基于需求侧响应的空调负荷虚拟储能模型研究(3)

摘要:Tab. 2Estimation of VES aggregation model respond capacity "> 夏季电网多出现午、晚2个用电高峰,北京市2016年实施需求侧响应时段主要分布在11:00—18:00之间,由图13 可见,虚拟储能聚合模型在室外温度较高的时段

无心法师第二季可心卡盟克里克拉克空城魅影空降库卡隆恐惧废土鳄鱼洞孔维沁寇玉磊库汉村庄有几名npc 库米沙的努力

Tab. 2 Estimation of VES aggregation model respond capacity ">

图7
虚拟储能模型仿真结果

夏季电网多出现午、晚2个用电高峰,北京市2016年实施需求侧响应时段主要分布在11:00—18:00之间,由图13可见,虚拟储能聚合模型在室外温度较高的时段均能持续提供稳定的放电容量,用于参与上级电网调度,具有全时间周期适用性。

图11 虚拟储能聚合模型储电量 Fig. 11 Capacity of VES aggregation model

$\frac{\text{d}{{T}_{\text{r}}}(t)}{\text{d}t}=\frac{{{Q}_{\text{ac}}}(t)}{C}+\frac{({{T}_{\text{out}}}(t)-{{T}_{\text{r}}}(t))}{RC}$ (1)

${{E}_{\text{N }\!\!\_\!\!\text{ sum}}}=\sum\limits_{n=1}^{N}{{{E}_{\text{N}}}(n)}$ (16)

${{E}_{\text{N}}}=\frac{C({{T}_{\max }}-{{T}_{\min }})}{\eta }$ (7)

Fig. 6 Effect of setting temperature on capacity of VES aggregation model ">

Fig. 3 Control schematic diagram of set temperature ">

Tset在不敏感温度范围内变化时,绝大多数用户不会退出;Tset在可接受温度范围内变化时,由于人体热舒适度的个体差异,少部分用户选择退出;一旦Tset靠近可接受温度范围上下限,自主退出的用户数目大幅增加,最终所有用户退出响应。

图8 空调负荷群平均功率 Fig. 8 Average power of air conditioning loads group

3.3 削峰场景下的控制策略对比

夏季电网负荷高峰多出现在室外温度最高处,假设电网在15:00下达100%削峰指令,为不过度影响用户使用习惯,将整体调控周期控制在1 h内,仿真得到14:00—16:00的空调负荷群功率、聚合模型储电量、室内温度曲线如图10—12所示。

1.3 空调负荷的虚拟储能模型

空调-建筑系统具有热储备能力,与传统储能设备非常相似[]。若把空调-建筑系统等效为虚拟储能装置,整合到现有调度模型中,对于下层用户而言,能最大限度地维持其舒适度;对于上层电网而言,则省去了除调控所需以外的不必要信息,提高了其参与电网能量调度的兼容性,有利于和传统储能设备统一规划配置。

在其他参数不变的条件下,可绘制设定温度变化值与虚拟储能聚合模型充放电量的函数关系如图6,N为100。

图6 设定温度对虚拟储能聚合模型的影响 Fig. 6 Effect of setting temperature on capacity of VES aggregation model

${{P}_{\text{ac}}}(t)=\frac{{{Q}_{\text{ac}}}(t)}{\eta }$ (2)

文献[19]的研究结果表明,当TSV在0.1范围内(Tdown<Tr<Tup)变化时,绝大部分人感受不到温度变化的明显差异,本文将该区域定义为空调负荷的不敏感温度区域ΔTu;当TSV在0.5范围内(Tmin<Tr<Tmax)变化时,90%的人表示可以接受,将该区域定义为可接受温度区域ΔT。为保证人体热舒适度,本文所述的需求侧响应控制策略,设定温度在ΔT约束范围内变化,并认为空调用户都把初始设定温度Tset0定为人体最舒适温度Tcomf。

2.1 虚拟储能聚合模型

假设空调负荷群均可根据上级指令调节设定温度,需求侧响应设定温度为

图5 用户退出率的累积概率分布曲线 Fig. 5 Cumulative probability curve of user exit rate

根据气温数据和系统参数即可预测虚拟储能额定容量随室外温度变化的曲线。图4(a)为北京地区夏季某日24 h室外温度曲线,图4(b)为对应的虚拟储能额定容量变化曲线。

Fig. 10 Power of air conditioning loads group ">

图8
空调负荷群平均功率

图3
调节设定温度控制原理图

由上述公式可建立完整的虚拟储能特性指标体系,从而实现量化评估。

虚拟储能聚合模型的额定容量EN_sum与功率Pves_sum表示如下：

3.2 聚合模型特性分析

该栋宿舍楼空调负荷群在室外温度变化时的功率曲线和室内温度曲线如图8—9所示,室外温度曲线如图4(a)所示,设定温度为25 ℃,采样时间为5 min。

图3 调节设定温度控制原理图 Fig. 3 Control schematic diagram of set temperature

图6
设定温度对虚拟储能聚合模型的影响

${{P}_{\text{ves}}}(t)={{P}_{\text{ac }\!\!\_\!\!\text{ s}}}(t)-{{P}_{\text{ac }\!\!\_\!\!\text{ o}}}(t)$ (9)

表1 典型空调-建筑系统参数 Tab. 1 Parameters of air conditioning system

Fig. 5 Cumulative probability curve of user exit rate ">

额定容量确定后,室内温度Tr与虚拟荷电状态(state of virtual charge,SOVC)一一对应,Sovc表示如下：

动态时,空调电功率计算如下：

式中：Pac(t)为空调电功率,kW;η为空调热电转换系数。

统计结果显示,国内空调负荷在夏季高峰期所占尖峰负荷的比例已达到30%~40%[-],并且还在不断攀升中。这对电网的安全经济运行带来严峻挑战的同时,也说明空调负荷具有很大的需求侧响应潜力。要想充分挖掘空调负荷调度裕量,有效实施需求侧响应控制策略,建模是基础。空调负荷建模方法已有多年历史,早期主要是对历史数据进行回归分析[],用于预测未来空调负荷整体变化趋势。后来发展出基于实际工作原理的物理模型[]和概率特性模型[],用于更精确地研究空调负荷动态变化过程。由于需求侧响应研究的需要,国内外学者在该领域展开了深入探讨。

图2 热感觉投票值与室温的关系 Fig. 2 Relationship between TSV and room temperature

空调设备电功率与制冷量之间的关系如下：

3）本文设计的控制策略均能有效响应电网夏季临时性削峰指令,实际应用时需考虑该地区用户对舒适度敏感性和区域电网负荷特性后决定。

图9 温度设定值恒定时室内温度 Fig. 9 Indoor temperature with constant Tset

图12
温度设定值变化时室内温度

本文在前人研究成果的基础上,将调节设定温度改变空调电功率的动态变化过程视为储能装置充放电过程,并对虚拟储能的特性指标以及相关因素之间的耦合关系进行量化评估,对比分析了2种虚拟储能控制策略的特点,为后续空调负荷在需求侧响应中的实际应用提供了参考依据。

Tab. 1 Parameters of air conditioning system ">

实际情况中,由于空调型号性能、建筑外围结构、室内人员活动、用电设备的差异性,空调负荷群内部参数也具有明显的多样性[]。但针对同一建筑楼内的空调负荷,其外围结构、空调型号等关键因素存在较大相似性,可用具有一定概率分布的典型参数来表征空调负荷群内部的个体参数,从而选用蒙特卡洛模拟方法对虚拟储能聚合模型进行仿真研究。

${{T}_{\text{set}}}{{(n)}^{[k]}}={{T}_{\text{set0}}}{{(n)}^{[k]}}+\Delta {{T}_{\text{set}}}{{(n)}^{[k]}}$ (14)

图7 虚拟储能模型仿真结果 Fig. 7 Simulation results of VES model

Fig. 7 Simulation results of VES model ">

以上策略采用排队算法执行,参见文献[9],此处限于篇幅不再介绍,下面进行对比仿真分析。

Fig. 2 Relationship between TSV and room temperature ">

式中：Tr(t)为房间温度,℃;Tout(t)为室外温度,℃;Qac(t)为空调制冷量,kW;R为建筑等效热阻,℃/kW,典型参数取值范围为0.001~0.003(kW/(℃m2);C为建筑等效热容,kJ/℃,典型参数取值范围为47~230 kJ/(℃m2)[]。

Fig. 11 Capacity of VES aggregation model ">

Fig. 4 Effect of outdoor temperature on VES ">

当空调系统不参与需求侧响应时,虚拟储能功率为0;当空调系统参与需求侧响应时,其动态功率与稳态功率的差值即为虚拟储能功率Pves：

稳态时,空调制冷量等于建筑与外界的传热量,空调电功率计算如下：

3.4 虚拟储能模型的全时间周期适用性

以上2种策略在需求侧响应结束后,均能将空调负荷群的室内温度调回用户初始设定温度Tcomf,虚拟储能的Sovc随之回升至0.5,不影响空调负荷群参与下一时段调控,因此该策略适用于全天各个时段。假设每次控制周期不超过1 h,虚拟储能在下个时段开始前都将恢复至初始Sovc,可得到虚拟储能聚合模型24 h各时段的最大放电容量,如图13所示,室外温度见图4(a)。

本文仅考虑空调制冷工况,当Tout低于房间温度Tr时,空调停止工作,调节设定温度没有作用;一旦Tout高于Tr,空调启动,但设定温度上限不再是可接受温度上限Tmax,而是Tout;直到Tout高于Tmax,设定温度上限恢复至Tmax。由此设定温度约束范围如下：

Fig. 9 Indoor temperature with constant Tset ">