港口冷箱负荷群用电一致性分层优化调度方法与系统技术方案

一种港口冷箱负荷群用电的一致性分层优化调度方法及系统，对冷箱进行热电耦合并建立包括：冷箱热力学动态模型、冷箱用电功率模型和冷箱温度模型的单台冷箱模型；然后采用集群等效建模的方法，按照货物类型划分为若干个冷箱集群，再采用冷箱负荷群分层调度架构，通过动态电价与集群预调度功率迭代优化方法与制冷效率主从一致性算法(LREC)进行冷箱一致性分层优化调度，实现冷箱多智体一致性功率动态分配。本发明专利技术对冷箱用电行为进行有序引导，综合集中式控制和分布式控制的优势，采用基于终端负荷群分散自治的分层控制，降低冷箱控制维度与信息交互量级，同时保证优化效果。同时保证优化效果。同时保证优化效果。

【技术实现步骤摘要】
港口冷箱负荷群用电一致性分层优化调度方法与系统


[0001]本专利技术涉及的是一种港口能量调控与管理领域的技术，具体是一种港口冷箱负荷群用电一致性分层优化调度方法与系统。

技术介绍

[0002]随着全球海上运输快速发展，海港已成为耗能和排放大户，冷藏集装箱(冷箱)通过自带制冷压缩机将电能转化为冷能，保持冷箱温度在允许范围内，是港口用电量最大的负荷之一。目前关于冷箱用电优化方法主要有三种：群体建模优化法、单体建模集中式优化、单体建模分布式优化。从目前港口冷箱负荷用电优化调度的研究现状来看，重难点以及同类技术缺陷主要集中在以下几个方面：
[0003]1)群体建模优化法将港口内所有冷箱建模为一个整体，这种方法未考虑冷箱个体差异性带来的优化调节灵活性，同时也很难保证每台冷箱温度不越限。
[0004]2)港口冷箱规模庞大，以单台冷箱为单位的集中优化不仅依赖集中调度的中心节点，还存在计算维度大、难以快速求解的难题，受限的计算速度难以保证实时调度的需要。
[0005]3)港口冷箱负荷分布相对集中，可通过较小的局域通信网络实现信息互联，以实现冷箱群的协同自治，且适合应用分布式调度方法。有技术提出基于多代理系统的港口负荷分布式优化调度模型及求解算法，各代理通过求解局部优化问题自主决策。将一个大规模优化问题分为多个小规模局部优化问题进行求解，降低计算维度，但计算速度提升效果有限，无法满足冷箱温度精确控制的需求，同时难以保证整体优化效果，在港口实际应用时仍存在局限性。

技术实现思路

[0006]本专利技术针对港口大量冷箱负荷群优化调度面临的优化效果与计算效率难题，提出一种港口冷箱负荷群用电一致性分层优化调度方法与系统，通过基于终端负荷群分散自治的分层控制，一方面能够充分利用冷箱的蓄冷优势带来的调控灵活性，另一方面可降低冷箱控制维度与信息交互量级。提出冷箱动态电价与集群用电功率迭代优化的预调度模型和制冷效率主从一致性的功率动态分配算法，冷箱个体根据顶层调控信号、温度、制冷限值主动响应预调度策略，实现了大规模冷箱自趋优运行和负荷功率有序转移，兼具优化效果与计算效率。
[0007]本专利技术是通过以下技术方案实现的：
[0008]本专利技术涉及一种港口冷箱负荷群用电一致性分层优化调度方法，对冷箱进行热电耦合并建立包括：冷箱热力学动态模型、冷箱用电功率模型和冷箱温度模型的单台冷箱模型；然后按照货物类型划分若干个冷箱集群，再采用冷箱负荷群分层调度架构，通过动态电价与集群预调度功率迭代优化方法与制冷效率主从一致性算法(LREC)进行冷箱一致性分层优化调度，实现冷箱多智体一致性功率动态分配。
附图说明
[0009]图1为冷箱工作原理示意图；
[0010]图中：(a)冷箱结构与冷循环，(b)用电特性；
[0011]图2为港口大规模冷箱负荷分层分群调度架构示意图；
[0012]图3为LREC算法流程图；
[0013]图4为本专利技术整体示意图；
[0014]图5为不同温度设定值下单台冷箱的功率极限示意图；
[0015]图6为优化调度结果示意图；
[0016]图7为电价迭代进程和负载系数示意图；
[0017]图8为不同方法下冷箱分时功率对比示意图；
[0018]图9为LREC算法的收敛过程示意图；
[0019]图中：(a)制冷效率因子变化过程，(b)各冷箱功率需求变化过程；
[0020]图10为环境温度及冷箱内部温度示意图；
[0021]图11为LREC算法和平均分配下CR1内冷箱温度波动示意图；
[0022]图12为不同规模下CR1的一致性收敛速度示意图；
[0023]图13为本方法和全局优化冷箱分时功率示意图；
[0024]图14为本专利技术系统示意图。
具体实施方式
[0025]如图14所示，为本实施例涉及的一种港口冷箱负荷群用电一致性分层优化调度系统，包括：数据获取模块、负荷处理模块、决策优化模块和一致性控制模块，其中：数据获取模块采集港口基础负荷、基本电价信号以及港口冷箱的参数并输出至负荷处理模块和决策优化模块，负荷处理模块负责建立冷箱热电耦合模型并划分冷箱集群，优化模块以冷箱用电成本最小为目标，以冷箱温度约束、功率约束和能量转换约束为条件计算得到调度周期所有时刻的冷箱集群预调度功率，一致性控制模块根据冷箱集群预调度功率对集群内的冷箱进行一致性功率动态分配，实现各冷箱的功率需求。
[0026]如图4所示，为本实施例基于上述系统的港口冷箱负荷群用电的一致性分层优化调度方法，包括：
[0027]步骤1)对冷箱进行热电耦合，建立包括：冷箱热力学动态模型、冷箱用电功率模型和冷箱温度模型的单台冷箱模型。
[0028]所述的冷箱热力学动态模型为所述的冷箱热力学动态模型为其中：Δt为单位调度时段(s)；T为冷箱的内部温度(℃)；T
amb
为外部环境温度(℃)；σ为考虑太阳辐射影响而引入的修正系数；A为冷箱的外表面积(m2)；k
t
为传热系数(W/m2·
K)；m和c分别为箱内货物的质量(kg)和比热容(kJ/kg
·
K)；P
R
为制冷量(kW)。
[0029]如图1(a)所示，所述的冷箱包括：设置于冷箱前端的内藏式制冷压缩机，通过冷链插头供电控制箱内温度。当冷箱处于制冷状态时，制冷压缩机工作，冷风从箱内通风管吹出，通过箱底通风导轨流经并环绕货物，经前端壁上的冷风吸入口，返回制冷装置进行回
圈，回风经制冷装置再次吹回容器。为提高冷却效果，箱壁、箱顶和箱底内部都铺有绝热材料。
[0030]如图1(b)所示，为所述的冷箱负荷用电模型无序用电时单台冷箱运行特性，图中t
on
为冷箱处于制冷状态时间，t
off
为冷箱处于不制冷状态时间。
[0031]冷箱实际耗电量与制冷量有关，且各时刻用电功率不能越限。一般来说，冷箱内部设定温度越高，可用制冷容量越高，最大用电功率也越高。
[0032]所述的冷箱用电功率模型为其中：StR(t)为冷箱的运行状态，StR(t)＝1为制冷，StR(t)＝0为不制冷；P
eR
为冷箱用电功率；和分别为冷箱用电功率上、下限；ERR为制冷能效比，不同设定温度下冷箱的ERR也有所不同。
[0033]所述的冷箱温度模型为T
min
≤T(t)≤T
max
，其中：T
max
和T
min
分别为箱内温度上、下限，即为不损坏货物，需要使箱内温度保持在一定范围内。
[0034]步骤2)采用集群等效建模的方法，按照货物类型划分为若干个冷箱集群(Cluster of Reefers,CR)，被编入同一集群的每台冷箱具有相同的货物比热容、温度设定值以及温度允许范围，通过将集群内所有冷箱等效成一个大容量的冷箱集合，各CR的用电模型便可以采用单台冷箱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种港口冷箱负荷群用电的一致性分层优化调度方法，其特征在于，对冷箱进行热电耦合并建立包括：冷箱热力学动态模型、冷箱用电功率模型和冷箱温度模型的单台冷箱模型；然后采用集群等效建模的方法，按照货物类型划分为若干个冷箱集群，再采用冷箱负荷群分层调度架构，通过制冷效率主从一致性算法(LREC)进行冷箱一致性分层优化调度，实现冷箱多智体一致性功率动态分配；所述的冷箱热力学动态模型为所述的冷箱热力学动态模型为其中：Δt为单位调度时段(s)；T为冷箱的内部温度(℃)；T
amb
为外部环境温度(℃)；σ为考虑太阳辐射影响而引入的修正系数；A为冷箱的外表面积(m2)；k
t
为传热系数(W/m2·
K)；m和c分别为箱内货物的质量(kg)和比热容(kJ/kg
·
K)；P
R
为制冷量(kW)；所述的冷箱用电功率模型为其中：StR(t)为冷箱的运行状态，StR(t)＝1为制冷，StR(t)＝0为不制冷；P
eR
为冷箱用电功率；和分别为冷箱用电功率上、下限；ERR为制冷能效比，不同设定温度下冷箱的ERR也有所不同；所述的冷箱温度模型为T
min
≤T(t)≤T
max
，其中：T
max
和T
min
分别为箱内温度上、下限。2.根据权利要求1所述的港口冷箱负荷群用电的一致性分层优化调度方法，其特征是，具体包括：步骤1)对冷箱进行热电耦合，建立包括：冷箱热力学动态模型、冷箱用电功率模型和冷箱温度模型的单台冷箱模型；步骤2)采用集群效建模的方法，按照货物类型划分为若干个冷箱集群，被编入同一集群的每台冷箱具有相同的货物比热容、温度设定值以及温度允许范围，通过将集群内所有冷箱效成一个大容量的冷箱集合，各CR的用电模型便采用单台冷箱用电模型的框架，其质量和尺寸取集群内所有冷箱质量和尺寸的和；步骤3)建立冷箱负荷群分层调度架构，通过制冷效率主从一致性方法进行冷箱一致性分层优化调度，避免全部经由调度中心构成“采集—处理—控制”回路的常规管理方式，自下而上达到良好的分散自治
‑
集中协调的目的；所述的分层调度架构包括港口调度中心、冷箱负荷聚合商和冷箱负荷群；所述的顶层港口调度中心为管辖范围内的基础负荷和冷箱供电，并通过发布分时电价信号引导冷箱功率需求进行响应，从而平抑负荷功率波动；PDC接收优化时段的基础电价、基础负荷信息和聚合的冷箱负荷需求，然后根据港区内总负荷和电价对港口功率需求的弹性计算新电价并下发至负荷聚合商；通过电价信号引导，可使冷箱尽可能在负荷低谷期用电；所述的中层负荷聚合商上接调度中心，下达冷箱负荷群；RFA接收到电价信号后，以成本最低作为优化计算目标，根据电价和CR模型参数计算各CR的最优功率曲线，即预调度计划并下达至相应集群；同时，RFA收集、整合冷箱负荷信息，将各CR负荷需求曲线聚合为总需求曲线，上报给PDC；所述的底层冷箱负荷群将一定数量具有相似用电特性的冷箱聚合为一个集群，并在集群内各冷箱间增加通信网络；为集群中每台冷箱分配一个智能体，在每个调度周期，每个冷
箱智能体只跟相邻的智能体进行通信交流，并通过主导型冷箱智能体接收上层下发的该CR的预调度计划指令，作为一致性控制的目标；通过执行一定的协议后，结合自身实际约束，每台冷箱即可得到自己的用电功率需求；然后CR将自身的实际需求曲线上传至上层；所述的集群分层优化调度方法包括：3.1)更新PDC调控信号：PDC的调控目标是减少系统负荷峰谷差；利用合理的虚拟电价调控信号，引导冷箱负荷从港口电网运行高峰向低谷转移，不仅可削减系统负荷峰谷差，降低港口电网运行风险，而且可降低冷箱运行成本；优化时段的预测电价和电价对冷箱电力需求的弹性是已知的，则第n次迭代时虚拟电价调控信号更新为其中：i＝1,2,
…
,M，j＝1,2,
…
,N
i
，M为集群数量，N
i
为CR
i
的冷箱数量；EP(t,n)为第n次迭代时PDC计算所得t时刻的电价；为预测电价；a为电价弹性因子，为电力需求变化1kW时单位电价的变化；TSL为负载系数；3.2)当港区总负荷功率超过高负载阈值时增加负载系数，从而使冷箱负荷从峰时转移到其他时段，具体为：具体为：其中：P
total
为港区内总负荷功率；P
load
为港区内除冷箱外的基础负荷；P
thres
为港区高负载阈值；ρ为超负载惩罚因子；3.3)根据PDC发布的电价信息和各CR的用电行为特性，RA制定各CR的预调度策略:每次迭代时，RA的目标为在满足充电要求的情况下，尽可能降低运行成本，具体为：其中：P
eR,i
为RA制定的CR
i
的预调度计划；各CR的用电特性由单台冷箱模型描述；此外，为在连续周期内进行优化调度，令各CR的调度周期末的效温度与初始温度相同，具体为：T
i
(t0)＝T
i
(t
f
)，其中：T
i
(t0)和T
i
(t
f
...

【专利技术属性】
技术研发人员：黄文焘，杨莉，余墨多，李然，邰能灵，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：