计及双向互动的大用户用电负荷智能化控制研究*

张 林, 殷啸秋

(1.河南识途工程管理咨询有限公司, 河南 郑州 450000;2.爱丁堡大学, 苏格兰 爱丁堡 EH89JU)

0 引 言

自进入21世纪以来,全球资源日渐紧张,环境恶化,全球资源需求量不断加大,因此,提高能源的利用效率成为未来电网的发展趋势。在如今的智能电网建设任务中,主要内容是智能用电,其智能化体现在客户与电网自动、实时交互电价、负荷等信息,以及用电的科学性、经济性和合理性,使新能源和可再生能源得以发展,实现社会能源节约[1]。

近些年,我国无论是综合国力还是科技水平都有了长足的进步和发展,同时建设智能电网工作也在不断推进,全面地构建智能化双向互动体系,对于用户满足多元化的需求,更为全面和优越地适应未来社会经济的发展需求具有重要意义[2]。随着智能电网建设的不断推进,需求侧与电网之间信息交互水平不断提升,需求侧的灵活互动负荷对电网运行的影响逐渐得到重视[3]。需求侧资源的出力特性和负荷特性均不相同,且存在时间和空间上的互补特性,因此研究各种需求侧资源之间的互补特性和交互影响,达到削峰填谷、节能减排的目的成为当前研究的一个重要课题[3]。

需求侧资源的多样化,使得传统上的单一负荷控制已不能满足未来电网的发展趋势。未来智能电网能够兼容各类发电和储能方式,尤其是大量的“即插即用”的可再生能源。在新的能源形式下,如何以提升能效、节能减排为目标,对各类需求侧资源进行协调控制,对现代电网的发展具有重要意义[4-5]。文献[6]提出了一种双层规划的优化模型,该模型可协调配电网的优化与运行。文献[7]提出一种基于无功控制策略,该策略可协调控制电站稳态调压和辅助暂态紧急控制。

综上所述,本文提出建立负荷-温度的敏感度模型进行建筑负荷响应模型,并基于大用户的用电特性,建立用户用电模式优化模型,进行大用户用电负荷优化控制。最后,通过算例来验证改进后的负荷模型所具有的优化效果。

1 大用户用电特性分析

目前,随着我国经济不断发展,建筑群建设日益扩展,随之建筑能耗不断攀升。建筑用电负荷主要包括照明系统、空调系统、热水器等。

1.1 空调系统

在建筑运行能耗中,空调系统能耗所占比重较大,尤其在夏季用电达到高峰。在旅店、办公大楼中,空调能耗占比可达30%～40%;在商场耗能占比中,空调能耗可达5成;在部分高能耗建筑物中,空调能耗高达60%以上,空调系统具有较大的调控潜力[8]。

在夏季典型负荷日,建筑空调系统一般在7∶00开启,开启时启动电流很大,总负荷迅速升高;之后功率降低处于正常制冷模式,在8∶00～11∶15呈随气温上升而逐渐升高的趋势,此后功率基本稳定;至16∶00时,考虑到气温降低以及生产工作即将停止,空调负荷有下降趋势;18∶00时,空调系统关闭,负荷降为0。同样在冬季典型负荷日,空调系统负荷也集中在7∶00～18∶00,但随着午间温度的升高负荷呈下降趋势。

1.2 热水器系统

随着生活品质的提升,电热水器逐渐成为建筑耗能主力之一。当前对热水器的使用愈来愈频繁,如今已然成为除空调外建筑耗能最大的负荷。据统计,有些地区的电热水器耗电量可达日常耗电量的20%～40%。热水器可年耗300亿kWh电能甚至是500亿kWh电能。从耗电角度看,电热水器存在相当可观的调控潜能。以负荷塑造性看,电热水器可作理想终端。热水器可关掉很长一段时间(通常每次4 h以上)而不影响用户,同时也不会使售电量大量减少。

家用电热水器规格统一,在很大范围内电热水器有实施需求侧管理的机会。对电热水器负荷控制可得到冬、夏季削峰效益。根据电力公司的上报,在系统峰时削减的峰荷范围:对夏季峰荷为每台热水器0.2～1.2 kW,对冬季峰荷为每台热水器0.4～1.2 kW。当然,这些数据取决于热水消耗模式、系统峰荷时间和试验的方法,但是显示出电热水器削峰的潜在效益。

1.3 照明系统

我国照明用电的年增长率均在15%以上,高峰时照明负荷占总用电负荷的比例约达20%。照明电器主要是日光灯,功率因数<0.6。照明负荷的一般规律是在一天之内出现早、晚两个高峰,峰值及其出现的时间随季节变化。夏季昼长夜短,且早高峰压力小,晚高峰期迟,维持时长短,而冬季昼短夜长,早、晚高峰较为明显,且其高峰时段长。因此,照明系统会对负荷率有所冲击,晚高峰负荷受其冲击尤为严重。

2 面向大用户用电负荷协调控制模型的建立

以用户为单位进行单体建筑内部的用电负荷协调研究,建立空调、照明、热水器的负荷互动模型,以电费最小为优化目标,从用电舒适度(空调温度、照明档位)和用电满意度(热水器转移时间)两个方面确定约束条件,建立单体建筑的互动模型[9-10]。单体建筑互动框架如图1所示。

图1 单体建筑互动框架

2.1 建筑设备负荷响应模型

2.1.1 空调负荷响应模型

引入控制变量δair表示空调的控制状态:开启

时δair=1,关闭时δair=0,建立空调的功率方程为

(1)

εair——散热函数,经计算εair取0.81;

ηair——空调能效比,取3.0;

Aair——导热系数,取0.71 ℃/kW;

τ——控制时间间隔,设定为15 min;

TC——时间常数;

Pair.w——空调的额定制冷消耗功率,取2.5 kW。

2.1.2 热水器负荷响应模型

电热水器能耗包括热水能耗和热水器的散热能耗两部分。引入特征量δwater表示热水器的控制状态:开启时δwater=1,关闭时δwater=0,热水器功率方程为

(2)

由于散热引起的温度降低与水温相比,数量单位很小,可以忽略不计。故方程简化为

(3)

2.1.3 照明负荷响应模型

假设用户照明系统分为两档,用αx(t)表示,其中x=0,1,2分别对应不同的挡位,2挡功率最大,1挡功率小,0挡表示关闭状态,则t时段内的照明功率可表示为

(4)

其中,αx(t)=(α0,α1,α2)=(0,0.5,1)。

αx(t)——挡位功率因子;

x(t)——挡位0～2挡。

引入控制变量δlig表示照明系统的控制状态:参与优化调控时δlig=1,不参与调控时δlig=0,则照明设备的用电响应模型为

2[αx(t)-0.5δlig(t)]

(5)

2.2 用户用电模式优化模型

2.2.1 目标函数

根据用电设备的功率模型,结合当前时段电价,计算各个时段的用电成本。在t时段,空调、热水器和照明负荷的总功率为

0.9δwater(t)+2[αx(t)-0.5δlig(t)]

(6)

总用电费用为

(7)

式中:p(t)——t时段的电价。

为定量表示用户对协调后用电方式的满意程度,引入用电方式满意度指标函数θuser,通过计算协调前后的负荷差值来表示满意度高低。

(8)

若各时段用电量没有改变,θuser=1,表示用电方式最满意;若各时段用电量改变最大,θuser=0,表示用户对用电方式最不满意。

综合以上分析,建立兼顾用电成本与用电满意度的协调模型的目标函数为

(9)

2.2.2 求解过程

粒子群算法通过跟踪个体最优值pid和全局最优值pg解来更新自己的位置,从而求得最优解。灰色关联分析能较好地分析各非劣解与理想解之间的接近程度并掌握解空间全貌,利用灰色关联度来确定粒子群算法的个体最优值pid和全局最优值pg的选取,可以使粒子群算法适用于较为复杂的模型求解。

考虑到多目标问题求解的复杂性,针对本文提出的模型,可以将最大满意度maxθuser这一目标变换为由用户设定固定值,作为模型的约束条件来求解,从而简化求解过程。

在此假设用户对照明负荷的满意度指标θuser.lig=0.8,只考虑到照明功率的不可转移特性,将满意度这一目标转为约束条件:

(10)

式中:Plig0——t时段内的平均照明功率。

针对变换后的模型,算法流程如图2所示。

图2 算法流程图

粒子群位置速度更新公式为

vid(t+1)=ωvid(t)+c1·rand()·[pid(t)-xid(t)]+

c2·rand()·[pgd(t)-xid(t)]

(11)

xid(t+1)=xid(t)+vid(t)

(12)

式中:vid——t时刻粒子i的速度;

ω——惯性权重,体现的是粒子继承先前速度的能力;

pid——第i个粒子所经历的所有路程上最优的位置;

pgd——所有粒子经历过的路径上的最优位置(可认为是所有个体最优位置当中的最优位置);

xid——t时刻第i个粒子在D维搜索空间中的位置。

灰色关联度的计算:设基准矢量序列为Y0={y0(t)|t=1,2,…,k},目标矢量序列为Yj={yj(t)|t=1,2,…,k;j=1,2,…,N},其中k为目标矢量的个数;j为粒子编号,N为种群规模,即粒子群数目。则Yj对于Y0在t点的灰色关联系数ε0j(t)的计算式为

ε0j(t)=

(13)

关联度γ计算公式为

(14)

式中:ξ——分辨系数,取0.5,调整比较环境的大小。

当ξ=1时,环境被原封不动地保持;当ξ=0时,环境被取消。

3 算例分析

3.1 算例

本文针对某夏季日居民用户24 h的典型用电场景,利用MATLAB软件进行协调优化的计算。

本算例采取周期优化,从零点开始,到第二天零点结束,设置时间间隔为15 min,总体可划分为96个时段。不同时段的电价如表1所示。

表1 不同时段电价

夏季典型日室外温度预测曲线如图3所示。预测数据以小时为单位,在4个控制时段内环境温度不变,该日13∶00达到最高温度35 ℃,最低温度出现在3∶00,为25 ℃,日平均温度为28.23 ℃,温度走势基本体现了午后高温的实际变化情况。

图3 夏季典型日室外温度预测曲线

3.2 优化效果分析

根据用户典型用电方式,假设室内温度设定值为25 ℃,热水器在20∶00～22∶59开启3 h,照明在7∶00～8∶59以及17∶00～19∶59开启1挡,在20∶00～23∶59开启2挡。优化前负荷功率如图4所示。

图4 优化前负荷功率

由图4可知,在典型用电方式中,空调设置为25 ℃,恒温模式运行,热水器及照明负荷的开启造成了20∶00～22∶00出现负荷高峰。在上述典型用电场景下,通过算法实现对优化模型的求解,得出相对最优解。优化后负荷功率如图5所示。

图5 优化后负荷功率

计算用电模式优化前后的24 h用电成本和用电满意度,检验模型的优化效果。优化结果如表2所示。

表2 优化结果

表2表明,通过用电模式优化控制,用电电费降低了36%,同时用户付出了满意度降低30%的代价。结果证明了上述协调优化模型对于降低用户用电成本的有效性。优化前后总负荷功率对比如图6所示。优化后的用电模式实现了用电高峰的降低和转移。

图6 优化前后总负荷功率对比

通过对比分析,优化后的负荷高峰出现在约10∶00,其值为4.4 kW。比起优化前负荷高峰为5.4 kW,高峰负荷值降低了18.5%。

3.3 室内温度分析

室内温度大小直接影响着用户用电的舒适度,分析不同用电模式下室内温度的变化,可以进一步量化优化模型对于用户舒适度的影响。

假定用户参与需求响应前,以室内温度维持在25 ℃来控制空调的运行。根据所建立的空调模型,优化前室内温度如图7所示。

图7 优化前室内温度

由图7可知,该模式下,空调温度在25 ℃上下浮动,温度偏差在[-3.1,2.1]K间。优化前后室内温度对比如图8所示。

图8 优化前后室内温度对比

由图8可知,优化模式下,空调温度大致维持在设定温度带22～28 ℃浮动,没有低于温度下限值,但是对于温度上限值,温度偏差在0～1.77 ℃,最高温度达到29.77 ℃。产生这种现象的原因是,在建立空调响应模型时,是根据上一时段的最终温度来进行判断的,假如上个时段最终温度满足这一约束(22 ℃≤Tin≤28 ℃),同时优化算法计算出该时段空调不开启,在经历15 min这一控制时段时,很可能造成室内温度上升超过上界。

室内温度越界这一问题反映了空调响应模型仍有待优化。在进行仿真计算过程中,针对这一问题,若用户对用电舒适度不满意,可以通过降低温度上界来进行调整。

4 结 语

本文分析了不同类型大用户的用电特性以及其对实行负荷管理的响应特性。算例分析表明,改进后的负荷模型具有较好的优化效果,模型中的负荷响应模型还体现了各个设备进行优化时运行方式的改变。相关算例结果表明,在进行用电模式优化以后,可以在用户满意度在允许范围内降低的条件下,实现用户用电成本的降低,同时降低或转移高峰时段的用电负荷功率。