一种公共建筑优化运行方法

1.本发明涉及电力系统能源调度技术领域，尤其涉及一种公共建筑优化运行方法。


背景技术：

2.随着我国经济快速发展，公共建筑数量快速攀升，公共建筑的能耗在社会总能耗的占比也随之增大，与此同时，随着电动汽车的全面推广和普及，电动汽车的充电负荷将会成为公共建筑的主要负荷之一。由于电动汽车的充电时间、充电需求、充电功率等不确定性使得公共建筑的用电需求面临更大的波动性和不确定性，影响公共建筑经济效益。大量电动汽车充电负荷同时并网，对于电网负荷、配电网调度等方面造成影响。


技术实现要素：

3.本发明提供了一种公共建筑优化运行方法，有助于公共建筑节能减排、提高能源的利用率、电网稳定运行。
4.本发明提供了一种公共建筑优化运行方法，包括如下步骤：
5.步骤s1：获取计算所需的相关数据；
6.步骤s2：以系统的运行成本、电动汽车充电成本、室内温度成本的成本最小，公共建筑收益最大为目标，建立多目标的公共建筑经济优化运行模型；
7.步骤s3：对步骤s2的公共建筑经济优化运行模型进行优化求解，确定输出最优的结果。
8.本发明的有益效果是：利用公共建筑自身所具有的储热特性，在满足公共建筑环境温度舒适性的前提下，对暖通系统风扇输出流量进行控制，提供电力调度灵活性。与此同时，通过对清算市场价格的控制，实现对电动汽车充电功率的间接控制，减小电动汽车充电不确定性对公共建筑运行稳定性的影响。同时通过对输出结果进行滚动优化，提高风电利用率，节省高额的储能设备投资成本。
附图说明
9.图1是本发明的方法流程图；
10.图2是本发明的求解模型的流程图；
11.图3为本发明中采用的order-based crossover(obx)的交叉方法示意图。
具体实施方式
12.如图1所示，本发明公开了一种公共建筑优化运行方法，包括如下步骤：
13.步骤s1：获取计算所需的相关数据；相关数据包括电动汽车供电功率、暖通系统风扇功率、电动汽车充电奖励功率、购电功率、售电功率、风电机组实际出力与期望出力；电动汽车充电收益、公共建筑售电收益、公共建筑购电成本、电动汽车奖励成本、公共建筑购非电成本；交易市场清算价格；暖通系统风扇输出流量；室内温度。相关数据还包括电动汽车
的数量、额定充电功率、响应斜率、最大响应功率、电池水平、电池容量、到达时间、离开时间；公共建筑暖通空调系统额定功率、送风流量的上下限、温度上下限、建筑物的识别参数、最适温度；电动汽车充电市场清算价格、温度偏离惩罚系数、购电偏差惩罚系数、分时电价。
14.步骤s2：以系统的运行成本、电动汽车充电成本、室内温度成本的成本最小，公共建筑收益最大为目标，建立多目标的公共建筑经济优化运行模型。
15.在步骤s2中，选取电动汽车的充电收益、售电收益、向电网购电成本、购非电能源成本、购电偏差惩罚成本、温度偏差惩罚成本等成本最小，公共建筑收益最大为优化目标。优化过程分为两个阶段，即日前购电阶段和实时控制阶段，在日前购电阶段以收益最大为目标函数，在实施控制阶段以成本最小为目标函数，目标函数分别如下：
16.(一)日前购电计划阶段目标函数具体如下：
[0017][0018]
式中，π
ω
为不同风电场景发生的概率，是电动汽车的充电收益，是售电收益，是向电网购电成本，是购非电能源成本，是购电偏差惩罚成本，是温度偏差惩罚成本，其计算具体如下：
[0019]
1、电动汽车的充电收益
[0020]
本实施例中，电动汽车的充电收益主要由两部分组成，一部分为电动汽车的基本充电费用，一部分是电动汽车参与功率响应调节的奖励成本，该目标函数为：
[0021][0022]
式中，θ为电动汽车充电价格；p
v，t,ω
为t时刻在场景ω下电动汽车v的充电功率；为t时刻在场景ω下电动汽车充电交易市场的清算价格；为t时刻在场景ω下电动汽车v的削减功率。
[0023]
2、售电收益
[0024]
本实施例中，当电动汽车的充电功率、暖通空调系统送风风扇功率和公共建筑的固定功率小于风电的出力时，公共建筑向电网售电；反之，公共建筑向电网售电为0，该目标函数如下：
[0025][0026]
式中，为t时刻公共建筑向电网售电的价格，为t时刻在场景ω下暖通空调系统送风风扇的功率；为t时刻在场景ω下风电的出力；为t时刻公共建筑的固定能耗。
[0027]
3、向电网购电成本
[0028]
本实施例中，当电动汽车的充电功率、暖通空调系统送风风扇功率和公共建筑的固定功率大于风电的出力时，公共建筑向电网购电；反之，公共建筑向电网购电为0，该目标函数如下：
[0029][0030]
式中，为t时刻向电网购电的价格。
[0031]
4、购非电能源成本
[0032]
购买非电能源用于制热和制冷，该目标函数如下：
[0033][0034]
式中，βh为购买制热能源的价格；为t时刻在场景ω下公共建筑的制热功率；βc为购买制冷能源的价格；为t时刻在场景ω下公共建筑的制冷功率。
[0035]
5、购电偏差惩罚成本
[0036]
由于风电出力的偏差，以及电动汽车充电的不确定性，计划购电与实际购电直接存在着偏差，目标函数如下：
[0037][0038]
式中，γ为购电偏差惩罚系数；为t时刻计划购电量。
[0039]
6、温度偏差惩罚成本
[0040]
在工作时间，公共建筑室内的环境温度偏离设定的最适温度，实际温度与最适温度的偏差值，目标函数如下：
[0041][0042]
式中，α
t
为温度偏差惩罚系数；t
t，ω
为t时刻在场景ω下公共建筑室内的环境温度；t
con
为设定的最适温度。
[0043]
(二)确定日前购电计划阶段模型的约束条件
[0044]
1、公共建筑暖通空调系统状态约束
[0045]
在公共建筑暖通空调系统中，室内环境温度是由前一时刻的室内环境温度、暖通空调系统输入及其他温度干扰决定，表达式为：
[0046][0047][0048]
式中，ω为风电场景集合；tc为预测时间段；x
ω，t
为t时刻在场景ω下输出向量；d
ω，t
为t时刻在场景ω下温度干扰；a、b、e、d为由建筑识别参数构成的矩阵；t
ω，t
为t时刻在场景ω下的室内环境温度；u
ω，t
为暖通空调系统输入量，即送风风扇流量，其上下限约束如下所
示：
[0049][0050]
式中，u
t
和分别为暖通空调系统在t时刻输入的下限和上限。
[0051]
室内环境温度上下限约束如下所示：
[0052][0053]
式中，t
t
和分别为室内环境在t时刻的温度下限和上限。
[0054]
2、电动汽车充电功率约束
[0055]
电动汽车的实际充电功率约束如下所示：
[0056][0057]
式中，c为电动汽车集合；p
t，ω，v
为t时刻在场景ω下电动汽车v的充电功率；p
rated
为电动汽车的额定充电功率；为在电动汽车充电市场清算价格下t时刻在场景ω下电动汽车v的充电削减功率，其主要是由电动汽车充电市场清算价格所约束的，表达式如下所示：
[0058][0059]
式中，k
v，t
为电动汽车车主设置的响应曲线斜率的倒数；为t时刻在场景ω下电动汽车充电市场清算价格；为t时刻在场景ω下电动汽车v的最大充电削减功率。
[0060]
3、电动汽车电池水平约束
[0061]
电动汽车的电池水平表示当前电动汽车电池的电量在其核定容量的百分比，其约束如下所示：
[0062][0063]
式中，为t时刻电动汽车v的最小电池水平；为t时刻电动汽车v的最大电池水平；soc
t，ω，
v为t时刻在场景ω下电动汽车v的电池水平，是由前一时刻的充电量所决定的，其约束如下所示：
[0064][0065]
式中，bv为电动汽车v的电池容量；q
t，ω，v
为电动汽车在t时刻充电量，由其实际充电功率约束，表达式如下：
[0066][0067]
且q
t，ω，v
≥0，表示不考虑电动汽车放电。
[0068]
(三)实时控制阶段目标函数如下：
[0069][0070]
式中，是在t时刻向电网购电成本，是在t时刻购非电能源成本，是在t时刻购电偏差惩罚成本，是在t时刻温度偏差惩罚成本，是在t时刻电动汽车的充电收益，是在t时刻向电网售电收益，πω为不同风电场景发生的概率，为在预测时间段内场景ω下向电网购电成本，为在预测时间段内场景ω下购非电能源成本，为在预测时间段内场景ω下购电偏差惩罚成本，为在预测时间段内场景ω下温度偏差惩罚成本，为在预测时间段内场景ω下电动汽车的充电收益，为在预测时间段内场景ω下向电网售电收益。
[0071]
1、向电网购电成本
[0072]
向电网购电成本分为两部分，一部分为当前时刻t购电成本，一部分为预测时间段t
p
内，目标函数如下：
[0073][0074][0075]
式中，和分别为t时刻购电价格和预测时间τ购电价格；为t时刻暖通空调系统的送风风扇功率，为在预测时间τ风电场景ω下送风风扇功率；p
v，t
为t时刻电动汽车v的充电功率，为在预测时间τ风电场景ω下电动汽车v的充电功率；为t时刻风电的真实出力，为在预测时间τ风电场景ω下风电的出力；和分别为t时刻公共建筑固定能耗和预测时间τ公共建筑固定能耗。
[0076]
2、购非电能源成本
[0077]
购非电能源成本当前时刻和预测时间段目标函数分别如下：
[0078][0079][0080]
式中，和分别是t时刻暖通空调系统制热和制冷功率；和分别为预测时间τ风电场景ω下暖通空调系统的制热和制冷功率。
[0081]
3、购电偏差惩罚成本
[0082]
由于在日前购电阶段预测的购电量与实时控制阶段实际购电量存在偏差，购电偏差惩罚成本目标函数如下：
[0083][0084][0085]
式中，和分别为日前购电计划在t时刻和预测时间τ的购电量。
[0086]
4、温度偏差惩罚成本
[0087]
在工作时间，公共建筑室内的环境温度偏离设定的最适温度，实际温度与最适温度的偏差值，目标函数如下：
[0088][0089][0090]
式中，t
t
和分别为t时刻和预测时间τ的室内环境温度；t
con
为工作时间内设定的最适室内环境温度。
[0091]
5、电动汽车的充电收益
[0092]
本实施例中，电动汽车的充电收的目标函数如下：
[0093][0094][0095]
式中，为电动汽车在预测时间τ的充电功率；为预测时间τ的电动汽车充电交易市场清算价格；为电动汽车在预测时间τ的削减功率。
[0096]
6、向电网售电收益
[0097]
本实施例中，当电动汽车的充电功率、暖通空调系统送风风扇功率和公共建筑的固定功率小于风电的出力时，公共建筑向电网售电；反之，公共建筑向电网售电为0，该目标函数如下：
[0098][0099][0100]
式中，为预测时间τ向电网售电价格。
[0101]
(四)确定实时控制阶段模型的约束条件
[0102]
1、公共建筑暖通空调系统状态约束
[0103]
在公共建筑暖通空调系统中，室内环境温度是由前一时刻的室内环境温度、暖通空调系统输入及其他温度干扰决定，表达式为：
[0104]
x
t 1
＝ax
t
bu
t
ed
t
[0105][0106]
t
t
＝dx
t
[0107][0108]
式中，为风电场景集合；为在风电场景ω下预测时间τ的输出向量；为在风电场景ω下预测时间τ的温度干扰；a、b、e、d为由建筑识别参数构成的矩阵；为在风电场景ω下预测时间τ的室内环境温度；为暖通空调系统在风电场景ω下预测时间τ的输入量，即送风风扇流量，其上下限约束如下所示：
[0109][0110][0111]
式中，u
τ
和分别为暖通空调系统在预测时间τ输入的下限和上限。
[0112]
室内环境温度上下限约束如下所示：
[0113][0114][0115]
式中，t
τ
和分别为室内环境在预测时间τ的温度下限和上限。
[0116]
2、电动汽车充电功率约束
[0117]
电动汽车的实际充电功率约束如下所示：
[0118][0119][0120]
式中，为在风电场景ω下预测时间τ的电动汽车v的充电功率；为在电动汽车充电市场清算价格下在风电场景ω下预测时间τ电动汽车v的充电削减功率，其主要是由电动汽车充电市场清算价格所约束的，表达式如下所示：
[0121][0122][0123]
式中，k
v，τ
为预测时间τ电动汽车v设置的响应曲线斜率的倒数；为在风电场景ω下预测时间τ电动汽车充电市场清算价格；为在风电场景ω下预测时间τ的电动汽车v的最大充电削减功率。
[0124]
3、电动汽车电池水平约束
[0125]
电动汽车的电池水平表示当前电动汽车电池的电量在其核定容量的百分比，其约
束如下所示：
[0126][0127][0128]
式中，为在风电场景ω下预测时间τ的电动汽车v的电池水平，是由前一时刻的充电量所决定的，其约束如下所示：
[0129][0130][0131]
式中，为风电场景ω下预测时间τ的电动汽车v的充电量，由其实际充电功率约束，表达式如下：
[0132][0133][0134]
且q
t，v
≥0，表示不考虑电动汽车放电。
[0135]
步骤s3、通过遗传算法对优化模型进行优化求解，确定输出最优的结果，具体包括步骤：
[0136]
本实例提出的求解模型算法是由遗传算法改进而成的精英遗传算法，通过保留优秀个体和增加外来新个体入侵的方法提高搜索效率，属于全局自适应概率搜索算法。采用拟随机halton序列生成由个体(初始解)集合组成的初始种群，个体是由二进制基因编码组成的染色体。初始种群通过不断选择、交叉和变异，利用仿生遗传方式构建新种群，根据个体的适应能力选择父代，并保留适应度最高的个体，通过不断迭代使得种群中最优个体不断接近最优解。
[0137]
求解过程主要分为两个步骤：求解日前购电计划和求解控制决策(暖通空调系统输出和电动汽车充电交易市场清算价格)，运用精英遗传算法求解的流程图如附图2所示.
[0138]
精英遗传算法主要有以下步骤：
[0139]
步骤1、设定初始参数
[0140]
对集体数集进行编码，设定初始参数，设定的参数主要有种群个体数、交叉和变异概率、终止条件、保留精英个体数、新个体入侵数量等。在制定日前购电计划阶段，除了计划购电量种群外，还包括10中风电场景对应的暖通空调系统每小时的功率和电动汽车充电交易市场的清算价格2个种群。
[0141]
步骤2、种群初始化
[0142]
本发明采用的是直接的二进制编码，每个个体由一条11位二进制的基因构成的染色体组成。采用随机halton序列生成初始种群，使产生的种群中的个体具有低差异度，随机性降低，均匀性提高。购电计划阶段生成初始种群：100(种群个体数)*10(风电场景数)*24(控制时域)*染色体组成的暖通空调系统送风流量、100(种群个体数)*24(控制时域)*染色
体组成的计划购电量种群和100(种群个体数)*10(风电场景数)*24(控制时域)*染色体组成的电动汽车充电交易市场的清算价格。
[0143]
步骤3、计算个体适度值
[0144]
在搜寻公共建筑最优购电计划和控制决策时，设置目标函数fn的倒数为适应度函数zn，即
[0145][0146]
步骤4、精英保留
[0147]
根据个体适度值大小进行排列，最优秀的个体直接保留到下一代种群作为子代，跳过选择算子。这一步骤加快遗传算法的搜索效率。
[0148]
步骤5、选择父代
[0149]
通过选择算子选取优秀的个体进入交叉变异环节。本发明采取轮盘对赌算法对种群进行优胜劣汰，通过对得到的目标函数适度值进行累加，并归一化处理。以随机概率方式选取个体，种群中个体被选为父代的概率与其适度值成正比，意味着适度值越高的个体，作为父代的概率越大。轮盘对赌法步骤为：
[0150]
(1)计算种群中染色体和的适度值：
[0151][0152]
(2)计算种群中染色体的适度值之和：
[0153][0154]
(3)计算种群中染色体的选择概率：
[0155]kp
＝eval(z
p
)/s p＝1，2，......，p
[0156]
(4)计算种群中染色体的选择概率：
[0157][0158]
(5)在[0,1]区间内随机生成概率数r，若r＜q1，则选取首条染色体和如果r＞q1，则选取第q条染色体，使得q
p-1
＜r＜qk成立。
[0159]
步骤6、交叉更新个体。本发明采取order-based crossover(obx)的交叉方法，每条染色体随机与另一条染色体进行交叉重组。父代染色体通过交叉算子进行基因重组产生子代，提高了种群个体的多样性和随机性，从而提高搜寻最优解的效率。通过选择算子选择一对染色体作为父代，随机选取父代染色体x中的基因，将选取的基因遗传到子代染色体基因位置不变，父代x剩下的基因则对应位置遗传至子代由父代染色体y将基因对应遗传至子代染色体和基因空缺的位置，如附图3。
[0160]
步骤7、变异更新个体。变异算子采用随机单点变异改变对应位置的基因值，首先，设置染色体的变异概率pm。产生一个随机概率r。当pm＜r时，该染色体的第m个基因不发生变异；当pm＞r时，第m个基因进行变异遗传，改变原有的基因编码。变异的具体过程可以描述为：二进制编码0变异为1，编码1变异为0。通过基因变异的方式提高算法全局搜索能力，能够防止陷入局部最优解的问题和缩短求解时间。
[0161]
步骤8、加入新个体。经过交叉变异后，模拟自然界外来个体的入侵，加入随机初始化的个体作为子代进行迭代，能够有点的解决局部最优的问题。
[0162]
步骤9、判断是否满足判定标准，如果满足标准，则终止和导出最优日前购电计划、电动汽车充电交易市场的清算价格和暖通空调系统控制决策；否则返回步骤2。
[0163]
步骤10、最优解解码。迭代结束后，根据日前购电计划的上下限、电动汽车充电功耗和暖通空调系统的功耗，将最优解的二进制基因编码转换为对应的十进制数值。步骤如下：11位的二进制的取值范围为0～2047，根据变量的上下限进行换算，可将最优的染色体转化成十进制，得到最优解，如日前购电计划、暖通空调系统控制决策和电动汽车充电交易市场的清算价格。
[0164]
综上，本发明通过对未来24小时风电的出力、电动汽车的充电需求进行预测，将24小时的购电计划发送至电网。在实时阶段根据风电的真实出力、公共建筑暖通空调系统功率及电动汽车实际的充电需求，采用模型预测控制，根据未来4小时风电的出力、公共建筑暖通空调系统功率及电动汽车充电功率，对输出结果进行滚动优化。本发明通过调节电动汽车充电功率及暖通空调系统功率，减小风电不确定性及电动汽车充电不确定性对电网的冲击，减小对公共建筑运行稳定性的影响。
[0165]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。