摘 要：為應(yīng)對大規(guī)模具有異構(gòu)特性的靈活負荷接入智能樓宇，解決可再生能源隨機性與靈活異構(gòu)負荷不確定性造成樓宇的負荷波動問題，需對靈活異構(gòu)負荷進行合理管控，提出一種計及多時間尺度下智能樓宇異構(gòu)負荷協(xié)同調(diào)控方法。首先，考慮異構(gòu)負荷用電特性及響應(yīng)特性差異，將智能樓宇內(nèi)異構(gòu)負荷等效為可轉(zhuǎn)移負荷與可削減負荷。進而，綜合可再生能源波動性與異構(gòu)負荷時域互補性，建立日前-日內(nèi)兩階段聯(lián)合優(yōu)化調(diào)度模型。算例仿真表明，異構(gòu)負荷之間協(xié)調(diào)互動和多時間尺度滾動優(yōu)化，能有效減少系統(tǒng)負荷波動，顯著提升整體運行經(jīng)濟性。

關(guān)鍵詞：調(diào)度；可再生能源；能量管理；異構(gòu)負荷；多時間尺度

中圖分類號：TM73" " " " " " " " " " "文獻標(biāo)志碼：A

DOI：10.19912/j.0254-0096.tynxb.2023-0600

文章編號：0254-0096（2024）08-0210-08

中原工學(xué)院電子信息學(xué)院，鄭州 450007

0 引 言

隨著具有異構(gòu)特性的靈活負荷與分布式可再生能源（distributed renewable energy，DRE）大規(guī)模接入智能樓宇，供需不平衡問題日益顯著。激發(fā)需求側(cè)異構(gòu)負荷的功能性和互補性［1］是調(diào)節(jié)供需平衡［2］、實現(xiàn)能量梯級利用的有效方法［3］。異構(gòu)負荷的時域特性使其調(diào)控能力局限于各自使用時段，但在聚合狀態(tài)下整體的用電行為特征是連續(xù)的，且不同聚合體之間存在協(xié)同優(yōu)化空間［4-5］。目前，已有針對異構(gòu)負荷調(diào)控的研究［6-7］。文獻［6］基于貝葉斯網(wǎng)絡(luò)預(yù)測溫控負荷使用時域的概率，將其與DRE聯(lián)合調(diào)控，有效提高了能源利用效率，但其考慮的異構(gòu)負荷種類較少。文獻［7］通過分析多種儲能（energy storage，ES）的調(diào)度潛力，并與異構(gòu)負荷協(xié)調(diào)優(yōu)化，有效降低了運行成本，但采用單一時間尺度的方法無法準(zhǔn)確平衡DRE隨機性帶來的影響。綜上，僅通過聚合多種靈活性負荷難以滿足智能樓宇系統(tǒng)調(diào)控需求，因此結(jié)合不同時間尺度并對其梯級利用，有助于減少樓宇負荷波動帶來的經(jīng)濟損失。

近年來，國內(nèi)外學(xué)者對智能樓宇的能量管理開展了較多研究工作。文獻［8-10］考慮綜合能源樓宇日前協(xié)同優(yōu)化，協(xié)調(diào)冷熱電聯(lián)供系統(tǒng)、電動汽車（electric vehicle，EV）、溫控負荷及ES等靈活性資源進行需求側(cè)響應(yīng)。上述單一時間尺度的調(diào)度方法不能完全平抑由日前預(yù)測誤差導(dǎo)致的功率波動，而多時間尺度能夠?qū)︻A(yù)測偏差進行調(diào)節(jié)控制，成為應(yīng)對智能樓宇中源荷不確定性問題的有效手段。文獻［11-14］考慮需求響應(yīng)并從多時間尺度的角度對樓宇進行能量管理，促進DRE消納的同時提升樓宇經(jīng)濟效益，并滿足多場景運行需求。

綜上所述，本文提出一種計及多時間尺度下智能樓宇異構(gòu)負荷協(xié)同調(diào)控策略。首先，構(gòu)建含多種異構(gòu)負荷和DRE的智能樓宇架構(gòu)，深入分析智能樓宇內(nèi)不同異構(gòu)負荷之間的互補協(xié)調(diào)潛力。然后，針對DRE出力不確定性與異構(gòu)負荷時域互補特性，建立日前-日內(nèi)兩階段聯(lián)合優(yōu)化調(diào)度模型，引入動態(tài)分時電價激勵可轉(zhuǎn)移負荷，改善其用電曲線，降低負荷波動。最后，以辦公樓為例分析多種調(diào)度場景的優(yōu)化結(jié)果，證明所提模型和方法的合理性。

1 智能樓宇異構(gòu)負荷架構(gòu)及其調(diào)度框架

1.1 異構(gòu)負荷架構(gòu)

本文基于負荷用電特性及響應(yīng)特性差異，將智能樓宇異構(gòu)負荷等效為可轉(zhuǎn)移負荷與可削減負荷兩種群體，考慮到EV具有儲能特性，與ES固有參數(shù)不同，形成參數(shù)異構(gòu)，聚類為可轉(zhuǎn)移負荷，可轉(zhuǎn)移負荷在負荷高峰時段為智能樓宇降低出力，在負荷低谷期增加出力，總出力代數(shù)和不變；樓宇中空調(diào)負荷可減少一定的運行功率和運行時間，聚類為可削減負荷?？赊D(zhuǎn)移負荷與可削減負荷又是不同種類的負荷，形成類型異構(gòu)，且用電規(guī)律相互獨立，因此在時域上有較強的互補性，能夠?qū)崿F(xiàn)一定時域范圍內(nèi)的動態(tài)互補優(yōu)化。

1.2 智能樓宇多時間尺度調(diào)度框架

本文針對異構(gòu)負荷的時域互補性，制定“多級協(xié)調(diào)、逐步細化”兩階段聯(lián)合優(yōu)化調(diào)度策略，構(gòu)建如圖1所示的調(diào)度模型。

日前優(yōu)化調(diào)度階段：24 h為一個周期，每小時為一個時段，提前預(yù)測次日各時段光伏出力、室外溫度、基礎(chǔ)負荷以及各單元技術(shù)參數(shù)并提供給智能樓宇，智能樓宇根據(jù)電網(wǎng)電價信息制定次日調(diào)度計劃。

日內(nèi)優(yōu)化調(diào)度階段：預(yù)測實時PV出力，把日前調(diào)度計劃作為已知量代入到日內(nèi)優(yōu)化調(diào)度模型中，每15分鐘為一個時段，預(yù)測后4 h內(nèi)的調(diào)度計劃，每次優(yōu)化保留第一個15 min內(nèi)的調(diào)度計劃。

2 智能樓宇兩階段優(yōu)化調(diào)度模型

本節(jié)構(gòu)建智能樓宇多時間尺度協(xié)調(diào)調(diào)度模型，包括日前、日內(nèi)優(yōu)化調(diào)度模型和動態(tài)激勵電價模型。

2.1 日前優(yōu)化調(diào)度模型

2.1.1 目標(biāo)函數(shù)

在保證智能樓宇可靠運行的前提下，對異構(gòu)負荷進行削減或轉(zhuǎn)移。削減負荷勢必會影響用電舒適度，但仍保持在可接受的范圍內(nèi)；可轉(zhuǎn)移負荷通過動態(tài)電價激勵的方式，使其改變用電時域，實現(xiàn)削峰填谷。本文以樓宇系統(tǒng)運行總成本和凈負荷波動方差之和最小為優(yōu)化目標(biāo)，構(gòu)建日前階段目標(biāo)函數(shù)，其表達式為：

[fa=min（f1+f2）] （1）

[f1=i=124（λgridiPgridi+CESi+Ci）] （2）

[f2=i=124（Ploadi-PPVi+PEVi+PESi+PACi-Pload1）2] （3）

[Pload1=124i=124Ploadi-PPVi+PEVi+PESi+PACi] （4）

[Ci=ci（PESi+PEVi）] （5）

[CESi=j=1NESηES，degPESiΔi] （6）

式中：[f1]——樓宇日前階段運營總成本；[f2]——日前階段樓宇凈負荷波動方差；[λgridi]——[i]時段電網(wǎng)購電電價，元/kWh；[Pgridi]——[i]時段與電網(wǎng)交互電功率，kW；[CESi]——[i]時段儲能損耗成本；[Ci]——[i]時段對可轉(zhuǎn)移負荷的激勵成本；[Ploadi]——[i]時段樓宇基礎(chǔ)負荷功率，kW；[PPVi]——[i]時段光伏實際功率，kW；[PACi]——[i]時段空調(diào)群的功率，kW；[Pload1]——日前階段凈負荷平均負荷功率，kW；[ci]——[i]時段激勵電價，元/kWh；[PESi]——[i]時段ES群的功率，kW；[PEVi]——[i]時段EV群的功率，kW；[NES]——ES群總數(shù)量；[ηES，deg]——ES運行維護成本系數(shù)。

2.1.2 ES群模型

[SESi+1， j=SESi， j+DES，chi， jPES，chi， jηES，chΔi-DES，disi，jPES，disi，jΔiηES，dis] （7）

[DES，disi， j+DES，chi， j≤1] （8）

[SESmin≤SESi， j≤SESmax] （9）

[PESmin≤DES，chi， jPES，chi， jηES，ch-DES， disi， jPES， disi， jηES， dis≤PESmax] （10）

[SES，oj=SES，dj] （11）

[PESi=j=1NESDES，chi， jPES，chi， jηES，ch-DES，disi， jPES，disi， jηES，dis] （12）

式中：[SESi，j]——[i]時段第[j]臺ES的電池容量，kWh；[DES，chi， j]、[DES，disi， j]——[i]時段第[j]臺ES的充放電狀態(tài)，兩者取值都為0或1；[ηES，ch]、[ηES，dis]——ES的充放電效率；[SESmax]、[SESmin]——ES電池容量的上下限，kWh；[PESmax]、[PESmin]——ES充放電功率的上下限，kW；[PES，chi， j]、[PES，disi， j]——[i]時段第[j]臺ES的充放電功率，kW；[SES，oj]、[SES，dj]——第[j]臺ES的初、末時段容量，kWh。

2.1.3 EV模型

考慮到充放電技術(shù)對EV電池壽命的損耗［15］，在調(diào)度過程中需計及電池充放電次數(shù)限制。EV的充放電模型為：

[SEVi+1，k=SEVi，k+DEV，chi，kPEV，chi，kηEV，chΔi-DEV，disi，kPEV，disi，kΔiηEV，dis] （13）

[DEV，disi，k=0，DEV，chi，k=0，" i?TEVk] （14）

[DEV，disi，k+DEV，chi，k≤1] （15）

[SEVmin≤SEVi，k≤SEVmax] （16）

[i=1DEV，chi，kDEV，disi+1，k≤w] （17）

[PEVmin≤DEV，chi，kPEV，chi，kηEV，ch-DEV，disi，kPEV，disi，kηEV，dis≤PEVmax] （18）

[PEVi=k=1NEViDEV，chi，kPEV，chi，kηEV，ch-DEV，disi，kPEV，disi，kηEV，dis] （19）

式中：[SEVi，k]——[i]時段第[k]輛EV的電池容量，kWh；[ηEV，ch]、[ηEV，dis]——充放電效率；[PEV，chi，k]、[PEV，disi，k]——第[k]輛EV的充放電功率，kW；[Δi]——每時段時長；[DEV，chi，k]、[DEV，disi，k]——[i]時段第[k]輛EV的充放電狀態(tài)，兩者取值都為0或1；[TEVk]——第[k]輛EV的停留時間段；[SEVmax]、[SEVmin]——EV電池容量的上下限，kWh；[w]——EV最大充放電次數(shù)；[PEVmax]、[PEVmin]——EV充放電功率的上下限，kW；[NEVi]——[i]時段可調(diào)度EV的數(shù)量。

2.1.4 可削減負荷模型

可削減負荷考慮空調(diào)負荷，以常用的一階熱力學(xué)等值模型對空調(diào)進行簡化建模。忽略干擾因素（入住率、噪聲、光照等）對空調(diào)模型的影響，可削減負荷模型為：

[Tini+1，l=Touti+1，l-QACi，lRb-（Touti，l-QACi，lRb-Tini，l）e-Δi/（RbCb）] （20）

[Tseti-ΔT≤Tini，l≤Tseti+ΔT] （21）

[PACi，l=CbδΔiQACi，l] （22）

[PACi=l=1NACPACi，l] （23）

式中：[Tini+1，l]和[Touti+1，l]——[i+1]時段第[l]個房間的室內(nèi)外溫度，℃；[QACi，l]——[i]時段第[l]個房間的空調(diào)制冷量；[Tseti]——[i]時段樓宇室內(nèi)溫度設(shè)定值，℃；[ΔT]——最大室內(nèi)溫度偏移量；[PACi，l]——[i]時段第[l]個房間的空調(diào)功率，kW；[δ]——空調(diào)的能效比；[NAC]——空調(diào)總數(shù)量；[Rb]——房間的熱阻，℃/kW；[Cb]——房間的熱容，kWh/℃。

2.1.5 光伏模型

智能樓宇含有屋頂光伏［16］，出力后僅供內(nèi)部負荷使用。光伏出力模型為：

[PPVi=PPVmaxi-PPVcuri] （24）

[0≤PPVcuri≤ωPPVmaxi] （25）

式中：[PPVmaxi]——[i]時段預(yù)測光伏最大功率，kW；[PPVcuri]——光伏可削減的功率，kW；[ω]——光伏的最大削減比例，本文選取20%。

2.2 日內(nèi)優(yōu)化調(diào)度模型

為縮小由預(yù)測誤差導(dǎo)致的實際與調(diào)度計劃之間的偏差，根據(jù)日內(nèi)實時的PV出力重新進行調(diào)整。以樓宇系統(tǒng)運行總成本和凈負荷波動方差之和最小為優(yōu)化目標(biāo)，構(gòu)建日內(nèi)階段目標(biāo)函數(shù)，其表達式為：

[fb=min（f3+f4）] （26）

[f3=i=196（λgridiPgridi+CESi+Ci）] （27）

[f4=i=196Ploadi+PACi+PECi+PESi-PPVi-Pload22] （28）

[Pload2=196i=196Ploadi+PACi+PECi+PESi-PPVi] （29）

式中：[f3]——樓宇日內(nèi)階段運營總成本；[f4]——日內(nèi)階段樓宇凈負荷波動方差；[Pload2]——日內(nèi)階段凈負荷平均負荷功率，kW。

2.3 約束條件

2.3.1 EV充放電數(shù)量約束

[NEV，disi=k=1NEViDEV，disi，k] （30）

[NEV，chi=k=1NEViDEV，chi，k] （31）

[0≤NEV，chi+NEV，disi≤NEVi] （32）

式中：[NEV，chi]、[NEV，disi]——[i]時段電動汽車群充放電數(shù)量。

2.3.2 樓宇內(nèi)部功率平衡約束

[PESi+PEVi+PACi-PPVi+Ploadi=Pgridi] （33）

2.3.3 外部電網(wǎng)交互功率約束

[Pgridmin≤Pgridi≤Pgridmax] （34）

式中：[Pgridmax]、[Pgridmin]——樓宇與電網(wǎng)功率交互的上下限，kW。

2.4 動態(tài)激勵電價策略

通過分時電價的方式引導(dǎo)可轉(zhuǎn)移負荷參與調(diào)控，且為防止出現(xiàn)樓宇負荷“峰上加峰”的現(xiàn)象，重新劃分電價時段，制定動態(tài)激勵電價策略：根據(jù)樓宇基礎(chǔ)負荷與PV出力確定其等效負荷[P]及其平均值[Pav]，基于等效負荷的平均值[Pav]及峰谷差[Pb]來重新規(guī)定激勵電價時段。激勵電價為：

[Pi=Ploadi-PPVi] （35）

[P=[P1，P2，???，Pn]T] （36）

[Pav=1ni=1n（Ploadi-PPVi）] （37）

[Pb=max（P）-min（P）] （38）

[C（i）=c1， Pi≤Pav-σPbc2， Pav-σPb≤Pi≤Pav+σPbc3， Pav+σPb≤Pi] （39）

式中：[Pi]——i時段等效負荷，kW；[P]——等效負荷；n——調(diào)度周期內(nèi)劃分的總時段，日前階段為24，日內(nèi)階段為96；[c1]、[c2]、[c3]——谷時段、平時段、峰時段可轉(zhuǎn)移負荷的激勵電價，元/kW；[Pav]——等效負荷的平均值，kW；[σ]——峰谷差系數(shù)。

3 算例分析

3.1 數(shù)據(jù)基礎(chǔ)

本文模型在Matlab中通過YALMIP調(diào)用商業(yè)優(yōu)化軟件CPLEX進行求解。電價、空調(diào)參數(shù)、EV參數(shù)、樓宇基礎(chǔ)負荷和PV出力、EV出行、ES參考文獻［13，17-21］。

3.2 日前調(diào)度分析

3.2.1 調(diào)度結(jié)果分析

可轉(zhuǎn)移負荷1為EV群，可轉(zhuǎn)移負荷2為ES群，異構(gòu)負荷在日前階段的調(diào)度結(jié)果如圖2所示。圖3為日前階段優(yōu)化結(jié)果對比。

由圖3a可知，可削減負荷能在高電價時段12：00—14：00內(nèi)削減功率，15：00時功率增大是因為此時可轉(zhuǎn)移負荷1、2放電較多，同在電網(wǎng)電價平時段10：00與16：00時選擇削減功率，避免了樓宇負荷出現(xiàn)新的峰值。由圖3b可知，可轉(zhuǎn)移負荷1能在樓宇負荷峰時段09：00—11：00內(nèi)調(diào)整功率，轉(zhuǎn)移至樓宇負荷谷時段12：00—14：00（該時段內(nèi)PV出力較高），有助于消納PV出力。由圖3c可知，可轉(zhuǎn)移負荷2在樓宇負荷峰時段09：00—11：00與14：00—16：00內(nèi)增加放電功率，有助于削減負荷峰值。

3.2.2 不同場景下的利益分析

為驗證本文所提異構(gòu)負荷之間協(xié)同優(yōu)化的有效性，設(shè)置3種場景進行對比。

場景1：考慮動態(tài)激勵電價的方式引導(dǎo)可轉(zhuǎn)移負荷參與調(diào)度，可削減負荷獨立運行。

場景2：考慮可削減負荷參與調(diào)度，可轉(zhuǎn)移負荷獨立運行。

場景3：考慮動態(tài)激勵電價的方式引導(dǎo)可轉(zhuǎn)移負荷并與可削減負荷聯(lián)合參與調(diào)度。

3種場景下優(yōu)化結(jié)果對比如圖4所示。由圖4可知，場景2曲線波動最大，未考慮可轉(zhuǎn)移負荷參與響應(yīng)；場景1、場景3考慮以動態(tài)分時電價的方式引導(dǎo)可轉(zhuǎn)移負荷，使得負荷在峰時段減少出力，谷時段增加出力，從而減小峰谷差；場景3考慮異構(gòu)負荷時域互補的特性，提高其調(diào)控能力，使得負荷曲線波動較小。

的總成本較場景1降低了178元，凈負荷方差降低了2.4%；場景2總成本高于場景3，且凈負荷方差增加了19.7%?？煽闯觯噍^于其他方案，場景3在樓宇負荷波動和經(jīng)濟性上有明顯改善。

3.3 日內(nèi)調(diào)度分析

3.3.1 不同時間尺度結(jié)果分析

圖5為不同時間尺度下可轉(zhuǎn)移負荷優(yōu)化調(diào)度結(jié)果。日前調(diào)度中，以1 h為時間尺度，不能精確應(yīng)對PV出力波動。日內(nèi)調(diào)度中，以15 min為時間尺度滾動優(yōu)化，能夠在短時間內(nèi)調(diào)整可轉(zhuǎn)移負荷出力，避免了由預(yù)測誤差導(dǎo)致樓宇調(diào)度成本增大，通過多時間尺度滾動優(yōu)化，能有效解決系統(tǒng)負荷波動問題。

3.3.2 不同策略下結(jié)果分析

為驗證本文所提多時間尺度下異構(gòu)負荷調(diào)度方法的有效性，設(shè)置3種策略進行對比：

策略1：考慮異構(gòu)負荷日前優(yōu)化調(diào)度，采用動態(tài)電價激勵可轉(zhuǎn)移負荷。

策略2：考慮異構(gòu)負荷多時間尺度優(yōu)化調(diào)度，采用電網(wǎng)分時電價激勵可轉(zhuǎn)移負荷。

策略3：考慮異構(gòu)負荷多時間尺度優(yōu)化調(diào)度，采用動態(tài)電價激勵可轉(zhuǎn)移負荷。

3種策略下優(yōu)化結(jié)果對比如圖6所示。由圖6可知，策略1僅考慮異構(gòu)負荷日前優(yōu)化調(diào)度，無法精準(zhǔn)處理PV出力預(yù)測誤差導(dǎo)致的偏差，從而導(dǎo)致總成本增加；策略2采用異構(gòu)負荷多時間尺度優(yōu)化并選擇電網(wǎng)分時電價激勵可轉(zhuǎn)移負荷參與調(diào)度，但又出現(xiàn)新的負荷峰值和負荷低谷；策略3考慮異構(gòu)負荷多時間尺度優(yōu)化調(diào)度，能夠應(yīng)對PV預(yù)測誤差并優(yōu)化異構(gòu)負荷出力，實現(xiàn)對日前調(diào)度計劃的修正，且負荷波動較小。

由表2可看出，策略2總成本最低，但凈負荷方差比策略3有所增加；策略3總成本較策略1明顯下降，由于PV日前預(yù)測與日內(nèi)預(yù)測出力存在一定偏差，而策略3可提前預(yù)測一定時間內(nèi)的調(diào)度計劃，并快速調(diào)整異構(gòu)負荷出力，使得總成本比策略1降低2.4%，顯著提升整體運行經(jīng)濟性。

3.3.3 不同峰谷差系數(shù)對比分析

本文選取峰谷差系數(shù)[σ=0.23]，為進一步探究[σ]對樓宇的調(diào)控影響，仿真分析不同峰谷差系數(shù)下樓宇系統(tǒng)總成本與凈負荷方差。由圖7可看出，凈負荷方差、總成本與[σ]呈非線性關(guān)系，總成本最小與凈負荷方差最小為不同[σ]，對于本文而言，更傾向于凈負荷方差最小，實際運營中可針對不同樓宇靈活調(diào)整[σ]。

4 結(jié) 論

本文針對智能樓宇內(nèi)PV隨機性與異構(gòu)負荷的互補性，提出一種計及多時間尺度下智能樓宇異構(gòu)負荷聯(lián)合優(yōu)化調(diào)度策略，通過分析不同場景下的優(yōu)化結(jié)果，得到以下主要結(jié)論：

1）通過樓宇內(nèi)各資源互動，使不同時間尺度下的異構(gòu)負荷參與到各級調(diào)度中，最大限度的發(fā)揮自身作用。

2）多時間尺度下采用日前-日內(nèi)逐級遞進調(diào)度方法，可更加精確地協(xié)調(diào)異構(gòu)負荷出力，促進了PV消納，提高了智能樓宇運行效益。

3）動態(tài)激勵電價能較好地引導(dǎo)可轉(zhuǎn)移負荷，實現(xiàn)削峰填谷，相較于電網(wǎng)分時電價，有效減少了樓宇負荷波動。

［參考文獻］

［1］ 孫毅， 李澤坤， 鮑薈諭， 等. 清潔供熱模式下多能異構(gòu)負荷調(diào)控框架及關(guān)鍵技術(shù)剖析［J］. 中國電機工程學(xué)報， 2021， 41（20）： 6827-6842.

SUN Y， LI Z K， BAO H Y， et al. Multi-energy heterogeneous load regulation framework and key technology" "analysis" "under" "clean" "heating" "mode［J］. Proceedings of the CSEE， 2021， 41（20）： 6827-6842.

［2］ 徐箏， 孫宏斌， 郭慶來. 綜合需求響應(yīng)研究綜述及展望［J］. 中國電機工程學(xué)報， 2018， 38（24）： 7194-7205， 7446.

XU Z， SUN H B， GUO Q L. Review and prospect of integrated demand response［J］. Proceedings of the CSEE， 2018， 38（24）： 7194-7205， 7446.

［3］ 彭春華， 陳思畏， 徐佳璐， 等. 綜合能源系統(tǒng)混合時間尺度多目標(biāo)強化學(xué)習(xí)低碳經(jīng)濟調(diào)度［J］. 電網(wǎng)技術(shù)， 2022， 46（12）： 4914-4925.

PENG C H， CHEN S W， XU J L， et al. Low carbon economic scheduling for integrated energy systems with mixed timescale amp; multi-objective reinforcement learning［J］. Power system technology， 2022， 46（12）： 4914-4925.

［4］ 樓家輝， 楊歡， 王京， 等. 考慮異質(zhì)性的定頻空調(diào)負荷聚合建模及功率跟蹤策略［J］. 電力建設(shè)， 2017， 38（11）： 55-63.

LOU J H， YANG H， WANG J， et al. Constant frequency air conditioning load aggregated modeling and its power tracking" strategy" considering" heterogeneity［J］." Electric power construction， 2017， 38（11）： 55-63.

［5］ 孫毅， 李澤坤， 許鵬， 等. 異構(gòu)柔性負荷建模調(diào)控關(guān)鍵技術(shù)及發(fā)展方向研究［J］. 中國電機工程學(xué)報， 2019， 39（24）： 7146-7158， 7488.

SUN Y， LI Z K， XU P， et al. Research on key technologies and development direction of heterogeneous flexible load modeling and regulation［J］. Proceedings of the CSEE， 2019， 39（24）： 7146-7158， 7488.

［6］ 孫毅， 黃紹模， 李澤坤， 等. 考慮時域特性的異構(gòu)溫控負荷聯(lián)合調(diào)控策略［J］. 電網(wǎng)技術(shù)， 2020， 44（12）： 4722-4734.

SUN Y， HUANG S M， LI Z K， et al. Joint control strategy of heterogeneous temperature control load considering time domain" "characteristics［J］." "Power" "system" "technology， 2020， 44（12）： 4722-4734.

［7］ 馬志程， 周強， 張金平， 等. 考慮靈活性負荷異構(gòu)性質(zhì)的多類型儲能優(yōu)化配置［J］. 儲能科學(xué)與技術(shù)， 2022， 11（12）： 3926-3936.

MA Z C， ZHOU Q， ZHANG J P， et al. Optimal configuration of multitype energy storages considering heterogeneous flexible loads［J］. Energy storage science and technology， 2022， 11（12）： 3926-3936.

［8］ 胡佳怡， 嚴正， 王晗. 考慮清潔電力共享的社區(qū)電能日前優(yōu)化調(diào)度［J］. 電網(wǎng)技術(shù)， 2020， 44（1）： 61-70.

HU J Y， YAN Z， WANG H. Day-ahead optimal scheduling for communities considering clean power-sharing［J］. Power system technology， 2020， 44（1）： 61-70.

［9］ 胡鵬， 艾欣， 楊昭， 等. 考慮電能共享的綜合能源樓宇群日前協(xié)同優(yōu)化調(diào)度［J］. 電力自動化設(shè)備， 2019， 39（8）： 239-245.

HU P， AI X， YANG Z， et al. Day-ahead optimal scheduling for cluster building with integrated energy system" considering" power" sharing［J］." "Electric" power automation equipment， 2019， 39（8）： 239-245.

［10］ 吳界辰， 艾欣， 張艷， 等. 配售分離環(huán)境下高比例分布式能源園區(qū)電能日前優(yōu)化調(diào)度［J］. 電網(wǎng)技術(shù)， 2018， 42（6）： 1709-1719.

WU J C， AI X， ZHANG Y， et al. Day-ahead optimal scheduling for high penetration of distributed energy resources in community under separated distribution and retail" " operational" " environment［J］." " Power" "system technology， 2018， 42（6）： 1709-1719.

［11］ 張大海， 贠韞韻， 王小君， 等. 計及風(fēng)光不確定性的新能源虛擬電廠多時間尺度優(yōu)化調(diào)度［J］. 太陽能學(xué)報， 2022， 43（11）： 529-537.

ZHANG D H， YUN Y Y， WANG X J， et al. Multi-time scale of new energy scheduling optimization for virtual power plant considering uncertainty of wind power and photovoltaic power［J］. Acta energiae solaris sinica， 2022， 43（11）： 529-537.

［12］ 王智， 陶鴻俊， 蔡文奎， 等. 多時間尺度滾動優(yōu)化在冷熱電聯(lián)供系統(tǒng)中的優(yōu)化調(diào)度研究［J］. 太陽能學(xué)報， 2023， 44（2）： 298-308.

WANG Z， TAO H J， CAI W K， et al. Optimal scheduling research of multi-time-scale rolling optimization in cchp system［J］. Acta energiae solaris sinica， 2023， 44（2）： 298-308.

［13］ 傅質(zhì)馨， 李紫嫣， 朱俊澎， 等. 面向多用戶的多時間尺度電力套餐與家庭能量優(yōu)化策略［J］. 電力系統(tǒng)保護與控制， 2022， 50（11）： 21-31.

FU Z X， LI Z Y， ZHU J P， et al. Multi-user multi-timescale power packages and home energy optimization strategies［J］. Power system protection and control， 2022， 50（11）： 21-31.

［14］ 湛歸， 殷爽睿， 艾芊， 等. 智能樓宇型虛擬電廠參與電力系統(tǒng)調(diào)頻輔助服務(wù)策略［J］. 電力工程技術(shù)， 2022， 41（6）： 13-20， 57.

ZHAN G， YIN S R， AI Q， et al. A strategy for smart building-based virtual power plants participating in frequency regulation auxiliary service［J］. Electric power engineering technology， 2022， 41（6）： 13-20， 57.

［15］ 朱磊， 黃河， 高松， 等. 計及風(fēng)電消納的電動汽車負荷優(yōu)化配置研究［J］. 中國電機工程學(xué)報， 2021， 41（S1）： 194-203.

ZHU L， HUANG H， GAO S， et al. Research on optimal load allocation of electric vehicle considering wind power consumption［J］. Proceedings of the CSEE， 2021， 41（S1）： 194-203.

［16］ LIU Z X， WU Q W， SHAHIDEHPOUR M， et al. Transactive real-time electric vehicle charging management for commercial buildings with PV on-site generation［J］. IEEE transactions on smart grid， 2019， 10（5）： 4939-4950.

［17］ 余蘇敏， 杜洋， 史一煒， 等. 考慮V2B智慧充電樁群的低碳樓宇優(yōu)化調(diào)度［J］. 電力自動化設(shè)備， 2021， 41（9）： 95-101.

YU S M， DU Y， SHI Y W， et al. Optimal scheduling of low-carbon building considering V2B smart charging pile groups［J］. Electric power automation equipment， 2021， 41（9）： 95-101.

［18］ 陸燕娟， 潘庭龍， 楊朝輝. 計及電動汽車的社區(qū)微網(wǎng)儲能容量配置［J］. 太陽能學(xué)報， 2021， 42（12）： 362-367.

LU Y J， PAN T L， YANG C H. Energy storage capacity configuration in community microgrid considering electric vehicles［J］. Acta energiae solaris sinica， 2021， 42（12）： 362-367.

［19］ 胡澄， 劉瑜俊， 徐青山， 等. 面向含風(fēng)電樓宇的電動汽車優(yōu)化調(diào)度策略［J］. 電網(wǎng)技術(shù)， 2020， 44（2）： 564-572.

HU C， LIU Y J， XU Q S， et al. Optimal scheduling strategy for electric vehicles in buildings with wind power［J］. Power system technology， 2020， 44（2）： 564-572.

［20］ YANG Y， JIA Q S， DECONINCK G， et al. Distributed coordination of EV charging with renewable energy in a microgrid of buildings［J］. IEEE transactions on smart grid， 2018， 9（6）： 6253-6264.

［21］ 蔡文輝， 高紅均， 李海波， 等. 凈零能耗驅(qū)動的樓宇群能源共享對等聚合模型［J］. 中國電機工程學(xué)報， 2022， 42（24）： 8832-8844.

CAI W H， GAO H J， LI H B， et al. Net zero energy driven power sharing for aggregated buildings： a peer aggregation model［J］. Proceedings of the CSEE， 2022， 42（24）： 8832-8844.

RESEARCH ON COORDINATED SCHEDULING OF HETEROGENEOUS LOADS IN SMART BUILDINGS UNDER MULTI-TIME SCALES

Dong Yan，Chen Yirui，Zhu Yongsheng，Liu Yong，Hu Zefei

（School of Electronic and Information Engineering， Zhongyuan University of Technology， Zhengzhou 450007， China）

Abstract：In order to cope with large-scale flexible loads with heterogeneous characteristics connected to smart buildings， and to solve the problem of load fluctuations in buildings caused by the randomness of renewable energy and the uncertainty of flexible and heterogeneous loads， it is necessary to reasonably manage and control flexible and heterogeneous loads. A collaborative control method for heterogeneous loads in intelligent buildings considering multiple time scales is proposed. Firstly， considering the differences in power consumption characteristics and response characteristics of heterogeneous loads， the heterogeneous loads in the building are clustered into transferable loads and curtailable loads. Furthermore， considering the time-domain complementarity of the volatility of renewable energy and heterogeneous loads， a two-stage joint optimization dispatching model of day-ahead-intraday is established. The example simulation shows that the coordinated interaction between heterogeneous loads and multi-time scale rolling optimization can effectively reduce system load fluctuations and significantly improve the overall operating economy.

Keywords：scheduling； renewable energy； energy management； heterogeneous load； multi-timescale