空调所属建筑物一阶模型实时参数辨识方法技术

本发明专利技术提供一种空调所属建筑物一阶模型实时参数辨识方法，构建空调所属建筑物一阶模型；获取目标范围内预设时段的空调负荷特性数据及待辨识参数并进行预处理；用标准最小二乘法对待辨识参数进行第一次辨识；获取所述预设时段的下一时刻的空调负荷特性数据并进行预处理；基于所述第一次辨识结果，采用递推辅助变量法对待辨识参数进行第二次辨识；基于第二次辨识结果实时更新空调所属建筑物一阶模型。本发明专利技术将空调负荷的ETP模型等效为标准差分方程，确定输入输出序列及待辨识序列，基于递推辅助变量法，实时建立目标范围内的空调负荷模型，用以进行空调负荷的实时控制与调度。用以进行空调负荷的实时控制与调度。用以进行空调负荷的实时控制与调度。

【技术实现步骤摘要】
空调所属建筑物一阶模型实时参数辨识方法


[0001]本专利技术属于电力系统调度领域，具体涉及一种空调所属建筑物一阶模型实时参数辨识方法。

技术介绍

[0002]负荷聚合商可以通过智能电网的高级测量终端和双向通信网络获取用户空调的开关状态、室内外温度的实时变化情况。在多种参数辨识方法中，最小二乘法的原理简单，计算量少，被广泛应用于各个领域的在线参数辨识。为了减少实时参数辨识过程中的计算量，递推最小二乘法被提了出来，为了增强抗干扰能力，引入辅助变量，提出递推辅助变量法。依托于智能电网的硬件支持和相关的在线辨识技术，负荷聚合商的空调负荷在线辨识对空调负荷参与需求响应起着至关重要的作用。
[0003]空调负荷作为一种重要的需求响应资源，其所属建筑物ETP模型已经被广泛应用于空调负荷控制的各个领域，但其模型中的一些参数与建筑物的墙体的厚度、窗户面积、体积大小等因素密切相关，无法通过测量获得，因此需要通过一定的参数辨识手段对空调负荷模型的参数进行识别，目前有关空调负荷模型的参数辨识较薄弱，忽视了空调负荷的实时在线建模。

技术实现思路

[0004]针对上述现有技术中存在的缺陷，本专利技术提供一种可以实现空调负荷实时控制与调度的空调所属建筑物一阶模型实时参数辨识方法。
[0005]本专利技术提出的技术方案如下：本专利技术公开了一种空调所属建筑物一阶模型实时参数辨识方法，包括以下步骤：构建空调所属建筑物一阶模型；获取目标范围内预设时段的空调负荷特性数据及待辨识参数并进行预处理；采用标准最小二乘法对待辨识参数进行第一次辨识；获取所述预设时段的下一时刻的空调负荷特性数据并进行预处理；基于所述第一次辨识结果，采用递推辅助变量法对待辨识参数进行第二次辨识；基于第二次辨识结果实时更新空调所属建筑物一阶模型。
[0006]进一步的，所述构建空调所属建筑物一阶模型的具体过程为：将空调所属建筑物一阶模型等效为单输入/输出线性系统；使用差分方程的标准形式对所述单输入/输出线性系统进行描述。
[0007]进一步的，所述空调所属建筑物一阶模型具体为：
其中，为时刻输入序列，为时刻输出序列，为时刻随机变量序列，和为待辨识参数，。
[0008]进一步的，所述随机变量序列：其中，为时刻零均值的不相关随机噪声序列。
[0009]进一步的，所述空调负荷特性数据包括室内/室外温度、空调负荷的开关状态量。
[0010]进一步的，所述采用标准最小二乘法对待辨识参数进行第一次辨识具体为：其中，为采集的时刻总数，的为标准最小二乘法的参数辨识结果，为输入序列和输出序列组成的矩阵，为输出矩阵。
[0011]进一步的，所述递推辅助变量法的具体为：其中，为修正系数，为中间变量，为辅助变量。
[0012]进一步的，所述辅助变量的选择方法具体为：其中，，为标准最小二乘法的参数辨识结果。
[0013]进一步的，所述基于所述第一次辨识结果，采用递推辅助变量法对待辨识参数进行第二次辨识具体为：其中，为递推辅助变量法的参数辨识结果。
[0014]现有的研究空调负荷的技术，采用的空调所属建筑物模型通常无法辨识模型参数与建筑物的墙体厚度、窗户面积、体积大小等因素之间的关系，本专利技术提出的空调所属建筑物一阶模型实时参数辨识方法，将空调负荷的ETP模型等效为标准差分方程，确定输入输出序列及待辨识序列，基于递推辅助变量法，实时建立目标范围内的空调负荷模型，用以进行空调负荷的实时控制与调度，并且其抗干扰能力相对于现有技术有显著提升，参数辨识结果相对于递推最小二乘法误差减少了40%。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对技术方案描述时所需要使用的附图作简单地介绍，显而易见地，本专利技术的示意性实施例及其说明仅用于解释本专利技术，并不构成对本专利技术的不当限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。在附图中：图1是本专利技术实时参数辨识方法的流程示意图；图2是本专利技术实施例1中噪信比为16.06%时，RIV算法参数的预测结果和真实参数的对比图示意图；图3是本专利技术实施例1中噪信比为16.06%时，RIV算法的误差和RLS算法的误差随迭代次数变化的曲线图示意图；图4是本专利技术实施例1中噪信比为25.94%时，RIV算法参数的预测结果和真实参数的对比图；图5是本专利技术实施例1中噪信比为25.94%时，RIV算法的误差和RLS算法的误差随迭代次数变化的曲线图。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0017]参照图1，本实施例提供一种空调所属建筑物一阶模型实时参数辨识方法，该方法包括以下步骤：S1：构建空调所属建筑物一阶模型；具体地，将空调所属建筑物一阶模型等效为单输入/输出线性系统，并使用差分方程的标准形式进行描述，确定时刻的输入输出序列为，时刻的随机变量序列为，待辨识参数数量为，待辨识参数为和，则目标范围内的空调所属建筑物一阶模型为：(1)式中：为差分方程的阶数，，时刻的零均值的不相关噪声序列为；S2：获取目标范围内预设时段的空调负荷特性数据及待辨识参数并进行预处理；具体地，参照图2，本实施例通过智能电网的高级计量终端采集输入输出数据并进
行预处理，将获取的时刻的个输入输出序列，根据式(1)列出个差分方程为：个差分方程为：个差分方程为：个差分方程为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)将式(2)写成矩阵的形式为：(3)式中，(4)(5)(6)(7)(8)式中，为输出矩阵，为由输入输出序列组成的矩阵，为待辨识参数矩阵，为误差矩阵；S3：采用标准最小二乘法对待辨识参数进行第一次辨识；具体地，对S2中采集的数据进行标准最小二乘法的参数估计，获取递推辅助变量法递推过程的初始值；(9)(10)式中：为中间变量，为经过标准最小二乘法求得的待辨识参数估计值；S4：获取所述预设时段的下一时刻的空调负荷特性数据并进行预处理；具体地，采集时刻的输入输出数据，并对输入输出数据进行预处理得到时刻的输入输出序列为；S5：基于所述第一次辨识结果，采用递推辅助变量法对待辨识参数进行第二次辨识；
具体地，通过时刻的输入输出序列和，对修正系数进行计算：(11)用辅助变量代替式(11)中，得到递推辅助变量法：(12)其中辅助变量的选择方式如下：(13)式中，(14)根据式(13)计算待识别参数估计值：(15)S6：基于第二次辨识结果实时更新空调所属建筑物一阶模型；具体地，根据更新式(1)，实时更新空调所属建筑物一阶模型；S7：更新中间变量，重设循环参数；具体地，计算时刻的：(16)然后令，返回步骤S4。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空调所属建筑物一阶模型实时参数辨识方法，其特征在于，包括以下步骤：构建空调所属建筑物一阶模型；获取目标范围内预设时段的空调负荷特性数据及待辨识参数并进行预处理；采用标准最小二乘法对待辨识参数进行第一次辨识；获取所述预设时段的下一时刻的空调负荷特性数据并进行预处理；基于所述第一次辨识结果，采用递推辅助变量法对待辨识参数进行第二次辨识；基于第二次辨识结果实时更新空调所属建筑物一阶模型。2.根据权利要求1所述的一种空调所属建筑物一阶模型实时参数辨识方法，其特征在于，所述构建空调所属建筑物一阶模型的具体过程为：将空调所属建筑物一阶模型等效为单输入/输出线性系统；使用差分方程的标准形式对所述单输入/输出线性系统进行描述。3.根据权利要求2所述的一种空调所属建筑物一阶模型实时参数辨识方法，其特征在于，所述空调所属建筑物一阶模型具体为：其中，为时刻输入序列，为时刻输出序列，为时刻随机变量序列，和为待辨识参数，。4.根据权利要求3所述的一种空调所属建筑物一阶模型实时参数辨识方法，其特征在于，所述随机变量序列：其中，为时刻零均值的不相关随机噪声序列。5.根据权利要求1所述的一种空调所属建筑...

【专利技术属性】
技术研发人员：马亮，周伟光，郭旭晨，
申请(专利权)人：南京天朗防务科技有限公司，
类型：发明
国别省市：