智能电网中洗衣机负荷潜力的评估外文翻译资料

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

智能电网中洗衣机负荷潜力的评估

Elke Klaassen Eindhoven University of Technology,Enexis B.V.

Charlotte Kobus Delft University of Technology, Enexis B.V.

Martijn van Huijkelom Enexis B.V.

Jasper Frunt Eindhoven University of Technology, DNV KEMA Energy amp; Sustainability

Han Slootweg Eindhoven University of Technology, Enexis B.V.

摘要：本文介绍了由配电系统运营商Enexis的24名员工组成的智能洗涤试点获得的经验教训，该试点配备了能源计算机、智能洗衣机、光伏板和智能电表。试点的目标是获得这些智能电网技术在实践中应用的经验和知识。这是2010年底推出的第一批专注于消费者参与的试点之一。在试点期间，消费者被鼓励转移负荷，以配合当地的电力供应；在洗衣的同时，电力由他们自己的光伏板产生。本文对试点获得的数据进行了大量的分析，并提出了一种评价洗衣机负荷潜力的智能电网集成评价方法。试点对日负荷曲线与平均负荷曲线的重合系数进行研究是为了确定结果的显著性。此外，论文详细阐述了在2012年12月荷兰启动的聚焦于250多户家庭的需求侧管理的新智能电网试点项目“Your Energy Moment”的设计过程，并从中获得了经验教训。

关键词：分布式发电、能源效率、家庭自动化、负荷管理、智能电网、洗衣机

1.前言

居民区用电未来几十年将有两方面的发展:(1)分布式(可再生)发电的数量将会增加；(2)由于电动汽车和热泵等节能技术的广泛应用，能源消耗的电气化程度将会提高。这种向更可持续的能源系统的转变需要更灵活和有效的配电网络进行运作。它要求向智能电网中嵌入智能控制系统，使电力需求的主动转向成为可能。为了有效实施智能电网技术的决策，洞察这些技术的机会是至关重要的。因此，为了解消费者是否愿意并能够接受这些新技术，了解并量化消费者在这种情况下的行为变化是十分必要的。

为了使需求侧管理(DSM)成为可能，人们正在开发所谓的智能家电。如今，洗衣机(WMs)的用电量占欧盟(EU)家庭总用电量的6.5%[1]。假设智能WMs可以用于负荷转移[2]、[3]和[4]，那么它可以为住宅消费者的DSM潜力做出贡献。

Enexis是荷兰最大的配电系统运营商(DSOs)之一，为了在实践中获得智能家电应用的经验和知识，该公司于2010年底启动了智能洗涤试点。这个试点项目是第一个关注消费者参与的项目。Enexis的24名员工配备了能源计算机、智能WM(通信使)、光伏(PV)板(1.44 kWp)和一个智能电表。试点的设置如图 1所示。

图 1设备安装在消费者的家里的安装试点

在试点期间，消费者被鼓励洗衣服，而电力是由他们自己的光伏板生产的。能源计算机使消费者能够在大多数预测光伏发电的时期对其WM进行编程。消费者可以在前一天晚上或第二天早上洗衣服，电脑会根据以下情况优化合适的开始时间:(1)天气预报；(2) PV容量；(3)洗涤循环负荷(取决于消费者的设置，如40°C)。启动时间是根据每小时的数值进行编程的，使WM的需求峰值与光伏板的供应峰值同步。图 2显示了消费者能源计算机的屏幕截图，显示了预测的光伏发电和WM的时间表。

图 2 显示预测光伏发电和WM时间表的能源电脑屏幕截图

在对试点参与者进行21次访谈的基础上，对[4]进行了定性分析，并对未来能源管理系统的设计提出了建议。其中，以下的设计要求是为了刺激行为的改变：(1)系统必须适应消费者的日常生活；（2）消费者需要了解行为变化的附加价值：消费者需要了解行为变化的附加价值：提供反馈结果和行为替代方案；(3)消费者需要有掌控感:一个否决功能是必需的。

本文侧重于对试点数据进行定量分析。提出了一种确定WMs潜在灵活性的方法，并给出了该方法在决策支持系统中的应用价值。为了确定柔性的重要性，利用WM的日平均负荷和总负荷(智能电表数据)研究了重合因子的一致性。

2012年12月，smart wash在荷兰推出了名为“Your Energy Moment”的试点项目，重点关注250多户家庭的用电需求管理。本文的结论分享了所吸取的教训并对后续试点做出了贡献。

2.试点结果

试点期间收集了以下数据：(1) 2011年和2012年的WM用电量和光伏发电量(每小时分辨率，kWh/h)； (2) 2011年1月4日到2011年12月31日的智能电表数据(15分钟分辨率，kWh/15min)。

1.清洗循环和智能清洗循环的定义

由于没有关于洗涤周期的准确开始时间和洗涤周期是否由能源计算机编程的数据，因此需要根据控制器的优化目标重建基于能源需求的洗涤周期的定义。为了分析数据，我们对一个清洗循环的定义如下：“如果负载峰值之间的时间超过2小时，则将其定义为两个独立的清洗周期。”智能清洗循环的定义如下：“洗涤周期的峰值在PV峰值的3小时内”。这意味着在这段时间内手动开启的洗涤循环被认为是智能的。PV峰值是基于当天所有参与者的平均PV发电量，以克服PV发电量的数据缺口和(局部)间歇性。图 3给出了洗涤循环和智能洗涤循环的定义，并展现了平均PV发电曲线与单个家庭的发电曲线的区别。

2011年5月14日住户曲线12

图 3 2个洗涤周期的说明（因为负荷峰值在平均PV发电峰值的3小时范围内，所以洗涤周期2被定义为智能洗涤）

2.试点结果

图 4显示了2011年和2012年的试点结果，显示了WM(周末和工作日)和PV板的平均每日概况以及水洗与智能水洗的比例。由于2012年的数据差距，今年的平均概况较低。2012年有超过6个月的数据缺失，分别是7户、10户、12户、15户、16户和23户。

图 4 2011年和2012年试验参与者的平均每日洗衣机和PV曲线，总洗浴量和智能洗浴量

由此可以得出的结论是，WM通常是在当地由光伏板发电的几个小时内开启的。这是试点第一年和第二年的情况。如果这结果是因为消费者行为的改变导致的，则这可能意味着一个长期的行为改变，这就预示着由于试点消费者形成了一个新的关于电力消费的习惯[4]。习惯性行为是人们在稳定环境(如[5])中重复动作时形成的一种反应自动性。

为了确定这是否是因为消费者行为的变化，于是将试点参与者的平均WM配置文件与欧盟家庭[1]的平均WM配置文件进行比较，如图 5 在工作日和周末的期间，试验参与者和一个普通欧盟家庭的WM的每日负荷概况[1]所示。与欧盟普通家庭相比，试点参与者的WM晚间高峰负荷转移到了中午，这种效应在工作日期间是明显的。为了确定图 5所示配置文件的重要性，特研究了重合因子的一致性。

图 5 在工作日和周末的期间，试验参与者和一个普通欧盟家庭的WM的每日负荷概况[1]

3.洗衣机负载行为一致性

图 5分别给出了基于2011年和2012年试验数据的工作日和周末的平均WM分布图。这些曲线是基于24个家庭的平均值。组级的负载行为由单个设备的特性和一致性决定；事实上，并不是所有的家庭都在同一时间用电。一般来说，随着更多的家庭加入，每个家庭的峰值负荷会下降。这种趋势被称为重合，可以用重合因子[6-9] C(-)来衡量，即每个峰(W)对群体峰(W)的贡献比例。在不同的采样周期、不同的负荷、不同的区域以及消费者的习惯等因素下，重合行为会有很大的差异。重合系数一般基于日负荷曲线[6-9]。

为了确定图 5中所示的平均轮廓的重要性，本文研究了如果有一个更大的群体会有什么影响；并分析了重合因子的变化趋势。一旦重合因子趋于稳定，则认为结果是显著的，因为较大的样本量并不会显著影响所获得的平均结果。

1. 基于每日负载的一致性

同一天洗衣服的家庭最多有17户。图 6显示了1户、3户、10户和17户家庭的WM日平均情况，每个家庭都在2011年4月2日洗过衣服。

2011年2月4日WM负荷概况(缩减为一个家庭)

图 6 1、3、10和17个家庭的WM平均日负荷分布图

由此可见，负荷的重合使负荷曲线平滑，且随着户数的增加，每户的峰值负荷逐渐减小。重合因子的曲线取决于住户的顺序，图 7中显示了基于2011年2月4日的数据随机选取的两条重合因子曲线。图 7还包括一个来自Kersting[7]的重合系数示例，该曲线基于从1到70的多个消费者的总负载，基于15分钟的采样周期。

图 7 上图：基于17户家庭WM负荷分布图的重合系数；下图：结果的分布基于1000个随机的家庭订单

6.基于平均负载分布的一致性

图 5所示的配置文件是基于每个家庭的平均每日配置文件(基于2011年和2012年的数据)，而不是基于一天的WM配置文件。这些平均值通常较低，因为WM关闭的日子也包括在内。此外，还要考虑平均包括每个家庭的电力需求随时间的重合。利用平均值确定重合因子的效果如图 8和图 9所示。

平均工作日WM负载配置文件(缩小到一个家庭)

图 8 基于2011年和2012年1、3、10和24这几户家庭工作日的平均WM负荷概况

图 9 上图：重合因子基于24户家庭的WM工作日平均负荷分布，曲线基于家庭随机顺序；下图：结果的分布基于1000个随机的家庭订单

因此可以得出结论，如果试验中考虑更多的家庭，图 5的平均工作日WM负荷配置文件将不会改变。因此，当样本量被认为足够大的时候，可以得出这样的结论：与欧盟平均家庭相比，试点参与者的WM晚间峰值负荷转移到了中午。

平均配置文件是基于2011年和2012年的可用数据。利用试点的数据，还可以确定巧合因素、家庭数量和家庭平均周期(样本周期)之间的关系。利用这种关系，可以对一个试点的最小样本期进行调查，该试点侧重于只有24户家庭的WMs的DSM，比如smart wash试点。

设置的限制是基于[7]和[9]的例子，这是基于15分钟的采样周期。WM配置文件是基于每小时的采样周期进行分析的。如果考虑15分钟的采样周期，很可能需要更大的样本量和为平均值考虑的时间周期来证明[6]的重要性。然而，本文考虑每小时的采样周期是足够的，因为基于每小时分辨率的WMs的灵活性也得到了研究(如图 5)。

3.定义峰值负载减少

降低峰值负荷被认为是智能电网DSO的主要目标之一。由于电气化的增加，网络的峰值负荷也在增加。这与发展更多的分布式发电连接到配电网络相结合，为电力供应办公室应用电力需求管理提供了机会，以平衡当地的供应和需求，允许更多的电力输送，而不需要扩大电网容量。

为了定义WM对于智能电网集成的灵活性的潜在价值，可以通过使用智能电表数据来确定试点参与者的峰值负荷减少量。将试点参与者的负载概况与同一时间段内荷兰消费者的平均概况进行比较[10]。后者的调整方式是，每年的总消费量将等于试点参与者的平均消费量。所有试点参与者的平均值是从2011年1月4日到2011年12月31日开始计算的。之所以要比较平均值而不是一天，是因为前面提到的巧合因素。图10显示了基于每个家庭的平均值和基于一天的概况的重合系数。从图 10和图 11还可以看出，基于每个家庭的平均值的负荷剖面要平滑得多。

图 10 上图：基于平均智能电表数据的重合系数和基于一天的重合系数(2011年2月4日）；下图：24户家庭日平均负荷配置文件图(2011年2月4日)

图 11 荷兰试验参与者的平均日负荷与平均日负荷的对比

结果如图 11所示，智能洗水试点的峰值负荷减少了5%。这一峰值的降低是否由于WM负荷从晚上转移到中午(当地发电的时候)是值得怀疑的。从图 5可以看出，相对于欧盟家庭平均WM负荷从晚上转移到中午[1]，WM在峰值降低中起到了一定的作用。然而，欧盟的平均WM概况可能不准确，它没有调查参与家庭的WM概况在他们加入试点之前是什么样子。此外，峰值降低是基于15分钟的分辨率，而WM的灵活性是基于每小时的分辨率进行研究的(如图 5)。此外，PV面板和其他设备可能也在峰值降低中发挥了作用。定性研究[4]也了解到，参与者也使用其他设备进行负荷转移，如洗碗机也在阳光灿烂的时候打开。

4.讨论结果和进一步的研究

如前所述，智能洗水试点是首批关注消费者行为的智能电网试点之一，并提供了许多有价值的见解。然而，由于研究的局限性，这一课题还需要进一步的研究。

首先，参与者是DSO Enexis的员工。因此，很可能与荷兰的普通消费者相比，试点参与者更有动力去改变需求。

其次，正如本文所详细描述的，样本量是有局限性的，即样本量较小，无法对日负荷分布进行分析。这使得很难调查灵活性在多大程度上取决于与智能电网集成相关的特定输入因素，

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[237156]，资料为PDF文档或Word文档，PDF文档可免费转换为Word