一种多能互补供暖的离线优化触发控制方法

摘要: 本发明属于多能互补供暖系统运行控制,具体涉及一种面向光伏-地热-储能多能互补供暖系统的轻量化模型预测控制方法,可在低算力嵌入式微控制器上部署运行。背景技术:1、...
一种多能互补供暖的离线优化触发控制方法

本发明属于多能互补供暖系统运行控制,具体涉及一种面向光伏-地热-储能多能互补供暖系统的轻量化模型预测控制方法,可在低算力嵌入式微控制器上部署运行。

背景技术:

1、在光伏-地热-储能多能互补供暖系统中,光伏出力随太阳辐照在日内剧烈波动,建筑热负荷随室外温度动态变化,储能单元(蓄电池、储热水箱)需在电价低谷蓄能与高峰释能之间合理调度,地热单元作为稳定供热基荷需避免过度开采。要实现“光伏优先消纳、储能削峰填谷、地热兜底保障”的高效经济运行,必须求解包含多变量、多约束、跨时段耦合的优化调度问题。

2、现有调度控制方案主要分为两类:

3、方案一:简单规则控制。采用固定逻辑执行调度,计算复杂度低,可在低算力单片机上运行,但完全不具备预测与全局优化能力,导致光伏弃光率高、储能充放电深度不合理加速循环寿命衰减、地热及辅助电加热过度调用造成运行费用偏高。

4、方案二:标准模型预测控制(mpc)。每隔15分钟在线求解覆盖24小时滚动时域的约束优化问题。该方案优化效果优异,光伏自消纳率可达90%以上,运行费用较规则控制降低约20%,但每个控制周期需在微型计算机上求解包含数十个决策变量与约束的非线性规划问题,单次求解耗时数十秒至数分钟,必须依赖工业pc或云端算力部署,硬件成本高达数千元,在农村单户供暖场景下完全不具备经济性。

5、进一步分析可知,上述两类方案均未有效利用供暖系统的一项重要工程特征:气象条件具有强烈的季节性和日类型重复性,历史数据中存在大量高度相似的天况。简单规则控制完全忽略气象预测信息;标准mpc虽利用预测信息,却在每个控制周期从零开始求解高维优化问题,大量在线算力被重复消耗在相似场景的优化求解上,未能将这一规律性转化为降低在线计算负担的手段。

6、由此,本领域形成了优化效果与在线算力需求之间难以调和的矛盾:要获得优异的调度优化效果,必须配置高算力在线计算平台;要降低在线算力以适配低成本嵌入式控制器,则不得不牺牲优化效果。如何在算力仅为armcortex-m4级别(单芯片单价低于50元、flash存储空间小于1mb、sram小于256kb)的嵌入式微控制器上,实现优化效果接近标准mpc(运行费用差距小于10%、光伏自消纳率差距小于8个百分点)的多能互补供暖系统在线调度控制,成为本领域尚未解决的技术难题。

技术实现思路

1、(一)要解决的技术问题

2、本发明的目的在于针对现有技术的不足,提供一种多能互补供暖的离线优化触发控制方法,打破优化效果与在线算力需求的核心矛盾,在低算力嵌入式微控制器平台上实现接近标准模型预测控制的调度优化效果,同时保证气象波动工况下的运行稳定性与控制品质。

3、具体解决以下技术问题:

4、1.解决标准模型预测控制在线计算量过大、无法在低成本嵌入式控制器部署的问题,通过计算量的非对称时间分配,将绝大多数优化计算迁移至离线阶段完成;

5、2.解决简单规则控制优化效果差、弃光率高、运行费用高的问题,通过离线全局优化保证调度方案的全局最优性;

6、3.解决纯离线查表调度无法适配实际气象偏差、控制品质易退化的问题,通过低算力的事件触发重优化机制实现偏差纠偏,同时不显著提升在线算力负担;

7、4.克服工业过程控制领域的离线优化与降阶技术无法直接适配多能互补供暖气象驱动特性的局限,构建适配供暖场景的轻量化控制架构。

8、(二)技术方案

9、本发明的核心思路是将优化计算在时间维度上进行非对称分配:将高计算量的全局多目标优化全部迁移至离线阶段一次性完成,在线常态阶段仅执行计算复杂度为的表查找调度,仅在实测状态与预测状态出现大偏差时,触发低维度短期重优化进行纠偏。

10、三环节整体性说明

11、本方法由三个线性递进、缺一不可的环节共同构成完整闭环,三者并非独立技术特征的简单叠加,而是围绕“极低算力下实现高性能调度”的核心目标形成的有机整体,缺失任一环节均无法实现本发明的技术效果:

12、环节一(离线构建)为环节二提供数据基础,为环节三提供模型支撑:没有离线生成的调度表库,在线查表调度便无执行依据;没有离线构建的降阶线性偏差模型,在线重优化便无法在低算力下实现。

13、环节二(在线查表调度)为环节一的优化成果提供低算力落地方案:只有将在线常态运算降为复杂度的查表操作,才能将离线全局优化的成果在存储与算力受限的嵌入式微控制器上落地兑现。

14、环节三(偏差触发重优化)为环节二提供闭环保障:若仅有查表调度而无偏差触发重优化机制,当实际气象与典型日出现偏离时,控制品质将急剧退化至与规则控制相当的水平,离线优化的价值将大幅降低。

15、只有三个环节协同作用,才能实现“以1/50硬件成本实现标准mpc约95%优化效果”的技术目标。以下对三个环节分别进行详细说明:

16、(1)环节一:离线典型日最优调度表库与降阶线性偏差模型构建

17、本环节在pc或服务器端一次性完成,输出典型日最优调度表库与降阶线性偏差模型两类数据产物,预存入嵌入式控制器的flash存储空间,为全部在线运行提供数据与模型基础。

18、1.气象数据预处理与典型日聚类

19、step1:数据准备。采集目标地区至少3年逐时气象数据,包括室外温度、水平面太阳总辐照度(单位:);经缺失值插补与异常值剔除后,得到天×24小时的标准化气象数据矩阵。

20、step2:日特征提取。对每一天提取三维特征向量:

21、其中:

22、,为第天的日均温度,单位为℃;

23、,为第天的日总辐照量,单位为;

24、,为第天的日内温差,单位为℃。

25、step3:聚类分析。采用k-means++算法对所有天的特征向量进行聚类,聚为类,的取值范围为8~15,由轮廓系数确定最优聚类数;聚类后得到个聚类中心及每类对应的成员日集合。

26、step4:典型日气象时序重构。对于第类典型日,其逐时气象数据取该类所有成员日对应时刻的中位数,以抑制异常日的干扰,提升典型日的鲁棒性:

27、

28、

29、其中,为第类的成员日集合。

30、技术差异性说明:与工业过程控制中基于变量均匀分段枚举的离线建表方式不同,本环节基于历史气象数据的模式识别进行聚类降维,充分利用供暖系统气象工况的日类型重复性特征,以极少的典型日覆盖绝大多数运行工况,从根本上避免了枚举法在多维度气象工况下的维度灾难问题,是适配气象驱动系统的建表方法。

31、2.逐典型日全局多目标优化

32、对每个典型日,建立并求解覆盖24小时的全局多目标优化问题,得到该典型日的最优调度方案。

33、(a)系统模型采用trnsys或matlab/simulink建立高精度仿真模型,包含建筑热动态模型、光伏组件模型、地埋管换热模型、储能模型,其离散时间状态空间形式为:

34、

35、其中:

36、状态向量包含室内温度、储热水箱分层温度、蓄电池荷电状态(stateofcharge,简称soc)、地埋管出口水温等状态量;

37、控制向量包含光伏直供比例、蓄电池充放电功率、地热循环泵流量、储热水箱释热功率、辅助电加热功率等控制量;

38、为第类典型日的外部输入量,包括逐时辐照度、室外温度。

39、(b)优化目标

40、以日运行费用最小化和温度舒适度最优为目标,建立多目标优化问题:

41、

42、其中,日运行费用目标函数为:

43、

44、式中,为市电电价,为蓄电池等效衰减成本系数,为地热循环泵等效衰减成本系数,为市电功率,为控制时间步长。

45、温度舒适度目标函数为:

46、

47、式中,为室内温度下限,为室内温度上限。

48、(c)约束条件

49、优化问题满足以下约束:

50、电功率平衡约束:,其中为光伏出力,为电负荷;

51、热功率平衡约束:,其中为光伏直供热量,为地热供热量,为辅助电加热供热量,为建筑热负荷;

52、建筑热负荷约束:,其中为建筑围护结构传热系数;

53、储能soc约束:,其中、分别为储能荷电状态的下限、上限;

54、储热水箱能量平衡约束:,其中为储热水箱蓄热量,为充热功率,、分别为充热、释热效率;

55、地热换热器约束:,其中、分别为地热循环泵流量的下限、上限;

56、各控制量上下限约束。

57、(d)求解与输出

58、采用nsga-ii算法求解上述多目标优化问题,种群大小200,迭代1000代;得到pareto前沿后,按加权和(其中,)选取折中最优解,生成第类典型日的最优调度表:

59、同时记录对应的优化预测状态轨迹:

60、

61、3.降阶线性偏差模型构建

62、为支撑在线阶段的大偏差重优化,构建超低维度的线性近似模型。该模型仅用于描述实际状态与标称预测状态之间的偏差演化规律,而非描述绝对状态量本身,与常规针对绝对状态量降阶的模型存在设计差异。

63、具体构建过程如下:

64、以典型日优化得到的状态与控制轨迹为标称轨迹,定义状态偏差量与控制偏差量:

65、

66、对非线性系统模型在标称轨迹邻域内进行一阶泰勒展开,得到线性偏差模型:

67、随后采用平衡截断法对高维线性偏差模型进行降阶处理,保留阶主导模态(为降阶后状态维度),输出量仅保留室内温度和储能soc两个可直接测量的状态量,最终得到降阶线性偏差模型:

68、

69、其中:

70、为降阶后的偏差状态向量,维度为;

71、为偏差输出向量,维度为2;

72、为偏差控制向量,仅保留个在线可调的关键控制量(为降阶后控制量维度);

73、、、为降阶模型的系数矩阵。

74、设计原理(与常规降阶模型的核心区别):

75、建模对象不同:常规降阶模型(如正交分解pod降阶)针对系统绝对状态量建模,用于替代原高精度模型进行全工况在线预测;本模型仅针对“实际状态与标称轨迹的偏差量”建模,仅描述偏差的演化规律,建模对象更聚焦。

76、设计导向不同:常规降阶以“在全工况保持精度的前提下降低阶数”为目标;本模型采用面向嵌入式二次规划求解的反向设计思路--从“嵌入式微控制器可承载的qp求解规模”这一硬约束出发,倒推确定模型的最大阶数(3~4阶)与输出维度(仅2个可测量),优先保证在线求解的可行性与实时性,适配极低算力平台的运行要求。

77、存储与计算优势显著:以3阶模型为例,矩阵元素总数仅30个浮点数,占用flash存储空间约120字节;对应qp问题决策变量仅12维,最坏情况下迭代不超过12次,单次求解耗时30~50ms,完全适配嵌入式控制器的存储与算力约束。

78、与调度表深度依存:降阶偏差模型依附于对应典型日的标称轨迹,每个典型日对应相应的线性化降阶模型,即“一典型日一线性化模型”,可保证宽工况范围内的局部建模精度,优于单一全工况线性化模型的精度表现。

79、降阶线性偏差模型与调度表库一同预存入嵌入式控制器的flash存储空间。

80、(2)环节二:在线典型日匹配与表驱动调度

81、本环节是离线优化成果的低算力落地方案,在嵌入式控制器上运行,分为每日匹配与逐时执行两个层级。

82、1.每日典型日匹配

83、每日凌晨00:00触发执行一次,用于匹配次日对应的典型日并加载调度数据。

84、输入为次日公共天气预报数据,包括次日日均温度、日总辐照量、日内温差。

85、计算次日特征向量与各典型日聚类中心的归一化欧氏距离:

86、

87、其中:

88、、、为第类典型日的三维特征值;

89、、、分别为日均温度、日总辐照量、日内温差三个特征维度对应的历史标准差,用于归一化消除量纲差异。

90、选取距离最小的典型日作为匹配结果:

91、

92、加载该典型日对应的最优调度表及预测状态轨迹,作为当日调度的标称基准。

93、本步骤计算量为次距离计算,,在armcortex-m4控制器上耗时小于1ms。

94、2.逐小时调度执行

95、每小时整点触发执行一次,在每个控制时刻(),直接从预加载的调度表中读取对应时刻的控制指令,通过pwm、gpio或modbus接口下发至各执行器。

96、本步骤仅包含一次flash读取与一次数组索引操作,计算复杂度为,耗时小于1μs,可在极低算力下稳定执行。

97、(3)环节三:偏差监测与事件触发简化重优化

98、本环节为表驱动调度提供偏差纠偏的闭环保障,在每个控制时刻同步执行,仅在偏差超限时触发重优化,既保证控制品质,又严格控制在线计算量。

99、1.综合偏差指标计算

100、每个控制时刻采集传感器实测数据,与调度表中的预测值对比,计算综合偏差指标:

101、

102、其中:

103、、、分别为时刻室内温度、太阳辐照度、储能荷电状态的实测值;

104、、、分别为调度表中对应时刻室内温度、太阳辐照度、储能荷电状态的预测值;

105、为允许温度偏差带宽;

106、为储能荷电状态的工作范围;

107、为防止除零错误的小常数;

108、、、为三个偏差维度的权重系数。

109、设计说明:

110、维度选择:选取室内温度、太阳辐照度、储能soc三个维度,分别对应“用户热舒适水平”“光伏出力能力”“储能调度裕度”,是衡量多能互补供暖系统运行状态偏移的必要且充分的可测变量组,可全面反映系统的工况偏离程度。

111、形式选择:采用加权和形式,仅包含基础四则运算与绝对值运算,计算复杂度为,在armcortex-m4控制器上耗时约2μs,算力负担可忽略,适配嵌入式平台的算力约束。权重取值基于系统敏感性分析确定,可均衡反映三类偏差对系统运行品质的影响程度。

112、2.两级响应策略

113、根据综合偏差指标的大小,采用两级响应机制:

114、

115、其中,偏差阈值,即综合偏差达到15%时触发重优化。

116、技术选择说明:本方案未采用常规的“查表-比例微调-重优化”三级纠偏架构,原因在于:无模型的pd比例微调在多变量耦合系统中,仅凭温度偏差修正多个控制量(储能功率、地热流量、辅助加热),极易产生相互冲突的修正方向,反而引发系统振荡。本方案直接跳过微调层级,采用降阶模型进行短时域优化求解,仅增加约50ms的计算耗时,即可获得远优于比例微调的修正效果,是算力约束条件下经技术权衡的合理选择。

117、3.事件触发的简化二次规划重优化

118、当时触发重优化,同时设置冷却期小时,冷却期内即使偏差再次越限也不重复触发。

119、冷却期设计说明:冷却期的设置具有明确的物理依据:

120、一方面,二次规划求解后,系统需要一定时间在实际环境中验证修正效果,建筑热惯性决定了温度状态不会瞬时变化,过于频繁的触发无法体现修正效果;

121、另一方面,降阶偏差模型为局部线性近似模型,频繁触发重优化可能因模型误差导致控制序列频繁跳变,影响室内热舒适度,同时加重控制器算力负担。2小时的冷却期时长基于建筑热惯性时间常数与典型气象波动周期综合确定,可在纠偏时效性与系统稳定性之间取得平衡。

122、重优化基于前述降阶线性偏差模型,以当前实测偏差为初始状态,在未来短时域小时内,求解使室内温度回归标称范围、控制增量最小的二次规划(qp)问题:

123、

124、约束条件为:

125、

126、其中,表示基于时刻状态对时刻的预测值,、为状态偏差权重,为控制增量权重矩阵,、分别为控制量的下限、上限。

127、该二次规划问题的决策变量维度为,约束为线性等式与不等式。采用活动集法求解,最坏情况下迭代次数不超过决策变量数,每次迭代求解一个12×12的线性方程组,在stm32f407@168mhz控制器上,单次求解耗时约30~50ms,完全在嵌入式控制器的算力承载范围内。

128、根据供暖季统计,该重优化触发频率较低,整个供暖季(151天)触发次数约80~150次,总在线优化耗时仅约7.5秒,平均每天不足0.05秒,不影响控制器的正常调度任务。

129、4.优化结果应用

130、二次规划求解得到未来步的最优控制增量序列后,取第一拍的最优控制增量与当前标称控制值叠加,作为最终控制输出:

131、

132、剩余步的控制增量覆盖原调度表对应时段的控制指令,直至冷却期结束后才允许再次触发重优化。

133、(三)有益效果

134、本发明针对多能互补供暖系统的气象驱动特性,通过“离线全局优化-在线查表调度-偏差触发重优化”三环节闭环架构,打破了优化效果与在线算力需求的固有矛盾,具备以下有益效果:

135、1.硬件成本大幅降低,适配低成本嵌入式部署

136、本发明将95%以上的优化计算量迁移至离线阶段一次性完成,在线常态调度计算复杂度仅为,偶发重优化单次耗时处于毫秒级,可在单价低于50元的armcortex-m4级嵌入式微控制器上稳定运行,控制器核心芯片成本仅为标准mpc方案的1/50,适配农村分布式供暖等对成本敏感的应用场景。

137、2.优化效果接近标准mpc,显著优于规则控制

138、本发明在极低算力平台上可实现标准mpc约95%的优化效果,运行费用与光伏自消纳率均接近标准mpc水平;较传统规则控制方案,运行费用与弃光率均有显著下降,室温控制品质明显提升。

139、3.三环节协同形成完整闭环,实现算力与性能的最优平衡

140、三个环节相互依存、协同作用,既通过离线全局优化保证了调度方案的最优性,又通过在线查表实现了低算力落地,同时通过事件触发重优化解决了纯查表方案工况适应性差的问题,在极低算力约束下兼顾了优化性能与运行稳定性。

141、4.降阶线性偏差模型针对性设计,适配低算力平台重优化需求

142、本发明的降阶线性偏差模型采用偏差量建模与反向设计思路,存储开销小、求解速度快,同时采用“一典型日一模型”的架构保证宽工况局部精度,在满足纠偏准确性的同时,严格控制了算力与存储开销。

143、5.事件触发机制设计合理,兼顾纠偏效果与系统稳定性

144、综合偏差指标可全面反映系统运行偏移程度,两级响应策略规避了多变量耦合下的微调振荡问题,冷却期机制平衡了纠偏时效性与系统稳定性,最终实现“常态低算力开销、偶发轻量纠偏”的运行效果,在算力约束下最大化控制品质。