基于互动能力曲线的暖通空调集群协调控制策略

赵建立，赵本源，顾 霈，张沛超

（1.国网上海市电力公司，上海 200030；2.上海交通大学 电力传输与功率变换控制教育部重点实验室，上海 200240；3.上海交通大学 电子信息与电气工程学院，上海 200240）

0 引言

伴随常规发电建设紧缩、空调负荷稳定增长和电动汽车负荷的爆发式增长，我国电网的季节性尖峰负荷、时段性高峰负荷矛盾日益突出。同时，风、光等可再生能源发电比例正在迅速增加，导致发电侧调节能力大幅下降。为应对这种趋势，需要大规模需求侧资源参与电网运行［1—2］，一方面降低电网峰谷差，提高运行效率和延迟厂网投资，另一方面辅助电网调峰、调频，保障电网安全运行。

空调负荷已成为十分重要的需求侧资源。一方面，空调负荷在负荷结构中的占比越来越高，已占我国夏季高峰负荷的30%～40%，经济发达地区甚至能够达到50%；另一方面，由于建筑物具有热惯性，对空调负荷进行短时调控对舒适度影响较小。因此，使空调负荷规模化参与电网调度，是实现夏季用电高峰时段电网负荷削减的有效方式［3］。

作为空调负荷中的重要组成部分，商业楼宇暖通空调（heating ventilation and air conditioning,HVAC）系统因负荷容量较大、对社会生产影响较小，是参与电力系统调峰等辅助服务的重要资源［4—5］。现有HVAC调控策略主要源自美国劳伦斯-伯克利国家实验室需求响应中心在2007年发布的技术报告［6］。国内的实践中大多采用直接控制HVAC主机、水泵、冷水塔等设备的策略［7—8］。但以上策略存在如下问题：一是很多控制策略实施后对用户舒适度的影响具有未知性，例如难以预知关闭1台制冷主机后对用户的影响程度；二是不同类型HVAC系统的控制方法不具有通用性，并可能需对HVAC各子系统进行联控，否则由于实际负荷需求未发生变化，造成最终仍达不到调控效果；三是需求响应系统需直接控制HVAC主机等设备，易导致系统低效运行并存在控制风险。

针对上述问题，本文面向削峰填谷应用，基于全局温度调节（global temperature adjustment,GTA）策略提出了商业楼宇HVAC与电网的双向互动策略。本文创新点主要有3个方面：一是提出了商业楼宇互动能力的物理建模预测方法，解决了因实际响应样本不足而难以进行数据回归预测的问题；二是利用上述物理建模方法，基于GTA策略建立了互动能力曲线，能统一表示各种商业楼宇HVAC的灵活性，并有助于保护用户隐私；三是基于互动能力曲线，提出了互动能力的聚合与分解算法，方便聚合商对大规模商业楼宇实施协调控制。

1 HVAC调控策略

国内的实践中大多采用直接控制HVAC主机、水泵、冷水塔等设备的策略，表1给出了部分调控策略及其经验性效果［7—8］。

表1 HVAC的典型调控策略Table 1 Typical control strategies for HVAC

GTA策略是指由HVAC的能源管理控制系统（energy management and control system,EMCS）向所有末端温区控制器发送统一的温度调节值。与其他策略相比，GTA具有如下优点：一是GTA对用户舒适度的影响是可预知、可控的，且各温区均匀承担调控指令。此外，GTA既可采用绝对调整法（即将设定值调至同一温度），也可采用相对调整法（即将现有设定值调整相同度数），从而适应个性化要求较高的商业楼宇；二是GTA是EMCS的通用功能，能够广泛适应于各类HVAC系统，无需为了满足电网互动需要而对系统做专门改造；三是在实施GTA时，仍由原有EMCS协调HVAC各子系统，更容易保证HVAC系统运行的安全性与经济性。

因此，文献［6］将GTA列为优先调控策略。但相对其他策略，GTA方法不容易得到HVAC预期的功率变化。本文将重点解决这个问题，为不失一般性，本文针对夏季制冷场景开展研究。

2 HVAC互动能力的统一表示方法

2.1 HVAC互动能力

定义HVAC的互动功率如下

图1 HVAC互动过程Fig.1 Interacting process of HVAC

式中：T为互动时段Γ的总时长。

HVAC的互动能力用如下函数表示

式中：ΔTG为全局温度调节值；ξ为影响互动能力的扰动变量。

本文考虑如下两类扰动变量：一是环境温度、湿度；二是楼宇内热负荷，包括基本热负荷和随机热负荷。随机负荷包括楼宇内人员和照明等，其波动特征与建筑类型具有较强相关性。

2.2 HVAC互动能力的物理建模预测方法

针对特定商业楼宇的HVAC系统，为了获得式（3）所描述的预测模型，可采用数据回归法、灰箱建模法以及物理建模法。

数据回归法根据历史数据构造预测模型，该模型与楼宇及HVAC的物理结构不存在直接联系，是一种黑箱模型［9—10］。该方法的困难在于，影响HVAC响应能力的外部环境和内部热负荷的场景众多，实际中难以获得足够的用于预测的样本数量。

物理建模法需要建立楼宇的三维围护结构模型以及HVAC的物理模型［11—12］，该模型属于白箱模型。该方法在理论上能够建立精准的预测模型，但实际中对于大型楼宇，建模工作量十分巨大。

灰箱模型介于黑箱与白箱模型之间，代表性灰箱模型为等效热参数（equivalent thermal parameter,ETP）模型［13—14］，这类模型需将楼宇热工模型做降阶等值，因而仅适应于居民住宅等小型建筑物。

为提高商业楼宇互动能力的预测精度，本文采用物理建模法，并以EnergyPlus［15］作为建筑能耗模拟软件，该软件经过了国际能源组织的性能验证项目的评估，具有较强的实用性。如图2所示，仿真中需要输入两类固定模型信息和两类扰动信息。

图2 仿真建模过程Fig.2 Simulation modeling process

两类固定模型包括建筑围护结构以及HVAC系统模型。前者包括建筑物外形、朝向、结构、材料以及遮阳等详细信息；后者包括HVAC主机、水或空气回路以及末端设备等信息。

两类扰动信息包括环境温湿度和内部热负荷，通过日前预测得到。对不同功能属性的商业楼宇，其运营时间以及人员、照明的变化规律不同，故预测方法与难度各异。限于篇幅，本文不对环境和负荷预测问题展开讨论。

EnergyPlus仿真引擎基于热平衡原理［16］。实际的商业楼宇包含很多温区，EnergyPlus会自动将其转换为多个耦合的单温区模型联立求解，从而实现全楼宇能耗的精确仿真。随着智慧城市建设进程的推进，建筑信息建模（building information modeling,BIM）技术在现代建筑中得到了越来越广泛的应用［17］。为大幅度降低物理建模的工作量，可以自动或半自动方式从BIM中提取EnergyPlus所需的能效仿真数据［18］。对于已建成楼宇，这类模型一旦建立则在很长时间内保持不变。

2.3 HVAC互动能力曲线

HAVC互动能力曲线的构造步骤如下。

（1）参考建筑施工图纸以及暖通平面图初步构建特定商业楼宇以及内部HVAC系统EnergyPlus模型；

（2）在日前预测式（3）中的扰动变量ξ，并输入到模型中进行精细化仿真；

（3）针对互动时段Γ，在用户允许的温度范围内设定不同GTA值ΔTG，然后通过EnergyPlus模型仿真得到相应的HVAC运行功率曲线；

（4）结合负荷基线（即ΔTG=0℃）计算互动时段G的互动能力ΔPDR，并以ΔPDR、ΔTG为横、纵坐标，构造图3所示的HVAC互动能力曲线。将该曲线记为d-1(ΔTG)，显然有d-1(ΔTG)=f(ΔTG；ξ)。

图3 HVAC互动能力曲线Fig.3 Interaction capability curve of HVAC

上述互动能力曲线具有两个优点：一是能直观统一地表示各种商业楼宇内任意类型HVAC系统的灵活性；二是有效屏蔽了楼宇和HVAC系统的结构与关键参数，有助于保护用户隐私。

3 互动能力的聚合与分解策略

设由负荷聚合商对多个商业楼宇进行聚合后再参与电网互动，该聚合商采用如下两个算法。

（1）自下而上的聚合算法

聚合与分解算法如图4所示。HVAC互动能力曲线如图4（a）所示。日前阶段，聚合商收集各商业楼宇HVAC的互动能力曲线和基准功率，总互动能力D-1(ΔTG)如下所示

式中：m为HVAC负荷；M为HVAC总数。

图4（b）是根据式（4）聚合形成的总互动能力曲线，向调度可视化展示了聚合商的总互动能力。同时，在大规模应用中，式（4）算法还支持从配网片区、区域电网到省级电网的多级聚合。

（2）自上而下的分解算法

图4 聚合与分解算法Fig.4 Aggregation and de-aggregation algorithms

对聚合与分解方法有如下讨论：

4 仿真分析

4.1 算例设计

选择美国能源部提供的中型办公楼、酒店、单体零售店、购物中心等4类典型商业楼宇模型进行仿真，各类楼宇对比如表2所示。详细参数以美国能源部提供的模型数据为基准进行设置［19］，HVAC机组采用DOE2模型［20］，内部热负荷根据楼宇特征随机设置。选择夏季典型日（7月23日）进行仿真，考虑10:00—11:00、11:00—12:00、12:00—13:00等3个互动时段，仿真步长为10 min。仿真软件为Energy-Plus［15］和matlab。

表2 典型商业楼宇Table 2 Typical commercial buildings

4.2 扰动变量预测误差的影响

本文的物理建模预测法的性能会受到扰动变量预测误差的影响。本文以酒店为例进行仿真分析。

目前室外温度的日前预测误差可达到±1.2oC以内［21］。图5给出了室外温度和HVAC功率的预测值与实际值。

图5 室外温度预测误差对HVAC功率的影响Fig.5 Impact of outdoor temperature prediction error on HVAC power

图6给出了楼宇内人员数量预测误差对于HVAC功率的影响。结果表明，20%的人员预测误差将导致约3%的HVAC功率预测误差。

图6 人员数量预测误差对HVAC功率的影响Fig.6 Impact of personnel number prediction error on HVAC power

图7给出了楼宇内部照明预测误差对于HVAC功率的影响。结果表明，20%的照明预测误差将导致约0.8%的HVAC功率预测误差，可见，照明对HVAC功率的影响相对较小。

图7 照明预测误差对HVAC功率的影响Fig.7 Impact of lighting prediction error on HVAC power

综上可知，结合环境温度和内部热负荷的预测技术，本文的仿真方法能较好预测商业楼宇的HVAC功率，这样即可在日前预测HVAC的互动能力。

4.3 互动能力预测曲线

本节根据各类扰动因素的日前预测数据，形成了12个商业楼宇HVAC在10:00—11:00、11:00—12:00、12:00—13:00这3个响应时段的互动能力预测曲线。其中，室外温度取图5的预测值；对于人员预测误差，中型办公楼取±10%（±代表随机取正误差或负误差，下同），其余类型楼宇取±20%；对于照明预测误差，办公楼和购物中心取±10%，其余类型楼宇取±20%。

图8给出了每类商业楼宇的一个代表性互动能力曲线，由于10:00—13:00期间室外温度在逐渐升高，因此HVAC的互动能力也呈增加趋势。基于式（4）的聚合算法，形成了图8中的总互动能力预测曲线。

图8 互动能力预测曲线Fig.8 Prediction of interaction capability curves

由图8可见，在较小的ΔTG范围内，互动功率ΔPDR与ΔTG近似满足式（5）的线性关系。对于图8（d）所示的购物中心，当ΔTG低于-1℃时，可观察到由于HVAC制冷量不足，无法进一步增大功率。

4.4 日内实际功率响应情况

设互动时段为11:00—12:00，HVAC的温度调节分辨率为0.5℃，图9给出了ΔTG为-2～2℃时聚合商的实际响应功率。图9中总目标响应功率为ΔPDR+1 262.2 kW，前者为该时段互动能力的预测值，后者为在互动初始时刻的基准功率的预测值。由图9可见，HVAC集群能够较好的跟踪目标响应功率；采用GTA策略，HVAC的功率响应存在约10 min的延迟；在互动结束后，HVAC功率会发生一定程度的反弹。

图9 不同GTA时的聚合商响应功率Fig.9 Aggregated response power under each GTA

4.5 舒适度影响分析

本文方法的优势是对用户舒适度的影响是可预知、可控的。图10是日内响应阶段在不同ΔTG设定值下，从各类楼宇取一个代表性建筑统计了内部各温区的温度分布情况。

图10 楼宇内部温度分布Fig.10 Indoor temperature distributions of buildings

总体上看楼宇内部平均温度都在目标ΔTG附近，纵向比较，各楼宇无论规模大小，室温受影响程度基本均衡，但随着|ΔTG|的增大，部分楼宇的某些空间温度并未达到设定ΔTG。原因分析如下：

（2）图8中，互动能力曲线的纵坐标ΔTG表示互动时段末期望调整的温度值。由于空间温度的变化存在滞后性，为了客观评价HVAC响应过程对于用户舒适度的影响，图10中纵坐标取互动时段的平均温度，因此低于设定值。

（3）检查仿真结果可见，各末端温区所处位置不同，受到室外条件变化的影响程度也不同。楼宇体量越大、温区数量越多，上述现象越明显。如图10所示，由于中型办公楼和酒店的温区相比单体零售店和购物中心较多，因此前两者内部各温区受到室外的影响程度更大，在|ΔTG|较大时，其空间均温更不易达到设定ΔTG。

5 结束语

本文根据BIM技术在现代建筑中获得日益广泛应用的情况，提出了商业楼宇互动能力的物理建模预测方法，结合环境温度和内部热负荷的预测技术，对HVAC互动能力做出预测。

相较于其他调控策略，GTA策略对用户舒适度的影响具有可预知性。利用上述物理建模方法，本文基于GTA策略建立了互动能力曲线，能够统一表示各种商业楼宇HVAC的灵活性，并有助于保护用户隐私。

基于互动能力曲线，提出了多个商业楼宇互动能力的聚合与分解算法，该算法面向削峰填谷应用，具有计算量小、可扩展性高、通用性强的优点，方便聚合商对大规模商业楼宇实施协调控制。

本文方法依赖于准确的楼宇能耗仿真模型，下一步将研究基于实测数据的楼宇模型自动校正方法。D