林俊光，周雅敏，馮彥皓，馬聰，吳凡，鄭夢蓮，俞自濤

(1.浙江浙能技術研究院有限公司，浙江 杭州 311100；2.浙江大學 熱工與動力系統(tǒng)研究所，浙江 杭州 310027)

2020年，我國建筑能耗占所有行業(yè)總能耗的31%[1].基于天然氣的冷熱電聯(lián)供（combined cooling,heating and power microgrid，CCHP）系統(tǒng)為建筑提供多種類型的能源，能夠實現電、熱、冷等多種形式能源的靈活轉化和綜合利用.CCHP中多種形式的能源間存在多時間尺度特性，為建筑能源的高效優(yōu)化調度帶來挑戰(zhàn).在微網的優(yōu)化調度中，有多種技術能夠提升調度經濟性和供能穩(wěn)定性：需求響應作為供給側和需求側的互動方法，能夠提升微網系統(tǒng)的靈活性，保障供能的穩(wěn)定性；日前-日內調度能夠降低由于日前負荷預測不準確導致的調度偏差，減少負荷不確定性對調度結果帶來的影響[2].

建筑作為柔性虛擬儲能，能夠有效參與冷熱負荷的調度過程[3].樓宇虛擬儲能作為重要的需求響應資源被廣泛應用于微網優(yōu)化調度中.靳小龍等[4]通過約束溫度舒適性區(qū)間，構建基于樓宇虛擬儲能的調度模型；樓宇虛擬儲能有保證低壓配電網系統(tǒng)電壓穩(wěn)定性和降低運行成本的雙重作用[5]；葛少云等[6]通過構建綜合考慮室內空氣和建筑圍護結構的精細化虛擬儲能模型，全面分析了樓宇虛擬儲能的需求響應效果；陳厚合等[7]基于熱阻熱容網絡提出考慮太陽輻射方向性的多區(qū)域建筑虛擬儲能模型.盡管已有研究推進了建筑模型的發(fā)展，預測了動態(tài)環(huán)境條件的建筑熱慣性，也提出了樓宇虛擬儲能作為需求響應方法參與能源系統(tǒng)優(yōu)化調度的方法，但很少有研究關注室內含濕量變化對樓宇虛擬儲能的作用.室內含濕量變化將導致室內濕空氣的焓值(即潛熱焓值)發(fā)生變化，建筑中因潛熱焓值變化造成的室內暖通系統(tǒng)(heating, ventilation, and air conditioning,HVAC)額外運行能耗占比可達39%[8].當HVAC同時控制室內溫度和相對濕度時，由于室內相對濕度發(fā)生變化，相應的除濕或加濕過程將產生濕負荷，濕負荷的變化能夠引起水蒸氣攜帶的潛熱焓值變化，最終導致熱負荷或冷負荷的計算偏差[9].因此僅考慮室內溫度約束的方法，不適用于熱/濕負荷同時參與需求響應的場景，需要額外將濕負荷引入需求響應中，發(fā)揮潛熱在調度中的價值.

模型預測控制(model predictive control, MPC)被廣泛應用于微網日內調度.預測時域的選擇是MPC的關鍵，它對日內調度結果有顯著影響.預測時域越長，用于優(yōu)化調度的信息越充足，得到的經濟性越好，但計算成本將大幅上升；預測時域越短，模型計算成本越低，調度結果卻不令人滿意[10-12].預測時域主要有滾動預測時域[13-18]和縮短預測時域[19-20]2種，其中滾動預測時域采用固定值，縮短預測時域采用的時域長度隨時間逐漸減小.上述文獻均未提出均衡計算成本和調度結果的預測時域確定方法，且少有研究針對不同負荷隨機性下的預測時域長度變化問題展開討論.自適應預測時域方法能夠在室內熱/濕負荷波動較大時自動拓寬預測時域，保證用戶熱舒適得到滿足并降低系統(tǒng)運行經濟成本；該方法還能夠在室內熱/濕負荷波動減小時自動減少預測時域，降低整體計算成本.本研究提出基于考慮濕負荷的冷負荷需求響應和自適應預測時域的冷熱電聯(lián)供微網日前-日內優(yōu)化調度模型.探索冷負荷的潛熱和顯熱部分協(xié)同作用下微網系統(tǒng)經濟成本和設備供能靈活性的影響.采用改進粒子群優(yōu)化算法(particle swarm optimization, PSO)求解優(yōu)化調度計算模型.以杭州某典型商業(yè)建筑的夏季制冷工況為例，驗證所提模型的性能.

1 冷熱電聯(lián)供微網系統(tǒng)結構及建模

1.1 冷熱電聯(lián)供微網系統(tǒng)結構

如圖1所示，本研究構建的冷熱電聯(lián)供微網系統(tǒng)為樓宇型微網.電負荷主要由燃氣內燃機消耗天然氣進行發(fā)電來承擔，多余電力可以送入蓄電池，不足部分由電網或蓄電池供應.夏季冷負荷主要由燃氣內燃機排放的煙氣驅動吸收式制冷機制冷來承擔，不足部分由電制冷機和蓄能水罐補充；冬季熱負荷主要由燃氣內燃機的余熱和蓄能水罐供應.本研究僅考慮夏季工況下的多時間尺度優(yōu)化調度問題，因此僅對冷負荷和電負荷進行建模.

圖1 冷熱電聯(lián)供微網系統(tǒng)結構Fig.1 Schematic of combined cooling, heating and power microgrid

1.2 冷熱電聯(lián)供微網系統(tǒng)建模

1.2.1 燃氣內燃機 燃氣內燃機的發(fā)電效率ηgt(τ)和余熱回收效率ηht(τ)均為機組負荷率ωgt(τ)的函數，

式中：Pgt,e(τ)為燃氣內燃機出力，為燃氣內燃機額定電功率.τ時刻燃氣內燃機的余熱產熱功率Pgt(τ)和耗氣體積流量vgt(τ)分別表示為

式中：ζ為天然氣熱值，取ζ=38 931 kJ/m3.燃氣內燃機滿足約束：

1.2.2 吸收式制冷機和電制冷機 采用溴化鋰吸收式制冷機和電制冷機作為冷源滿足冷負荷，其中溴化鋰吸收式制冷功率Pac,c(τ)和電制冷機制冷功率Pec,c(τ)分別為各自制冷系數e的函數，

式中：Pac(τ)、Pec,e(τ)分別為τ時刻從燃氣內燃機中得到的吸熱功率和電功率；eac、e,ec分別為吸收式制冷機和電制冷機的制冷系數，其中eac為常數，eec為電制冷機負荷率ωec(τ)的函數，

吸收式制冷機和電制冷機的約束分別為

1.2.3 蓄電池和蓄能水罐 蓄電池和蓄能水罐分別提供儲電和儲冷，τ時刻的蓄電量Wbt(τ)和蓄冷量Wwt(τ)分別由上一時刻Wbt(τ-1)和Wwt(τ-1)得到，

式中：Pbt、Pwt分別為蓄電池和蓄能水罐的充放電功率，正值代表充電，負值代表放電；δwt為蓄能水罐能量損失率，假設蓄能水罐為理想狀況，即δwt= 0；下標bt_c、bt_d分別代表蓄電池充、放電過程，下標wt_c、wt_d分別代表蓄能水罐儲冷、釋冷過程.蓄電池和蓄能水罐分別滿足的約束為

1.3 電負荷與包含濕負荷的冷負荷建模

典型的日前建筑逐時電負荷Pe_l(τ)和逐時冷負荷Pc_l(τ)計算均以恒定室內溫濕度設定值為前提.為了充分挖掘建筑柔性儲能參與需求響應的潛力，本研究提出包含濕負荷的冷負荷建模方法，使日前建筑負荷能夠在調度中同時調整室內溫濕度設定值以響應分時電價.

1.3.1 包含濕負荷的日前冷負荷分布 濕負荷為根據室內相對濕度設定值進行相對濕度調控產生的供濕量或除濕量.在傳統(tǒng)考慮熱負荷的需求響應基礎上，根據HVAC濕度控制的特點，1）將室內熱負荷的平衡式由溫度自變量改寫為比焓值(顯熱部分)自變量，2）將濕負荷通過濕空氣的水蒸氣潛熱效應等效轉換為比焓值(潛熱部分)的形式.因此，本研究構建的冷負荷由2個部分構成：文獻中廣泛采用的顯熱部分和本研究提出的由濕負荷產生的潛熱部分.在滿足文獻[21]規(guī)定的室內熱舒適溫濕度區(qū)間內，通過調整室內溫濕度設定值，達到充分利用建筑圍護結構熱濕慣性并使得冷負荷進行削峰填谷，最終減少系統(tǒng)運行成本的作用.基于濕空氣中水蒸氣的高汽化潛熱這一特性，考慮濕慣性能夠進一步發(fā)揮建筑作為虛擬儲能單元的需求響應潛力.在基于額定室內溫濕度得到的冷負荷基礎上，通過包含濕負荷，可以起到進一步平移負荷的作用.

基于熱濕平衡方程得到顯熱和潛熱平衡分別為

式中：Psen(τ)、M(τ)分別為室內冷負荷的顯熱部分和濕負荷，cp、ρ分別為比定壓熱容和密度，V為室內容積，vS為回風體積流量，、分別為室內空氣溫度和送風溫度，、分別為室內空氣含濕量和送風含濕量(含濕量定義為單位質量干空氣中含有水蒸氣的質量與干空氣質量之比).根據熱濕平衡方程，得到室內逐時冷負荷(考慮顯熱和潛熱)Pc_l(τ)為

式中：h為濕空氣比焓，由熱濕平衡方程獲得的溫度θ和含濕量d確定，關聯(lián)式為h= 1.01θ+0.001d×(2 500+1.84θ)[22].相較于傳統(tǒng)僅考慮溫度變化產生的冷負荷，式(15)同時考慮溫度和濕度變化的冷負荷.式(15)表明，τ時刻冷負荷由該時刻參與響應后的送風比焓與上一時刻回風比焓確定(顯熱和潛熱的室內逐時熱負荷模型形式與式(15)一致，僅替換式(14)等號右側與熱流相關的設備功率，即可得到相應的比焓變化和室內逐時熱負荷).根據文獻[21]的規(guī)定，有約束：

1.3.2 日內負荷預測分布 根據文獻[23]，由于天氣和人員活動具有不確定性，建筑負荷的波動范圍為10%～20%.因此，設置室內電/冷負荷服從方差為10%的正態(tài)分布，即N(μ, 0.1μ)，其中μ為日前預測的負荷期望值.

2 日內自適應預測時域模型預測控制

在日內階段，由于負荷的不確定性，經典的MPC一般采用恒定的控制時域和預測時域修正日前調度結果.雖然預測時域長度對日內調度結果的影響較大，但現有文獻對最佳預測時域長度尚無定論.預測時域長度對日內調度結果的影響表現為1）拓寬預測時域雖然能獲取全面的預測數據和最佳經濟成本，但會產生高昂的計算成本，不利于日內調度的實施；2）減小預測時域雖然能夠加快系統(tǒng)調度響應，但往往以損失系統(tǒng)經濟成本為代價.本研究提出自適應預測時域MPC方法，旨在尋找最優(yōu)的預測時域，使計算時間和經濟成本均達到較小值.

根據負荷的波動情況，假設單位預測時域長度為1 h，預測時域總長為Li，定義從i至i+Li的預測負荷方差為

如圖2所示為自適應預測時域模型預測控制示意圖，其中控制時域為1 h，為閾值(取0.01).自適應預測時域模型預測控制方案的執(zhí)行步驟如下.

圖2 自適應預測時域模型預測控制示意圖Fig.2 Schematic of adaptive prediction horizon for model predictive control

1）當控制時域為τ =i時刻(如0∶00)時，給定初始預測時域長度L0，并指定Li=L0，計算.

2）當控制時域為τ =i+1 時刻(如1∶00)時，給定預測時域長度Li+1=Li，計算.

4）保持預測時域長度不變，即Li+1=Li，執(zhí)行步驟7）.

5）負荷波動在增大，因此增大預測時域為Li+1=Li+1，以提供全面的預測信息，執(zhí)行步驟7）.

6）負荷波動在減小，因此減小預測時域為Li+1=Li-1，以增加優(yōu)化計算效率，執(zhí)行步驟7）.

7）隨控制時域進行滾動執(zhí)行步驟2）～6），直至i+Li時刻到達日內調度周期停止.

日內優(yōu)化調度不考慮次日情形，因此在滾動執(zhí)行步驟2）～6）過程中，當模型預測時域超出日前調度周期時，預測時域長度需要相應縮短，即截斷超出日前調度周期的預測時域長度.

3 模型求解

3.1 日前優(yōu)化調度數學模型及約束

日前優(yōu)化調度使得系統(tǒng)達到最小運行成本，包括燃料成本Cgas(τ)、購電成本Cgrid(τ)以及運行維修成本Com(τ).

式中：Rgas為天然氣價，Rgrid(τ)為τ時刻電網分時電價，Rom_gt、Rom_ac、Rom_ec、Rom_bt和Rom_wt分別為燃氣內燃機、吸收式制冷機、電制冷機、蓄電池和蓄能水罐的運行維修價格.日前調度除了滿足各設備運行約束和上下限約束外，還要滿足各負荷平衡約束，包括

3.2 日內優(yōu)化調度數學模型及約束

日內優(yōu)化調度在日前調度結果上使系統(tǒng)在滿足負荷需求的前提下進一步降低運行成本，根據自適應預測時域，有目標函數：

此外，系統(tǒng)的約束條件與日前調度保持一致.

3.3 改進粒子群優(yōu)化算法

采用改進的粒子群優(yōu)化算法對優(yōu)化模型進行求解.傳統(tǒng)粒子群優(yōu)化算法雖然廣泛用于優(yōu)化調度問題求解，但其求解速度較慢，且如早熟收斂和陷入局部極值的問題導致其收斂能力較差[24].為了提升搜尋全局最優(yōu)值的能力，進行如下改進.

1) 優(yōu)化慣性權重(Opt1)：對慣性權重w進行更新，表達式為

式中：wk為第k次迭代采用的慣性權重，wa、wz分別為初始慣性權重和終止慣性權重；k、kmax分別為第k次迭代數和總迭代次數.慣性權重能夠使優(yōu)化在迭代初期擁有較大的搜索慣性和搜索空間，并在迭代后期能夠快速收斂至全局最優(yōu)值.

2) 設置罰函數(Opt2)：通過在目標函數式(18)、(20)中各自額外增加罰函數項m·G快速過濾不滿足約束的粒子，使帶約束問題轉變?yōu)闊o約束問題.其中m為罰函數權重，G為罰函數.罰函數的形式定義如下：對于等式約束f(A) =a，G= [f(A) -a]2，對于不等式約束f(B) ≤b，G= max[0,f(B) -b].

3) 設置自調節(jié)設備出力(Opt3)：針對等式約束難以滿足的問題，在粒子群優(yōu)化中計算粒子適應度步驟前，加入自調節(jié)步驟以增大可行解比例[25].由于同一設備可能既能提供冷負荷也能提供電負荷，優(yōu)先對供冷設備進行自調節(jié)過程，即優(yōu)先保障冷負荷平衡.

4) 引入粒子突變(Opt4)：粒子突變是避免傳統(tǒng)粒子群算法存在早熟收斂和局部最優(yōu)的改進方法，其特點為犧牲部分效率換取更大的搜索空間[26].粒子突變規(guī)則：若種群最優(yōu)解變化連續(xù)k次迭代均小于一定值εk，則從種群中隨機抽取部分粒子進行突變.

4 算例分析

4.1 算例數據

以某典型商業(yè)建筑為例，基于室內溫度25℃/相對濕度50%情形，通過EnergyPlus軟件建模預測獲得日前階段電負荷、冷負荷(顯熱部分)、濕負荷和分時電價如圖3所示(需求響應前).微網系統(tǒng)各設備的相關參數取值如表1所示，濕負荷和經濟成本的相關參數取值如表2所示.PSO的參數包括種群數目100，kmax= 2 000，PSO學習因子分別為2.8、1.2，wa= 0.9，wz= 0.2，約束式(11)～(12)的罰函數權重m= 1 000，其余約束的罰函數權重m= 100；粒子突變參數為最優(yōu)解變化連續(xù)200步迭代小于0.1.

表1 微網系統(tǒng)各設備的相關參數設置Tab.1 Techno-economic parameters for each device in microgrid

表2 濕負荷參與需求響應和經濟成本的相關參數設置Tab.2 Parameter settings for humidity load demand response and costs

圖3 日前階段電、冷（顯熱部分）、濕負荷及分時電價Fig.3 Electricity, cold (sensible heat part), humidity load and timeof-use tariff during day-ahead scheduling

為了對比本研究提出的考慮濕負荷后的冷負荷需求響應在日前階段中的作用，除了包含濕負荷的冷負荷需求響應方案S2外，在日前階段計算中平行設置以下方案：無負荷需求響應方案S0(室內無任何負荷需求響應)和僅考慮傳統(tǒng)冷負荷需求響應方案S1(僅冷負荷參與需求響應，濕負荷不參與需求響應).為了對比自適應預測時域模型預測控制在日內階段中的作用，在日內階段設置固定預測時域進行對比.

4.2 算例結果與分析

4.2.1 改進粒子群優(yōu)化算法效果分析 在日前階段采用經典粒子群算法和各種改進粒子群算法的比較如圖4所示.可以看出，經典粒子群算法的收斂效果較差，僅采用優(yōu)化慣性權重(Opt1)改進后，約迭代次數N= 800后可得到較好的收斂效果.進一步采用優(yōu)化慣性權重(Opt1)、設置罰函數(Opt2)和自調節(jié)設備出力(Opt3)后，在N= 100內即可達到收斂(收斂時間較經典PSO縮短約72%).增加粒子突變(Opt4)后，雖然可在N= 1 500跳出局部最優(yōu)解并達到全局最優(yōu)值，但對目標函數降低范圍有限但收斂時間較經典PSO延長87%，因此針對本研究涉及的優(yōu)化調度問題不建議采用粒子突變方法.

圖4 不同粒子群優(yōu)化算法的日前階段優(yōu)化結果比較Fig.4 Comparisons between optimization results obtained by different particle swarm optimization algorithms for dayahead scheduling

4.2.2 日前階段包含濕負荷的冷負荷需求響應結果與分析 需求響應方案S0、S1和S2的日前總運行成本分別為12 028、11 341、11 096元.在包含室內濕負荷參與冷負荷需求響應后，總運行成本相比方案S0下降了7.75%，且比方案S1額外下降了2.04%.這一結果表明，在暖通設計中，考慮空調等設備的熱/冷、濕負荷并使之同時參與需求響應，可以達到更好的經濟效益.原因是濕空氣中的水蒸氣具有較高的潛熱，被視為建筑中的虛擬儲能，這一舉措在高濕地區(qū)有較好的經濟效益.

以方案S0為參照，方案S1和S2日前調度中冷負荷的負荷轉移情況對比如圖5所示.不同需求響應方案根據分時電價進行相應的冷負荷轉移，日總冷負荷均為17456 kW·h.可以看到，考慮濕負荷參與冷負荷需求響應后，冷負荷轉移量明顯增大，因而較大的負荷轉移量使得冷負荷能夠有效避開分時電價中高峰電價時段，降低了日前階段總經濟成本.圖5中在低谷電價時段冷負荷出現回彈效應，但是總體經濟成本并未上升，反而最大化“移峰填谷”的作用.3種方案的室內溫濕度波動情況如圖6所示.可以看出，室內溫濕度在夏季考慮濕負荷作為冷負荷的一部分參與需求響應后呈上升趨勢，但未超過文獻[21]規(guī)定的熱舒適溫度和相對濕度區(qū)間，因此方案S2能夠在保證熱舒適要求的前提下共同轉移冷負荷中的顯熱和潛熱負荷(濕負荷).

圖5 日前階段各需求響應方案的冷負荷轉移情況Fig.5 Cooling load shifting of each case during day-ahead scheduling

圖6 日前階段各需求響應方案的室內溫濕度情況Fig.6 Indoor temperature and relative humidity of each case during day-ahead scheduling

3種方案的電網負荷變化和蓄能水罐蓄冷量變化如圖7所示.考慮包含濕負荷的冷負荷需求響應后，方案S2在高峰電價時段平均購電量僅為方案S0的2.5% (19:00—21:00的平均值)，幾乎可以實現高峰時段離網運行，緩解了電網壓力.方案S2在平峰電價時段的購電量也大幅下降，與方案S0相比平均下降幅度為26.3%.在高峰和平峰電價時段，方案S2中蓄能水罐的蓄冷量相比方案S0、S1也呈現大幅提升的效果，原因是濕空氣潛熱較大，在高峰時段適當放松室內相對濕度要求后，其冷負荷能夠大幅降低，使蓄能水罐在高峰時段也能進行蓄冷，保證了蓄能水罐的工作穩(wěn)定性.如果考慮式(10)的蓄能水罐能量損失率，蓄能水罐的蓄冷量Wwt(τ)將隨時間進一步降低，方案S0、S1中的蓄冷量可能無法滿足用戶冷負荷，方案S2能夠在實際工況下保證蓄能水罐的工作穩(wěn)定性和冷負荷的滿足.

圖7 日前各需求響應方案的電網負荷和蓄能水罐蓄冷量Fig.7 Grid electricity load and stored cooling energy in water tank of each case during day-ahead scheduling

4.2.3 日內階段考慮自適應預測時域結果與分析 在日內階段，在日前階段采用方案S2后，探討考慮自適應預測時域模型預測控制后的經濟性和計算成本變化.考慮包含濕負荷的冷負荷需求響應后的日前電、冷負荷(包含顯熱和潛熱)及日內階段引入不確定度后的電、冷負荷(包含顯熱和潛熱部分)如圖8(a)所示，不同固定預測時域長度下日內總運行成本和計算時長如圖8(b)所示.可以看出，在預測時域長度為3～9 h時，算例的總成本和總計算時長均呈現線性變化，并在7 h處產生交點，結果與文獻[9]～[11]的趨勢類似.

圖8 日前/日內負荷和不同固定預測時域結果Fig.8 Day-ahead/intra-day loads and results of different constant prediction horizons

采用自適應預測時域后，預測時域在日內的變化情況如圖9所示.預測時域變化范圍為 3～7 h，且其長度與預測冷負荷方差的變化規(guī)律基本一致(除20:00—24:00受調度周期T的限制，預測時域發(fā)生截斷).表明采用自適應預測時域后，日內調度不再完全依賴于超短時期的負荷預測精確度，即當負荷預測精度發(fā)生變化時自適應方法能夠自動調整預測時域，以減少預測誤差對日內結果的影響.對固定預測時域為3、7 h和采用自適應預測時域方法在日內階段的運行成本和計算時長進行對比，提出預測時域選擇評價因子以量化方法間的對比，結果如表3所示.預測時域選擇評價因子的定義式為

表3 自適應預測時域與不同固定預測時域的結果對比Tab.3 Comparison of results obtained by constant and adaptive prediction horizons

式中：w1、w2為權重系數，均取0.5；為日內階段負荷方差，本研究為10%；C2、C2_max分別為該方法的總運行成本和3個方法中最大的運行成本；ta、ta_max分別為該方法的總計算時間和3個方法中最大的計算時間.不同日內階段的負荷波動下通過改變預測時域降低的運行成本不同，負荷波動越大，長預測時域看到的全局信息轉化得到的成本優(yōu)勢就越明顯，因此在預測時域選擇評價因子中運行成本一項除以.表3的結果表明，采用自適應預測時域方法后，預測時域選擇評價因子最低，即運行成本和計算時長兩者達到均衡狀態(tài)，能夠從整體上獲得低運行成本和計算時長.

進一步從各設備層面對自適應預測時域進行評估.采用自適應預測時域模型預測控制與3 h固定預測時域模型預測控制的結果對比如圖10所示.圖10(a)顯示采用本研究提出的自適應預測時域后，電網在高峰電價時段的功率下降，有助于進一步降低電網負荷，并且在低谷和平段電價時段有較高的功率，有助于電網在日內各時段達到穩(wěn)定負荷.圖10(b)顯示在自適應預測時域中燃氣內燃機在高峰時段出力大幅降低，同時在整個調度周期上(特別是9:00—18:00)有更平穩(wěn)的輸出功率)；圖10(d)、(e)顯示蓄電池和蓄能水罐的蓄能量波動，可以看出自適應預測時域使得蓄電量和蓄冷量在低谷電價和平段電價時段大幅上升，即自適應預測時域能夠預測到更長時間范圍內的負荷波動以及電價變化，從而提前進行蓄能設備的蓄能或者釋能，有效增加了儲能設備的利用率，并在考慮蓄能水罐能量損失后更能確保在高峰用冷時段(圖10(e)中10:00—12:00和16:00—20:00)的供冷穩(wěn)定性.

圖10 各設備結果在自適應與固定預測時域中的對比Fig.10 Comparison of results for each device by adaptive and constant prediction horizons

5 結 論

(1) 引入濕負荷作為新的負荷需求響應方法，有效降低系統(tǒng)在日前階段的總運行成本7.75%；濕負荷的需求響應有效地降低了分時電價下對電網的負荷壓力，大幅提升了蓄能水罐蓄冷量和穩(wěn)定性.

(2) 提出新的自適應預測時域模型預測控制方法，該方法能夠基于負荷波動方差自動調整預測時域，對合理選擇預測時域有指導意義.

(3) 所提出的自適應預測時域模型預測控制方法在日內階段平衡了計算時間和經濟性成本；自適應模型預測控制方法對減少對電網負荷、平穩(wěn)燃氣內燃機輸出功率、增加蓄能水罐和蓄電池等儲能設備的利用率等有一定貢獻；為了對比自適應預測時域與固定時域的效果，提出預測時域選擇評價因子.

（4）所提的濕負荷需求響應方法和自適應預測時域模型預測控制方法對于不同微網形式、不同季節(jié)和不同負荷狀況下均適用.后續(xù)研究計劃基于不同微網形式/季節(jié)/工況考察濕負荷需求響應的能力，在不同負荷狀況下評估自適應預測時域模型預測控制方法的作用.