝Δt+Δt′

式中，Δt表示室温上升到温度区间最大值的时长，Δt′表示人体对温度区间最大值的忍耐时长，表示空调调控前的设定温度；

1.7)建立空调负荷虚拟调峰机组最小调度间隔模型；

调度后室温从温度区间最大值下降到温度区间最小值的时长为空调负荷虚拟调峰机组最小调度间隔；

基于改进模糊C均值聚类算法进行空调负荷虚拟调峰机组聚合，即通过对传统模糊C均值聚类算法进行改进后，利用改进的模糊C均值聚类算法对空调负荷虚拟调峰机组进行聚类分组；

具体过程为，

2.1)改进模糊C均值聚类算法初始化，即设定聚类中心搜索终止条件δ、迭代终止条件ξ，权重系数m′；

2.2)计算空调负荷虚拟调峰机组数据集X＝{x₁,x₂,…,x_n}中所有数据点的密度指标；

其中，k表示密度指标计算次数，表示第k次计算中数据点x_i的密度指标，x_i∈X，r_a表示数据点x_i的邻域半径，l为整数，l∈[1,n]，l≠i，n为数据集中数据点的个数；

2.3)选出密度指标最大的数据点作为一个聚类中心，剔除该数据点后，计算剩余数据点的密度指标；

其中，表示第k-1次计算中数据点x_i的密度指标，c表示聚类中心，表示第k-1次计算中选出的聚类中心的密度指标，表示第k-1次计算中选作聚类中心的数据点，r_b表示密度指标减小的邻域半径；

2.4)判断是否成立，如果成立，则转至步骤2.5，如果不成立，则转至步骤2.3；

其中，表示第k次计算得到的聚类中心的密度指标，表示第1次计算得到的聚类中心的密度指标；

2.5)输出c个聚类中心；

2.6)计算空调负荷虚拟调峰机组调度特性指标初始隶属度矩阵U；

其中，u_ij为隶属度矩阵U中的元素，表示第j个数据属于第i个类的隶属度，j为整数，j∈[1,n]，d_ij＝||x_j-v_i||表示数据点x_j与聚类中心v_i间的欧式距离；

2.7)更新空调负荷虚拟调峰机组调度特性指标聚类中心，即根据数据点隶属度矩阵U更新聚类中心矢量V；

式中，v_i为聚类中心矢量V元素，x_j表示数据集中的数据点；

2.8)更新空调负荷虚拟调峰机组调度特性指标隶属度矩阵，即以更新后的聚类中心对隶属度矩阵进行更新；

2.9)判断终止条件||u_ij(k)-u_ij(k-1)||≤ξ是否成立，如果成立，则结束并输出结果；否则，依次重复步骤2.7和2.8；

其中，u_ij(k)表示第k次计算得到的第j个数据属于第i个类的隶属度值，u_ij(k-1)表示第k-1次计算得到的第j个数据属于第i个类的隶属度值。

空调负荷虚拟调峰机组聚合层可调度容量及出力成本评估模型为，

其中，C(g,max)表示空调负荷虚拟调峰机组聚合层g在调度时段的最大可调度容量，M表示空调负荷虚拟机组聚合层g聚合的空调负荷虚拟调峰机组台数，m为整数，m∈[1,M]，T调度总时段数，C(t,m)表示调度时段t第m台空调负荷虚拟调峰机组的出力，v(t,m)表示调度时段t第m台空调负荷虚拟调峰机组是否参与调峰标识，ρ(C(t,g))表示空调负荷虚拟调峰机组聚合层g在调度时段t的出力成本，ρ(C(t,m,max))表示调度时段t第m台空调负荷虚拟调峰机组最大出力时的出力成本，C(t,m,max)表示空调负荷虚拟调峰机组聚合层g在调度时段t的最大可调度容量。

建立空调负荷虚拟调峰机组聚合层可调度容量评估模型的过程为，

3.1)建立可调度容量评估目标函数；

3.2)明确评估约束条件；

具体包括：

空调负荷虚拟调峰机组出力约束；

C(t,m)≤C(t,m,max)

空调负荷虚拟调峰机组最大调度时长时长约束；

其中，为第m台空调负荷虚拟调峰机组调度初始时段已调度时长；

空调负荷虚拟调峰机组最小调度持续时长约束；

其中，表示第m台空调负荷虚拟调峰机组在调度初始时段必须被调度的连续时长；表示第m台空调负荷虚拟调峰机组所允许的最小调度持续时长；表示第m台空调负荷虚拟调峰机组在调度初始时段已被连续调度时长；

空调负荷虚拟调峰机组最小调度间隔约束；

其中，表示第m台空调负荷虚拟调峰机组在调度初始时段避免被调度的连续时长；表示第m台空调负荷虚拟调峰机组在调度初始时段未被调度的连续时长，k1、k2、k3、k4均为表示调度时段的中间变量，IN_m表示第m台空调负荷虚拟调峰机组最小调度间隔。

空调负荷虚拟调峰机组聚合层间调峰容量分解具体包括以下步骤，

4.1)建立空调负荷虚拟调峰机组聚合层间调峰容量分解目标函数

式中，F_p表示电网空调负荷调度总经济成本，g表示空调负荷虚拟调峰机组聚合层序号，G表示参与电网调峰的空调负荷虚拟调峰机组聚合层总数，C(t,g)表示t时段聚合层g的出力计划，Δt表示调度时段间隔；

4.2)明确调峰容量分解约束条件；

具体包括：

空调负荷虚拟调峰机组聚合层出力上下限约束；

0≤C(t,g)≤C(g,max)

式中，C(g,max)表示空调负荷虚拟调峰机组聚合层上报的最大可调度容量；

空调负荷虚拟调峰机组聚合层总体出力约束；

式中，P(t)表示时段t电网空调负荷削峰总容量需求。

空调负荷虚拟调峰机组聚合层内优化调度具体包括以下步骤，

5.1)建立空调负荷虚拟调峰机组聚合层内优化调度目标函数；

式中，F_a表示聚合层空调负荷调度总经济成本，C(t,m)表示调度时段t第m台空调负荷虚拟调峰机组出力，ΔC表示聚合层调峰偏差；

5.2)明确优化调度约束条件；

具体包括：

空调负荷虚拟调峰机组总体出力约束；

空调负荷虚拟调峰机组调度特性约束。

本发明所达到的有益效果：本发明在计及空调负荷本体运行特性基础上，建立单台空调负荷虚拟调峰机组模型，通过对模糊C均值聚类算法改进对所建立的空调负荷虚拟调峰机组进行聚合，基于此建立空调负荷虚拟调峰机组聚合层间及聚合层内部的优化调度模型，在充分发挥空调负荷调峰潜力的同时，有效降低了规模化空调负荷调度的复杂性，在不影响用户使用效果的前提下，利用规模化空调负荷调度有效解决电力尖峰时段的供电压力。

附图说明

图1为本发明的流程图。

图2为基于改进模糊C均值的空调负荷虚拟调峰机组聚合方法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，规模化空调负荷参与电网调峰优化调度方法，包括以下步骤：

步骤1，计及空调负荷本体运行特性，建立适用于电网调峰的空调负荷虚拟调峰机组模型。

用于电网调峰的空调负荷虚拟调峰机组模型为，

ACVPG＝{C(t),C(t,max),C(t,min),ρ(C(t)),D^min,D^max,IN}

其中，ACVPG表示空调负荷虚拟调峰机组，C(t)表示t时段空调负荷虚拟调峰机组出力，C(t,max)表示t时段空调负荷虚拟调峰机组出力上限，C(t,min)表示t时段空调负荷虚拟调峰机组出力下限，ρ(C(t))表示t时段空调负荷虚拟调峰机组出力成本，D^min表示空调负荷虚拟调峰机组最小调度持续时长，D^max表示空调负荷虚拟调峰机组最大调度持续时长，IN表示t时段空调负荷虚拟调峰机组最小调度间隔。

具体过程如下：

1.1)建立空调负荷等效热参数模型；

其中，C_a表示建筑物等效热容，G_a表示建筑物等效热导，T_a(t)表示t时段室内温度，T_o(t)表示t时段室外温度，Q_h(t)表示t时段空调制冷量，Q_m(t)表示t时段室内人员及设备所散发的热量，Q_s(t)表示t时段进入房间的太阳辐射热量；

1.2)建立空调负荷虚拟调峰机组出力模型；

其中，表示空调负荷调控前基线功率，P_air(t)表示空调负荷调控后实际功率；

1.3)建立空调负荷虚拟调峰机组出力上下限模型；

空调负荷温度设定为约定最高值，最大降负荷量为空调负荷虚拟调峰机组出力上限，出力下限为0；

式中：表示空调负荷温度设定最高值并对空调运行参数优化后的总功耗；

1.4)建立空调负荷虚拟调峰机组出力成本模型；

其中，k_i′表示空调负荷虚拟调峰机组出力成本系数，i′表示C(t)的次数；

1.5)建立空调负荷虚拟调峰机组最小调度持续时长模型；

D^min＝t_on+t_g

其中，t_on为空调负荷最小在线时长，t_g为用户附加最小调度时长；

1.6)建立空调负荷虚拟调峰机组最大调度持续时长模型；

对空调负荷进行调控后，室温上升到温度区间最大值的时长与人体对最高室温的忍耐时长之和，即为空调负荷虚拟调峰机组最大可调度持续时长；

D^max＝Δt+Δt′

式中，Δt表示室温上升到温度区间最大值的时长，Δt′表示人体对温度区间最大值的忍耐时长，表示空调调控前的设定温度；

1.7)建立空调负荷虚拟调峰机组最小调度间隔模型；

调度后室温从温度区间最大值下降到温度区间最小值的时长为空调负荷虚拟调峰机组最小调度间隔；

步骤2，进行空调虚拟调峰机组的聚合。

基于改进模糊C均值聚类算法进行空调负荷虚拟调峰机组聚合，即通过对传统模糊C均值聚类算法进行改进后，利用改进的模糊C均值聚类算法对空调负荷虚拟调峰机组进行聚类分组。

如图2所示，具体过程如下：

2.1)改进模糊C均值聚类算法初始化，即设定聚类中心搜索终止条件δ、迭代终止条件ξ，权重系数m′；

2.2)计算空调负荷虚拟调峰机组数据集X＝{x₁,x₂,…,x_n}中所有数据点的密度指标；

其中，k表示密度指标计算次数，表示第k次计算中数据点x_i的密度指标，x_i∈X，r_a表示数据点x_i的邻域半径，l为整数，l∈[1,n]，l≠i，n为数据集中数据点的个数；

2.3)选出密度指标最大的数据点作为一个聚类中心，剔除该数据点后，计算剩余数据点的密度指标；

其中，表示第k-1次计算中数据点x_i的密度指标，c表示聚类中心，表示第k-1次计算中选出的聚类中心的密度指标，表示第k-1次计算中选作聚类中心的数据点，r_b表示密度指标减小的邻域半径，通常r_b＝1.5r_a；

2.4)判断是否成立，如果成立，则转至步骤2.5，如果不成立，则转至步骤2.3；

其中，表示第k次计算得到的聚类中心的密度指标，表示第1次计算得到的聚类中心的密度指标；

2.5)输出c个聚类中心；

2.6)计算空调负荷虚拟调峰机组调度特性指标初始隶属度矩阵U；

其中，u_ij为隶属度矩阵U中的元素，表示第j个数据属于第i个类的隶属度，j为整数，j∈[1,n]，d_ij＝||x_j-v_i||表示数据点x_j与聚类中心v_i间的欧式距离；

2.7)更新空调负荷虚拟调峰机组调度特性指标聚类中心，即根据数据点隶属度矩阵U更新聚类中心矢量V；

式中，v_i为聚类中心矢量V元素，x_j表示数据集中的数据点；

2.8)更新空调负荷虚拟调峰机组调度特性指标隶属度矩阵，即以更新后的聚类中心对隶属度矩阵进行更新；

2.9)判断终止条件||ui_j(k)-ui_j(k-1)||≤ξ是否成立，如果成立，则结束并输出结果；否则，依次重复步骤2.7和2.8；

其中，u_ij(k)表示第k次计算得到的第j个数据属于第i个类的隶属度值，ui_j(k-1)表示第k-1次计算得到的第j个数据属于第i个类的隶属度值。

步骤3，建立空调负荷虚拟调峰机组聚合层可调度容量及出力成本评估模型；即每个空调负荷虚拟调峰机组聚合层根据聚类分组结果，对所聚合的空调负荷虚拟机组可调度容量及出力成本进行评估。

空调负荷虚拟调峰机组聚合层可调度容量及出力成本评估模型为，

其中，C(g,max)表示空调负荷虚拟调峰机组聚合层g在调度时段的最大可调度容量，M表示空调负荷虚拟机组聚合层g聚合的空调负荷虚拟调峰机组台数，m为整数，m∈[1,M]，T调度总时段数，C(t,m)表示调度时段t第m台空调负荷虚拟调峰机组的出力，v(t,m)表示调度时段t第m台空调负荷虚拟调峰机组是否参与调峰标识，ρ(C(t,g))表示空调负荷虚拟调峰机组聚合层g在调度时段t的出力成本，ρ(C(t,m,max))表示调度时段t第m台空调负荷虚拟调峰机组最大出力时的出力成本，C(t,m,max)表示空调负荷虚拟调峰机组聚合层g在调度时段t的最大可调度容量。

建立空调负荷虚拟调峰机组聚合层可调度容量评估模型的过程为：

3.1)建立可调度容量评估目标函数；即空调负荷虚拟调峰机组聚合层在参与电网调峰前以聚合层可调度容量最大、各调度时段出力平稳为目标来进行评估；

3.2)明确评估约束条件；即空调负荷虚拟调峰机组在评估可调度容量时，需要考虑空调负荷虚拟调峰机组的调度特性指标；

具体包括：

空调负荷虚拟调峰机组出力约束；

C(t,m)≤C(t,m,max)

空调负荷虚拟调峰机组最大调度时长时长约束；

其中，为第m台空调负荷虚拟调峰机组调度初始时段已调度时长；

空调负荷虚拟调峰机组最小调度持续时长约束；

其中，表示第m台空调负荷虚拟调峰机组在调度初始时段必须被调度的连续时长；表示第m台空调负荷虚拟调峰机组所允许的最小调度持续时长；表示第m台空调负荷虚拟调峰机组在调度初始时段已被连续调度时长；

空调负荷虚拟调峰机组最小调度间隔约束；

其中，表示第m台空调负荷虚拟调峰机组在调度初始时段避免被调度的连续时长；表示第m台空调负荷虚拟调峰机组在调度初始时段未被调度的连续时长，k1、k2、k3、k4均为表示调度时段的中间变量，IN_m表示第m台空调负荷虚拟调峰机组最小调度间隔。

步骤4，空调负荷虚拟调峰机组聚合层间调峰容量分解；即电力调度部门根据空调负荷虚拟调峰机组聚合层上报的可调度容量及其出力成本，以调度经济成本最优进行调峰容量分解。

空调负荷虚拟调峰机组聚合层间调峰容量分解具体包括以下步骤：

4.1)建立空调负荷虚拟调峰机组聚合层间调峰容量分解目标函数；即根据各空调负荷虚拟调峰机组聚合层上报的可调度容量及出力成本，以调度经济成本最优来确定各个空调负荷虚拟调峰机组出力计划；

式中，F_p表示电网空调负荷调度总经济成本，g表示空调负荷虚拟调峰机组聚合层序号，G表示参与电网调峰的空调负荷虚拟调峰机组聚合层总数，C(t,g)表示t时段聚合层g的出力计划，Δt表示调度时段间隔；

4.2)明确调峰容量分解约束条件；

具体包括：

空调负荷虚拟调峰机组聚合层出力上下限约束；

0≤C(t,g)≤C(g,max)

式中，C(g,max)表示空调负荷虚拟调峰机组聚合层上报的最大可调度容量；

空调负荷虚拟调峰机组聚合层总体出力约束；

式中，P(t)表示时段t电网空调负荷削峰总容量需求。

步骤5，空调负荷虚拟调峰机组聚合层内优化调度；即空调负荷虚拟调峰机组聚合层以调控成本最低、调峰偏差最小为优化调度目标进行各空调负荷虚拟调峰机组出力安排。

空调负荷虚拟调峰机组聚合层内优化调度具体包括以下步骤，

5.1)建立空调负荷虚拟调峰机组聚合层内优化调度目标函数；

式中，F_a表示聚合层空调负荷调度总经济成本，C(t,m)表示调度时段t第m台空调负荷虚拟调峰机组出力，ΔC表示聚合层调峰偏差；

5.2)明确优化调度约束条件；

具体包括：

空调负荷虚拟调峰机组总体出力约束；

空调负荷虚拟调峰机组调度特性约束，即步骤3.2中建立的约束条件。

上述方法在计及空调负荷本体运行特性基础上，建立单台空调负荷虚拟调峰机组模型，通过对模糊C均值聚类算法改进对所建立的空调负荷虚拟调峰机组进行聚合，基于此建立空调负荷虚拟调峰机组聚合层间及聚合层内部的优化调度模型，在充分发挥空调负荷调峰潜力的同时，有效降低了规模化空调负荷调度的复杂性，在不影响用户使用效果的前提下，利用规模化空调负荷调度有效解决电力尖峰时段的供电压力。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。