一种光伏蓄冰空调预测控制方法及使用其的光伏蓄冰空调

摘要

本发明公开了一种光伏蓄冰空调预测控制方法及使用其的光伏蓄冰空调，涉及光伏空调领域，结合了场景分析和预测控制两种技术；其中，场景分析提供了基于次日预测数据的误差概率分布的光伏发电和建筑热负荷的可能场景，预测控制提供了基于实时更新的、更准确的日内预测数据的滚动优化；通过构建光伏蓄冰空调的动态规划模型计算系统的平均价值函数矩阵，并结合贝尔曼方程进行系统运行控制的优化求解。通过本发明的实施，减少了光伏发电和建筑热负荷的预测误差对光伏蓄冰空调运行控制的不良影响，提高了光伏蓄冰空调的控制优化效果。

说明书

技术领域

本发明涉及光伏空调技术领域，尤其涉及一种基于场景分析的光伏蓄冰空调预测控制方法及使用其的光伏蓄冰空调。

背景技术

目前，建筑空调制冷负荷是夏季电网的主要用电需求，而由光伏电能驱动的空调系统，即光伏空调，是一种可有效降低电网峰值负荷的绿色空调技术，同时，蓄冰技术的引入能有效重塑空调的用电曲线，实现电网的需求响应。考虑到光伏技术和蓄冰技术在空调系统的节能降费功能，可将两者进行结合，形成光伏蓄冰空调系统。申请号201920568259.4，发明名称为《一种并网光伏冰蓄冷空调系统》的专利申请公开了一种可并网的光伏蓄冰空调系统，该系统可在光伏发电与建筑冷负荷不平衡时，以蓄冰方式进行太阳能的存储和释放，替代了储能电池，降低了设备投资成本；同时该系统具有多种工作模式，可适应不同光伏发电和建筑冷负荷情况。

光伏蓄冰空调的控制方法对其系统性能具有很大的影响。对于传统蓄冰空调，在建筑热负荷的次日预测数据可获得时，日前规划控制比其他的控制方法(如主机优先和放冷优先)具有更好的控制效果。一般来说，日前规划控制是基于次日的建筑冷负荷曲线，对蓄冰空调系统的充冷和放冷时间与功率进行日前规划，以最大化地降低系统的运行费用。在引入光伏系统后，基于次日预测数据的控制方法还需要考虑光伏系统的发电情况，这是因为有一部分的冷负荷是由光伏系统供电满足的。然而，次日预测数据的不确定性可能导致日前规划控制在系统的实际控制中不可行，同时使系统偏离最佳运行点，无法有效地降低系统的运行费用。

模型预测控制(Model Predictive Control，下文简称为预测控制)的出现可部分地解决次日预测数据不准确所造成的问题。与日前规划控制不同，预测控制使用滚动优化的方法，基于系统的模型和日内实时更新的的预测数据，对有限时域内的系统控制信号进行优化，但只有第一个控制信号被采用，并在下一个控制时间节点不断重复整个过程。由于使用了日内实时更新的预测数据准确度更高，预测控制比日前控制具有更好的控制效果，但是实时更新的预测数据一般是短期的(如1小时)，并不能保证系统在全天的控制结果最优。另外，基于历史的日前预测数据和实际数据，可得到日前预测数据误差的概率分布，而预测误差信息的合理利用可更好提高系统的控制效果。

因此，本领域的技术人员致力于开发一种基于场景分析的光伏蓄冰空调预测控制方法及使用其的光伏蓄冰空调，减少光伏发电和建筑热负荷的预测误差对系统控制的不良影响，提高系统预测控制的控制效果。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是：如何降低光伏发电和建筑热负荷的预测误差对光伏蓄冰空调运行控制的不良影响。

为实现上述目的，本发明提供了一种基于场景分析的光伏蓄冰空调预测控制方法，包括如下步骤：

步骤S01：包括步骤S011：获取次日的光伏发电与建筑热负荷的预测数据；步骤S012：获取历史的光伏发电与建筑热负荷的预测误差概率分布；

步骤S02：随机抽样生成光伏发电与建筑热负荷的可能场景；

步骤S03：对光伏发电与建筑热负荷的可能场景进行后处理；

步骤S04：包括步骤S041：生成光伏发电与建筑热负荷的典型场景；步骤S042：建立光伏蓄冰空调运行优化的动态规划模型；

步骤S05：包括步骤S051：计算光伏蓄冰空调的平均价值函数矩阵；步骤S052：获取更新的光伏发电和建筑热负荷的日内预测数据，

步骤S06：进行光伏蓄冰空调的预测控制。

进一步地，所述步骤S011中的预测数据为时长为24小时的时间序列；所述步骤S012中的预测误差概率分布由历史的日前预测数据与实际数据统计得到。

进一步地，所述步骤S02中的可能场景包含最大预测误差的情况。

进一步地，所述步骤S03还包括以下步骤：

降低光伏发电与建筑热负荷的可能场景之间的相关性；

减少光伏发电与建筑热负荷的可能场景数量。

进一步地，降低光伏发电与建筑热负荷的可能场景之间的相关性的方法为：将不同可能场景下的光伏发电与建筑热负荷时间序列向量进行正交化处理；减少光伏发电与建筑热负荷的可能场景数量的方法为：计算不同可能场景下的光伏发电与建筑热负荷时间序列向量之间的距离，删除距离较小的时间序列向量的所在场景。

进一步地，所述步骤S041包括以下步骤：

将光伏发电的可能场景与建筑热负荷的可能场景进行组合；

计算组合后的各个典型场景的出现概率。

进一步地，所述光伏蓄冰空调运行优化的动态规划模型包括：

光伏蓄冰空调系统在t时段的蓄冰量作为系统的状态量x(t)；

光伏蓄冰空调系统在t时段的充/放冷速率作为系统的决策量u(t)；

光伏发电和建筑热负荷在t时段的预测数据为系统的随机量w(t)；

光伏蓄冰空调系统在一天24小时的总运行费用

光伏蓄冰空调系统的能量平衡、功率平衡、空调能效、充/放冷速率最大值和蓄冰量最大/小值作为约束。

进一步地，所述光伏蓄冰空调的平均价值函数矩阵由各个典型场景计算得到的价值函数矩阵加权平均获得，光伏蓄冰空调的价值函数V(t,x(t))定义为系统从时段t到当天的24h的总运行费用的最小值，是时段t和该时段的系统状态量x(t)的函数，可由光伏蓄冰空调运行优化的动态规划模型求取。

进一步地，光伏蓄冰空调的预测控制是一种滚动优化控制方法，在每个控制时段都进行一次系统运行控制的计算优化；更新的光伏发电和建筑热负荷的日内预测数据为短期预测数据，作用于下一个控制时段，且具有较高的预测精度；每个控制时段的优化求解是基于贝尔曼方程的，即V(t,x(t))＝minE{C(x(t)，u(t)，w(t))+γ·V(t+Δt，x(t+Δt))|x(t)，u(t)}，其中x(t)为光伏蓄冰空调系统在t时段的蓄冰量，u(t)为光伏蓄冰空调系统在t时段的充/放冷速率，w(t)为光伏发电和建筑热负荷在t时段的预测数据，V(t,x(t))为光伏蓄冰空调系统在时段t和该时段系统蓄冰量x(t)的价值函数，C(x(t)，u(t)，w(t))为光伏蓄冰空调系统在时段t的运行费用。。

本发明的另一方面，提供了一种光伏蓄冰空调系统，该系统可通过制冷主机和蓄冰装置为一个建筑提供满足其热负荷的冷能。

进一步地，蓄冰装置的冷量来源为制冷主机，制冷主机为电驱动的蒸汽压缩式机组，电能来源为光伏发电系统和电网。

进一步地，当光伏发电不足以满足制冷主机的用电需求时，不足的电量由电网提供；当光伏发电多于制冷主机的用电需求时，多余的电量反馈给电网。

与现有技术相比，本发明至少具有如下有益技术效果：

本发明提供的一种基于场景分析的光伏蓄冰空调预测控制方法，结合了场景分析和预测控制两种技术，其中场景分析提供了基于次日预测数据的误差概率分布的光伏发电和建筑热负荷的可能场景，预测控制提供了基于实时更新的、更准确的日内预测数据的滚动优化，减少了光伏发电和建筑热负荷的预测误差对光伏蓄冰空调运行控制的不良影响，提高了光伏蓄冰空调的控制优化效果。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明光伏蓄冰空调系统的结构示意图；

图2是本发明的控制方法流程示意图；

图3是本发明的预测控制流程示意图。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

如图1所示，光伏蓄冰空调系统可通过制冷主机和蓄冰装置为一个建筑提供满足其热负荷的冷能；其中，蓄冰装置的冷量来源为制冷主机；制冷主机为电驱动的蒸汽压缩式机组，电能来源为光伏发电系统和电网；当光伏发电不足以满足制冷主机的用电需求时，不足的电量由电网提供；当光伏发电多于制冷主机的用电需求时，多余的电量反馈给电网。

针对光伏蓄冰空调系统，图2所示的预测控制方法流程包括如下步骤：

获取次日的光伏发电与建筑热负荷预测数据，预测数据一般以1小时为间隔，时长为24小时，预测方法可包括数值天气预报和时间序列预测等；同时，基于历史的预测数据与实际数据，统计预测误差的概率分布情况，一般来说，光伏发电和建筑热负荷预测误差服从正态分布，即可获取预测误差的均值和标准差。

基于次日的预测数据和预测误差概率分布，随机抽样生成光伏发电和建筑热负荷的可能场景，可能场景应尽可能包含最大预测误差的情况，即误差的置信区间需接近100％。抽样时需定义预测误差范围，误差的置信区间可取为99％；抽样方法可为蒙特卡洛抽样和拉丁超立方抽样等。在本实施例中，光伏发电和建筑热负荷分别生成200个可能场景，由于是随机抽样，各个场景的出现概率为1/200。

对光伏发电和建筑热负荷的可能场景进行后处理。后处理的目的在于减少场景间的相关性和减少场景数量，从而提高场景的代表性和减少场景分析的计算时间；其中，减少场景间相关性的方法可为Cholesky解耦法或Gram–Schmidt正交化法等，减少场景数量的方法可为同步回代缩减法或K-means聚类法等。

基于可能场景的后处理，生成光伏发电和建筑热负荷的典型场景。根据上一步，可得到较少的且具有代表性的光伏发电和建筑热负荷的可能场景，和各个场景的出现概率。本实施例中，经可能场景的后处理，生成了5个光伏发电和5个建筑热负荷的可能场景，将两者进行结合，共可得到25个经典的光伏发电与建筑热负荷的组合场景，每个经典场景的出现概率为所组成的光伏发电场景与建筑热负荷场景出现概率的乘积。

建立光伏蓄冰空调运行优化的动态规划模型。将光伏蓄冰空调的优化运行问题归纳为多阶段决策过程的优化问题，并使用动态规划求解。本实施例中阶段的单位时长为1小时，总时长为1天，即可定义时段t＝1,2,…,24h；以光伏蓄冰空调的蓄冰量

E

基于光伏发电和建筑热负荷的典型场景与光伏蓄冰空调系统的动态规划模型，计算光伏蓄冰空调系统的平均价值函数矩阵。本实施例中，光伏蓄冰空调系统的价值函数V(t,x(t))定义为系统从时段t到24h的总运行费用的最小值，是时段t和该时段的系统状态量x(t)的函数；将每个时段的系统状态量，即蓄冰量，等分为20份，即可组成一个24×20的价值函数矩阵；对于每一个典型的光伏发电和建筑热负荷场景，可通过动态规划计算该场景的系统价值函数矩阵；本实施例中，共可计算25个价值函数矩阵，根据每个场景的出现概率对25个价值函数矩阵进行加权平均，即可得到系统的平均价值函数矩阵。

获取更新的光伏发电和建筑热负荷的日内预测数据，并基于系统的平均价值函数矩阵，进行光伏蓄冰空调的预测控制，预测控制的流程如图3所示。一般来说，日内预测数据的预测时长较小(如1小时)，相比于日前预测具有更高的预测精度。在时段t，已知当前时段的状态量x(t)，根据平均价值函数矩阵V(t,x(t))和不断更新的短期预测数据w(t),并结合贝尔曼方程(Bellman Equation)，即V(t,x(t))＝minE{C(x(t)，u(t)，w(t))+γ·V(t+Δt，x(t+Δt))|x(t)，u(t)}，其中折扣系数γ一般取为1，Δt为时间间隔1小时，便可优化求解时段t的决策量u(t)，即系统控制信号序列的第一个控制信号；将该信号作用于光伏蓄冰空调系统，直到下个控制时段，更新系统状态x(t+Δt)，并重复以上步骤得到下一控制时段的决策量u(t+Δt)，并循环往复直到该天结束。

与现有技术相比，本发明的光伏蓄冰空调预测控制方法，结合了场景分析和预测控制两种技术，来减少光伏发电和建筑热负荷的预测误差对运行控制过程产生的不良影响，本发明的针对光伏蓄冰空调的控制效果好，最大化地降低系统的运行费用。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。