Tối ưu hóa lịch trình sử dụng tải điều hòa không khí trên cơ sở các bộ tổng hợp tải

của nhóm người 
dùng i tại thời điểm t, com
iT là nhiệt độ thoải 
mái nhất của nhóm người dùng i và nhóm 
người dùng i, compik là hệ số bù, T biểu thị 
tổng số thời gian trong khoảng thời gian lên 
kế hoạch. 
3. Mô hình ACL và điện gió 
3.1. Mô hình thay đổi nhiệt độ ACL 
Ảnh hưởng của ACL đến sự thay đổi nhiệt độ 
trong phòng phụ thuộc vào các yếu tố như kích 
thước và cấu trúc, nhiệt độ ngoài trời và thậm 
chí là vị trí lắp đặt của điều hòa. Mô hình mạch 
nhiệt tương đương thường được sử dụng ACL 
gia đình được trình bày trong hình 3 [6]. 
Q
Ca
Re
Rm
Cm
S
outT
inT
Hình 3. Mô hình tải điều hòa (ACL) 
Trong đó: Q là công suất nhiệt, Ca là công 
nhiệt dung riêng của không khí, Re là điện trở 
nhiệt, Tin là nhiệt độ ở trong nhà, Rm là thành 
phần điện trở nhiệt của chất rắn, Cm là nhiệt 
dung riêng của chất rắn, Tout là nhiệt độ ngoài 
trời. S là biến chỉ trạng thái của điều hòa, 
S=[0, 1] cho biết điều hòa đang ở trạng thái 
bật hoặc tắt. 
Việc đo được nhiệt độ ngoài trời và các thông 
số khác của mô hình, phương trình vi phân 
bậc hai thể hiện mối quan hệ giữa ACL với 
nhiệt độ trong nhà được thiết lập như sau: 
2 in in in
m m
m m a m a2
e e
out
e
out
e
 S=1
 , S=0
C Rd T dT T
C R C C C
R dt Rdt
T
Q
R
T
R
+ + + + 
+ 
= 
， (6) 
Đơn giản hóa công thức (6), mối quan hệ 
tuyến tính gần đúng giữa nhiệt độ và thời gian 
có thể tính như sau [16]: 
Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 
 Email: jst@tnu.edu.vn 288 
( )
( ) ( )
in out
1in
1 in out
1 c
1 0
1 1 / , 1
t t t
t
t t t
T T S
T
T T Q K S
 
  
+
+
+
 + − = 
= 
+ − − − = 
，
(7)
Trong đó: intT là nhiệt độ trong nhà tại thời 
điểm t; in1tT + , 
out
1tT + lần lượt biểu thị nhiệt độ trong 
nhà và ngoài trời tại thời điểm t + 1;  là hệ số 
tản nhiệt; cQ là công suất làm lạnh định mức 
của ACL; K - hệ số tản nhiệt; St là biến thể hiện 
trạng thái của ACL tại thời điểm t. 
Vì St là biến nhị phân, nên công thức (7) có 
thể viết lại: 
( ) ( )in in out1 c 11 / 1t t t tT T S Q K T  + += − − + − (8) 
Giả thiết nhiệt độ ngoài trời không thay đổi 
trong một khoảng thời gian nhất định. Gọi 
in
0T 
là giá trị nhiệt độ ban đầu trong nhà, khi đó: 
( ) ( ) outc 11 / 1t t td S Q K T  += − − + − (9) 
Nhiệt độ trong nhà tính được theo đạo hàm: 
n in
1 0 1
in n 2 in
2 1 2 0 1 2
in in
0
1
i
i
t
t t i
t i
i
T T d
T T d T d d
T T d

  
  −
=
= +
= + = + +
= +
 (10) 
=  +in ξ
0
T Ξ D T (11) 
Viết dưới dạng ma trận: 
in in in
1 2= , ,
T
tT T T 
in
T (12) 
in 2 n in
0 0 0, ,
T
i tT T T   = 
ξ
0
T (13) 
 1 2, ,
T
td d d=D (14) 
2
-1 2 3
1 0 0 0
1 0 0
1 0
0
1t t t

 
  − −
 =
Ξ (15) 
3.2. Mô hình điện gió 
Hiện nay, quang điện và năng lượng gió là hai 
hình thức năng lượng tái tạo chiếm sản lượng 
lớn nhất. Trong số đó, công suất lắp đặt của 
năng lượng gió vượt xa quang điện, và mức 
độ dao động của nó cũng lớn hơn nhiều so với 
pin quang điện [17]. Do đó, bài báo này sử 
dụng năng lượng gió như một đại diện của 
năng lượng tái tạo để mô hình hóa và phân 
tích mô phỏng [18]. 
Đầu ra của tuabin gió phụ thuộc vào giá trị 
của tốc độ gió thời gian thực. Mô hình đầu ra 
thường được sử dụng của tuabin gió được 
trình bày như hình 4 [15]: 
PR
Vci Vco V
P
VR
Hình 4. Quan hệ giữa tốc độ gió và năng lượng đầu ra 
Mô hình xác suất của tốc độ gió thường áp 
dụng phân phối Weibull: 
( )
1
k
k v
ck vp v e
c c
− 
− 
 = 
 (16) 
Trong đó, ( )p v là hàm mật độ xác suất của 
tốc độ gió; c và k là tham số tỷ lệ và tham số 
hình dạng của phân phối Weibull. ciV , coV là 
tốc độ cắt, RV là tốc độ gió định mức, RP là 
công suất định mức. 
4. Mô hình tối ưu ACL 
Mô hình toán được xây dựng trên cơ sở hàm 
mục tiêu và các ràng buộc, hàm mục tiêu là: 
( )
2
n com base
, , c
1 1 1 1
2
base wind
, c
1 1
base wind
, c
1
min
 +
M T T M
i
i i t i t t i i t
i t t i
T M
t t t i i
t i
M
t t t i i
i
F k T T l S Q c
a l P S Q
b l P S Q
= = = =
= =
=
= − − +  
+ − + 
− + 
  
 

(17) 
Trong đó, basetl - tổng các tải không kiểm soát 
(tải cơ bản) tại thời điểm t; windtP - sản lượng 
điện gió tại thời điểm t; ,t iS - trạng thái của 
điều hòa thứ i tại thời điểm t; ciQ - năng lượng 
điều hòa thứ I; T là tổng thời gian trong chu 
trình lập kế hoạch; M là tổng số nhóm ACL. 
Ràng buộc toán học bao gồm: 
1) Hạn chế nhiệt độ điều hòa 
Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 
 Email: jst@tnu.edu.vn 289 
Trong quy trình lập kế hoạch, để ngăn nhiệt 
độ đặt không bị chênh lệch quá xa so với 
nhiệt độ tối ưu gây ảnh hưởng đến người 
dùng, điều này có thể khiến người dùng từ bỏ 
tham gia kế hoạch thống nhất của LA, nhiệt 
độ trong nhà phải được giữ ở mức chấp nhận 
được trong phạm vi cho phép. Do đó, các 
ràng buộc của nó thể hiện như sau: 
min in max
,i i t iT T T (18) 
Trong đó, miniT , 
max
iT - giới hạn nhiệt độ min, 
max của điều hòa thứ i; in,i tT - nhiệt độ của điều 
hòa thứ i tại thời điểm t. 
2) Giới hạn công suất đường dây 
Biến động quá mức của sản lượng điện gió sẽ 
có tác động bất lợi đối với lưới điện. Do đó, 
các ràng buộc đối với công suất đường dây 
như sau: 
wind base max
, c tie
1
0
M
t t t i i
i
P l S Q P
=
 − + +  (19) 
3) Ràng buộc tổng thu nhập (chi phí) 
LA phải đảm bảo rằng thu nhập ròng của nó 
lớn hơn 0 sau khi lên kế hoạch. Ràng buộc có 
thể được thể hiện như sau: 
(
2
base wind base wind
, c
1 1
comp base
, c , c
1 1 1 1
wind
1
0
T M
t t t i i t t
t i
M M T M
t i i i t t i i t
i i t i
T
t
t
a l P S Q b l P
S Q C l S Q c
P
= =
= = = =
=
− − + − − + 
− + +  − 
 
   

(20) 
Trong đó, γ là giá điện gió mua vào của LA. 
5. Mô phỏng và phân tích ví dụ tính toán 
Bài toán đặt ra LA tiến hành điều phối cho 
2770 máy điều hòa với 80% người dùng đã 
tham gia vào dự án. Thời gian lên lịch điều 
phối là 40 phút, nhiệt độ ngoài trời không đổi 
ở mức 34oC. Trong thời gian này, công suất 
tiêu thụ điện khi bật điều hòa là 2,8kW, giới 
hạn trên và dưới của điều chỉnh nhiệt độ trong 
nhà của người dùng là 27oC và 23oC, nhiệt độ 
dễ chịu nhất là 25oC. Các hệ số giá bán điện 
lần lượt là 19,8 và 452. Giá điện cho người sử 
dụng điện là 0,103 USD / kWh. Công suất tối 
đa 2MW và hệ số chi phí bù nhiệt độ được là 
0,0024 USD/℃ cho mỗi nhóm máy ACL. LA 
thu thập tất cả các tham số ACL của người 
dùng và chia chúng thành 15 nhóm. Các 
thông số đặc trưng của từng nhóm được thể 
hiện trong bảng 1. Tải trọng cơ bản, tải ACL, 
sản lượng điện gió và đường cong tải trước 
khi tham gia điều phối được thể hiện trong 
hình 5. 
Dữ liệu cho thấy, tải hệ thống (net load) nhỏ 
hơn 0 tại 1 ~ 7 phút, 19 ~ 25 phút và 38 phút, 
cho thấy dòng công suất lúc này chảy ngược 
về phía hệ thống trước nó trong các khoảng 
thời gian này. Nếu tải khu vực không được 
lập kế hoạch điều phối tối ưu trong các 
khoảng thời gian này, điện gió sẽ không được 
khai thác tại chỗ, làm giảm việc sử dụng năng 
lượng phân tán. 
Bảng 1. Thông số nhóm tải điều hòa 
STT 0
inT /℃  /cQ K Số lượng/ nhóm
1 26,94 0,958 39,38 136 
2 26,47 0,965 39,93 147 
3 24,58 0,953 35,26 112 
4 26,36 0,964 39,98 132 
5 24,73 0,959 38,29 171 
6 25,50 0,952 35,08 198 
7 26,17 0,955 36,17 133 
8 25,72 0,966 37,78 187 
9 24,82 0,969 40,24 109 
10 26,23 0,967 40,28 199 
11 25,55 0,955 35,44 171 
12 26,02 0,951 40,32 135 
13 24,26 0,967 40,24 127 
14 23,25 0,961 37,41 115 
15 24,77 0,969 39,30 144 
Hình 5. Thông số phụ tải và điện gió trước khi 
tiến hành điều phối tải 
Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 
 Email: jst@tnu.edu.vn 290 
Do đó, mô hình tối ưu hóa được đề xuất trong 
bài viết này được sử dụng để tối ưu hóa việc 
lập lịch trình ACL nhằm cải thiện đường cong 
tải. Trong bài báo này, bộ giải CPLEX của 
hộp công cụ trong MATLAB được sử dụng 
để giải bài toán tối ưu hóa. Kết quả tính toán 
được thể hiện trong hình 6. Net load đã được 
cải thiện. Vì công suất hệ thống là có giới hạn 
nên mặc dù công suất của đường dây dao 
động ở mức cao, nó vẫn được duy trì trong 
một phạm vi nhất định. 
Hình 6. So sánh đặc tính tải 
Bảng 2 cho thấy giá trị tối đa/ tối thiểu của tải 
hệ thống tại các thời điểm tương ứng với các 
ràng buộc tải max được đưa ra. Có thể thấy 
trước khi tối ưu hóa, tải hệ thống min là -0,94 
MW, dòng công suất chảy ngược về phía hệ 
thống. Sau khi tối ưu hóa, mặc dù phụ thuộc 
và giới hạn công suất hệ thống nhưng dòng 
công suất sẽ không giảm và luôn nhận giá trị 
dương. Khi ràng buộc tối đa công suất đường 
dây thay đổi, các giá trị tải tối đa và tối thiểu 
tương ứng cũng sẽ thay đổi và thời gian xuất 
hiện các giá trị tối đa và tối thiểu sẽ bị ảnh 
hưởng theo. 
Bảng 2. Dòng công suất hệ thống max/min 
max
tieP 
Công 
suất 
Max/MW 
Thời 
gian 
tương 
ứng/phút 
Công 
suất 
min/MW 
Thời 
gian 
tương 
ứng/phút 
Trước 
tối ưu 
3,213 32 -0,940 3 
2MW 1,998 38 0,016 21 
3MW 2,910 40 0,075 4 
4MW 3,952 38 0,092 4 
5MW 4,644 38 0,092 4 
6MW 5,052 40 0,109 22 
Mục tiêu tối ưu của bài viết này là tối đa hóa 
lợi ích chi phí của LA trên cơ sở các ràng 
buộc giới hạn công suất đường dây khác 
nhau, tổng hợp chi phí của LA được thể hiện 
trong bảng 3. 
Bảng 3. Phân tích lợi ích chi phí của LA 
max
tieP 
Doanh 
thu bán 
điện/USD 
Chi phí 
mua 
điện/USD 
Chi phí bồi 
thường/USD 
Thu 
nhập/USD 
Trước 
tối ưu 
349,33 242,52 32,35 74,47 
2MW 375,24 243,46 23,32 108,47 
3MW 385,83 252,35 22,65 109,24 
4MW 386,53 253,02 23,35 110,15 
5MW 388,21 253,82 23,41 110,98 
6MW 386,48 253,99 20,80 111,69 
Bảng 3 cho thấy lợi ích chi phí LA sau khi 
tiến hành điều phối lớn hơn nhiều so với thu 
nhập trước đó. Khi hạn chế công suất tối đa 
của tải tăng lên, lợi ích chi phí cũng được cải 
thiện, nhưng hiệu quả cải thiện này không 
nhiều. Trong thực tế, cần xem xét tác động 
của tải cực đại lên thiết bị và hạn chế tối đa 
công suất tải phù hợp. 
6. Kết luận 
Bài viết này đã đề xuất một chiến lược kiểm 
soát tải điều hòa trên cơ sở LA có xét đến bù 
chi phí cho người sử dụng. Trong phương 
pháp bù đáp ứng nhu cầu cho phía người 
dùng, bài viết này đề xuất phương pháp bù 
dựa trên sự thoải mái về thể chất thực tế. Mục 
tiêu của đáp ứng nhu cầu là để tối đa hóa lợi 
nhuận của bộ LA, đồng thời trên cơ sở các 
ràng buộc biến động công suất đường dây. 
Kết quả tính toán cho thấy hiệu quả và tính 
khả thi cho hoạt động điều phối tải điều hòa 
sử dụng các LA. 
Kết quả nghiên cứu của bài báo này có thể 
được áp dụng với các đối tượng phụ tải khác 
như xe điện và máy nước nóng (có đặc điểm 
tương tự như ACL). Vì vậy, việc xây dựng 
một hệ thống điều phối tải thống nhất nhiều 
loại hình phụ tải khác nhau cần được tiếp tục 
nghiên cứu và hoàn thiện. 
TÀI LIỆU THAM KHẢO/ REFERENCES 
[1]. S. Yinbiao, Z. Zhigang, and G. Jianbo, “Study 
on Key Factors and Solution of Renewable 
Energy Accomm- odation,” Proceedings of 
the CSEE, 2017, vol. 37, no. 01, pp. 1-9. 
Hà Thanh Tùng Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 284 - 291 
 Email: jst@tnu.edu.vn 291 
[2]. C. Xu, Y. Yuyao, and Z. Yongjun, “Influence 
of Illumination Probability of Photovoltaic 
System on Voltage of Power Distribution 
Networks,” Journal of South China University 
of Technology (Natural Science Edition), vol. 
2015, no. 4, pp. 112-118, 2015. 
[3]. C. Haoyu, H. Shunjie, F. Zhihua, “Demand 
Response of Multi-Microgrid Based on Game 
Theory,” Southern Power System Technology, 
vol. 11, no. 2, pp. 34-40, 2017. 
[4]. Z. Kaiyu, S. Yiqun, and Y. Zheng, “Energy 
Storage Capacity Optimization for Load 
Aggregators Considering Probablity of 
Demand Response Resources’s Breach,” 
Automation of Electric Power Systems, vol. 
39, no. 17, pp. 127-133, 2015. 
[5]. A. H. Mohsenian-Rad，V. W. S. Wong，and 
J. Jatskevich，“Autonomous demand-side 
management based on game- theoretic energy 
consumption scheduling for the future smart 
grid,” IEEE Transactions on Smart 
Grid，vol. 1, no. 3, pp. 320- 331, 2010． 
[6]. W. Qianggang, L. Chao, and L. Yong, “A 
Reactive Power Optimization Model of High 
Voltage Distribution Network Considering 
DLC Cycle Control of Air- conditioning 
Loads,” Proceedings of the CSEE, 2018, vol. 
38, no. 06, pp. 1684-1694. 
[7]. G. Ciwei, L. Qianyu, and L. Yang, “Bi-level 
Optimal Dispatch and Control Strategy for 
Air-conditioning Load Based on Direct Load 
Control,” Proceedings of the CSEE, 2014, 
vol. 34, vol. 10, pp. 1546-1555. 
[8]. G. Ciwei, Z. Liangjie, and Y. Xiaomei, 
“Research on Load Aggregation of Central 
Air Conditioning and Its Participation in the 
Operation of Power System,” Proceedings of 
the CSEE, 2017, vol. 37, no. 11, pp. 3184-
3191+ 3373. 
[9]. Z. Zhidan, H. Xiaoqing, and C. Yijia, 
“Research on Active Response Policy for 
Grid Friendly Air Conditioning Load,” 
Proceedings of the CSEE, 2014 vol. 34, no. 
25, pp. 4207-4218. 
[10]. Z. Yanyu, Z. Peng, and L. Zhongwen, “A 
Multi-Objective Optimal Control Algorithm 
for Air Conditioning System in Smart Grid,” 
Power System Technology, vol. 38, no. 7, pp. 
1819-1826, 2014. 
[11]. L. Zhou, Y. Zhang, and X. Lin, “Optimal 
sizing of PV and BESS for a smart household 
considering different price mechanisms,” 
IEEE Access, vol. 2018, pp(99). 1-1, 2018. 
[12]. T. C. Chiu, Y. Y. Shih, and A. C. Pang, 
“Optimized Day-Ahead Pricing With 
Renewable Energy Demand-Side 
Management for Smart Grids,” IEEE Internet 
of Things Journal, vol. 4, no. 2, pp. 374-383, 
2017. 
[13]. M. Li, L. Nian, and Z. Jianhua, “Optimal 
Operation Model of User Group With 
Photovoltaic in the Mode of Automatic 
Demand Response,” Proceedings of the 
CSEE, 2016 vol. 36, no. 13, pp. 3422-3432 
+3361. 
[14]. L. Dongdong, X. Lianlian, and L. Xiang, 
“Optimal dispatching of microgrid 
considering the participation of reducible 
loads,distributed generators (DG) and energy 
storage units,” Power System Protection and 
Control, vol. 45, no. 2, pp. 35-41, 2017. 
[15]. C. Defu, C. Jinfu, and S. Dongyuan, “Impact 
of Wind Speed Correlation on Operation 
Characteristics of Distribution Network,” 
Power System Technology, vol. 37, no. 01, 
pp. 150-155, 2013. 
[16]. W. Yilan, T. Yibin, and H. Mei, “Research 
on Virtual Energy Storage Model of Air 
Conditioning Loads Based on Demand 
Response,” Power System Technology, vol. 
41, no. 02, pp. 394-401, 2017. 
[17]. H. M. Soliman, and A. Leon-Garcia, “Game-
Theoretic Demand-Side Management With 
Storage Devices for the Future Smart Grid,” 
IEEE Transactions on Smart Grid, vol. 5, no. 
3, pp. 1475-1485, 2014. 
[18]. L. Xiaofeng, G. Bingtuan, and L. Jing, “Non- 
cooperative Game Based Hierarchical 
Dispatch Model of Residential Loads,” 
Automation of Electric Power Systems, 2017, 
vol. 41, no. 14, pp. 54-60, 2017.