空调负荷作为一种优质的需求响应资源,逐渐被纳入电网调峰辅助服务中,对其进行合理高效的调度具有重要意义。首先,计及空调负荷热力学特性及其运行特性,提出了适用于电网调峰调度的空调负荷虚拟机组模型(ACVPG);接着,针对空调负荷设备类型繁杂、用户类型众多、用能模式多样等特点,通过对模糊C均值(FCM)聚类算法改进,提出了基于ACVPG调度特性指标的聚合方法;再次,建立了ACVPG聚合层间优化调度模型与ACVPG聚合层内部优化调度模型;最后,通过算例仿真,验证了所提优化调度方法的有效性。 基于以上背景，针对规模化空调群高度分散、容量较小等特点，本文以负荷占比大、可调性好的中央空调为研究对象，基于其热力学特性及运行特性，将运行复杂的空调负荷等效为虚拟调峰机组;基于改进的模糊C均值(FCM)，根据虚拟调峰机组调度特性指标，将其聚合为不同的空调负荷虚拟机组模型ACVPG聚合层;进而建立分层调度架构，使得规模化空调群的调度更加便捷高效，以充分发挥空调负荷的调峰潜力，最后通过算例仿真，验证空调负荷调度的有效性。1空调负荷调度控制架构楼宇空调负荷参与电网调峰“自下而上”总体架构如图1所示，包括设备层、终端层、本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com  通信层面向电网调峰辅助-电动折弯机数控滚圆机滚弧机张家港数控滚圆机滚弧机、主站层及调度控制层。图1楼宇空调负荷参与电网调峰总体架构调度控制层根据负荷预测结果向主站推送调峰信息，并接收来自主站层的调峰确认信息。主站层接收到上层下达的空调调峰任务，结合楼宇调峰潜力评估结果，构建楼宇空调负荷调控序列，将调峰计划下达到相应的不同控制终端，并进行事后评估。终端层接收主站层调峰任务，根据空调系统实际工况，优选柔性控制策略，对空调设备进行调控;此外，终端层通过采集分项计量仪表、温湿度传感器、水温流量等参量信息来诊断空调运行状况和能效水平，同时为调峰潜力预估提供支持。设备层主要包括空调系统设备、环境参量监测设备(温湿度传感器等)及高级量测设备(智能电表、通信设备)等。倍蝨电网空调负荷削峰计划。该模型为单目标线性数学规划模型，方便求解。4算例分析4．1算例设置以某区域夏季典型日空调负荷参与电网调峰为场景，电力部门根据对次日负荷预测，得到次日早高峰(10:00—12:00)时段，系统缺额容量如图2所示，日前调度间隔为15min。假设参与此次调峰的中央空调负荷共1000台，系统参数参见文献［20］，采用蒙特卡洛方法生成的1000台ACVPG。图2某区域夏季典型日系统容量缺额4．2仿真分析4．2．1ACVPG聚合结果应用ACVPG聚合方法，对模拟的1000台ACVPG进行聚类。聚类结果如图3所示。图3ACVPG聚类结果由图3可以看出，模拟的1000台空调负荷虚拟机组被聚类为5组，每组聚合结果如表1所示。表1ACVPG聚合结果聚合层聚合虚拟机组数量/台聚合总容量/MW1196108．VPG聚合层评估结果根据3．1建立的数学规划模型，对式(32)目标函数以w进行加权处理，并采用Gurobi5．6求解器进行模型求解，不同权重系数下各时段ACVPG各聚合层的出力评估对比。ACVPG聚合层1不同权重系数评估结果如图4所示。由图4可见，随着权重系数w逐渐增大，ACVPG聚合层1所有时段的最大最小出力差距逐渐缩小，聚合层最大出力也随之减小，同时出力成本越来越高。在权重系数较小时，聚合层在每个时段的最大出力差距较大，在权重系数为0．8时，聚合层在每个时段的最大出力均为70．55MW。如果聚合层1在权重系数较小的情况下进行最大可调度容量的上报，则面临着调峰偏差很大的风险，在某些时段可能距调峰任务差距很大。因此，为了保证每个调度时段调峰的可靠性，聚合层1以权重系数为0．8的评估结果进行调峰容量及调峰成本上报。图4ACVPG聚合层1不同权重系数面向电网调峰辅助-电动折弯机数控滚圆机滚弧机张家港数控滚圆机滚弧机本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com