Page 57 - 电力与能源2021年第二期

陈凯玲, 等: 商业建筑虚拟电厂可调资源特性分析评估研究 2 5
0
表 3 照办公、 酒店、 商场和综合体的统计表
项目 办公 酒店 商场 综合体
机组构成形式 大小机组 单一机组 大小机组 单一机组 大小机组 单一机组 大小机组 单一机组
数量 / 个 12 10 9 5 1 3 6 4
占比 / % 55 45 64 36 25 75 60 40
虚拟电厂调研样本内较为常见的是风机盘管 + 新 性。信息熵是用来衡量一元模型中信息不确定性
风系统, 具体分部比例见表 4 。 的指标。信息的不确定性越大, 熵的值也就越大,
表 4 空调系统形式分布比例 而影响熵值的主要因素是概率。信息熵技术公式:
空调系统形式 建筑数量 / 个 占比 / % n
( )
( )
风机盘管 + 新风 37 74 H ( X ) =- ∑ p x i lo g p x i ( 1 )
全空气系统 5 10 i = 1
风机盘管 + 新风, 全空气系统 4 8 一元模型的熵如表 5 所示。
VAV 系统 4 8 表 5 一元模型的熵
决策树: 一元模型的熵
3 可调资源特性分析 有效削减 次数 / 次 概率 熵
是 95 0.75 -0.31
3.1 可调资源发电事件数据总览 否 31 0.25 -0.50
本次调研的 50 幢建筑作为入驻黄浦商业建 126 1.00 0.80
筑虚拟电厂的建筑均有参与执行发电, 参与次数 由表 5 可得出, 一元模型的熵为 0.80 ; 由于
440 次, 累计发电量超 8.9 万 kW , 约占总发电量 一元熵的不确定性太大, 继续按温度、 建筑、 类型、
的 45% ; 其中, 累计量最高的建筑虚拟发电量为 装机容量、 空调制式、 单位能耗和机组匹配模式,

10986kW , 参与 14 次。 由式( 1 ) 可以分别得出条件熵 H ( Y X )。条件熵
调研 50 个建筑发电情况、 参与次数及参与成 如表 6 所示。在表 6 中, 量值注释: 温度表示日均
功率可以发现, 建筑参与需求响应发电事件的发 温度; 建筑表示样本建筑; 类型表示建筑类型; 容
电量、 发电次数及参与成功率都有不同。就目前 量表示装机容量; 空调表示空调系统类型; 能耗表
阶段而言, 商业建筑虚拟电厂虚拟发电事件执行 示建筑单位平米能耗; 机组表示空调机组类型。
成功与否、 负荷削减量值达标与否是判定虚拟电 表 6 条件熵
厂运营效果的主要参考依据, 本次研究的可调资 条件熵
源参数关联优先度评估, 资源关键参数提取也围 E 温度 E 建筑 E 类型 E 容量 E 空调 E 能耗 E 机组
0.6647 0.4185 0.7826 0.8162 0.7997 0.5771 0.6066
绕这一目标开展分析和测算。
基于信息熵及条件熵, 代入I ( X , Y ) = H ( Y )
3.2 可调资源相关性分析
通过可调资源聚类分析, 历史发电数据分析 - H ( Y X ), 得到互信息I ( X , Y )。互信息如表
7 所示。在 表 7 中, 量 值 注 释: 温 度 表 示 日 均 温
中知道, 不同建筑类型有着不同的用电规律, 不同
度; 建筑表示样本建筑; 类型表示建筑类型; 容量
的用电规律会影响需求响应虚拟发电的效果。然
表示装机容量; 空调表示空调系统类型; 能耗表示
而除了建筑类型外, 还有哪些因素会影响到虚拟
建筑单位平米能耗; 机组表示空调机组类型。
发电的最终执行效果, 这可以通过可调资源基本
表 7 互信息
信息进行相关性分析。
互信息
3.2.1 基于信息熵算法分析可调资源相关性
G 温度 G 建筑 G 类型 G 容量 G 空调 G 能耗 G 机组
本次评估利用 50 个楼宇需求响应事件( 2019 0.1402 0.3864 0.0223-0.01130.0052 0.2278 0.1983
年夏季) 数据, 结合调研的可调资源信息, 包括事 第 3 因素第 1 因素 第 2 因素
件、 建筑、 时段、 削减量、 温度、 削减率、 年代、 类型、 3.2.2 基于相关系数分析可调资源相关性
面积、 空调制式、 末端形式、 单位能耗、 有效削减、 基于 50 个建筑需求响应事件( 2019 年夏季)
搭配形式等, 采用 “ ID3 算法” 利用计算历史数据 数据, 再结合调研的可调资源信息, 包括发电时
中每个类别或属性的“ 信息熵” 获得“ 互信息”, 依据 间、 发电基准值、 发电实际值、 负荷削减量、 环境温
得到的“ 互信息量” 来分析判断需求响应事件执行 度、 负荷削减率、 装机容量、 有效削减、 累计削减
成功 / 失败与商业建筑可调资源特性之间的相关 量、 参与次数、 最小削减量、 最大削减量、 建筑年