[发明专利]一种用于空调负荷和电动汽车充电负荷联合调度方法

权利要求书

1.一种空调负荷和电动汽车充电负荷联合调度的日前优化方法，其特征是，包括下列步骤：

1)建立考虑电动汽车充电负荷的建筑总用电负荷日前预测模型：通过收集现场测试数据，建立基于ARX的空调负荷日前预测模型，并验证其预测准确性和多场景下的适用性；通过调研问卷回收数据，建立基于蒙特卡洛模拟和统计学方法的电动汽车充电负荷期望；在此基础上，得到建筑总用电负荷日前预测模型。

2)从系统运行经济性和电网友好性两方面对该建筑总用电负荷日前预测模型进行多目标优化：采用多目标遗传寻优算法，以系统的电网友好性和运行经济性为目标函数，以室内温度和电动汽车开始充电时刻为优化变量，根据实际情况确定约束条件，对上述日前预测模型进行优化计算。

3)建立综合评价计算方法，在帕累托前沿上确定综合性最佳的运行方案：建立方案优化效果的综合评价计算方法，找出帕累托前沿上的得分最优点，将其确定为综合性最佳的运行方案。

2.根据权利要求1所述的计算方法，其特征是：所述步骤1)建立考虑电动汽车充电负荷的建筑总用电负荷日前预测模型，具体为：

(1)建立基于ARX的空调负荷日前预测模型

首先建立基于ARX的冷负荷预测模型，该线性模型的数学表达式如下：

A(z)y(τ)＝B(z)u(τ)+e(τ) (1)

A(z)＝1+a₁z^-1+…+a_naz^-na (2)

B(z)＝b₀+b₁z^-1+…+b_nbz^-nb (3)

式中，A(z)和B(z)为关于时移算子z的多项式；y(τ)和u(τ)分别为模型的输出变量和输入变量；e(τ)为误差，a，b为回归系数。本发明中用于预测的ARX模型整理如下：

式中，为τ时刻的预测冷负荷，u_i(τ-nk_i),…,u_i(τ-nk_i-NB_i+1)为影响此刻冷负荷的若干历史时刻的外部输入变量，外部输入变量包括室外干球温度、相对湿度、太阳辐射、人员在室率和室内温度，故i＝{OUT,HUM,RAD,OCC,IN}。NA，NB分别为参与ARX建模的历史时刻冷负荷个数以及各历史时刻外部输入变量的个数。c为常数。

其次，通过调整空调系统运行时间及运行温度，制定多种不同的空调系统运行情景，在现场监测并采集不同运行情景下的上述外部输入变量和冷负荷值。

进一步的，测量内容包括：(1)供回水逐时温差以及空调负荷侧水管的流量，通过计算得到逐时冷负荷；(2)室外气象参数，包括室外干球温度、室外空气相对湿度以及太阳辐射；(3)室内变量，包括内部逐时在室率、室内温度、照明设备以及办公设备的逐时使用率；(4)地源热泵机组的逐时功耗

采用其中一种情景对ARX冷负荷预测模型进行参数辨识，其他情景均用于验证该模型在不同情境下的适用性。本发明采用最小二乘法对ARX模型中的各未知参数进行辨识，通过最小化误差的平方和寻找数据的最佳函数匹配。为了检测和评价辨识结果，引入相关系数(coefficient of correlation,R²)来计算通过ARX模型预测的冷负荷与真实负荷之间的差异，以此来评价模型的预测准确程度，相关系数的表达式如下：

式中，y(τ)为各时刻冷负荷的真实值，为各时刻冷负荷真实值的平均值，为通过ARX模型计算的每时刻冷负荷的预测值。

接着，根据现场测试数据计算得到逐时的COP和PLR数据对，并通过拟合得到以下关系式：

COP＝β₁·PLR²+β₂·PLR+β₃ (6)

式中，β₁、β₂和β₃均为拟合系数。

最后，通过下式得到冷负荷产生的空调负荷：

式中，CL为逐时冷负荷，kW；P_HVAC为逐时空调负荷，kW。

由此，即可得到基于ARX的空调负荷日前预测模型。

(2)建立电动汽车充电负荷日前预测模型

本发明针对出勤用电动汽车，其均在工作地点充电，且随到随充，则规定起始充电时间即为其上班到达时间，行驶里程定义为从家到工作地点的距离，离开时间为下班时间。假设充电开始时刻、日行驶里程、充电功率为相互独立的随机变量。

首先根据现场调研收集建筑内人员的驾车出行规律，其中调研问卷中的问题应包括：(1)到达工作地点的时刻；(2)下班时刻；(3)家离工作地点的距离。以到达工作地点的时刻为开始充电的时刻，以下班时刻为离开时刻。对收集的数据进行处理，并用极大似然估计的方法得到电动汽车起始充电时刻的概率密度函数f_s(x)，距工作地点距离的概率密度函数f_D(x)，以及员工离开时刻的概率密度函数f_L(x)：

式中，σ和μ均为常数。

其次，电动汽车充电所耗时间长度可估计为：

式中：t_c为充电时间长度，h；S为日行驶里程，km；W₁₀₀为百km的耗电量，kW·h/km；P_c为充电功率，kW。由于电动汽车的日行驶里程与其充电功率相互独立，则可求出充电时长的概率密度分布函数

电动汽车在1天中某时刻t₀的充电状态，设定正在充电时，随机变量为1；已经充好电或未开始充电时，为0。其概率满足下式：

式中：为充电开始时刻和充电时长的联合概率分布函数，由于根据假设2个随机变量相互独立，则其中f_s、分别为充电开始时刻和充电时长的概率分布函数；t_s为开始充电时刻。则电动汽车在1天内某时刻t₀的功率需求为联立上式可求出1天中各时刻单台电动汽车充电需求的概率分布函数。再利用蒙特卡洛模拟方法，求出1天内24个时刻单台电动汽和N台相同电动汽车充电功率需求的期望。

(3)建立建筑总用电负荷模型

除了空调系统用电负荷和电动汽车充电负荷外，总用电负荷还应包括办公设备用电和照明用电，其计算式如下：

P_light＝k_light·M·R_light (14)

P_equip＝k_equip·M·R_equip (15)

式中：P_light和P_equip分别为照明和设备的用电负荷，kW；k_light和k_equip分别为照明和设备的负荷密度，kW/m²；M为建筑使用面积，m²；R_light和R_equip分别为照明和设备的逐时使用率。

则空调系统用电负荷，电动汽车充电负荷，照明用电负荷以及设备用电负荷共同构成建筑总用电负荷，最终得到建筑逐时用电总负荷日前预测模型：

P_t＝P_HVAC+P_EV+P_light+P_equip (16)