基于非侵入式负荷分解的空调集群AGC调频备用容量评估方法

doi:10.16183/j.cnki.jsjtu.2023.099

基于非侵入式负荷分解的空调集群AGC调频备用容量评估方法

聂世豪¹, 陈磊^,¹, 郝玲¹, 徐飞¹, 闵勇¹, 窦真兰², 张春雁², 孙沛³

1.清华大学电机工程与应用电子技术系,北京 100084

2.国网上海市电力公司,上海 200223

3.国网上海市电力公司电力科学研究院,上海 200437

An AGC Frequency Control Reserve Capacity Evaluation Method for Air Conditioner Groups Based on Nonintrusive Load Disaggregation

NIE Shihao¹, CHEN Lei^,¹, HAO Ling¹, XU Fei¹, MIN Yong¹, DOU Zhenlan², ZHANG Chunyan², SUN Pei³

1. Department of Electrical Engineering, Tsinghua University, Beijing 100084, China

2. State Grid Shanghai Municipal Electric Power Company, Shanghai 200223, China

3. State Grid Shanghai Electric Power Research Institute, Shanghai 200437, China

通讯作者: 陈磊,副研究员; E-mail:chenlei08@tsinghua.edu.cn.

责任编辑: 王历历

收稿日期: 2023-03-20 修回日期: 2023-08-1 接受日期: 2023-08-7

基金资助:

国家电网有限公司科技项目(52094021N017)

Received: 2023-03-20 Revised: 2023-08-1 Accepted: 2023-08-7

作者简介 About authors

聂世豪(1999—),硕士生,主要研究方向为负荷参与调频的策略与聚合模型.

摘要

用户侧海量空调负荷资源具有参与系统频率控制的巨大潜能,可将海量分散的单体空调聚合为空调集群参与系统自动发电控制(AGC)调节,但单体空调的运行状态具有随机性.为准确评估集群的调频备用容量,提出一种数据驱动的非侵入式负荷分解方法来评估空调集群的AGC调频备用容量.该方法构建了序列到序列模型,以非侵入的形式来预测单体空调调频备用容量;考虑到空调参与AGC可能会影响用户舒适度,评估了单体空调参与AGC调频的可用性,并构建判定单体空调是否纳入空调集群调频备用的选择机制.该方法将台区子站内可参与AGC的单体空调聚合得到台区子站的空调集群调频备用,将所有台区子站的空调集群调频备用聚合得到全体空调集群调频备用.模拟在不同程度系统频率跌落情况下,空调集群与火电机组协同进行AGC调频,仿真结果证实方法的有效性.

关键词： 自动发电控制调频; 空调集群; 负荷预测; 非侵入式负荷分解

Abstract

Massive air-conditioner resources on the consumer side have a huge potential to be involved in system frequency control, and massive scattered individual air-conditioners can be aggregated into air-conditioner groups to participate in system automatic generation control (AGC). As the operating status of individual air-conditioners is random, it is necessary to accurately evaluate the frequency control reserve capacity of air-conditioner groups. In this paper, a data-driven nonintrusive load disaggregation (NILD) method is proposed to incorporate massive air-conditioner groups into AGC frequency control reserve. First, the proposed method constructs a sequence-to-sequence model to nonintrusively forecast the frequency control reserve capacity of individual air-conditioners. Considering the fact that the participation of air-conditioners in AGC may affect the comfort of users, the feasibility of individual air-conditioners is evaluated to participate in AGC frequency control and a selection mechanism is constructed to determine whether they can be included in the frequency control reserve of air-conditioner groups. In the proposed method, individual air-conditioners within a sub-station that participate in AGC are aggregated to derive the air-conditioner group frequency control reserve of the sub-station, and the air-conditioner group frequency control reserve of all sub-stations are aggregated to derive the entire air-conditioner group frequency control reserve. The experiments simulate different degrees of system frequency drops in which air-conditioner groups work cooperatively with thermal units for AGC frequency control. The simulation results demonstrate the validity of the proposed method.

Keywords： automatic generation control (AGC) frequency control; air conditioner groups; load forecasting; nonintrusive load disaggregation (NILD)

PDF (1815KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

聂世豪, 陈磊, 郝玲, 徐飞, 闵勇, 窦真兰, 张春雁, 孙沛. 基于非侵入式负荷分解的空调集群AGC调频备用容量评估方法[J]. 上海交通大学学报, 2024, 58(12): 1892-1902 doi:10.16183/j.cnki.jsjtu.2023.099

NIE Shihao, CHEN Lei, HAO Ling, XU Fei, MIN Yong, DOU Zhenlan, ZHANG Chunyan, SUN Pei. An AGC Frequency Control Reserve Capacity Evaluation Method for Air Conditioner Groups Based on Nonintrusive Load Disaggregation[J]. Journal of Shanghai Jiaotong University, 2024, 58(12): 1892-1902 doi:10.16183/j.cnki.jsjtu.2023.099

自动发电控制(automatic generation control,AGC)是电网调频体系的一个重要组成部分.在以新能源为主体的新型电力系统中,随着新能源发电比例不断提高,一方面净负荷的爬坡率与高频波动分量不断增大^[1],另一方面发电侧调频能力逐步下降,系统功率平衡能力面临严峻挑战.仅依靠当前的常规AGC调频机组来维持频率质量存在以下问题:首先,维持较高的机组AGC备用容量不利于系统运行的经济性;其次,常规机组参与AGC调频的响应时间较长,难以快速跟踪系统快速波动.若将用户侧可调节负荷资源合理纳入AGC调频备用并参与AGC,将有效提升电网的调频能力^[2].

当前,我国空调负荷增长迅速且在夏季高峰时期占尖峰负荷的30%~50%^[3].变频空调与定频空调都具备较大调整区间,变频空调可以连续调节90%的功率,而定频空调通过改变开关状态改变功率,具有40%市场占有率.同时,对定频空调的研究可以迁移到其他投切型负荷,如电热水器.以定频空调为代表的温控投切型负荷具有短暂的能量存储特性,分钟尺度内的投切可以快速改变其功率而不会对其物理效用造成明显影响,为AGC调频提供新的资源^[4⇓⇓-7].从功率与分布上看,单体空调的运行功率较小且分散在配网侧的海量住户中,具体实施控制时面临很大困难.为将空调负荷资源纳入AGC调频备用,需要将海量分散的单体空调聚合为空调集群;同时,由于单体空调的运行状态具有随机性,准确评估集群的调频备用容量对于有效实施AGC调节至关重要.

目前,空调调频备用容量的评估主要采用物理特性分析.物理特性分析对空调电热交换过程进行仿真,并基于仿真结果预测空调的调频备用容量,需要合理建模空调外部特性与用电功率间的映射.在不同环境下,即使同一种空调的映射机理也会存在较大差异.因此,多台空调的物理特性分析需要收集海量实际参数,这将导致其整体计算复杂度较高.文献[8]中对暖通空调采用冷负荷系数法构建热力学模型,建立以用电成本为优化目标的能量管理策略.文献[9]中构建变频空调的等效热参数模型,并表明空调负荷在现有调度框架中能够为电网提供需求侧响应服务.

与物理特性分析方法不同,数据驱动的空调调频备用容量建模仅学习海量的历史空调功率数据,且不需要将复杂的外界物理因素纳入建模.进一步地,数据驱动建模可以简化空调调频容量评估与预测的变量选择,并且避免了物理要素意义不清晰带来的潜在难题.在对空调的数据驱动建模中,获取实际的空调功率数据是不可避免的.监测空调实际功率往往涉及电力用户的隐私权益,难以被消费者接受.另一方面,在海量空调的电气入口处安装监测设备往往成本较高且不经济.非侵入式负荷分解(nonintrusive load disaggregation,NILD)给出一条可行路径.NILD将当前的户内总用电功率数据进行分解来间接推算出户内各电器当前或未来时刻的运行状态与用电功率.与侵入式的监测方式相比,NILD无需直接测量空调实际功率即可推算出空调状态,有效避免用户隐私权益纠纷且成本更加低廉.文献[10]中监测负荷状态值与谐波值,并利用离散小波变换来确定负荷特征.文献[11]中提出一种改进0-1多维度背包算法,有效解决多个电器同时开启或关闭的情况.文献[12]中采用K最近邻和反向传播神经网络来分析电器的电流信号.文献[13]中提出一种由外部注意力机制嵌入序列到点的非侵入式负荷分解模型,在减少训练成本的同时提高了模型分解精度.

在AGC调频中,AGC主站对调频机组下达功率调节指令,实现对系统频率和联络线交换功率的控制.而负荷参与AGC调频,可将配网调度中心作为AGC主站的可调单元.为简化叙述,观测尺度为配网调度中心在接收AGC主站指令后,对下进行AGC调频的过程.

空调集群与配网调度中心进行实时双向通信,进行可调节功率信息与功率调节指令的交互.当网络面对数量众多的通信与控制对象时,难以在决策端与执行端间维持理想的信道带宽.为应对这一难题,可在配网调度中心与海量的分散式空调集群间设置调控层级来“对上执行,对下决策”,并构建包含台区子站的3层架构.3层架构可避免配网调度中心与空调集群间的直接双向通信,减轻配网调度中心的通信存储压力与计算负担.根据台区子站目前通信状况,台区子站与配网调度中心间的通信方式可采用多输入单输出的无线通信,对台区子站下空调集群的通信则可采取载波通信.载波通信与无线通信的延时都在毫秒级,而AGC信号每5 s下达一次,因此延时并不影响信号的传达与准确.

总结目前研究现状,将空调负荷资源有效纳入AGC调频备用还存在以下问题:①常规的空调调频备用容量评估与预测依赖于物理特性分析,且在仿真中往往将空调状态与启停时间视作已知量;②对空调的数据驱动建模负荷需要获取空调的实际历史功率,直接安装监测设备的成本较高且存在用电隐私权益纠纷;③空调的功率数据需要实时上传并汇总以保证AGC的响应性,高频双向通信与数据存储过程存在潜在的延时问题.

针对上述问题,首先,采用数据驱动的NILD方法来进行单体空调调频备用容量评估与预测,方法避免了隐私权益的纠纷,并且节省了安装大量监测设备费用.其次,为避免空调的频繁投切并照顾用户舒适度,对单体空调是否纳入调频备用容量构建选择机制.最后,将单体空调频备用容量聚合可得到空调集群调频备用容量.为表明方法能够合理地将空调负荷资源纳入AGC调频备用,仿真模拟不同程度系统频率跌落,并设置空调集群与火电机组协同进行AGC调频的多组实验场景.

本文贡献总结如下:①采用数据驱动建模进行空调调频备用容量的评估与预测,与传统物理特性分析相比,提出了一种新的建模思路;②所提方法采用NILD的方式来进行空调功率数据获取与备用容量的评估,可保护用户隐私权益并降低设备安装成本;③在负荷参与AGC调频过程中,为避免配网调度中心与空调集群间的海量双向通信,所提方法通过设置中间台区层级进行双向协调,避免了潜在的延时问题;④构建了一个选择机制来判定单体空调负荷是否可被纳入调频备用容量.该机制考虑了用户舒适度,避免了空调频繁投切.

1 空调集群参与AGC调频的流程

假设台区子站可以获知用户的空调额定功率,并将用户户内的多台空调聚合为一台进行评估预测.由于对空调状态的控制方式为投切动作,所以空调状态值与空调额定功率之积即为单体空调的可调节容量.以空调负荷集群参与一次AGC调频为例来简述其控制流程.

第一步,智能电表实时监测用户的总用电功率,采用NILD方法得出户内单体空调的已连续运行时间,并预测该空调在未来时段内的0-1状态,0表示空调停运,1表示空调运行.将未来时段空调运行状态与已连续运行时间上传至所属台区子站进行数据汇总.

第二步,台区子站构建选择机制来判断单体空调是否可纳入空调集群调频备用资源.加和每台可参与AGC调频的单体空调备用容量得到该子站下的空调集群调频备用容量.台区子站将空调集群调频备用容量值上传至配网调度中心进行数据汇总.

第三步,配网调度中心加和各子站的空调集群调频备用容量,得到全体空调集群调频备用容量,设定此数值为全体空调集群参与AGC调频的功率上限.

第四步,当电网出现频率跌落,配网调度中心收到主站下达的AGC功率调节指令.配网调度中心将功率调节指令按备用容量分配给台区下的火电机组与空调集群,并使全体空调集群的功率调节值不超过功率上限.

第五步,配网调度中心按照各子站空调集群调频备用容量的比例来设定各台区子站的空调集群AGC聚合功率调节值,将功率调控指令分配给各台区子站.

第六步,台区子站收到指令后,根据可参与AGC调频的单体空调调频备用容量,将功率调控指令下达到各个单体空调,使台区功率满足指令要求.台区子站优先将指令下达给已连续运行时长最长的单体空调.

第七步,用户的单体空调收到功率调控指令后,及时调整其运行状态.

下面对上述步骤的关键技术分别展开研究.

2 空调集群调频备用容量评估

2.1 基于NILD的单体空调调频备用容量预测

单体空调调频备用容量可等效为空调运行状态与其额定功率的乘积,单体空调的额定功率可利用用户统计等方法来获取.NILD建立序列间的映射函数来分析户内总用电功率和各电器用电功率间的功能关系.相应地,基于NILD的电器负荷预测通过分析历史户内总用电功率序列来预测未来时段内的电器运行状态与功率.随着智能电网的不断发展,高级量测体系实时采集并向台区上传海量用户的负荷数据,为依赖于海量数据训练的深度学习提供了实践场景.在深度学习中,序列到序列(sequence-to-sequence,seq2seq)模型在表征序列间映射关系上具有优异性能^[14].

采用seq2seq模型来预测单体空调的调频备用容量.seq2seq模型无需获取每台空调的物理参数信息,仅学习台区子站采集的用户户内总用电功率数.模型的输入为单个用户在t时刻前10 min内的总用电功率;模型的输出为未来2 min内该用户空调的运行状态.此时,可将单体空调调频备用容量的预测任务视为二分类任务.预测出单体空调未来时刻的0-1状态后,将0-1状态值乘以空调的额定功率即可以得到该空调负荷未来时刻的功率预测值.

seq2seq模型网络的卷积层架构可设置多种超参数,如隐藏层数目、滤波器大小与滤波器个数.目前尚不存在关于卷积层超参数最优选择的现有规则.然而,超参数的设置会直接影响模型计算能力.本文seq2seq模型中共设置5个卷积层与2个全连接层.其中,位于网络结构底部的全连接层采用Softmax激活函数,其余层级均采用ReLU激活函数.除以上超参数设定外,模型还设置批大小为128,学习率为0.001.seq2seq模型具体架构与层级参数如图1所示.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 seq2seq模型的具体架构

Fig.1 Detailed architecture of seq2seq model

seq2seq模型训练出一个网络,将户内总用电功率序列信号 $X_{t : t - w_{1}}$ 的滑动窗口映射到功率序列信号 $Y_{t + 1 : t + 1 + w_{2}}$ ,两者间的映射关系可表示为

$Y_{t + 1 : t + 1 + w_{2}}$ =F_p(

$X_{t : t - w_{1}}$ , θ)

(1)

式中:θ为映射关系F_p的参数集; $X_{t : t - w_{1}}$ 为t时刻前窗口大小为w₁的历史户内总用电功率序列; $Y_{t + 1 : t + 1 + w_{2}}$ 为t时刻后窗口大小为w₂的单体空调未来时段内的0-1状态.

模型的训练损失函数体现了模型的收敛性能,seq2seq模型的损失函数如下:

$L_{\mathrm{p}}=\sum_{t=w_{1}}^{l-w_{1}+1}\left[Y_{t+1: t+1+w_{2}}-F_{\mathrm{p}}\left(X_{t: t-w_{1}}, \theta\right)\right]^{2}$

(2)

式中:l为单个用户户内总功率序列长度.

2.2 单体空调参与AGC调频的可用性评估

在不合适的室内温度下对空调负荷进行控制会给用户带来不舒适感.此外,频繁地投切会对空调设备的使用寿命产生危害.因此,应当在采用基于NILD的方法预测出单体空调调频备用容量后,合理地评估单体空调参与AGC调频的可用性,并在台区子站处构建单体空调的选择机制.下面展示选择机制的具体构造方法.

对于研究对象定频空调,其所在的室内温度变化如下:

$\frac{d T_{i n} (t)}{d t}$ =

$\frac{Δ T (t) - η s (t) P_{A C} R_{A C}}{τ_{A C}}$

(3)

式中:ΔT(t)为t时刻室内外温差,ΔT(t)=T_in(t)-T_out(t),其中T_in为室内温度,T_out为室外温度;η为空调制冷系数;s(t)表征单体空调的0-1状态;P_AC为空调的电功率;R_AC为单体空调的热阻;τ_AC为单体空调的时间常数,表示为

τ_AC=R_ACC_AC

(4)

式中:C_AC为单体空调的热容.

求解式(3),并对解进行离散化处理后可得室内温度与空调运行时间之间的函数关系,即

$\begin{array}{l} T_{\text {in }}(t+1)= \\ \left\{\begin{array}{ll} T_{\text {out }}(t)-\Delta T(t) \mathrm{e}^{-\frac{\Delta t}{\tau_{\mathrm{AC}}}}, s(t)=0 \\ T_{\text {out }}(t)-\eta P_{\mathrm{AC}} R_{\mathrm{AC}}+ & \\ \left(\Delta T(t)+\eta P_{\mathrm{AC}} R_{\mathrm{AC}}\right) \mathrm{e}^{-\frac{\Delta t}{\tau_{\mathrm{AC}}}}, s(t)=1 \end{array} \right. \end{array}$

(5)

式中: Δt为该状态下的持续时间.

设定空调的1个开关周期,将空调处于停运状态作为周期的时间起点,并将下一次停运状态作为周期的时间终点.对于响应AGC调频的用户户内空调,设定室内温度T_in的区间为[T_min, T_max].为直观反映空调开关周期内的室内温度与空调运行时间的函数关系,开关周期的观测时长设置为 2 000 s,并设定T_min与T_max分别为23 ℃与27 ℃,即单体空调在室内温度升至27 ℃时由停运转变为运行,在室内温度降至23 ℃时由运行转为停运.

对式(5)所表示的室内温度-空调运行时间函数关系进行线性化处理,线性化解与式(5)原解如图2所示.在图2中,纵轴为室内温度,横轴为时间,红线为式(5)原解,蓝线为式(5)线性化解.斜率为正的线段表示空调为停运状态;斜率为负的线段表示空调为运行状态.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 式(5)原解与其线性化解

Fig.2 Original and linearized solution of Eq.(5)

当单体空调处于运行状态即s(t)=1时,原解的斜率主要由式(5)等式右侧的线性功率项决定,由图2可知式(5)的线性化解趋近于原解;当单体空调处于停运状态即s(t)=0时,由于设定温度调节区间较小,所以两者相趋近.综上,在较小的[T_min, T_max]区间范围内,可以将式(5)的原解等效为其线性化解,线性化解表示如下:

$\begin{array}{l} T_{\text {in, lin }}(t+1)= \\ \\ \left\lvert\, T_{\text {in }}(t)+\Delta t \frac{T_{\max }-T_{\min }}{t_{\mathrm{on}}}\right., \quad s(t)=0 \\ \left\lvert\, T_{\mathrm{in}}(t)-\Delta t \frac{T_{\max }-T_{\min }}{t_{\text {off }}}\right., \quad s(t)=1 \end{array}$

(6)

式中:t_on、t_off分别为单体空调负荷在1个开关周期内运行与停运状态的时长.

在投切单体空调前,可设置时间阈值t_thres来保障用户舒适度,使得在控制时间t_FC内室内温度不超过T_max,t_thres计算如下:

t_thres=

$\frac{t_{F C} t_{o n}}{t_{o f f}}$

(7)

考虑到AGC调频在时间尺度上的要求,t_FC取值为120 s.根据本文数据集中的t_on与t_off比例,设置t_thres为384 s.

当单体空调处于停运状态时,其室内温度的斜率为

$\frac{d T_{i n} (t)}{d t}$ =

$\frac{T_{o u t} (t) - T_{i n} (t)}{R_{A C} C_{A C}}$

(8)

当T_in越接近T_max,式(5)原解的正向斜率越小.为进一步保障用户舒适度,选择机制将不调节室内温度超过25.2 ℃的单体空调.此时,式(5)原解正向斜率小于式(5)线性化解正向斜率.在室内温度不超过T_max时,式(7)计算得出的时间阈值t_thres大于实际的可行极值.

2.3 空调集群调频备用容量评估

各台区子站需要参考选择机制来估算台区下的空调负荷集群调频备用容量.结合选择机制的单体空调调频备用容量可表示为

P(n, t)=

$\{\begin{array}{l} 1 P_{r a t e d}, & s (n, t) = 1 ⋂ \\ t_{h i s} (n, t) \geq t_{t h r e s} \\ 0 P_{r a t e d}, & 其他 \end{array}$

(9)

式中:P_rated为单体空调的功率;s(n, t)为台区子站第n个单体空调在t时刻的0-1状态;t_his(n, t)为第n个单体空调到t时刻为止的已连续运行时长.

在t时刻,若第n个单体空调为运行状态且已连续运行时长超过t_thres,则台区子站将该单体空调纳入空调集群调频备用资源,该单体空调负荷调频备用容量为其额定功率值.

台区子站j统计t时刻台区子站内空调集群调频备用容量P_agg(j, t),并上报P_agg(j, t)至配网调度中心.P_agg(j, t)可表示如下:

$P_{\text {agg }}(j, t)=\sum_{\forall n \in j} P(n, t)$

(10)

配网调度中心汇集台区子站的空调集群调频备用容量.所有台区下的全体空调集群调频备用容量可表示为

$P_{\mathrm{agg}}(t)=\sum_{\forall j \in \Omega} P_{\mathrm{agg}}(j, t)$

(11)

式中:Ω为台区子站的集合.

3 空调集群的AGC调频控制

建立由配网调度中心、台区子站、空调集群构成的3层框架来实现将空调集群纳入主网AGC调频备用资源.框架内存在双向信息传输,分别为“自下而上”的备用容量信息传输与“自上而下”的AGC功率调节指令传输.框架中设置台区子站作为控制决策层,充分利用台区子站的聚合控制能力和信道资源,将AGC调频任务向用户侧进一步拓展.

假定电网在t时刻出现频率跌落.配网调度中心收到来自主站的功率调控指令,将功率调控值分配给火电机组与空调集群.分配给全体空调集群的AGC功率调节指令记为I_agg(t),I_agg(t)不可超过全体空调集群调频备用容量P_agg(t),即I_agg(t)≤P_agg(t).将I_agg(t)按照各个台区空调集群调频备用容量的比例进行划分后,向各台区子站下达AGC功率调节指令I_agg(j, t).

台区子站j收到AGC功率调节指令I_agg(j, t)后,若台区子站下的空调集群调频备用容量充足,则选择空调状态s(n, t)=1且运行时间超过t_thres的单体空调参与调频,并且优先选择已连续运行时长最长的单体空调参与调频,可使得参与调频的空调有较高温度裕度,并且在参与调频后短期内不会再参与,使得调节具备公平性.分配给各个单体空调的AGC功率调节指令值为其额定功率值.AGC功率调节指令的下达直到台区子站j的空调集群响应功率等于I_agg(j, t)时即终止.I_agg(j, t)可表示为

$I_{\mathrm{agR}}(j, t)=\sum_{n=1}^{N_{t}} P(n, t)$

(12)

式中:N_t为在t时刻台区子站j下响应指令的单体空调数目.聚合单体空调的投切控制可实现空调集群的聚合功率调节.受温度、突发事件等外部不可控因素的影响,聚合后空调集群的响应往往难以像常规机组一样稳定^[15].因此,需要将空调集群与火电机组进行协同调频来保障AGC频率控制的稳定性.

4 算例分析

4.1 实验环境与数据集

实验参数设置基于PyTorch 1.4.0与MATLAB PSAT(V.2.1.10)工具箱搭建仿真环境,PC硬件参数为AMD R7-4800U CPU,1.8 GHz,16 GB RAM.

基于iAWE^[16]和Pecan Street^[17]数据集构建由1万个用户组成的仿真数据集,每个用户户内均存在1台空调,1万台空调的额定功率均为 1 kW. iAWE与Pecan Street均是采样率为 1 Hz的NILD数据集,数据形式为户内总功率与户内设备级功率.仿真数据集包含多种户内电器(冰箱、空调、洗衣机等10种设备)的功率序列,可反映不同电器的用电波形和规律.仿真所得的1万个用户用电习惯不同,户内电器除空调之外还存在不同类型与数目的其他电器设备.仿真得到1万个用户的户内电器功率数据后,按照3∶1的比例划分训练集与测试集.图3给出1万台单体空调的聚合日功率曲线.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 1万台单体空调的聚合日功率曲线

Fig.3 Aggregate daily load profile for 10 000 air-conditioners

4.2 空调集群调频备用容量评估的有效性验证

4.2.1 单体空调调频备用容量预测的有效

采用NILD方法进行单体空调调频备用容量的预测.因为F₁值能较好地反映准确度和召回率的综合情况,所以可用于衡量NILD的二分类任务表现,其数学表达式如下:

F₁=

$\frac{2 F_{T P}}{2 F_{T P} + F_{F N} + F_{F P}}$

(13)

式中:真阳性(F_TP)为将阳性类归为阳性类的个数,真阴性(F_TN)为将阴性类归为阴性类的个数,假阳性(F_FP)为将阴性类归为阳性类的个数,假阴性(F_FN)为将阳性类归为阴性类的个数.阴性、阳性分别指空调的两个开关状态.在实际验证中,当空调在未来时刻的实际状态和预测状态均是运行状态为F_TP;未来时刻的实际状态是运行而预测状态是停运为F_FN;未来时刻的实际状态和预测状态都是停运为F_TN;未来时刻的实际状态是停运而预测状态是运行为F_FP.

下面展示单体空调调频备用容量预测的有效性指标值与模型训练的收敛性.在算例中共设置1万个用户的户内空调参与AGC调频,因此对仿真数据集中的1万个空调用户进行测试.测试得到的F₁值稳定收敛于0.76.F₁>0.5代表结果的可信度较高.图4展示了模型训练的损失值与训练周期间的关系.由图可知,模型训练稳定收敛在40个周期左右.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 seq2seq模型的损失函数

Fig.4 Loss of seq2seq model

4.2.2 空调集群调频备用容量评估的有效性

空调集群调频备用容量评估的误差来源于对未来时段内单体空调状态预测的误差.如前文所述,设置时间阈值为384 s,已连续运行时长未满384 s的单体空调不参与AGC调频.综合以上两方面,当AGC功率调控指令值不同时,所提方法实际响应的空调数目与所有空调均可参与AGC调频且可以充分响应时的空调数目往往不一致.

空调集群调频备用容量仿真设置10个AGC功率调节指令场景来展示评估的表现,并设定10次指令的仿真场景为 14:00 的空调数据,配网调度中心向所有台区子站下全体空调集群下达1~10 MW 的AGC功率调节指令.其中,10 MW的AGC功率调节指令对应配网调度中心希望所有空调均参与AGC调频,并提供10 MW的功率下降.表1反映了在不同AGC功率调节指令下所提方法的响应用户数与过选率.过选率表示在该指令下无法响应的用户数量占总响应数的比例.

表1 空调集群调频备用容量的仿真结果

Tab.1 Simulation results of frequency regulation reserve capacity of air-conditioner groups

AGC功率指令/MW	响应用户数/个	过选率/%
1	1279	21.81
2	2426	17.60
3	3589	16.41
4	4737	15.58
5	5883	15.01
6	7028	14.63
7	8178	14.40
8	9452	15.36

新窗口打开| 下载CSV

当AGC功率调节指令为9 MW与10 MW时,为达到AGC功率调控指令所需要的用户数均已超过仿真数据集的用户数,所提方法无法提供足够的空调集群调频备用容量.如表1所示,当AGC功率调节指令为1 MW时,共有 1 279 个单体空调参与调频,并且此时用户过选率最高.当AGC功率调节指令为7 MW时,共有 8 178 个单体空调参与调频,并且此时用户过选率最低.由此可以看出,当AGC功率指令增大时用户过选率不断降低,并且在7 MW时到达最低值.当指令值超过7 MW时,过选率上升.

优化空间包含两部分:①采用NILD方法虽可以保护用户隐私权益且成本低廉,但是会导致一定程度的预测准确度损失;②为保障用户舒适度而构建的选择机制使得所提方法屏蔽了部分空调状态为运行且参与调频不会影响其舒适度的用户空调参与AGC调频.

图5给出所提方法的空调集群调频备用容量在日尺度上与1万台单体空调的聚合日功率曲线的对比.蓝线为1万台单体空调的聚合日功率曲线,红线为所提方法的空调集群调频备用容量.如图5所示,在 14:00,所提方法可调用的空调负荷资源最多,此时的空调集群调频备用容量为6.811 MW;在 0:30,所提方法可调用的空调负荷资源最少,此时的空调集群调频备用容量为0.732 MW.再对比不同时段AGC信号的响应比例,从比例上看,在 14:00,所提方法最多可利用77.16%的空调聚合功率来参与AGC调频;在 3:00,所提方法最少可利用76.0%的运行空调聚合功率来参与AGC调频.通过对空调集群下达合适的AGC功率调控指令,所提方法可使不低于76%的空调聚合功率参与AGC调频.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 所提方法的空调集群调频备用容量与1万台单体空调的聚合日功率曲线

Fig.5 Air-conditioner group frequency control reserve capacity of proposed method and aggregate daily load profile of 10 000 air-conditioners

4.3 空调集群参与AGC调频的效果

4.3.1 调频性能指标

设置调整时间与响应系数来评价AGC调频性能.记单体空调接受AGC功率调节指令开始至AGC调频结束为系统频率调整时间t_FC,指令终止时系统频率为f_after,AGC调频的系统频率-时间曲线为f_FC(t),构建响应系数:

$R_{\mathrm{f}}=\int_{t_{\mathrm{FC}}}\left(f_{\mathrm{after}}-f_{\mathrm{FC}}(t)\right) \mathrm{d} t$

(14)

4.3.2 仿真案例

为验证所提方法的有效性,即能够使空调负荷资源参与AGC调频并改善系统AGC调频表现,所提仿真案例中所构建的单机系统模型如图6所示.图中:R为系统一次调频的调差系数,设为0.05;K_i为二次调频参数,设为0.05;τ_g为调速器时间常数,设为0.2;T_t为再热式汽轮机时间常数,设为7;T_r为再热时间常数,设为0.3;F_HP为再热系数,设为7;Δf为系统频差;H为发电机惯量常数,设为5;D为负荷频率调节效应系数,设为1;B为频率偏差系数,设为30;ΔP_V为调速器指令;ΔP_m为汽轮机输出功率;s为拉普拉斯算子;ACE表示区域控制偏差.当系统出现频率跌落,配网调度中心收到AGC主站下达的AGC功率调节指令.配网调度中心将功率调节指令按可用容量分配给各个台区下的火电机组与空调集群,并且使全体空调集群的功率调节值不超过其功率上限.配网调度中心按照各台区子站空调集群调频备用容量的比例来设定各台区子站的空调集群AGC聚合功率调节值,并将功率调控指令分配给各个台区子站.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 单机系统模型

Fig.6 Stand-alone system mode

当t=30 s时,参与AGC调频的火电机组与空调集群加入,此时系统频率已经趋于稳定.该台区子站下的单体空调共1万台,单体空调的额定功率为 1 kW.对应火电机组分配到该台区下的调频备用容量为10 MW.

将所提方法和火电机组参与AGC调频进行比较,设置两类空调集群参与AGC调频场景.场景一为系统出现较小的功率缺额,火电机组备用容量充足,空调集群参与AGC协同频率控制来提升系统调频表现.场景二为系统出现较大功率缺额,火电机组调频备用容量不足,空调集群与火电机组进行AGC协同调频使系统实现有功平衡.本文展现的是一个系统下一个台区子站的情况,因为按比例分配调节指令,所以能够反映整个系统的调节与频率状况.因此,涉及系统的部分采用标幺值进行描绘,台区子站的信息用有名值进行描述.

当系统出现标幺值(p.u.)为0.05的功率缺额,系统频差的变化如图7所示.图中分别展示该子站对应比例分配下的火电机组AGC调频、所提方法中空调集群与火电机组协同AGC调频中系统频率变化曲线.表2给出不同参与比例的空调负荷资源与火电机组协同AGC调频的响应系数与系统频率调整时间.表中:空白表示不适用.对比图7所示的频率变化,可得出以下结论:①空调负荷资源的参与能够极大提升系统频率的回升速度;②随着参与AGC调频的空调数量增加,系统频率振荡更加明显,对频率回升的速度提升逐渐减少.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 功率缺额标幺值0.05时的AGC调频频率曲线

Fig.7 Frequency curves of AGC frequency control at a power shortage of 0.05 (p.u.)

表2 系统功率缺额标幺值0.05时AGC调频仿真结果

Tab.2 Simulation results of AGC frequency control at a power shortage of 0.05 (p.u.)

方法	空调火电容量比	调整时间/s	响应系数
空调集群+火电机组	1∶1	35.286	-0.901
	1∶2	28.605	-0.617
	1∶3	24.765	-0.470
	1∶4	22.109	-0.379
	1∶5	20.098	-0.318
火电机组		52.234	-1.165

新窗口打开| 下载CSV

当火电机组能够补偿系统功率缺额时,空调集群参与协同AGC调频能够有效提升系统调频能力.合理选择空调负荷资源的参与比例可使系统频率在不出现超调的前提下快速平滑地恢复.

当系统出现0.1的功率缺额时,系统频差的变化如图8所示.图中分别展示该子站对应比例分配下火电机组AGC调频、所提方法中空调集群与火电机组协同AGC调频中系统频率变化曲线.表3给出不同参与比例的空调负荷资源与火电机组协同AGC调频的响应系数、系统频率调整时间与稳态频差值.表中:空白表示二次调频的储备不足没能达到频率的无差调节,因此无法给出其调整时间.对比图8所示的频率变化,可得出以下结论:①火电机组已无法独立补偿系统的功率缺额,系统稳态频差无法归零;②当参与调频的空调容量标幺值为0.05时,在所提方法下空调负荷调频备用容量不足以完全响应AGC功率调节指令,系统仍存在稳态频差,即Δf=-0.018 Hz; ③当继续提高空调负荷资源参与比例时,系统稳态频差能够归零.与此同时,提升空调负荷资源参与比例可以减少系统有功平衡恢复所需要的时间.

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 功率缺额标幺值0.1时的AGC调频频率曲线

Fig.8 Frequency curves of AGC frequency control at a power shortage of 0.1 (p.u.)

表3 系统功率缺额标幺值0.1时AGC调频仿真结果

Tab.3 Simulation results of AGC frequency control at a power shortage of 0.1 (p.u.)

方法	空调火电容量比	调整时间/s	响应系数
空调集群+火电机组	1∶1		-2.807
	1∶2	34.878	-1.235
	1∶3	30.704	-0.939
	1∶4	27.907	-0.758
	1∶5	25.815	-0.635
火电机组			-11.287

新窗口打开| 下载CSV

当火电机组调频备用容量不足且无法平衡功率缺额时,空调集群参与AGC协同调频不仅能够实现系统的频率无差调节,而且有效提升系统的调频能力与容量.

5 结语

提出一种数据驱动的NILD方法准确评估台区下空调集群的AGC调频备用容量.为了保证空调功率数据的实时上传与空调负荷资源参与AGC的响应性,所提方法构建了一个3层框架,在配网调度中心与空调集群间设置台区子站作为中间层级来进行数据汇总与分析.首先,构建数据驱动的seq2seq模型,以非侵入的形式来评估与预测未来时段内单体空调调频容量.为保障用户舒适度并防止空调频繁投切,该方法评估单体空调参与AGC调频的可用性,并建立判断单体空调是否参加AGC调频的选择机制.最后,为评估该方法的有效性,仿真电网出现频率跌落的场景,空调集群与火电机组协同进行AGC调频.在AGC调频过程中,配网调度中心向台区子站下达AGC功率调节指令,台区子站进一步将功率调节指令进行分解并向台区子站下的空调集群传达,与火电机组协同实现及时的AGC调频任务.

通过仿真实验验证,所提方法在保障用户舒适度的前提下,实现空调集群备用容量的有效评估,评估过程可避免用户隐私权益的纠纷且可节省高昂的设备安装费用.采用NILD方法实现户内多台空调调频备用容量的有效评估与预测将是未来研究方向.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

康重庆, 姚良忠.

高比例可再生能源电力系统的关键科学问题与理论研究框架

[J]. 电力系统自动化, 2017(9): 2-11.