1. 從“單打獨(dú)斗”到“協(xié)同作戰(zhàn)”樓宇空調(diào)負(fù)荷群優(yōu)化的新視角如果你在電力系統(tǒng)或者建筑能源管理領(lǐng)域工作最近幾年肯定沒少聽到“需求側(cè)響應(yīng)”、“虛擬電廠”這些詞。傳統(tǒng)的思路是把電網(wǎng)和樓宇里的用電設(shè)備看成是“管理者”和“被管理者”的關(guān)系電網(wǎng)發(fā)指令樓宇設(shè)備執(zhí)行。但今天要聊的這篇論文《計及占用影響的集成樓宇暖通空調(diào)負(fù)荷群配電網(wǎng)優(yōu)化方法》卻提供了一個非常有意思的視角——它把樓宇里成百上千臺暖通空調(diào)HVAC看作一個可以“協(xié)同作戰(zhàn)”的“負(fù)荷群”并且這個“作戰(zhàn)計劃”還得考慮一個最核心、也最容易被忽略的變量人的占用情況。為什么這個視角很重要想象一下你管理著一片商業(yè)區(qū)里面有寫字樓、商場、酒店。電網(wǎng)在下午用電高峰時發(fā)來指令要求你整體削減100千瓦的負(fù)荷。傳統(tǒng)做法可能是粗暴地給所有建筑的空調(diào)溫度統(tǒng)一上調(diào)2度。結(jié)果呢寫字樓里正在加班的員工熱得汗流浹背商場里逛街的人感覺悶熱而離開而酒店里空置的房間卻還在白白制冷。這就是典型的“一刀切”既影響了人的舒適度削峰填谷的效果也可能大打折扣因為你在不該用電的地方省了電在該用電的地方反而造成了不適。這篇論文的核心就是解決這個矛盾。它不再把每棟樓、每臺空調(diào)看成獨(dú)立的個體而是將其聚合為一個“負(fù)荷群”并引入“占用影響”作為關(guān)鍵約束。簡單說就是在保證有人區(qū)域舒適度的前提下通過優(yōu)化算法指揮整個空調(diào)群最經(jīng)濟(jì)、最有效地配合電網(wǎng)運(yùn)行。這里的“占用”直接決定了空調(diào)的“工作優(yōu)先級”和“可調(diào)節(jié)潛力”。一個坐滿人的會議室其溫度設(shè)定值的調(diào)節(jié)范圍就很小而一個預(yù)知未來幾小時無人的倉庫其空調(diào)就可以提前預(yù)冷或允許溫度有較大浮動從而為電網(wǎng)提供寶貴的靈活性資源。這背后涉及幾個關(guān)鍵技術(shù)點(diǎn)的融合配電網(wǎng)優(yōu)化是目標(biāo)安全、經(jīng)濟(jì)、可靠供電暖通空調(diào)負(fù)荷建模是基礎(chǔ)理解空調(diào)怎么耗電、怎么調(diào)節(jié)模型預(yù)測控制MPC是大腦做滾動優(yōu)化決策而占用模型則是那雙“看見”需求的眼睛。接下來我們就深入這個融合的戰(zhàn)場看看具體是怎么實現(xiàn)的。2. 核心戰(zhàn)場拆解配電網(wǎng)、負(fù)荷群與占用模型的三角關(guān)系要理解這篇論文的方法必須先把三個核心要素及其相互關(guān)系理清楚。它們構(gòu)成了一個動態(tài)的、相互制約的優(yōu)化三角。2.1 配電網(wǎng)優(yōu)化不只是輸電更是資源調(diào)度平臺配電網(wǎng)是我們常說的“最后一公里”直接連著千家萬戶和商業(yè)樓宇。它的優(yōu)化目標(biāo)從來不是單一的而是一個多目標(biāo)博弈經(jīng)濟(jì)性最小化總運(yùn)行成本包括從上級電網(wǎng)購電的成本、網(wǎng)損成本、以及可能的需求響應(yīng)補(bǔ)償成本。安全性保證線路不過載、節(jié)點(diǎn)電壓在合格范圍內(nèi)如0.95~1.05 p.u.。這是硬約束不容突破?？煽啃蕴岣吖╇娰|(zhì)量減少波動。在傳統(tǒng)模型中配電網(wǎng)的優(yōu)化變量主要是發(fā)電機(jī)出力、電容器投切、變壓器分接頭調(diào)整等。而本文的創(chuàng)新在于將樓宇空調(diào)負(fù)荷群視為一個可主動、柔性調(diào)節(jié)的“分布式資源”納入了優(yōu)化變量集。這意味著配電網(wǎng)調(diào)度中心不僅可以說“哪里需要多少電”還可以說“請樓宇群在保證舒適度的前提下在某個時間段以某種模式用電”從而更平滑地消納可再生能源如午后光伏大發(fā)時多用電制冷更經(jīng)濟(jì)地應(yīng)對峰值負(fù)荷。2.2 暖通空調(diào)負(fù)荷群從耗電黑洞到靈活儲能單元單個空調(diào)的功耗模型相對復(fù)雜涉及壓縮機(jī)、風(fēng)機(jī)、冷媒循環(huán)。但對其做群控時論文通常會采用一種簡化的“等效熱參數(shù)”模型。你可以把一棟樓或一個區(qū)域想象成一個“熱電池”電容建筑圍護(hù)結(jié)構(gòu)、室內(nèi)空氣的熱容。它決定了溫度變化的慣性。電阻墻壁、窗戶的隔熱性能。它決定了室內(nèi)外熱量交換的速度。電流熱流空調(diào)制冷/制熱產(chǎn)生的冷量/熱量以及室內(nèi)人員、設(shè)備、太陽輻射產(chǎn)生的內(nèi)部得熱。電壓溫度室內(nèi)溫度。這個“熱電池”的“充電”制冷和“放電”升溫過程就是空調(diào)的用電過程。通過模型預(yù)測控制我們可以預(yù)測未來一段時間室外溫度、太陽輻射、內(nèi)部得熱的變化然后計算出最優(yōu)的空調(diào)啟停或功率調(diào)節(jié)序列使得室內(nèi)溫度始終維持在舒適區(qū)間內(nèi)同時總耗電曲線最符合電網(wǎng)的期望。將成千上萬個這樣的“熱電池”聚合起來就形成了一個容量可觀、可調(diào)可控的“虛擬儲能系統(tǒng)”。2.3 占用模型優(yōu)化算法的“人性化”約束這是本文的亮點(diǎn)也是實際落地中最具挑戰(zhàn)的一環(huán)。占用模型回答了“什么時候、什么地方、有多少人” 它直接決定了兩個關(guān)鍵參數(shù)溫度設(shè)定值范圍有人時舒適度范圍很窄如24±1°C無人時范圍可以很寬如28°C~18°C。這個寬范圍就是提供調(diào)節(jié)潛力的空間。內(nèi)部得熱人員自身散熱、使用設(shè)備電腦、燈光都會產(chǎn)生熱量直接影響室內(nèi)溫度動態(tài)。論文中提到的“計及占用影響”通常意味著采用預(yù)測性占用模型。這不僅僅是簡單的“上班時間有人下班時間無人”。高級的模型會基于歷史數(shù)據(jù)、日程表、甚至傳感器如Wi-Fi探針、攝像頭信息預(yù)測未來數(shù)小時內(nèi)各區(qū)域的人員數(shù)量變化曲線。例如它能預(yù)測到“A會議室在下午3點(diǎn)到4點(diǎn)將有20人開會之后無人B辦公區(qū)全天有10人常駐C展廳在晚上7點(diǎn)后關(guān)閉?！庇辛诉@個預(yù)測MPC控制器就能做出更“聰明”的決策在A會議室開會前提前適度降溫儲備冷量開會期間嚴(yán)格控溫在預(yù)測到B區(qū)域午后人員短暫減少時允許溫度小幅上升以節(jié)省電量在C展廳關(guān)閉后徹底放開溫度約束讓其成為電網(wǎng)調(diào)節(jié)的“主力軍”。3. 大腦引擎模型預(yù)測控制MPC如何指揮這場協(xié)同前面提到了MPC它是整個方法得以實現(xiàn)的“大腦”。MPC不是一種特定的算法而是一種先進(jìn)的控制思想。我們可以把它理解為一個不斷重復(fù)“預(yù)測-優(yōu)化-執(zhí)行”循環(huán)的智能管家。3.1 MPC的工作流程滾動優(yōu)化邊走邊看假設(shè)我們以15分鐘為一個控制周期優(yōu)化未來2小時8個周期的負(fù)荷曲線。MPC在每個周期開始時的工作流程如下狀態(tài)獲取讀取當(dāng)前所有樓宇各區(qū)域的室內(nèi)溫度、空調(diào)狀態(tài)、當(dāng)前實際占用情況。預(yù)測基于天氣預(yù)報、日程表等預(yù)測未來2小時內(nèi)的室外溫度、太陽輻射、以及各區(qū)域的占用情況。這是占用模型發(fā)揮作用的關(guān)鍵環(huán)節(jié)。優(yōu)化求解在滿足一系列約束的前提下求解一個優(yōu)化問題。目標(biāo)函數(shù)通常是配電網(wǎng)總運(yùn)行成本最小化。決策變量未來8個時間點(diǎn)上每個樓宇空調(diào)群的聚合功率指令。約束條件電網(wǎng)安全約束線路功率限值、節(jié)點(diǎn)電壓限值。樓宇熱力學(xué)約束由“等效熱參數(shù)”模型導(dǎo)出的溫度動態(tài)方程。舒適度約束基于預(yù)測的占用情況動態(tài)設(shè)置每個區(qū)域未來每個時刻的溫度上下限。有人時窄無人時寬。設(shè)備約束空調(diào)機(jī)組功率上下限、啟停頻率限制等。執(zhí)行與反饋只取優(yōu)化結(jié)果中第一個時間點(diǎn)即接下來15分鐘的功率指令下發(fā)給各樓宇的本地控制器執(zhí)行。15分鐘后進(jìn)入下一個周期重復(fù)步驟1-4。這種“滾動優(yōu)化”的方式使得系統(tǒng)能夠不斷根據(jù)最新的實際狀態(tài)比如占用情況突然變化和更新的預(yù)測信息調(diào)整控制策略具有很強(qiáng)的魯棒性。3.2 優(yōu)化問題的數(shù)學(xué)形式與求解挑戰(zhàn)上述優(yōu)化問題通常會被表述為一個混合整數(shù)線性規(guī)劃MILP或混合整數(shù)二次規(guī)劃MIQP問題?！盎旌险麛?shù)”是因為空調(diào)的啟停是0/1變量功率調(diào)節(jié)可能是連續(xù)變量。目標(biāo)函數(shù)是線性的成本或二次的考慮網(wǎng)損的平方項。求解這樣一個涉及數(shù)十上百棟樓宇、時間跨度數(shù)十步的MILP問題計算量非常大。因此在實際工程中常采用分布式或分層優(yōu)化策略集中式配電網(wǎng)調(diào)度中心直接求解包含所有樓宇詳細(xì)模型的大規(guī)模問題。精度高但計算負(fù)擔(dān)重通信和數(shù)據(jù)隱私要求高。分布式樓宇本地控制器基于自身模型和舒適度約束計算自己的可行調(diào)節(jié)范圍如功率上調(diào)/下調(diào)潛力曲線上報給電網(wǎng)中心電網(wǎng)中心只做一個協(xié)調(diào)者在匯總的潛力范圍內(nèi)進(jìn)行全局優(yōu)化再將優(yōu)化結(jié)果分解下發(fā)。這保護(hù)了樓宇隱私降低了中心計算壓力是當(dāng)前研究的熱點(diǎn)。本文潛在采用的方法考慮到“計及占用影響”需要較精細(xì)的樓宇模型論文很可能采用了一種基于靈敏度或價格信號的協(xié)調(diào)方法。電網(wǎng)向樓宇群發(fā)布一個“電價信號”或“功率調(diào)節(jié)需求信號”各樓宇根據(jù)自身的占用預(yù)測和舒適度要求自主決定響應(yīng)策略并上報電網(wǎng)再校驗是否滿足安全約束。通過幾次迭代達(dá)到整體最優(yōu)。4. 從理論到實踐關(guān)鍵環(huán)節(jié)的實操考量與避坑指南讀懂了論文框架真想動手試試或者評估落地可行性以下幾個環(huán)節(jié)的細(xì)節(jié)必須摳清楚這里有很多論文里一筆帶過、但實踐中能讓你頭疼不已的坑。4.1 占用信息的獲取與預(yù)測精度與成本的平衡這是整個鏈條的起點(diǎn)也是誤差的主要來源。有幾種常見路徑基于固定日程表最簡單但最不靈活。無法應(yīng)對臨時會議、加班、請假等情況預(yù)測誤差大?；跉v史數(shù)據(jù)統(tǒng)計通過分析過去幾周同一時間的平均占用率可以得到一個概率分布。比固定日程表好但仍無法捕捉特殊事件。基于實時傳感器在房間安裝紅外傳感器、Wi-Fi探針、攝像頭需注意隱私或刷卡門禁系統(tǒng)。能獲得高精度的實時數(shù)據(jù)但安裝和維護(hù)成本高且如何將實時數(shù)據(jù)可靠地傳輸?shù)娇刂浦行氖橇硪粋€工程問題。融合預(yù)測方法當(dāng)前的研究前沿。結(jié)合日程表、歷史統(tǒng)計模型并利用少量低成本傳感器如安裝在關(guān)鍵區(qū)域的傳感器進(jìn)行數(shù)據(jù)同化和校正以提高整體預(yù)測精度。實操建議是從關(guān)鍵區(qū)域如大型會議室、開放辦公區(qū)部署傳感器開始其他區(qū)域采用統(tǒng)計模型逐步迭代優(yōu)化。注意占用預(yù)測的誤差會直接傳導(dǎo)至溫度約束的設(shè)定。如果預(yù)測無人但實際有人放寬溫度約束會導(dǎo)致舒適度投訴預(yù)測有人但實際無人則浪費(fèi)了調(diào)節(jié)潛力。因此需要設(shè)置一個安全裕度例如即使預(yù)測無人也將溫度約束放寬到一個“可接受”而非“最大化”的范圍。4.2 樓宇熱模型的校準(zhǔn)別讓模型活在理想國論文里的“等效熱參數(shù)”模型RC模型參數(shù)R值、C值可不是隨便填的。它們需要通過歷史數(shù)據(jù)室內(nèi)外溫度、空調(diào)耗電進(jìn)行辨識和校準(zhǔn)。一個沒校準(zhǔn)好的模型預(yù)測的溫度動態(tài)會嚴(yán)重偏離實際導(dǎo)致MPC發(fā)出錯誤的指令。數(shù)據(jù)要求需要至少一個完整制冷/采暖季的、時間分辨率在15分鐘或更短的數(shù)據(jù)。包括室外干球溫度、濕球溫度、太陽輻射強(qiáng)度、室內(nèi)溫度、空調(diào)總功率。校準(zhǔn)工具可以使用EnergyPlus、Modelica等建筑能耗模擬軟件進(jìn)行反演或者用Python的SciPy、MATLAB的系統(tǒng)辨識工具箱進(jìn)行參數(shù)估計。關(guān)鍵陷阱建筑的熱特性會隨季節(jié)、窗戶開閉、內(nèi)部布局改變而變化。模型需要定期如每季度重新校準(zhǔn)或者采用在線自適應(yīng)算法。忽略這一點(diǎn)系統(tǒng)性能會隨時間衰減。4.3 通信與控制架構(gòu)的設(shè)計可靠性與實時性的博弈MPC是集中優(yōu)化但控制指令需要下發(fā)到每棟樓、甚至每臺空調(diào)的本地控制器如DDC。這個通信網(wǎng)絡(luò)必須可靠、低延遲。通信協(xié)議工業(yè)上常用BACnet、Modbus用于樓宇內(nèi)部設(shè)備通信樓宇與配電網(wǎng)調(diào)度中心之間可能采用IEC 61850、DNP3或基于HTTP/HTTPS、MQTT的RESTful API。選擇標(biāo)準(zhǔn)化的、開放的協(xié)議至關(guān)重要避免被單一供應(yīng)商鎖定?？刂浦芷谡撐闹谐Ｓ?5分鐘或1小時。周期越短控制越精細(xì)但對通信和計算的要求越高。需要根據(jù)空調(diào)系統(tǒng)的慣性大商場慣性大小辦公室慣性小和通信網(wǎng)絡(luò)能力來折中選擇。一般15分鐘是一個平衡點(diǎn)。本地控制器的角色它不能只是一個簡單的指令執(zhí)行器。它需要具備本地安全保護(hù)邏輯。例如當(dāng)收到中心指令要求提高溫度設(shè)定值時如果本地傳感器檢測到室內(nèi)實際溫度已高于舒適上限或者占用傳感器顯示房間有人且感到不適本地控制器應(yīng)有權(quán)覆蓋或修正中心指令優(yōu)先保證安全和基本舒適度。這是實現(xiàn)“集中優(yōu)化、分散控制”安全架構(gòu)的關(guān)鍵。4.4 與電網(wǎng)互動的市場機(jī)制誰為靈活性買單技術(shù)可行了經(jīng)濟(jì)賬怎么算樓宇業(yè)主為什么要參與這種調(diào)節(jié)這就涉及到需求響應(yīng)市場或輔助服務(wù)市場。價格型響應(yīng)電網(wǎng)發(fā)布分時電價或?qū)崟r電價樓宇能源管理系統(tǒng)BEMS自動根據(jù)電價和占用預(yù)測優(yōu)化空調(diào)運(yùn)行以節(jié)省電費(fèi)。這是最直接的動力。激勵型響應(yīng)電網(wǎng)或聚合商提前發(fā)出負(fù)荷削減邀約樓宇申報可削減的負(fù)荷量和價格中標(biāo)后在特定時段執(zhí)行削減獲得報酬。這就需要本文的MPC系統(tǒng)能夠準(zhǔn)確評估自身在特定時段、特定占用預(yù)測下的“可調(diào)節(jié)潛力”并據(jù)此報價。實操中的合同細(xì)節(jié)需要明確基線負(fù)荷如何計算通?；跉v史同期數(shù)據(jù)、考核標(biāo)準(zhǔn)按指令執(zhí)行還是按效果考核、懲罰機(jī)制未完成承諾的處罰。在部署技術(shù)系統(tǒng)前必須與電網(wǎng)公司或聚合商厘清這些商業(yè)規(guī)則因為技術(shù)系統(tǒng)的優(yōu)化目標(biāo)如最小化成本需要將這些規(guī)則量化為數(shù)學(xué)模型中的獎勵或懲罰項。5. 一個簡化的概念驗證用Python模擬核心邏輯為了更直觀地理解“計及占用的MPC優(yōu)化”過程我們可以構(gòu)建一個極度簡化的模擬場景。假設(shè)我們只有一棟樓一個區(qū)域用一階RC模型描述MPC控制周期為1小時優(yōu)化未來24小時。import numpy as np import matplotlib.pyplot as plt from scipy.optimize import minimize # 參數(shù)定義 # 熱力學(xué)參數(shù) (示例值) R 0.1 # 熱阻 (°C/kW) C 2.0 # 熱容 (kWh/°C) eta 3.0 # 空調(diào)能效比 COP 即制冷功率/kW電 # 時間設(shè)置 dt 1.0 # 時間步長1小時 N 24 # 預(yù)測時域24小時 time np.arange(N) # 預(yù)測數(shù)據(jù) (外部輸入) # 預(yù)測未來24小時室外溫度 (°C) T_out_pred 25 5 * np.sin(2 * np.pi * time / 24 - np.pi/2) # 模擬日變化 # 預(yù)測未來24小時占用情況 (0無人1有人) occupancy_pred np.array([0]*8 [1]*9 [0]*7) # 假設(shè)早8點(diǎn)至晚5點(diǎn)有人 # 內(nèi)部得熱 (kW) 與占用相關(guān) Q_internal_pred occupancy_pred * 2.0 # 有人時內(nèi)部得熱2kW # 舒適度約束 (與占用相關(guān)) T_set_occupied 24.0 # 有人時設(shè)定溫度 deadband_occupied 1.0 # 有人時溫度浮動帶寬 ±1°C T_min_occupied T_set_occupied - deadband_occupied T_max_occupied T_set_occupied deadband_occupied T_set_unoccupied 28.0 # 無人時設(shè)定溫度 deadband_unoccupied 4.0 # 無人時溫度浮動帶寬 ±4°C T_min_unoccupied T_set_unoccupied - deadband_unoccupied T_max_unoccupied T_set_unoccupied deadband_unoccupied # 根據(jù)占用預(yù)測生成每個時刻的溫度上下限 T_min_pred np.where(occupancy_pred 1, T_min_occupied, T_min_unoccupied) T_max_pred np.where(occupancy_pred 1, T_max_occupied, T_max_unoccupied) # 電價信號 (外部輸入) # 假設(shè)峰谷電價鼓勵夜間用電 price_pred np.where((time 9) (time 17), 1.2, 0.8) # 日間1.2元/kWh夜間0.8元 # 定義優(yōu)化問題 def mpc_optimization(P_cool): 目標(biāo)函數(shù)總用電成本 溫度偏離懲罰 # P_cool是決策變量長度為N表示每個時刻的空調(diào)制冷功率(kW) P_electric P_cool / eta # 空調(diào)電功率 # 成本項電費(fèi) cost_electric np.sum(P_electric * price_pred) * dt # 積分 # 模擬溫度動態(tài)計算懲罰項 (簡化計算未嚴(yán)格積分) T_in np.zeros(N1) T_in[0] 24.0 # 初始室內(nèi)溫度 penalty 0.0 for i in range(N): # 一階RC模型離散形式 dT (T_out_pred[i] - T_in[i]) / (R*C) Q_internal_pred[i] / C - P_cool[i] / C T_in[i1] T_in[i] dT * dt # 溫度越界懲罰 (二次懲罰函數(shù)) if T_in[i1] T_min_pred[i]: penalty 100 * (T_min_pred[i] - T_in[i1]) ** 2 elif T_in[i1] T_max_pred[i]: penalty 100 * (T_in[i1] - T_max_pred[i]) ** 2 total_cost cost_electric penalty return total_cost # 設(shè)置優(yōu)化約束和初始猜測 # 空調(diào)功率上下限約束 bounds [(0, 10)] * N # 假設(shè)空調(diào)最大制冷功率10kW # 初始猜測一個簡單的策略比如維持設(shè)定溫度所需功率的估計 initial_guess np.ones(N) * 5.0 # 求解優(yōu)化問題 result minimize(mpc_optimization, initial_guess, boundsbounds, methodL-BFGS-B) P_cool_opt result.x P_electric_opt P_cool_opt / eta # 前向模擬查看優(yōu)化結(jié)果下的溫度軌跡 T_in_sim np.zeros(N1) T_in_sim[0] 24.0 for i in range(N): dT (T_out_pred[i] - T_in_sim[i]) / (R*C) Q_internal_pred[i] / C - P_cool_opt[i] / C T_in_sim[i1] T_in_sim[i] dT * dt # 可視化結(jié)果 fig, axes plt.subplots(3, 1, figsize(12, 10)) # 子圖1溫度與占用 ax1 axes[0] ax1.plot(time, T_out_pred, g--, label預(yù)測室外溫度) ax1.plot(time, T_in_sim[:-1], b-, linewidth2, label優(yōu)化后室內(nèi)溫度) ax1.fill_between(time, T_min_pred, T_max_pred, colorgray, alpha0.3, label舒適度區(qū)間) ax1.set_ylabel(溫度 (°C)) ax1.legend(locupper left) ax1.grid(True) ax1.set_title(溫度與占用情況優(yōu)化結(jié)果) # 子圖2空調(diào)功率 ax2 axes[1] ax2.bar(time, P_electric_opt, width0.6, colororange, label空調(diào)電功率 (優(yōu)化)) ax2.set_ylabel(電功率 (kW)) ax2.legend() ax2.grid(True) ax2.set_title(空調(diào)優(yōu)化運(yùn)行功率) # 子圖3電價與占用 ax3 axes[2] ax3.step(time, price_pred, wherepost, colorred, linewidth2, label電價信號) ax3.fill_between(time, 0, occupancy_pred*0.5, steppre, alpha0.3, colorblue, label占用 (1有人)) ax3.set_xlabel(時間 (小時)) ax3.set_ylabel(電價 (元/kWh) / 占用) ax3.legend(locupper left) ax3.grid(True) ax3.set_title(電價信號與占用預(yù)測) plt.tight_layout() plt.show() # 輸出總成本 print(f優(yōu)化后的總用電成本估算: {np.sum(P_electric_opt * price_pred) * dt:.2f} 元)這段代碼雖然高度簡化但清晰地展示了MPC優(yōu)化的核心邏輯輸入預(yù)測我們提供了未來24小時的室外溫度、占用預(yù)測和電價預(yù)測。動態(tài)約束舒適度區(qū)間T_min_pred,T_max_pred根據(jù)占用預(yù)測動態(tài)變化。有人時區(qū)間窄無人時區(qū)間寬。優(yōu)化求解minimize函數(shù)尋找一組空調(diào)制冷功率序列P_cool_opt使得總成本電費(fèi)溫度越界懲罰最小。結(jié)果分析從可視化結(jié)果中你應(yīng)該能看到在無人時段如夜間室內(nèi)溫度被允許在更寬的區(qū)間內(nèi)波動空調(diào)可能會在電價低的時段提前預(yù)冷儲能在電價高的時段減少運(yùn)行。在有人時段室內(nèi)溫度被嚴(yán)格控制在狹窄的舒適區(qū)間內(nèi)空調(diào)功率曲線相對平穩(wěn)。整體用電功率會傾向于向低電價時段轉(zhuǎn)移。這就是“計及占用影響的負(fù)荷群優(yōu)化”最核心的直觀體現(xiàn)利用無人時段提供的溫度彈性在時間維度上平移電力負(fù)荷實現(xiàn)經(jīng)濟(jì)性最優(yōu)同時堅決保障有人時段的舒適度。6. 面臨的挑戰(zhàn)與未來展望這項技術(shù)前景廣闊但走向大規(guī)模應(yīng)用還有幾座大山要翻越。數(shù)據(jù)壁壘與隱私安全樓宇的詳細(xì)能耗數(shù)據(jù)、精確的占用信息屬于業(yè)主的核心隱私數(shù)據(jù)。如何在不泄露原始數(shù)據(jù)的前提下讓電網(wǎng)或聚合商能夠進(jìn)行有效的協(xié)同優(yōu)化聯(lián)邦學(xué)習(xí)、差分隱私、同態(tài)加密等隱私計算技術(shù)可能是未來的解決方案。樓宇本地完成大部分計算只向中心上傳加密的或經(jīng)過處理的“可調(diào)節(jié)潛力曲線”而非原始數(shù)據(jù)。異構(gòu)負(fù)荷的精準(zhǔn)建模與聚合現(xiàn)實中的樓宇千差萬別有玻璃幕墻的寫字樓有層高巨大的商場有恒溫恒濕的數(shù)據(jù)中心。它們的空調(diào)系統(tǒng)也不同有VAV變風(fēng)量系統(tǒng)有VRF多聯(lián)機(jī)有地源熱泵。如何為這些異構(gòu)的負(fù)荷建立既準(zhǔn)確又簡潔、適合優(yōu)化控制的統(tǒng)一聚合模型是一個持續(xù)的挑戰(zhàn)?；跀?shù)據(jù)驅(qū)動的“黑箱”或“灰箱”模型如LSTM神經(jīng)網(wǎng)絡(luò)、Random Forest回歸與物理模型結(jié)合是一個研究趨勢。標(biāo)準(zhǔn)與互操作性的缺失目前缺乏統(tǒng)一的通信協(xié)議和數(shù)據(jù)模型標(biāo)準(zhǔn)來描述樓宇的靈活性能力、狀態(tài)和約束。IEEE、IEC等標(biāo)準(zhǔn)組織正在推動相關(guān)標(biāo)準(zhǔn)如IEEE 2030.5用于需求響應(yīng)但普及尚需時日。沒有標(biāo)準(zhǔn)大規(guī)模集成就是空談。商業(yè)模式的創(chuàng)新技術(shù)提供了可能性但需要創(chuàng)新的商業(yè)模式來創(chuàng)造價值、分配收益。除了傳統(tǒng)的需求響應(yīng)補(bǔ)貼是否可以與碳交易市場結(jié)合樓宇通過優(yōu)化用能減少的碳排放能否轉(zhuǎn)化為碳資產(chǎn)或者作為虛擬電廠的一部分參與電力現(xiàn)貨市場的報價這些都需要政策、市場和技術(shù)的共同演進(jìn)。從我個人的工程實踐角度看這項技術(shù)落地的路徑應(yīng)該是“由簡入繁由點(diǎn)到面”。不要一開始就追求全區(qū)域、全樓宇、全時段的完美優(yōu)化?？梢詮囊粭潣?biāo)志性建筑開始部署完整的MPC占用預(yù)測系統(tǒng)驗證技術(shù)可行性和經(jīng)濟(jì)性。然后擴(kuò)展到一個園區(qū)或一個業(yè)主旗下的多棟建筑解決異構(gòu)負(fù)荷聚合問題。最后再通過聚合商平臺將眾多業(yè)主的負(fù)荷資源打包參與電網(wǎng)級的互動。每一步都要算清經(jīng)濟(jì)賬讓參與的每一方都看到實實在在的收益技術(shù)才能扎根生長。