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

智能电网整合的洗衣机负载潜力评估

摘要 - 本文介绍了智能洗涤试点的经验教训，由配电系统运营商Enexis的24名员工进行，他们配备了能源计算机，智能洗衣机，光伏板和智能电表。试验目标是获得关于这些智能电网技术在实践中的应用的经验和知识。在2010年年底推出的这是第一批关注消费者参与的试点项目之一。在试点期间，鼓励消费者转移他们的负载以匹配当地电力供应;做他们的洗衣，而电由自己的光伏板产生。本文包含对样本提出的数据的广泛分析，并提出了评估智能电网集成的洗衣机负载潜力的评估方法。研究参与者的日常负荷曲线和平均负荷曲线的符合因子，以便定义结果的显着性。此外，本文还详细介绍了在这次试点项目中吸取的经验教训如何促进了2012年12月在荷兰启动的“您的能源时刻”新智能电网试点的设计，重点是250多个家庭的需求侧管理。

指数术语 - 分布式发电，能效，家庭自动化，负载管理，智能电网，洗衣机。

I.引言

住宅区的电力使用预计在未来几十年将经历两个发展：（i）分布式（可再生）发电量将增加，（ii）由于预期的广泛引入，能源消耗将会增加电气化 （节能）技术，如电动汽车和热泵。 向更可持续的能源系统的转变需要配电网的更灵活和有效的操作。 它要求具有嵌入式智能控制的智能电网，使主动转向电力需求成为可能。 为了支持实施智能电网技术的决策，深入了解这些技术的机遇至关重要。 因此，有必要了解和量化消费者在这种情况下的行为变化，以了解消费者是否愿意并能够采用这些新技术。

正在开发所谓的智能设备以便实现需求侧管理（DSM）。 如今，洗衣机（WM）负责欧盟（EU）家庭的6.5％的电力消耗。[1]假设智能WM可以用于负载转移[2]，[3]和[4]，它们可以有助于居民消费者的DSM潜力。

Enexis是荷兰最大的分销系统运营商（DSO）之一，于2010年底启动了智能洗涤试点，以获得有关智能电器在实践中的应用的经验和知识。 这个试点是关注消费者参与的第一次。 Enexis的24名员工配备了能源计算机，智能WM（通信启用），光伏（PV）面板（1.44 kWp）和智能电表。图表1显示了试点的设置。

图1：设置试点，设备安装在消费者家中。

在试点期间，消费者被鼓励通过自己的光伏电池板发电来驱动洗衣机。能量计算机使消费者能够在其中预测大多数PV产生的时段中对它们的WM进行编程。 消费者可以在晚上或上午之前放入他们的衣物，同时计算机基于以下各项来优化适当的开始时间：（i）天气预报，（ii）PV容量，和（iii）洗涤循环的负载（消费者的设置，例如40℃）。基于小时值编程启动时间，同步WM需求峰值与PV面板的电源峰值。图2示出了消费者能量计算机的屏幕截图，显示了预测的PV生成和WM的时间表。

图2：能量计算机的屏幕截图，显示预测的PV生成和WM的时间表。

基于对试点参与者的21次访谈，在[4]中进行了定性分析，其中给出了关于能源管理系统未来设计的建议。为了刺激行为变化，引入以下设计要求：（i）系统必须适应消费者的日常生活，（ii）消费者需要理解行为变化的附加价值：提供关于结果和代替行为的反馈，（iii）消费者需要感觉控制：需要一个推理功能。

本文着重于对试点数据的定量分析。 它提出了一种确定WM的潜在灵活性及其对DSO的价值的方法。 为了确定灵活性的重要性，使用WM和整个负载（智能电表数据）的日常和平均负载曲线来研究符合因子的一致性。

从智能洗涤试点的定性分析和定量分析中获得的经验教训为2012年12月在荷兰启动的“您的能源时刻”试点的设计做出了贡献，重点是250多个家庭的需求侧管理。 本文的结论中分享了经验教训和对后续试点项目的贡献。

II．试点结果

在试点期间收集以下数据：（i）2011年和2012年的WM用电量和光伏发电量（小时分辨率，kWh / h）和（ii）01/04 / 11-31 / 12/11 （15分钟分辨率，kWh / 15min）。

A．洗涤周期和智能洗涤周期的定义

由于不确定在洗涤循环的确切开始时间以及洗涤循环是否由能量计算机编程，在给定控制器的优化目标的情况下，基于能量需求的洗涤循环的定义需要重新定义。为了分析数据，应用一个洗涤循环的以下定义：“如果在负载峰之间存在超过2小时，则它们被定义为2个单独的洗涤循环”。智能洗涤循环定义如下：“如果洗涤循环的峰值在PV峰的3小时的范围内”。这意味着在这些时间内手动打开的洗涤循环被视为智能。 PV峰值基于当天所有参与者的平均PV发电量，以克服PV发电的数据间隙和（局部）间歇性。图3中显示出了洗涤循环和智能洗涤循环的定义，还显示出了平均PV产生曲线与一个单独家庭产生曲线之间的差异

图三：说明2个洗涤周期，洗涤周期2被定义为一个智能洗作为负载峰值是在一个3小时的范围内的平均光伏发电高峰。

B．试点结果

图4显示了2011年和2012年的试点结果，说明了WM和光伏电池板的平均每日配置文件以及比例洗涤和智能洗涤（周末和周日）。 由于2012年的数据差距，今年平均资料较低。 家庭7，10-12，15-16和23缺少2012年超过6个月的数据。

图四：2011年和2012年的平均每日洗衣机和光伏曲线，以及试验参与者的总洗涤和智能洗涤。

可以得出结论，WM通常在由PV板本地产生电的时间期间打开。这是试点第1年和第2年的情况。如果这是由于消费者行为的变化，这可能意味着实现了长期的行为变化，这可能意味着由于试点消费者形成了一种关于电的新习惯[4]。 习惯性行为是随着人们在稳定情况下重复行动而产生的自动回应的一种形式。（例5）

为了定义这是否是由于消费者行为的变化，将试验参与者的平均WM分布与欧盟家庭的平均WM分布进行比较[1]，如图5与一般欧盟家庭相比，试点参与者的WM晚间峰值负荷转移到中午，这种效应在工作日清晰可见。为了确定图1所示的曲线的重要性，图5研究了符合的一致性。

图5：日间和周末期间试点参与者和平均欧盟家庭的WM的日均负荷曲线

C.洗衣机负载行为的一致性

图5根据2011年和2012年的试点数据分别提供了工作日和周末的平均WM分布图。这些曲线是基于24户家庭的平均值。 在组级别的负载行为由单个电器特性和巧合决定; 所有家庭都不需要在同一时间供电的事实[6]。 一般来说，每户家庭的峰值负荷下降，因为更多的家庭被添加到该组。 这种趋势被称为重合，并且可以通过重合因子[6-9]，C（ - ），每个单个峰（W）对组的峰（W）的贡献的分数来测量，如（1）所示。

其中N是该组中的家庭数。C（N）在0和1之间变化。对于不同的采样周期，不同的负载，不同的区域和其他因素，例如消费者的习惯，则消费者一致性行为变化很大[8]。 一般来说，符合因子是基于每日负荷曲线的[6-9]。

为了确定图5中所示的平均分布的显着性，我们研究了更大分组的效果如何; 分析重合因子的趋势。一旦重合因子变得稳定，则假定结果是显着的，因为更大的样本大小不会显着影响所实现的平均结果。

D. 基于每日负荷曲线的一致性

在同一天进行洗衣的家庭的最大数量是17户，图6显示了1，3，10和17户家庭的WM的（平均）每日概况，每个家庭都在02/04/2011进行了洗衣。

可以看出，负载的重合使负载曲线平滑，并且随着家庭数量的增加，每户的峰值负载减小。符合因子的曲线取决于家庭的顺序，在图7中展示出了基于02/04/2011的数据的符合因子的两个随机选择的曲线。图7还包括取自Kersting [7]的重合因子的示例，该曲线基于从1到70的多个消耗器的总负载，和15分钟的采样周期。

图7：1，3，10和17户家庭的平均每日WM负荷曲线。

在[9]中得出的结论是，如果住宅消费者的数量高于20，则符合因子的定理可以用于荷兰的配电系统的设计，然后C（N）变得一致，对于单户家庭 一旦Ngt; 50，C（N）变得一致。这些数字基于15分钟的采样周期。

为了定义智能清洗导频中的负载曲线的一致性并由此确定灵活性的重要性，假设C（N）变得稳定一旦满足：

根据（2）和Kersting的示例[7]，一旦Ngt; 33（图7），负载简档变得一致。 由于符合因子的曲线和由此得出的结果（2）取决于家庭的顺序，对于1000个随机顺序考虑每日WM负荷分布的重合，因此平均值用于根据（2）确定一致性。

图7：上：基于17个家庭的WM负荷曲线的符合因子，下：基于1000个随机订单的家庭的结果分布（2）。

图7下显示了(2)的结果分布，进行t检验（5%显著性水平）显示是正态分布的，其平均值为（N=16）=0.024和（N=17）=0.023。因此，不可能基于图6中所示的WM的平均轮廓来绘制结论，因为如果要考虑更多的家庭，该轮廓将显着改变。

E. 基于平均负载曲线的一致性

图5所示的概况基于每个家庭的平均日常概况（基于2011和2012年的数据），而不是一天的WM概况。 这些平均值一般较低，因为WM被关闭的天数也包括在内。 此外，考虑平均值还包括每个家庭的电力需求随时间的巧合。 使用平均值来确定符合因子的效果显示在图8和图9中。

图8：根据2011年和2012年每个家庭的平均工作日概况，平均周日WM负荷概况为1,3,10和24户

图9：上：基于24个家庭的平均WM工作日负荷曲线的符合因子，曲线基于家庭的随机顺序。

下：基于1000个随机订单的家庭的结果分布（2）。

在这种情况下，平均WM工作日负荷曲线的符合因子是基于1000个随机订单的样本，同样，对于（2）的结果考虑符合因子的平均值。 t检验的结果（5％显着性水平）显示是正态分布的，其平均值为（N = 23）= 0.012和（N = 24） = 0.011。结论认为N = 24足以确保24户家庭的平均负荷曲线（基于2011年和2012年的数据）的一致性。

因此，可以得出结论，如果在样本中考虑更多的家庭，图5的平均星期WM载荷曲线将不会改变。因此，样本量被认为足够大，得出结论，与平均欧盟家庭相比，试点参与者的WM晚高峰负荷转移到中午。

平均概况基于2011年和2012年的可用数据。使用样本数据，还可以定义重合因子，住户数量和家庭平均值的考虑期间（采样期）之间的关系。使用这种关系，可以调查一个试点的最小采样周期，该项目的重点是仅有24户家庭的WM的DSM，如智能洗涤试点。

一致性因子，家庭数量和家庭平均值的抽样周期之间的关系如图10所示，每条曲线再次基于1000个随机样本。从现有数据得出的结论是，一旦平均值的抽样期超过15周，就可以认为24户家庭的平均值是显着的，这是基于（2）和（3）设定的限制：

lt;0.015，lt;0.015（3）

其中#Weeks是确定每个家庭的平均值（周）的考虑期。

图10：基于24个家庭的平均星期WM负荷分布的一致性因子，每个样本期家庭被随机化。

如前所述，在白天采样负载的时间段（例如15分钟或每小时的分辨率）对重合因子也有影响。 因此，采样的时间段对于（2）和（3）的结果也具有影响。设定的限值基于[7]和[9]的实例，它们基于15分钟的采样周期，基于每小时的采样周期分析WM简档。如果考虑15分钟采样周期，很可能样本大小和平均值所需的时间周期需要更高以证明显着性[6]。然而在本文中，小时采样周期被认为是足够的，因为WM的灵活性也是基于小时分辨率来研究的（图5）。

III. 定义峰值负载减少

减少峰值负载被认为是智能电网DSO的主要目标之一。由于电气化的增加，网络峰值负载增加。这与连接到配电网的更多分布式发电的发展相结合，为DSO提供了应用DSM以平衡当地供应和需求的机会，允许更多的电力被运输而不需要扩大电网容量。

为了定义用于智能电网集成的WM的灵活性的潜在价值，可以使用智能电表数据确定试点参与者的峰值负载减少。将试验参与者的负荷曲线与同一时期内荷兰消费者的平均曲线进行比较[10]。后者的调整方式使得每年总消费量等于平均试点参与者的消费量。所有试验参与者的平均值取自01/04 / 11-31 / 12/11。比较平均值而不是一天的原因是由于前面提到的重合因素。在图10中，基于每个家庭的平均值和基于一天的简档来示出符合因子。图10和图11还示出了一旦基于每个家庭的平均值，负载简档更加平滑。

图十：上（i）：基于平均智能电表数据的符合因子和（ii）：基于一天（02/04/2011）

下：24户家庭的平均每天负荷情况（02/04/2011）

结果如图11所示，智能洗涤导管增强了峰值负载减少5％。 这个峰值减少是否是由于从夜间的WM负载转移到中午（当局部产生电力）是可疑的。 基于图5，假设与平均欧盟家庭WM负荷从晚上转移到中午相比，WM在峰值减少中起到了作用[1]。 然而，参考，平均欧盟WM的配置文件，可能不合适，不调查如何参与的家庭的WM配置文件在他们加入试点之前。 峰减少也基于15分钟。 分辨率，而WM的灵活性是按小时分辨率进行研究（图5）。此外，PV电池板和其他电器也可能在峰值降低中发挥作用。定性研究[4]得知，参与者还使用其他电器负载转移，例如当阳光很好的时候打开洗衣机。

图11：荷兰的试点参与者的平均每日负荷曲线与荷兰的平均每日负荷曲线[10]

IV. 讨论结果和进一步研究

如前所述，智能洗涤试点是第一个关注消费者行为的智能电网试点项目，并提供了许多有价值的见解。 然而，由于一些研究的局限性，需要进一步研究这个主题。

首先，参与者是DSO Enexis的员工。因此，与荷兰的普通消费者相比

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[141059]，资料为PDF文档或Word文档，PDF文档可免费转换为Word