基于互動能力曲線的暖通空調集群協調控制策略

趙建立，趙本源，顧 霈，張沛超

（1.國網上海市電力公司，上海 200030；2.上海交通大學 電力傳輸與功率變換控制教育部重點實驗室，上海 200240；3.上海交通大學 電子信息與電氣工程學院，上海 200240）

0 引言

伴隨常規發電建設緊縮、空調負荷穩定增長和電動汽車負荷的爆發式增長，我國電網的季節性尖峰負荷、時段性高峰負荷矛盾日益突出。同時，風、光等可再生能源發電比例正在迅速增加，導致發電側調節能力大幅下降。為應對這種趨勢，需要大規模需求側資源參與電網運行［1—2］，一方面降低電網峰谷差，提高運行效率和延遲廠網投資，另一方面輔助電網調峰、調頻，保障電網安全運行。

空調負荷已成為十分重要的需求側資源。一方面，空調負荷在負荷結構中的占比越來越高，已占我國夏季高峰負荷的30%～40%，經濟發達地區甚至能夠達到50%；另一方面，由于建筑物具有熱慣性，對空調負荷進行短時調控對舒適度影響較小。因此，使空調負荷規?；瘏⑴c電網調度，是實現夏季用電高峰時段電網負荷削減的有效方式［3］。

作為空調負荷中的重要組成部分，商業樓宇暖通空調（heating ventilation and air conditioning,HVAC）系統因負荷容量較大、對社會生產影響較小，是參與電力系統調峰等輔助服務的重要資源［4—5］。現有HVAC調控策略主要源自美國勞倫斯-伯克利國家實驗室需求響應中心在2007年發布的技術報告［6］。國內的實踐中大多采用直接控制HVAC主機、水泵、冷水塔等設備的策略［7—8］。但以上策略存在如下問題：一是很多控制策略實施后對用戶舒適度的影響具有未知性，例如難以預知關閉1臺制冷主機后對用戶的影響程度；二是不同類型HVAC系統的控制方法不具有通用性，并可能需對HVAC各子系統進行聯控，否則由于實際負荷需求未發生變化，造成最終仍達不到調控效果；三是需求響應系統需直接控制HVAC主機等設備，易導致系統低效運行并存在控制風險。

針對上述問題，本文面向削峰填谷應用，基于全局溫度調節（global temperature adjustment,GTA）策略提出了商業樓宇HVAC與電網的雙向互動策略。本文創新點主要有3個方面：一是提出了商業樓宇互動能力的物理建模預測方法，解決了因實際響應樣本不足而難以進行數據回歸預測的問題；二是利用上述物理建模方法，基于GTA策略建立了互動能力曲線，能統一表示各種商業樓宇HVAC的靈活性，并有助于保護用戶隱私；三是基于互動能力曲線，提出了互動能力的聚合與分解算法，方便聚合商對大規模商業樓宇實施協調控制。

1 HVAC調控策略

國內的實踐中大多采用直接控制HVAC主機、水泵、冷水塔等設備的策略，表1給出了部分調控策略及其經驗性效果［7—8］。

表1 HVAC的典型調控策略Table 1 Typical control strategies for HVAC

GTA策略是指由HVAC的能源管理控制系統（energy management and control system,EMCS）向所有末端溫區控制器發送統一的溫度調節值。與其他策略相比，GTA具有如下優點：一是GTA對用戶舒適度的影響是可預知、可控的，且各溫區均勻承擔調控指令。此外，GTA既可采用絕對調整法（即將設定值調至同一溫度），也可采用相對調整法（即將現有設定值調整相同度數），從而適應個性化要求較高的商業樓宇；二是GTA是EMCS的通用功能，能夠廣泛適應于各類HVAC系統，無需為了滿足電網互動需要而對系統做專門改造；三是在實施GTA時，仍由原有EMCS協調HVAC各子系統，更容易保證HVAC系統運行的安全性與經濟性。

因此，文獻［6］將GTA列為優先調控策略。但相對其他策略，GTA方法不容易得到HVAC預期的功率變化。本文將重點解決這個問題，為不失一般性，本文針對夏季制冷場景開展研究。

2 HVAC互動能力的統一表示方法

2.1 HVAC互動能力

定義HVAC的互動功率如下

圖1 HVAC互動過程Fig.1 Interacting process of HVAC

式中：T為互動時段Γ的總時長。

HVAC的互動能力用如下函數表示

式中：ΔTG為全局溫度調節值；ξ為影響互動能力的擾動變量。

本文考慮如下兩類擾動變量：一是環境溫度、濕度；二是樓宇內熱負荷，包括基本熱負荷和隨機熱負荷。隨機負荷包括樓宇內人員和照明等，其波動特征與建筑類型具有較強相關性。

2.2 HVAC互動能力的物理建模預測方法

針對特定商業樓宇的HVAC系統，為了獲得式（3）所描述的預測模型，可采用數據回歸法、灰箱建模法以及物理建模法。

數據回歸法根據歷史數據構造預測模型，該模型與樓宇及HVAC的物理結構不存在直接聯系，是一種黑箱模型［9—10］。該方法的困難在于，影響HVAC響應能力的外部環境和內部熱負荷的場景眾多，實際中難以獲得足夠的用于預測的樣本數量。

物理建模法需要建立樓宇的三維圍護結構模型以及HVAC的物理模型［11—12］，該模型屬于白箱模型。該方法在理論上能夠建立精準的預測模型，但實際中對于大型樓宇，建模工作量十分巨大。

灰箱模型介于黑箱與白箱模型之間，代表性灰箱模型為等效熱參數（equivalent thermal parameter,ETP）模型［13—14］，這類模型需將樓宇熱工模型做降階等值，因而僅適應于居民住宅等小型建筑物。

為提高商業樓宇互動能力的預測精度，本文采用物理建模法，并以EnergyPlus［15］作為建筑能耗模擬軟件，該軟件經過了國際能源組織的性能驗證項目的評估，具有較強的實用性。如圖2所示，仿真中需要輸入兩類固定模型信息和兩類擾動信息。

圖2 仿真建模過程Fig.2 Simulation modeling process

兩類固定模型包括建筑圍護結構以及HVAC系統模型。前者包括建筑物外形、朝向、結構、材料以及遮陽等詳細信息；后者包括HVAC主機、水或空氣回路以及末端設備等信息。

兩類擾動信息包括環境溫濕度和內部熱負荷，通過日前預測得到。對不同功能屬性的商業樓宇，其運營時間以及人員、照明的變化規律不同，故預測方法與難度各異。限于篇幅，本文不對環境和負荷預測問題展開討論。

EnergyPlus仿真引擎基于熱平衡原理［16］。實際的商業樓宇包含很多溫區，EnergyPlus會自動將其轉換為多個耦合的單溫區模型聯立求解，從而實現全樓宇能耗的精確仿真。隨著智慧城市建設進程的推進，建筑信息建模（building information modeling,BIM）技術在現代建筑中得到了越來越廣泛的應用［17］。為大幅度降低物理建模的工作量，可以自動或半自動方式從BIM中提取EnergyPlus所需的能效仿真數據［18］。對于已建成樓宇，這類模型一旦建立則在很長時間內保持不變。

2.3 HVAC互動能力曲線

HAVC互動能力曲線的構造步驟如下。

（1）參考建筑施工圖紙以及暖通平面圖初步構建特定商業樓宇以及內部HVAC系統EnergyPlus模型；

（2）在日前預測式（3）中的擾動變量ξ，并輸入到模型中進行精細化仿真；

（3）針對互動時段Γ，在用戶允許的溫度范圍內設定不同GTA值ΔTG，然后通過EnergyPlus模型仿真得到相應的HVAC運行功率曲線；

（4）結合負荷基線（即ΔTG=0℃）計算互動時段G的互動能力ΔPDR，并以ΔPDR、ΔTG為橫、縱坐標，構造圖3所示的HVAC互動能力曲線。將該曲線記為d-1(ΔTG)，顯然有d-1(ΔTG)=f(ΔTG；ξ)。

圖3 HVAC互動能力曲線Fig.3 Interaction capability curve of HVAC

上述互動能力曲線具有兩個優點：一是能直觀統一地表示各種商業樓宇內任意類型HVAC系統的靈活性；二是有效屏蔽了樓宇和HVAC系統的結構與關鍵參數，有助于保護用戶隱私。

3 互動能力的聚合與分解策略

設由負荷聚合商對多個商業樓宇進行聚合后再參與電網互動，該聚合商采用如下兩個算法。

（1）自下而上的聚合算法

聚合與分解算法如圖4所示。HVAC互動能力曲線如圖4（a）所示。日前階段，聚合商收集各商業樓宇HVAC的互動能力曲線和基準功率，總互動能力D-1(ΔTG)如下所示

式中：m為HVAC負荷；M為HVAC總數。

圖4（b）是根據式（4）聚合形成的總互動能力曲線，向調度可視化展示了聚合商的總互動能力。同時，在大規模應用中，式（4）算法還支持從配網片區、區域電網到省級電網的多級聚合。

（2）自上而下的分解算法

圖4 聚合與分解算法Fig.4 Aggregation and de-aggregation algorithms

對聚合與分解方法有如下討論：

4 仿真分析

4.1 算例設計

選擇美國能源部提供的中型辦公樓、酒店、單體零售店、購物中心等4類典型商業樓宇模型進行仿真，各類樓宇對比如表2所示。詳細參數以美國能源部提供的模型數據為基準進行設置［19］，HVAC機組采用DOE2模型［20］，內部熱負荷根據樓宇特征隨機設置。選擇夏季典型日（7月23日）進行仿真，考慮10:00—11:00、11:00—12:00、12:00—13:00等3個互動時段，仿真步長為10 min。仿真軟件為Energy-Plus［15］和matlab。

表2 典型商業樓宇Table 2 Typical commercial buildings

4.2 擾動變量預測誤差的影響

本文的物理建模預測法的性能會受到擾動變量預測誤差的影響。本文以酒店為例進行仿真分析。

目前室外溫度的日前預測誤差可達到±1.2oC以內［21］。圖5給出了室外溫度和HVAC功率的預測值與實際值。

圖5 室外溫度預測誤差對HVAC功率的影響Fig.5 Impact of outdoor temperature prediction error on HVAC power

圖6給出了樓宇內人員數量預測誤差對于HVAC功率的影響。結果表明，20%的人員預測誤差將導致約3%的HVAC功率預測誤差。

圖6 人員數量預測誤差對HVAC功率的影響Fig.6 Impact of personnel number prediction error on HVAC power

圖7給出了樓宇內部照明預測誤差對于HVAC功率的影響。結果表明，20%的照明預測誤差將導致約0.8%的HVAC功率預測誤差，可見，照明對HVAC功率的影響相對較小。

圖7 照明預測誤差對HVAC功率的影響Fig.7 Impact of lighting prediction error on HVAC power

綜上可知，結合環境溫度和內部熱負荷的預測技術，本文的仿真方法能較好預測商業樓宇的HVAC功率，這樣即可在日前預測HVAC的互動能力。

4.3 互動能力預測曲線

本節根據各類擾動因素的日前預測數據，形成了12個商業樓宇HVAC在10:00—11:00、11:00—12:00、12:00—13:00這3個響應時段的互動能力預測曲線。其中，室外溫度取圖5的預測值；對于人員預測誤差，中型辦公樓取±10%（±代表隨機取正誤差或負誤差，下同），其余類型樓宇取±20%；對于照明預測誤差，辦公樓和購物中心取±10%，其余類型樓宇取±20%。

圖8給出了每類商業樓宇的一個代表性互動能力曲線，由于10:00—13:00期間室外溫度在逐漸升高，因此HVAC的互動能力也呈增加趨勢?；谑剑?）的聚合算法，形成了圖8中的總互動能力預測曲線。

圖8 互動能力預測曲線Fig.8 Prediction of interaction capability curves

由圖8可見，在較小的ΔTG范圍內，互動功率ΔPDR與ΔTG近似滿足式（5）的線性關系。對于圖8（d）所示的購物中心，當ΔTG低于-1℃時，可觀察到由于HVAC制冷量不足，無法進一步增大功率。

4.4 日內實際功率響應情況

設互動時段為11:00—12:00，HVAC的溫度調節分辨率為0.5℃，圖9給出了ΔTG為-2～2℃時聚合商的實際響應功率。圖9中總目標響應功率為ΔPDR+1 262.2 kW，前者為該時段互動能力的預測值，后者為在互動初始時刻的基準功率的預測值。由圖9可見，HVAC集群能夠較好的跟蹤目標響應功率；采用GTA策略，HVAC的功率響應存在約10 min的延遲；在互動結束后，HVAC功率會發生一定程度的反彈。

圖9 不同GTA時的聚合商響應功率Fig.9 Aggregated response power under each GTA

4.5 舒適度影響分析

本文方法的優勢是對用戶舒適度的影響是可預知、可控的。圖10是日內響應階段在不同ΔTG設定值下，從各類樓宇取一個代表性建筑統計了內部各溫區的溫度分布情況。

圖10 樓宇內部溫度分布Fig.10 Indoor temperature distributions of buildings

總體上看樓宇內部平均溫度都在目標ΔTG附近，縱向比較，各樓宇無論規模大小，室溫受影響程度基本均衡，但隨著|ΔTG|的增大，部分樓宇的某些空間溫度并未達到設定ΔTG。原因分析如下：

（2）圖8中，互動能力曲線的縱坐標ΔTG表示互動時段末期望調整的溫度值。由于空間溫度的變化存在滯后性，為了客觀評價HVAC響應過程對于用戶舒適度的影響，圖10中縱坐標取互動時段的平均溫度，因此低于設定值。

（3）檢查仿真結果可見，各末端溫區所處位置不同，受到室外條件變化的影響程度也不同。樓宇體量越大、溫區數量越多，上述現象越明顯。如圖10所示，由于中型辦公樓和酒店的溫區相比單體零售店和購物中心較多，因此前兩者內部各溫區受到室外的影響程度更大，在|ΔTG|較大時，其空間均溫更不易達到設定ΔTG。

5 結束語

本文根據BIM技術在現代建筑中獲得日益廣泛應用的情況，提出了商業樓宇互動能力的物理建模預測方法，結合環境溫度和內部熱負荷的預測技術，對HVAC互動能力做出預測。

相較于其他調控策略，GTA策略對用戶舒適度的影響具有可預知性。利用上述物理建模方法，本文基于GTA策略建立了互動能力曲線，能夠統一表示各種商業樓宇HVAC的靈活性，并有助于保護用戶隱私。

基于互動能力曲線，提出了多個商業樓宇互動能力的聚合與分解算法，該算法面向削峰填谷應用，具有計算量小、可擴展性高、通用性強的優點，方便聚合商對大規模商業樓宇實施協調控制。

本文方法依賴于準確的樓宇能耗仿真模型，下一步將研究基于實測數據的樓宇模型自動校正方法。D