CN104898422B - 联合供冷***的递阶优化方法 - Google Patents
联合供冷***的递阶优化方法 Download PDFInfo
- Publication number
- CN104898422B CN104898422B CN201510225593.6A CN201510225593A CN104898422B CN 104898422 B CN104898422 B CN 104898422B CN 201510225593 A CN201510225593 A CN 201510225593A CN 104898422 B CN104898422 B CN 104898422B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- refrigerating machine
- mtr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Air Conditioning Control Device (AREA)
- Feedback Control In General (AREA)
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
Abstract
本发明提供了一种针对由常规电制冷机和冰蓄冷***构成的联合供冷***的递阶优化方法,首先根据各冷源经济模型和分时电价政策,采用混合整数规划方法,优化各冷源的开启状态及最优功率设定值,同时考虑到各冷源的动态调节特性以及物理约束,为了更好地提高***动态性能,设计目标耦合的协调分布式预测控制方法,在分布式框架下重新优化各冷源的设定值,使得各冷源在动态过程中保证总负荷的同时尽可能跟踪最优制冷功率设定值。本发明分别采用混合整数规划和分布式预测控制方法定量解决联合供冷***的稳态和动态调度问题,为供冷***能源管理与优化调度提供合理的建议。
Description
技术领域
本发明涉及能源网调度领域,特别是一种由常规电制冷机和冰蓄冷***构成的联合供冷***的递阶优化方法。
背景技术
由于大型城市普遍存在用地紧张的问题,为了利用有限的土地面积尽可能增大城市容量,高层建筑成为城市设计者们理想的选择。高层建筑往往具有独立的供冷网络,提供整栋楼各种各样的用冷需求。随着各种新兴技术的出现以及分时电价政策的推广,仅仅使用常规电制冷机组的供冷***经济效益不能令人满意,为了提高高层建筑供冷***的经济效益,多供冷机组互补协同***应用得越来越普遍。典型的多供冷机组互补协同***一般包括:冰蓄冷、常规电制冷机,冷热电三联供及地源热泵等,其中常规电制冷机和冰蓄冷一般共同承担90%以上的冷负荷。由于能够自主控制储能与用能时段,冰蓄冷***越来越受到人们的青睐,有效地对其与常规电制冷机进行协调控制是确保该协同***节能降耗并提高经济效益的关键。
目前冰蓄冷***与常规电制冷机组的联合控制多停留在定性层面,即在电价谷时制冰蓄冷,在电价峰时融冰放冷,缺乏对整个***定量的分析与控制,这样导致了其控制方法并不优越,而且由于电制冷机从启动达到设定的供冷功率有一个动态过程,所以仅仅考虑稳态的控制方法难以确保整个***的实际供冷功率迅速跟上预测负荷。因此,需要研究一种优化控制方法使得***在动态过程中保证总负荷的前提下高效经济运行。
对于高层建筑供冷***这样一个分布式***,通常可采用一般稳态优化方法对其进行调度,然而由于电制冷机动态响应问题,进一步采用分布式预测控制优化电制冷机供冷功率动态性能。对于分布式***的动态控制,目前已经由集中式向分布式控制结构转化,因为集中式控制会导致方法复杂且计算量偏大。在实际工业应用中,模型预测控制(MPC)可以通过被控对象的脉冲或阶跃响应序列预测对象未来变化并且可自然引入过程时滞,对于多变量***可以获得比常规控制方法更加优秀的控制效果。在大型***中,传统的模型预测控制衍生出分布式预测控制(DMPC)这种形式,将大型***分解成多个子***,子***与子***之间数据相互交流,每个子***利用自身以及其余子***的数据来完成自身的MPC问题的求解,显著降低了计算量并可以达到整个***的最优状态。
因此,本发明拟借鉴以上对耦合***的协调方法,研究目标耦合但子***间不耦合的分布式***的动态优化,使得整个***在确保提供总预测冷负荷的前提下高效经济运行。
发明内容
针对现有技术存在的上述不足,本发明提出了一种联合供冷***的递阶优化方法,该方法对电制冷机和蓄冰槽进行经济性建模并且运用混合整数规划的方法得到经济指标最优条件下各电制冷机与蓄冰槽的稳态运行时的供冷功率;下层运用分布式预测控制方法保证各电制冷机和蓄冰槽在动态过程中尽可能跟踪上层经济优化得出的稳态设定值并且总供冷功率跟踪预测负荷,解决目标耦合但子***不耦合的分布式预测控制问题。
为实现上述的目的,本发明提供一种联合供冷***的递阶优化方法,所述联合供冷***是由常规电制冷机和冰蓄冷***构成的联合供冷***,所述方法具体包括如下步骤:
步骤S1:利用电制冷机运行数据拟合其耗电功率关于制冷功率和冷却水进口温度的函数;
步骤S2:利用上一步骤中得到的电制冷机耗电功率关于其制冷功率和冷却水进口温度的函数建立电制冷机供冷的经济模型并进而建立冰蓄冷***供冷的经济模型,最终形成稳态经济优化问题的目标函数和约束条件并进行求解,得到各电制冷机和蓄冰槽在经济效益最优条件下的启停状态和供冷功率;
步骤S3:在上一步骤的基础上,设计目标耦合的协调分布式预测控制方法重新优化整个供冷***在每一采样时刻各电制冷机的实时供冷功率设定值以提高整个***响应负荷的动态性能;
步骤S4:利用迭代方法求解上述分布式预测控制问题,得到各电制冷机每一采样时刻的供冷功率设定值。
较佳地,所述的步骤S1中:离心式电制冷机最重要的性能参数能效比为制冷功率与耗电功率的比率。工程实践中,需要根据实际的冷却水进口温度、耗电功率和制冷功率等数据通过回归分析将耗电功率表示成为冷却水进口温度和制冷功率二元二次函数形式以便利用数学规划工具进行后续步骤优化问题的求解。
较佳地,所述步骤S2中:每台电制冷机有开启和关闭两个工作状态,故采用0-1离散变量Y来描述电制冷机的工作状态。对于双工况电制冷机空调工况和制冰工况的区分则需使用两个0-1离散变量来分别描述。电制冷机的制冷功率则用连续变量来描述。根据步骤S1中进行的回归分析,对于常规电制冷机,其耗电功率可以表示成关于制冷功率与冷却水进口温度的二元二次函数:
于是电制冷机供冷产生的电费花销C为:
其中p为供冷时段电价,t为供冷时段时间长度,Y为电制冷机启停标志,为步骤S1中拟合出的电制冷机耗电功率关于制冷功率和冷却水进口温度的函数。
在忽略蓄冰槽储冷量随储存时间损耗的前提下,为了考量蓄冰槽供冷的花销,引入蓄冰槽冷量均价ps概念,描述单位冷量的价格,这个价格与充冷量、充冷时段电价和双工况电制冷机制冰工况输入输出关系相关,由下式定义:
其中pinit为冷量均价初值,Winit为蓄冰槽冷量初值,tin为冲冷时间,tout为放冷时间,Pm为双工况电制冷机总制冰功率,Ps为蓄冰槽供冷功率,Ys为蓄冰槽供冷启停标志。由蓄冰槽冷量均价的定义可以看出,在不考虑储冷量随时间损耗的前提下,均价与蓄冰槽是否放冷无关,只在蓄冰槽冲冷时可能改变。
蓄冰槽储冷量增量为:
ΔW=tinP-toutPsYs (4)
目标函数为各种电制冷机空调工况供冷与蓄冰槽供冷所需电费之和:
p为供冷时段电价,t为供冷时段时间长度,Yi为第i台电制冷剂启停标志,为第i台电制冷机耗电功率关于制冷功率和冷却水进口温度的函数,其中Pout,i为第i台电制冷机供冷功率,Tc,i in为第i台电制冷机冷却水进口温度,Ys为蓄冰槽供冷启停标志,ps为蓄冰槽冷量均价,Ps为蓄冰槽供冷功率,Ys为蓄冰槽供冷启停标志。
约束条件包括供冷功率与预测负荷平衡、各电制冷机额定功率限制、蓄冰槽储冷量上下限和冰蓄冷***工作模式唯一:
其中Yi为第i台电制冷剂启停标志,Pout,i为第i台电制冷机供冷功率,Ps为蓄冰槽供冷功率,Ys为蓄冰槽供冷启停标志,Pp为预测负荷,αi∈(0,1)为第i台电制冷机最小输出功率比例,Pi,rated为第i台电制冷机额定输出功率,W为蓄冰槽储冷量,Wmax和Wmin为蓄冰槽储冷量上下限;Yice为双工况制冷机制冰工况启停标志,默认制冰工况时所有双工况冷机同时开启,加快制冰速度;Yair,i为第i台双工况制冷机空调工况启停标志,共N台双工况制冷机;
最后,在形成稳态经济优化问题的目标函数和约束条件的前提下对上述优化问题进行求解,得到各电制冷机和蓄冰槽在经济效益最优条件下的启停状态和供冷功率。
较佳地,步骤S3中,所述目标耦合的协调分布式预测控制方法,具体如下:
分布式控制***按照空调工况电制冷机数量分为N个子***,每个子***由模型预测控制MPC和相应控制的电制冷机组成,不同子***MPC的数据使用通信器进行实时交换完成计算任务,从而使得各台空调工况电制冷机供冷功率跟踪步骤S2中得到的经济效益最优条件下的供冷功率并且总供冷功率跟踪各台空调工况电制冷机经济效益最优条件下的供冷功率之和;
电制冷机制冷功率动态过程模型传递函数如下:
τ为一阶惯性环节时间常数,τd为延时时间,则第s个子***离散状态空间模型形式为:
其中us(k)为k时刻电制冷机输出功率设定值,即为步骤S3中优化问题的优化变量,ps(k)为k时刻电制冷机实际输出功率,xs(k)=[ps(k)ps(k+1)…ps(k+nd)]T为状态变量,nd为电制冷机延时时间相对于离散***采样时间的倍数;As、Bs、Cs为状态空间方程中的系数矩阵,其中由离散***采样时间和电制冷机动态过程时间常数决定,R表示实数集,设采样时间为Δt,则有:
对于第s个子***,s=1,2,···,N;MPC协调策略包括电制冷机在未来P个采样时刻组成的预测时域内预测输出功率尽可能接近步骤S2得到的单台空调工况电制冷机经济效益最优条件下的供冷功率rs,并且区别于一般的MPC策略,为了控制所有电制冷机预测输出功率尽可能跟上各台空调工况电制冷机经济效益最优条件下的供冷功率之和r,在目标函数中引入预测时域内各台空调工况电制冷机总预测功率与经济效益最优条件下的供冷功率之和差距的平方和,因此不同子***MPC目标函数出现耦合;综上,第s个子***MPC目标函数如下所示:
其中,Us=[us(k)us(k+1)…us(k+P-1)]T为预测时域内电制冷机输出功率设定值序列,us(k)为k时刻电制冷机输出功率设定值,即为优化问题的优化变量;而Q,R∈[0,1]为权重系数,分别用来衡量单台电制冷机预测负荷跟踪程度与所有电制冷机总负荷跟踪程度的重要性;rs(k+i)为(k+i)时刻第s台空调工况电制冷机经济效益最优条件下的供冷功率,r(k+i)为(k+i)时刻各台空调工况电制冷机在经济效益最优条件下的供冷功率之和;为第s台空调工况电制冷机在k时刻通过预测模型预测的其在(k+i)时刻的输出功率,为除第s台空调工况电制冷机之外的其余空调工况电制冷机在k时刻通过预测模型预测的其在(k+i)时刻的输出功率之和;
MPC预测模型为:
为在k时刻通过预测模型计算出的(k+i)时刻第s台空调工况电制冷机状态空间方程中状态变量,为第s台空调工况电制冷机在k时刻通过预测模型预测的其在(k+i)时刻的输出功率;As i-j和As i为状态空间方程中系数矩阵的相应次幂。
对于第s个子***MPC控制器,整个优化问题形式为:
其中,{us,min,us,max},{ps,min,ps,max}为控制变量的边界约束。
较佳地,所述步骤S4具体包括:
步骤S41:在k时刻,根据步骤S3中得到的每台空调工况电制冷机经济效益最优条件下的供冷功率rs,初始化每个子***在预测时域内的电制冷机输出功率设定值序列Us,令迭代次数l=0:
上述为第l次迭代在(k+1)时刻的电制冷机输出功率设定值,P为预测时域长度;
步骤S42:根据MPC预测模型,计算出每个子***MPC控制时域内输出量预测值并通知给其他N-1个子***MPC;
步骤S43:对于每个子***,求解步骤S3中的优化问题,得到最优解,即最优制冷机输出功率设定值序列
步骤S44:检查所有子***MPC的收敛条件是否满足,即对给定的精度是否均有如果所有的子***收敛条件满足,令每个子***最优控制量与最优制冷机输出功率设定值序列相等,即转步骤S45;否则,令α为介于0和1之间的常数,引入该参数为了尽量避免方法不收敛的情况,按需求选取数值大小,l=l+1,转步骤S42;
步骤S45:在k时刻选取控制量作用于相应的子***。
步骤S46:滚动移位到下一个采样时刻,即k+1→k,返回步骤S41,重复上述步骤。
与现有技术相比,本发明具有以下有益效果:
本发明针对由常规电制冷机和冰蓄冷***构成的联合供冷***的递阶优化方法中通过建立了电制冷机和蓄冰槽的经济模型,并分别使用混合整数规划和分布式预测控制解决稳态优化问题和动态优化问题,定量地确定联合供冷***的调度方法,使得整个***在确保提供总预测冷负荷的前提下高效经济运行,为供冷***能源管理与优化调度提供合理的建议。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为由常规电制冷机和冰蓄冷***构成的联合供冷***结构图;
图2为本发明的一实施例的流程图;
图3为本发明的一实施例的方法示意图;
图4为本发明的一实施例的分布式预测控制迭代求解方法流程图;
图5为本发明的一实施例中3900kW冷机回归分析图;
图6为本发明的一实施例中2150kW冷机回归分析图;
图7为本发明的一实施例中6329kW冷机回归分析图;
图8为本发明的一实施例中负荷预测图;
图9为本发明的一实施例中两种策略每半小时的电费对比图;
图10为本发明的一实施例的动态性能优化仿真结果,其中:(a)为总体,(b)为第一台3900kW电制冷机,(c)为第二台3900kW电制冷机,(d)为第一台2150kW电制冷机。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。下面结合附图来对本发明的由常规电制冷机和冰蓄冷***构成的联合供冷***递阶优化方法作进一步详细的说明。
如图1所示,为由常规电制冷机和冰蓄冷***构成的联合供冷***结构。
图2为本发明的一个具体实施方式的由常规电制冷机和冰蓄冷***构成的联合供冷***递阶优化方法的流程图。首先根据各冷源经济模型和分时电价政策,采用混合整数规划方法,优化各冷源的开启状态及最优功率设定值,同时考虑到各冷源的动态调节特性以及物理约束,为了更好地提高***动态性能,设计了一种目标耦合的协调分布式预测控制方法,在分布式框架下重新优化各冷源的设定值,使得各冷源在动态过程中保证总负荷的同时尽可能跟踪最优制冷功率设定值。
具体的,如图2所示,本发明的由常规电制冷机和冰蓄冷***构成的联合供冷***递阶优化方法,包括以下的步骤:
步骤S1:利用电制冷机运行数据拟合其耗电功率关于制冷功率和冷却水进口温度的函数;
离心式电制冷机最重要的性能参数能效比(COP)为制冷功率与耗电功率的比率。工程实践中,需要根据实际的冷却水进口温度、耗电功率和制冷功率等数据通过回归分析将耗电功率表示成为冷却水进口温度和制冷功率二元二次函数形式以便利用数学规划工具进行后续步骤优化问题的求解。
步骤S2:建立电制冷机和冰蓄冷***供冷的经济模型,形成稳态经济优化问题的目标函数和约束条件并进行求解;
每台电制冷机有开启和关闭两个工作状态,故采用0-1离散变量Y来描述电制冷机的工作状态。对于双工况电制冷机空调工况和制冰工况的区分则需使用两个0-1离散变量来分别描述。电制冷机的制冷功率则用连续变量来描述。根据步骤S1中进行的回归分析,对于常规电制冷机,其耗电功率可以表示成关于制冷功率与冷却水进口温度的二元二次函数:
于是电制冷机供冷产生的电费花销C为:
其中p为供冷时段电价,t为供冷时段时间长度,Y为电制冷机启停标志,为步骤S1中拟合出的电制冷机耗电功率关于制冷功率和冷却水进口温度的函数。
在忽略蓄冰槽储冷量随储存时间损耗的前提下,为了考量蓄冰槽供冷的花销,引入蓄冰槽冷量均价ps概念,描述单位冷量的价格,这个价格与充冷量、充冷时段电价和双工况电制冷机制冰工况输入输出关系相关,由下式定义:
其中pinit为冷量均价初值,Winit为蓄冰槽冷量初值,tin为冲冷时间,tout为放冷时间,Pm为双工况电制冷机总制冰功率,Ps为蓄冰槽供冷功率,Ys为蓄冰槽供冷启停标志。由蓄冰槽冷量均价的定义可以看出,在不考虑储冷量随时间损耗的前提下,均价与蓄冰槽是否放冷无关,只在蓄冰槽冲冷时可能改变。
蓄冰槽储冷量增量为:
ΔW=tinP-toutPsYs (4)
目标函数为各种电制冷机空调工况供冷与蓄冰槽供冷所需电费之和:
Pout,i为第i台电制冷机供冷功率,Tc,i in为第i台电制冷机冷却水进口温度。
主要的约束条件包括供冷功率与预测负荷平衡、各电制冷机额定功率限制、蓄冰槽储冷量上下限和冰蓄冷***工作模式唯一:
其中Pp为预测负荷,αi∈(0,1)为第i台电制冷机最小输出功率比例,Pi,rated为第i台电制冷机额定输出功率,Wmax和Wmin为蓄冰槽储冷量上下限。Yice为双工况制冷机制冰工况启停标志,默认制冰工况时所有双工况冷机同时开启,加快制冰速度。Yair,i为第i台双工况制冷机空调工况启停标志,共N台双工况制冷机。
步骤S3:在上一步稳态经济优化得到的各电制冷机最优制冷功率的基础上设计一种目标耦合的协调分布式预测控制方法优化整个供冷***响应负荷的动态性能;
分布式控制***按照空调工况电制冷机数量分为N个子***,每个子***由MPC和相应控制的电制冷机组成,不同子***MPC的数据使用通信器进行实时交换完成计算任务从而使得各台空调工况电制冷机供冷功率跟踪步骤S2中计算出的期望值并且总供冷功率跟踪总期望值,具体的分布式控制***结构如图3所示。
电制冷机制冷功率动态过程模型传递函数如下:
τ为一阶惯性环节时间常数,τd为延时时间,则第s个子***离散状态空间模型形式为:
其中u(k)为k时刻电制冷机输出功率设定值,即为优化问题的优化变量,ps(k)为k时刻电制冷机实际输出功率,nd为电制冷机延时时间相对于离散***采样时间的倍数。xs(k)=[ps(k)ps(k+1)…ps(k+nd)T]为状态变量。由采样时间和电制冷机时间常数决定,设采样时间为Δt,则有:
对于第s个子***(s=1,2,···,N),MPC协调策略包括电制冷机在未来P个采样时刻组成的预测时域内预测输出功率尽可能接近步骤S2计算出的期望功率rs,并且区别于一般的MPC策略,为了控制所有电制冷机预测输出功率尽可能跟上总期望功率r,本策略在目标函数中引入预测时域内总预测功率与总期望功率差距的平方和,因此不同子***MPC目标函数出现耦合。综上,第s个子***MPC目标函数如下所示:
其中,Us=[u(k)u(k+1)…u(k+P-1)]T为预测时域内电制冷机输出功率设定值序列,而Q,R∈[0,1]为权重系数,分别用来衡量单台电制冷机预测负荷跟踪程度与所有电制冷机总负荷跟踪程度的重要性。
MPC预测模型为:
对于第s个子***MPC控制器,整个优化问题形式为:
其中,{us,min,us,max},{ps,min,ps,max}为控制变量的边界约束。
步骤S4:利用迭代方法求解上述分布式预测控制问题,得到各电制冷机每一采样时刻的供冷功率设定值;
迭代方法流程图如图4所示。
步骤S41:在k时刻,根据步骤S3中求解出的每台电制冷机理想制冷功率rs初始化每个子***在预测时域内的Us,令迭代次数l=0,
步骤S42:根据MPC预测模型,计算出每个子***MPC控制时域内输出量预测值并通知给其他N-1个子***MPC。
步骤S43:每个子***步骤S3中的优化问题,得到最优解
步骤S44:检查所有子***MPC的收敛条件是否满足,即对给定的精度是否均有如果所有的子***收敛条件满足,令每个子***最优控制量转步骤S45;否则,令α为介于0和1之间的常数,引入该参数为了尽量避免方法不收敛的情况,按需求选取数值大小,l=l+1,转步骤S42。
步骤S45:在k时刻选取控制量作用于相应的子***。
步骤S46:滚动移位到下一个采样时刻,即k+1→k,返回步骤S41,重复上述步骤。
基于上述的实施过程,本发明以上海某超高层建筑低区供冷***为例进行了仿真验证。在该供冷***中,常规电制冷机共三台,两台额定制冷功率3900kW,一台额定制冷功率2150kW,双工况电制冷机共三台,空调工况额定制冷功率6329kW,制冰工况额定制冷功率3868kW。
首先,按步骤S1根据电制冷机运行实测数据进行输入输出关系函数的拟合。
图5,图6,图7分别为3900kW、2150kW和6329kW离心式电制冷机回归分析结果图。各图中X1为冷机供冷功率标幺值,X2为冷机冷却水进口温度,Y1为冷机耗电功率标幺值。图中红色曲线包围的区域为置信水平99%所对应的置信区间
从图5-7图中可以看出,二元二次回归分析可以相当精确地建立电制冷机输入电功率与输出冷功率和冷却水进口温度的函数关系,具体的函数表达式如下列各式,Pin为电制冷机耗电功率,Pout为电制冷机制冷功率,为电制冷机冷却水进口温度。
对于3900kW离心式电制冷机有:
对于2150kW离心式电制冷机有:
对于双工况电制冷机6329kW空调工况有:
对于双工况电制冷机的制冰工况,为了加快制冰速度,在分配制冰的情况下电制冷机全功率制冰,所以不存在部分功率制冰的工况,此时制冰功率cold和耗电功率elec分别仅为关于冷却水进口温度Tc in的一元二次函数:
然后,按步骤S2进行稳态经济优化仿真,预测负荷和电价政策如下。如图8所示。
表1分时电价政策
为了经济优化策略节费效果,选取一种常规的稳态调度策略作为对比,该策略在电价谷值时优先蓄冰槽冲冷,在电价平值与峰值时优先电制冷机供冷,各电制冷机按额定功率由小到大的顺序启用。两种策略每半小时电费对比如图9。
经过计算,稳态经济优化策略在给定的预测负荷条件下,6小时内总电费花销为3970元,而对比策略总电费花销为4053元,6小时内本发明策略相对节费2%。
随后,按照步骤S3和S4进行分布式预测控制优化策略设计和问题求解。动态优化采样间隔为2.5分钟,即步骤S2的稳态调度策略每30分钟计算一次各电制冷机与蓄冰槽最优供冷功率后,而动态性能优化每2.5分钟更新一次各电制冷机供冷功率设定值以确保各电制冷机和蓄冰槽在动态过程中尽可能跟踪步骤S2经济优化得出的稳态设定值并且总供冷功率跟踪预测负荷。冰槽供冷一阶模型时间常数设为2分钟,而各电制冷机空调工况动态模型时间常数和延时时间设定如下表所示:
表2空调工况电制冷机动态参数
总体的和各台启用过的空调工况电制冷机的期望承担负荷与分别应用与不应用DMPC策略导致的实时供冷功率曲线如组图10所示,由于在当前预测负荷情况下6329kW电制冷机并未开启,所以组图中只包括3900kW和2150kW电制冷机。
为了定量描述采用或不采用DMPC策略时整个***以及每台启用过的空调工况电制冷机实时供冷功率跟步骤S2中计算出的经济最优条件下的最优供冷功率接近程度的区别,计算了6个小时内每个采样时刻偏差的平方和,数值如表3所示,可以看出采用动态性能优化策略后偏差平方和明显减小,实现了总体***和每个子***的迅速响应,体现出良好的控制效果。
表3动态优化效果
负荷对象 | 采用DMPC策略 | 不采用DMPC策略 |
总体 | 3.40×107 | 1.03×108 |
第一台3900kW电制冷机空调工况 | 4.91×107 | 1.11×108 |
第二台3900kW电制冷机空调工况 | 8.71×106 | 3.82×107 |
第一台2150kW电制冷机空调工况 | 8.71×106 | 3.82×107 |
综合仿真结果,本发明提出的由常规电制冷机和冰蓄冷***构成的联合供冷***的递阶优化方法兼具较好的经济价值和动态控制效果,对于实际供冷***经济优化运行有一定的指导意义。
综上所述,本发明的针对由常规电制冷机和冰蓄冷***构成的联合供冷***的递阶优化方法中通过建立了电制冷机和蓄冰槽的经济模型,并分别使用混合整数规划和分布式预测控制解决稳态优化问题和动态优化问题,定量地确定联合供冷***的调度方法。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (3)
1.一种联合供冷***的递阶优化方法,所述联合供冷***是由常规电制冷机和冰蓄冷***构成的联合供冷***,其特征在于,所述方法包括如下步骤:
步骤S1:利用电制冷机运行数据拟合其耗电功率关于制冷功率和冷却水进口温度的函数;
步骤S2:利用上一步骤中得到的电制冷机耗电功率关于其制冷功率和冷却水进口温度的函数建立电制冷机供冷的经济模型并进而建立冰蓄冷***供冷的经济模型,最终形成稳态经济优化问题的目标函数和约束条件并进行求解,得到各电制冷机和蓄冰槽在经济效益最优条件下的启停状态和供冷功率;
步骤S3:在上一步骤的基础上,设计目标耦合的协调分布式预测控制方法重新优化整个供冷***在每一采样时刻各电制冷机的实时供冷功率设定值以提高整个***响应负荷的动态性能;
步骤S4:利用迭代方法求解上述分布式预测控制问题,得到各电制冷机每一采样时刻的供冷功率设定值;
所述的步骤S1中:离心式电制冷机最重要的性能参数能效比为制冷功率与耗电功率的比率,根据实际的冷却水进口温度、耗电功率和制冷功率数据通过回归分析将耗电功率表示成为冷却水进口温度和制冷功率二元二次函数形式,以便利用数学规划工具进行后续步骤优化问题的求解;
所述步骤S2中:每台电制冷机有开启和关闭两个工作状态,采用0-1离散变量Y来描述电制冷机的工作状态;对于双工况电制冷机空调工况和制冰工况的区分则使用两个0-1离散变量来分别描述;电制冷机的制冷功率则用连续变量来描述;根据步骤S1中进行的回归分析,对于常规电制冷机,其耗电功率Pin表示成关于制冷功率Pout与冷却水进口温度Tc in的二元二次函数:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>,</mo>
<msubsup>
<mi>T</mi>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
于是电制冷机供冷产生的电费花销C为:
<mrow>
<mi>C</mi>
<mo>=</mo>
<mi>Y</mi>
<mo>&times;</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>,</mo>
<msubsup>
<mi>T</mi>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>p</mi>
<mo>&times;</mo>
<mi>t</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中p为供冷时段电价,t为供冷时段时间长度,Y为电制冷机启停标志,为步骤S1中拟合出的电制冷机耗电功率关于制冷功率和冷却水进口温度的函数;
在忽略蓄冰槽储冷量随储存时间损耗的前提下,为了考量蓄冰槽供冷的花销,引入蓄冰槽冷量均价ps概念,描述单位冷量的价格,这个价格与充冷量、充冷时段电价和双工况电制冷机制冰工况输入输出关系相关,由下式定义:
<mrow>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msup>
<mi>pt</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msup>
<msub>
<mi>P</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<msup>
<mi>t</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msup>
<msub>
<mi>P</mi>
<mi>s</mi>
</msub>
<msub>
<mi>Y</mi>
<mi>s</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msup>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msup>
<msub>
<mi>P</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msup>
<mi>t</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msup>
<msub>
<mi>P</mi>
<mi>s</mi>
</msub>
<msub>
<mi>Y</mi>
<mi>s</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中pinit为冷量均价初值,Winit为蓄冰槽冷量初值,tin为冲冷时间,tout为放冷时间,Pm为双工况电制冷机总制冰功率,Ps为蓄冰槽供冷功率,Ys为蓄冰槽供冷启停标志;由蓄冰槽冷量均价的定义看出,在不考虑储冷量随时间损耗的前提下,均价与蓄冰槽是否放冷无关,只在蓄冰槽冲冷时可能改变;
蓄冰槽储冷量增量ΔW为:
ΔW=tinP-toutPsYs (4)
目标函数为各种电制冷机空调工况供冷与蓄冰槽供冷所需电费之和:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msup>
<mi>Y</mi>
<mi>s</mi>
</msup>
<mo>,</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<msup>
<mi>P</mi>
<mi>s</mi>
</msup>
</mrow>
</munder>
<mi>J</mi>
<mo>=</mo>
<msub>
<mi>pt&Sigma;Y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<msubsup>
<mi>T</mi>
<mrow>
<mi>c</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
<msub>
<mi>tP</mi>
<mi>s</mi>
</msub>
<msub>
<mi>Y</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
p为供冷时段电价,t为供冷时段时间长度,Yi为第i台电制冷剂启停标志,为第i台电制冷机耗电功率关于制冷功率和冷却水进口温度的函数,其中Pout,i为第i台电制冷机供冷功率,Tc,i in为第i台电制冷机冷却水进口温度,Ys为蓄冰槽供冷启停标志,ps为蓄冰槽冷量均价,Ps为蓄冰槽供冷功率,Ys为蓄冰槽供冷启停标志;
约束条件包括供冷功率与预测负荷平衡、各电制冷机额定功率限制、蓄冰槽储冷量上下限和冰蓄冷***工作模式唯一:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>P</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mi>s</mi>
</msub>
<msub>
<mi>Y</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mi>p</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>r</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>r</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>W</mi>
<mi>min</mi>
</msub>
<mo>&le;</mo>
<mi>W</mi>
<mo>&le;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Y</mi>
<mi>s</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>Y</mi>
<mrow>
<mi>i</mi>
<mi>c</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>i</mi>
<mi>c</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>Y</mi>
<mrow>
<mi>a</mi>
<mi>i</mi>
<mi>r</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Yi为第i台电制冷剂启停标志,Pout,i为第i台电制冷机供冷功率,Ps为蓄冰槽供冷功率,Ys为蓄冰槽供冷启停标志,Pp为预测负荷,αi∈(0,1)为第i台电制冷机最小输出功率比例,Pi,rated为第i台电制冷机额定输出功率,W为蓄冰槽储冷量,Wmax和Wmin为蓄冰槽储冷量上下限;Yice为双工况制冷机制冰工况启停标志,默认制冰工况时所有双工况冷机同时开启,加快制冰速度;Yair,i为第i台双工况制冷机空调工况启停标志,共N台双工况制冷机;
最后,在形成稳态经济优化问题的目标函数和约束条件的前提下对上述优化问题进行求解,得到各电制冷机和蓄冰槽在经济效益最优条件下的启停状态和供冷功率。
2.如权利要求1所述的联合供冷***的递阶优化方法,其特征在于,步骤S3中,所述目标耦合的协调分布式预测控制方法,具体如下:
分布式控制***按照空调工况电制冷机数量分为N个子***,每个子***由模型预测控制MPC和相应控制的电制冷机组成,不同子***MPC的数据使用通信器进行实时交换完成计算任务,从而使得各台空调工况电制冷机供冷功率跟踪步骤S2中得到的经济效益最优条件下的供冷功率并且总供冷功率跟踪各台空调工况电制冷机经济效益最优条件下的供冷功率之和;
电制冷机制冷功率动态过程模型传递函数如下:
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>&tau;</mi>
<mi>s</mi>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>&tau;</mi>
<mi>d</mi>
</msub>
<mi>s</mi>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
τ为一阶惯性环节时间常数,τd为延时时间,则第s个子***离散状态空间模型形式为:
<mrow>
<mtable>
<mtr>
<mtd>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>A</mi>
<mi>s</mi>
</msub>
<msub>
<mi>x</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>B</mi>
<mi>s</mi>
</msub>
<msub>
<mi>u</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>C</mi>
<mi>s</mi>
</msub>
<msub>
<mi>x</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中us(k)为k时刻电制冷机输出功率设定值,即为步骤S3中优化问题的优化变量,ps(k)为k时刻电制冷机实际输出功率,xs(k)=[ps(k)ps(k+1)…ps(k+nd)]T为状态变量,nd为电制冷机延时时间相对于离散***采样时间的倍数;As、Bs、Cs为状态空间方程中的系数矩阵,其中 由离散***采样时间和电制冷机动态过程时间常数决定,表示实数集,设采样时间为Δt,则有:
<mrow>
<msub>
<mi>B</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>/</mo>
<mi>&tau;</mi>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
Cs=[1 0 … 0]
对于第s个子***,s=1,2,…,N;MPC协调策略包括电制冷机在未来P个采样时刻组成的预测时域内预测输出功率尽可能接近步骤S2得到的单台空调工况电制冷机经济效益最优条件下的供冷功率rs,并且为了控制所有电制冷机预测输出功率跟上各台空调工况电制冷机经济效益最优条件下的供冷功率之和r,在目标函数中引入预测时域内各台空调工况电制冷机总预测功率与经济效益最优条件下的供冷功率之和差距的平方和,因此不同子***MPC目标函数出现耦合;综上,第s个子***MPC目标函数如下所示:
<mrow>
<mtable>
<mtr>
<mtd>
<munder>
<mi>min</mi>
<msub>
<mi>U</mi>
<mi>s</mi>
</msub>
</munder>
</mtd>
<mtd>
<mrow>
<msub>
<mi>J</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mi>Q</mi>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>s</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mo>+</mo>
<mi>R</mi>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<munderover>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</munder>
<mrow>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>s</mi>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Us=[us(k)us(k+1)…us(k+P-1)]T为预测时域内电制冷机输出功率设定值序列,us(k)为k时刻电制冷机输出功率设定值,即为优化问题的优化变量;而Q,R∈[0,1]为权重系数,分别用来衡量单台电制冷机预测负荷跟踪程度与所有电制冷机总负荷跟踪程度的重要性;rs(k+i)为(k+i)时刻第s台空调工况电制冷机经济效益最优条件下的供冷功率,r(k+i)为(k+i)时刻各台空调工况电制冷机在经济效益最优条件下的供冷功率之和;为第s台空调工况电制冷机在k时刻通过预测模型预测的其在(k+i)时刻的输出功率,为除第s台空调工况电制冷机之外的其余空调工况电制冷机在k时刻通过预测模型预测的其在(k+i)时刻的输出功率之和;
MPC预测模型为:
<mrow>
<mtable>
<mtr>
<mtd>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<msub>
<mi>A</mi>
<mi>s</mi>
</msub>
<mi>i</mi>
</msup>
<msub>
<mi>x</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</munderover>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>A</mi>
<mi>s</mi>
</msub>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
</mrow>
</msup>
<msub>
<mi>B</mi>
<mi>s</mi>
</msub>
<msub>
<mi>u</mi>
<mi>s</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>C</mi>
<mi>s</mi>
</msub>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>P</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
为在k时刻通过预测模型计算出的(k+i)时刻第s台空调工况电制冷机状态空间方程中状态变量,为第s台空调工况电制冷机在k时刻通过预测模型预测的其在(k+i)时刻的输出功率;As i-j和As i为状态空间方程中系数矩阵的相应次幂;
对于第s个子***MPC控制器,整个优化问题形式为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<munder>
<mi>min</mi>
<msub>
<mi>U</mi>
<mi>s</mi>
</msub>
</munder>
</mtd>
<mtd>
<mrow>
<msub>
<mi>J</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mi>Q</mi>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>s</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mo>+</mo>
<mi>R</mi>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<munderover>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</munder>
<mrow>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>s</mi>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<msub>
<mi>A</mi>
<mi>s</mi>
</msub>
<mi>i</mi>
</msup>
<msub>
<mi>x</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</munderover>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>A</mi>
<mi>s</mi>
</msub>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
</mrow>
</msup>
<msub>
<mi>B</mi>
<mi>s</mi>
</msub>
<msub>
<mi>u</mi>
<mi>s</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>C</mi>
<mi>s</mi>
</msub>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>min</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>u</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>max</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>min</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>max</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>P</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,{us,min,us,max},{ps,min,ps,max}为控制变量的边界约束。
3.如权利要求1-2任一项所述的联合供冷***的递阶优化方法,其特征在于,所述步骤S4中,采取迭代方法求解步骤S3中的分布式预测控制问题,具体步骤如下:
步骤S41:在k时刻,根据步骤S3中得到的每台空调工况电制冷机经济效益最优条件下的供冷功率rs,初始化每个子***在预测时域内的电制冷机输出功率设定值序列Us,令迭代次数l=0:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>U</mi>
<mi>s</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mi>l</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mi>l</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>u</mi>
<mi>s</mi>
<mi>l</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>P</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>r</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>r</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>r</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>P</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
上述为第l次迭代在(k+1)时刻的电制冷机输出功率设定值,P为预测时域长度;
步骤S42:根据MPC预测模型,计算出每个子***MPC控制时域内输出量预测值并通知给其他N-1个子***MPC;
步骤S43:对于每个子***,求解步骤S3中的优化问题,得到最优解,即最优制冷机输出功率设定值序列
步骤S44:检查所有子***MPC的收敛条件是否满足,即对给定的精度εs∈R(s=1,2,…,N),是否均有如果所有的子***收敛条件满足,令每个子***最优控制量与最优制冷机输出功率设定值序列相等,即转步骤S45;否则,令α为介于0和1之间的常数,l=l+1,转步骤S42;
步骤S45:在k时刻选取控制量作用于相应的子***;
步骤S46:滚动移位到下一个采样时刻,即k+1→k,返回步骤S41,重复上述步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510225593.6A CN104898422B (zh) | 2015-05-05 | 2015-05-05 | 联合供冷***的递阶优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510225593.6A CN104898422B (zh) | 2015-05-05 | 2015-05-05 | 联合供冷***的递阶优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104898422A CN104898422A (zh) | 2015-09-09 |
CN104898422B true CN104898422B (zh) | 2018-05-04 |
Family
ID=54031141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510225593.6A Active CN104898422B (zh) | 2015-05-05 | 2015-05-05 | 联合供冷***的递阶优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104898422B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353611B (zh) * | 2015-10-27 | 2018-03-27 | 广州中国科学院沈阳自动化研究所分所 | 面向冷藏集装箱船的制冷功率平衡控制方法及其控制*** |
US20180004171A1 (en) | 2016-06-30 | 2018-01-04 | Johnson Controls Technology Company | Hvac system using model predictive control with distributed low-level airside optimization and airside power consumption model |
US11067955B2 (en) | 2016-06-30 | 2021-07-20 | Johnson Controls Technology Company | HVAC system using model predictive control with distributed low-level airside optimization |
US11789415B2 (en) | 2016-06-30 | 2023-10-17 | Johnson Controls Tyco IP Holdings LLP | Building HVAC system with multi-level model predictive control |
CN109416191B (zh) | 2016-06-30 | 2021-08-17 | 江森自控科技公司 | 具有预测控制的变制冷剂流量*** |
CN109451750A (zh) * | 2016-06-30 | 2019-03-08 | 江森自控科技公司 | 将模型预测控制与分布式低级空气侧优化一起使用的hvac*** |
US10564612B2 (en) * | 2016-06-30 | 2020-02-18 | Johnson Controls Technology Company | Variable refrigerant flow system with multi-level model predictive control |
US10816235B2 (en) | 2017-04-27 | 2020-10-27 | Johnson Controls Technology Company | Building energy system with predictive control of battery and green energy resources |
CN107703745B (zh) * | 2017-09-21 | 2020-11-03 | 东南大学 | 基于经济预测控制的mgt-cchp控制*** |
CN108154309B (zh) * | 2017-12-30 | 2022-03-18 | 国网天津市电力公司电力科学研究院 | 计及冷热电多负荷动态响应的能源互联网经济调度方法 |
CN110794671B (zh) * | 2019-11-22 | 2022-12-16 | 广东电网有限责任公司广州供电局 | 家庭能源能量管理方法以及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667013A (zh) * | 2009-09-04 | 2010-03-10 | 天津大学 | 微型燃气轮机冷电联供分布式供能***优化运行控制方法 |
CN102073272A (zh) * | 2011-02-24 | 2011-05-25 | 北京恩耐特分布能源技术有限公司 | 一种分布式能源整体规划优化的***及其优化方法 |
CN102420428A (zh) * | 2011-12-19 | 2012-04-18 | 天津市电力公司 | 一种用于对微网能量进行管理的方法及*** |
CN102968111A (zh) * | 2012-12-14 | 2013-03-13 | 新奥科技发展有限公司 | 控制分布式能源***的方法和*** |
CN103093017A (zh) * | 2011-11-04 | 2013-05-08 | 新奥科技发展有限公司 | 分布式能源***设计方法 |
CN103544655A (zh) * | 2013-10-18 | 2014-01-29 | 国家电网公司 | 一种含微电网的区域配电网分层优化方法 |
-
2015
- 2015-05-05 CN CN201510225593.6A patent/CN104898422B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667013A (zh) * | 2009-09-04 | 2010-03-10 | 天津大学 | 微型燃气轮机冷电联供分布式供能***优化运行控制方法 |
CN102073272A (zh) * | 2011-02-24 | 2011-05-25 | 北京恩耐特分布能源技术有限公司 | 一种分布式能源整体规划优化的***及其优化方法 |
CN103093017A (zh) * | 2011-11-04 | 2013-05-08 | 新奥科技发展有限公司 | 分布式能源***设计方法 |
CN102420428A (zh) * | 2011-12-19 | 2012-04-18 | 天津市电力公司 | 一种用于对微网能量进行管理的方法及*** |
CN102968111A (zh) * | 2012-12-14 | 2013-03-13 | 新奥科技发展有限公司 | 控制分布式能源***的方法和*** |
CN103544655A (zh) * | 2013-10-18 | 2014-01-29 | 国家电网公司 | 一种含微电网的区域配电网分层优化方法 |
Non-Patent Citations (2)
Title |
---|
基于递阶预测控制的多微电网***能量管理;徐俊等;《***仿真学报》;20140430;第26卷(第4期);论文第910-913页 * |
大型楼宇多类型供冷***的经济优化调度;刘楚晖等;《现代建筑电气》;20140831;第5卷(第8期);论文第5-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104898422A (zh) | 2015-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104898422B (zh) | 联合供冷***的递阶优化方法 | |
Reynders et al. | Energy flexible buildings: An evaluation of definitions and quantification methodologies applied to thermal storage | |
Niu et al. | Implementation of a price-driven demand response in a distributed energy system with multi-energy flexibility measures | |
Li et al. | A hybrid optimization-based scheduling strategy for combined cooling, heating, and power system with thermal energy storage | |
Tushar et al. | Distributed real-time electricity allocation mechanism for large residential microgrid | |
Zhao et al. | MPC-based optimal scheduling of grid-connected low energy buildings with thermal energy storages | |
Tarragona et al. | Model predictive control applied to a heating system with PV panels and thermal energy storage | |
CN108537409A (zh) | 一种考虑多能源耦合特性的工业园区配电网协同规划方法 | |
Chen et al. | A water mass method and its application to integrated heat and electricity dispatch considering thermal inertias | |
JP4347602B2 (ja) | 熱源運転支援制御方法、システムおよびプログラム | |
CN105183991A (zh) | 一种区域综合能源***的规划与设计方法 | |
CN104698843A (zh) | 一种基于模型预测控制的数据中心节能控制方法 | |
She et al. | Life cycle cost and life cycle energy in zero-energy building by multi-objective optimization | |
CN110410942A (zh) | 一种冷热源机房节能优化控制方法及*** | |
CN107292766A (zh) | 面向风电消纳的电力***调峰手段经济性评估方法与*** | |
Li et al. | Optimization configuration of regional integrated energy system based on standard module | |
CN105759773B (zh) | 基于面向对象分析的石化企业工厂模型扩展方法 | |
CN111293682A (zh) | 一种基于协同模型预测控制的多微网能量管理方法 | |
Kim et al. | Optimization of dynamic poly-generation system and evaluation of system performance in building application | |
CN106152343A (zh) | 一种基于全生命周期的冰蓄冷空调***设计优化方法 | |
Oro et al. | Energy model optimization for thermal energy storage system integration in data centres | |
Lingmin et al. | A Q-learning based optimization method of energy management for peak load control of residential areas with CCHP systems | |
Zhang et al. | Hybrid data-driven method for low-carbon economic energy management strategy in electricity-gas coupled energy systems based on transformer network and deep reinforcement learning | |
Liu et al. | Multi-objective optimal scheduling of community integrated energy system considering comprehensive customer dissatisfaction model | |
Gao et al. | Multi-energy sharing optimization for a building cluster towards net-zero energy system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |