文章快速检索     高级检索
  山东大学学报(工学版)  2017, Vol. 47 Issue (6): 57-62  DOI: 10.6040/j.issn.1672-3961.0.2017.533
0

引用本文 

马汉杰, 林霞, 胥晓晖, 张健, 张智晟. 基于自适应粒子群算法的智能家居管理系统负荷优化模型[J]. 山东大学学报(工学版), 2017, 47(6): 57-62. DOI: 10.6040/j.issn.1672-3961.0.2017.533.
MA Hanjie, LIN Xia, XU Xiaohui, ZHANG Jian, ZHANG Zhisheng. Load optimization model of smart home management system based on adaptive particle swarm optimization[J]. Journal of Shandong University (Engineering Science), 2017, 47(6): 57-62. DOI: 10.6040/j.issn.1672-3961.0.2017.533.

基金项目

国家自然科学基金资助项目(51477078);山东电力科技计划资助项目(2017A-88)

作者简介

马汉杰(1994—),男,山东菏泽人,工学硕士,主要研究方向午力系统智能需求侧响应. E-mail:972762966@qq.com

通讯作者

张智晟(1975—),男,山东青岛人,教授,博士后,主要研究方向午力系统负荷预测和经济负荷分配. E-mail:slnzzs@126.com

文章历史

收稿日期:2017-09-21
网络出版时间:2017-11-28 13:56:52
基于自适应粒子群算法的智能家居管理系统负荷优化模型
马汉杰1, 林霞2, 胥晓晖2, 张健2, 张智晟1     
1. 青岛大学自动化与电气工程学院, 山东 青岛 266071;
2. 国网枣庄供电公司, 山东 枣庄 277100
摘要:在能源互联网发展的背景下, 针对电网需求侧响应的策略及用户节约用电成本的要求, 设计智能家居管理系统(smart home management system, SHMS)的基本结构, 构建智能家居管理系统负荷优化模型, 并采用引入衰减因子的自适应粒子群算法对模型进行求解, 可得到满足用户要求的家庭负荷运行方案。仿真算例采用了实际的分时电价、室外温度、负荷参数等信息, 与优化前相比, 用户负荷曲线得到改善, 用电成本及用电量明显下降, 验证了算法的有效性。
关键词能源互联网    智能家居管理系统    负荷优化    自适应粒子群算法    
Load optimization model of smart home management system based on adaptive particle swarm optimization
MA Hanjie1, LIN Xia2, XU Xiaohui2, ZHANG Jian2, ZHANG Zhisheng1     
1. College of Automation and Electrical Engineering, Qingdao University, Qingdao 266071, Shandong, China;
2. State Grid Zaozhuang Power Supply Company, Zaozhuang 277100, Shandong, China
Abstract: In the situation of the development of Energy Internet, the basic structure of smart home management system (SHMS) was designed, the intelligent house management system load optimization model was constructed, which met the demand response strategy for power grid and the user′s requirement to save the electricity cost. Particle swarm optimization(PSO) algorithm for introducing attenuation factors was used to solve the model, which got the program to meet the needs of users. The simulation results were based on the actual time-sharing price, outdoor temperature and load parameters. After the simulation, the user load curve was improved and the electricity consumption and energy used were obviously reduced, which proved the algorithm was effective.
Key words: Energy Internet    smart home management system    load optimization    adaptive PSO    
0 引言

在能源互联网研究中, 需求响应已成为被广泛关注的热点问题, SHMS作为实现需求响应(demand response, DR)的一种必要手段成为研究焦点。SHMS可利用电网与用户的双向互动, 帮助家庭用户节约用电成本, 并且引导其参与电网需求侧响应, 达到用户与电网的双赢。文献[1]提出了一种智能家电管理(HAM)系统, 设计了分时电价背景下用户参与需求响应并节省用电成本的方案, 但未考虑外界环境变化对温控负荷模型的影响。文献[2]在微网环境下, 建立了家庭型用户侧微网负荷优化模型, 并采用粒子群算法求解, 实现了微网用户购电费用的下降以及可控负荷的需求响应, 但其将用户舒适度以罚函数的形式与用电成本综合成一个单目标函数, 难以有效地满足用户舒适度体验。文献[3]提出一种基于动态抗体记忆库的免疫优化算法, 用于智能家庭中的自动需求响应, 但其只考虑了负荷运行时间对用户舒适度的影响, 并未深入分析负荷运行的实际效果。

本研究在已有研究基础上, 设计了SHMS基本结构, 构建了其负荷优化模型, 并采用引入衰减因子的自适应粒子群算法对模型进行求解, 可得到满足用户要求的家庭负荷优化方案。

1 SHMS基本结构设计

本研究设计的SHMS基本结构如图 1所示, 包括智能电表、智能人机交互终端、控制器、负荷等。系统内部通过无线或宽带互联网进行通信, 负荷根据不同分类由用户或控制器进行控制。

图 1 SHMS基本结构 Figure 1 Fundamental Structure of SHMS

图 1中, 负荷分为基本负荷、温控负荷与可转移负荷三类。其中基本负荷属于不可控负荷, 包括电灯、电脑、电视、冰箱等。温控负荷由温度设定约束控制, 例如空调、热水器等。可转移负荷完全可控, 可在优化时间内对其进行控制, 例如电动汽车、洗衣机等。智能电表作为SHMS与智能电网的中介, 实现了能量与信息的双向交互。一方面, 电网的电能经智能电表计量传输至家庭; 另一方面电网的电价信息及需求响应策略也经智能电表发送给用户, 用户的用电状态及方案也上传至电网。控制器整合电价、电能、用户设定等信息以及从互联网获取的实时数据(气温等), 计算设计出一套未来时段负荷优化方案, 并向负荷发送控制指令, 在按优化方案用电的基础上, 实时监测以实现动态反馈控制。人机交互终端(电脑、手机等)可向用户提供SHMS的历史数据、现有状态、优化方案等信息, 用户可根据喜好在此灵活设定负荷优化时长、运行任务、室温及水温范围等。

2 SHMS负荷优化模型

模型根据用户设定的优化时间H小时, 将每小时细分为l个时间段, 则可优化时间为L=l·H个时间段。设SHMS共有n个负荷。最小用电成本的目标函数、总体负荷用电约束、负荷以额定功率运行的约束, 分别表示为式(1)(2)(3), 其他约束条件在用户设定及负荷特性中体现。

$ \min C = \sum\limits_{a = 1}^n {\sum\limits_{t = 1}^L {e_{a, t} \cdot p(t)} }, $ (1)
$ \sum\limits_{a = 1}^n {e_{a, t} \le E_{\max} }, $ (2)
$ {e_{a, t}} = {e_{a, {\rm{normal}}}}{\rm{或}}\;{e_{a, t}} = 0, $ (3)

其中: C为总用电成本; Emax为时段总用电量上限; p(t)为时段电价; ea, t为第t个时段负荷的a用电量; ea, normal为负荷a额定用电量。

2.1 空调

本研究的空调模型运行功率为额定功率。一般情况下, 家庭的室内温度变化与房屋结构、建筑材料、室温初值、室外温度变化、空调制热或制冷性能等有关, 由此建立室温模型[4]

$ T{\rm_{in}}(t) = T{\rm_{in}}(t- 1) + \alpha [T_{\rm{out}}(t)-T_{\rm{in}}(t-1)] + \beta \cdot {e_{l, t}}, $ (4)
$ {T_{{\rm{low}}}} \le {T_{{\rm{in}}}}(t) \le {T_{{\rm{high}}}}{\rm{, }} $ (5)

其中:Tin(t)、Tout(t)分别为第t时段的室内、外温度; α为室外温度对室温的影响系数; β为空调运行单位时段用电量对室温的影响系数, 本研究主要考虑夏季模型, 空调制冷, 则β<0, 冬季反之; ThighTlow为用户设定的室温上下限。参数确定方法详见文献[4]。

2.2 热水器

热水器作为温控负荷, 其特性与空调相似。一般情况下, 室温比热水器内部水温低, 所以水温会随时间推移逐渐降低。为简单起见, 本研究设水冷却降低的温度与时间成正比。热水温度变化受热水器隔热性能、加热性能、初始水温等因素影响。考虑所述因素, 水温模型可总结为

$ {T_{{\rm{water}}}}(t) = {T_{{\rm{water}}}}(t-1)-{T_{{\rm{cooling}}}} + \gamma \cdot {e_{2, t}}, $ (6)
$ {T_{{\rm{water,l }}}} \le {T_{{\rm{water}}}}(t) \le {T_{{\rm{water,h }}}}, $ (7)

其中:Twater(t)为第t时段水温; Tcooling为每时段水冷却的温度; γ为热水器单位时段用电量对水温的影响系数, 热水器加热, 故γ>0。Twater, hTwater, l为设定的水温上下限。参数确定方法详见文献[5]。

2.3 电动汽车

电动汽车的用户舒适度主要体现在, 在计划优化时段后, 电动汽车的电量状态(state of charge, SOC)是否达到用户设定的SOC下限以方便用户在完成优化后出行使用。在用户设定SOC在充电后至少达到电池额定容量80%的情况下, 根据电动汽车的充电特性, 本研究电动汽车充电模型为

$ 0.8{E_{3, {\rm{full}}}} \le \sum\limits_{t = 1}^L {{e_{3, t}} + {E_{3, {\rm{start}}}} \le {E_{3, {\rm{full}}}}}, $ (8)

其中:E3, full午动汽车电池的额定容量; E3, start午动汽车电池初始电量。

2.4 洗衣机

洗衣机属于可转移负荷, 一般而言, 洗衣机需连续运行直到完成任务。与上文相似, 在运行时段洗衣机以恒定功率运行。在洗衣机需连续运行4个时间段完成任务的情况下, 运行模型为

$ \sum\limits_{t = {t_s}}^{{t_s} + 3} {{e_{4, t}} = \sum\limits_{t = 1}^L {{e_{4, t}} = } {E_{4, {\rm{normal}}}}}, $ (9)
$ 1 \le {t_s} \le L-3, $ (10)

其中:E4, normal为洗衣机完成任务的额定用电量; ts为洗衣机运行启动的时段。

3 自适应粒子群算法

粒子群优化算法(particle swarm optimization, PSO)利用一群随机粒子在解空间中搜索。每个粒子都有随机的速度向量, 粒子位置的优劣通过优化目标函数进行评估。目标函数通过将粒子位置作为参数, 计算目标函数值, 得到各粒子的历史最优解Pi和全局最优解Pg。算法可表示为[6-7]

$ v_i^{k + 1} = \omega v_i^k + {c_1}\mu (P_i^k-x_i^k) + {c_2}\eta (P_g^k-x_i^k), $ (11)
$ x_i^{k + 1} = x_i^k + \rho v_i^k, $ (12)

其中:ω是惯性权重系数, 用于维持迭代过程中的速度; c1用于维持对微粒本身的学习, 称为个体加速系数; c2用来维持对于所有微粒的学习, 称为全局加速系数; μη为大小介于0到1的随机数; ρ用来刷新微粒的位置, 其值通常设为1, 称为约束因子。

文献[8]以基本PSO为基础, 提出了一种新的最优适应值更新机制, 自适应PSO算法更新公式为

$ {P_i}\left( {t + 1} \right) = \left\{ \begin{array}{l} {P_i}(t) \cdot T,f({X_i}(t + 1)) \le f({X_i}(t)) \cdot T\\ {X_i}(t + 1),f({X_i}(t + 1)) > f({X_i}(t)) \cdot T. \end{array} \right. $ (13)

在式(13)中引入衰减常量T, T∈[0, 1], 个体最优值与全局最优值将会以一定的速率衰减, 若目前位置的适应度高于衰减的适应度, 其将取代之前的适应度。所有粒子的衰减常量相同, 但各粒子的更新频率不同, 随着f(X)增大, f(P)越来越小, 粒子频繁更新最优值, 直至达到迭代次数[9]

4 算例分析 4.1 算例参数

本算例将每小时分为4个时段, 对从早6点开始的24小时(96个时段)进行优化。算例的电价信息见文献[10], 负荷参数及用户设定、基本照明与娱乐负荷运行情况分别如表 1图 2所示。分时电价有峰时、平时、谷时三种电价, 也作为需求响应的一种信号。本算例室外温度曲线如图 3所示, 起伏较大, 有利于检验模型算法的稳定性。简化起见, 负荷运行功率被设定为额定功率。基本负荷曲线按照用户生活习惯, 在早、中、晚负荷曲线略有起伏, 在用户外出工作时间及夜间较为平稳。

表 1 负荷参数及用户设定 Table 1 Load parameters and user settings
图 2 基本照明与娱乐负荷运行情况 Figure 2 The operation of basic lighting and entertainment load
图 3 室外温度 Figure 3 Outdoor temperature
4.2 仿真结果分析 4.2.1 温控负荷优化结果分析

(1) 空调优化结果分析

α取0.025, β取-1.8的情况下, 空调优化前后的运行分别如图 45所示。显然, 优化前空调运行时段较为密集, 集中在中午和晚上等用户居家时段, 正好处于高温时段和用电高峰, 电价较高, 空调运行呈现“时强时弱”的状态, 对电能消耗较多。优化后, 空调运行时段分散且分布合理, 在低电价时段提前降温, 以便在高温时段和用电高峰减少用电, 运行功率也保持在最佳制冷功率, 避免电能浪费。

图 4 空调优化前运行情况 Figure 4 The operation of air conditioning before optimization
图 5 空调优化后运行情况 Figure 5 The operation of air conditioning after optimization

优化后室温变化如图 6。早上, 气温比室温低, 在空调制冷与室内外温差的双重作用下, 室温下降。8点后, 气温升高, 室温也持续攀升, 在每次即将突破用户设定的温度上限时, 空调制冷进行调节。夜间, 气温降至室温以下, 室温随之降低, 空调无需运行。整个过程中, 空调在室外温度的“配合”下, 避免不必夷运行, 将室温保持在用户设定范围内。

图 6 优化后室温变化 Figure 6 The change of room temperature after optimization

(2) 热水器优化结果分析

优化前后热水器运行情况如图 78。优化前, 用户习惯在使用前运行热水器, 因此热水器集中运行在电价较高的时段。优化后, 热水器的运行明显分散到了低电价时段, 并且运行时段减少。

图 7 优化前热水器运行情况 Figure 7 The operation of water heater before optimization
图 8 优化后热水器运行情况 Figure 8 The operation of water heater after optimization

优化后水温变化如图 9。热水不断冷却, 而热水器则在低电价时段运行, 提升水温, 使其保持在用户设定范围内。并且, 水温在夜间平均值略低于白天, 符合用户的生活习惯, 也节约了电能。

图 9 优化后水温变化 Figure 9 The change of water temperature after optimization
4.2.2 可转移负荷优化结果分析

优化前后电动汽车充电情况如图 1011。优化前, 电动汽车在下班高峰后的高电价时段充电。优化后, 充电转移到了夜间、早上等非高峰时段, 电价较低且不耽误白天用户出行使用。

图 10 优化前电动汽车充电情况 Figure 10 The operation of electric vehicle charging before optimization
图 11 优化后电动汽车充电情况 Figure 11 The operation of electric vehicle charging after optimization

优化前后洗衣机运行情况如图 12所示。与电动汽车充电相同, 优化后洗衣机的运行时段也被转移到了低电价时段, 并且在早上完成连续4个时段的运行, 方便了用户的需求。

图 12 优化前后洗衣机运行情况 Figure 12 The operation of washing machine before and after optimization
4.3 总体负荷优化结果分析

优化前后总负荷运行情况如图 1314。优化前的总负荷多集中在中午、晚上等用户居家时段, 正值用电高峰, 电价高且与电网倡导的需求侧响应相悖。另外, 用户按照生活习惯进行用电, 其控制的预见性、速动性不强, 容易造成运行控制不及时和电能浪费。在优化后, 总负荷普遍降低并且分布合理, 明显避开了用电高峰的高电价, 将负荷转移到了早上和夜间等低电价时段, 形成了需求侧响应, 达到了削峰填谷的目的。优化前, 用户负荷总用电量为36.34 kW·h, 负荷总用电成本为39.368元, 而优化后用电量为25.3 kW·h, 用电成本为15.02元, 用电量节约近30.4%, 电费降低约62%, 方案节电及节约成本效果明显。

图 13 优化前总体负荷运行情况 Figure 13 The operation of total load before optimization
图 14 优化后总体负荷运行情况 Figure 14 The operation of total load after optimization
5 结论

本研究在能源互联网背景下建立了SHMS基本结构及其负荷模型, 模型充分考虑了环境变化、电价、用户、负荷等因素, 并通过引入衰减系数的自适应粒子群算法计算得到了SHMS负荷优化方案。

经验证, 该优化方案将负荷从用电高峰时段合理地转移到用电低谷时段, 改善了用户日负荷曲线, 参与了需求侧响应, 有助于电网削峰填谷。并且该方案在不超出用户设定的前提下, 可大幅降低用户的用电量和用电成本, 具有优良的经济性。

参考文献
[1] 汤奕, 鲁针针, 宁佳, 等. 基于电力需求响应的智能家电管理控制方案[J]. 电力系统自动化, 2014, 38(9): 93-99
TANG Yi, LU Zhenzhen, NING Jia, et al. Management and control scheme for intelligent home appliances based on electricity demand response[J]. Automation of Electric Power Systems, 2014, 38(9): 93-99 DOI:10.7500/AEPS20140106008
[2] 黄焘, 马溪原, 雷金勇, 等. 考虑分时电价和需求响应的家庭型用户侧微电网优化运行[J]. 南方电网技术, 2015, 9(4): 47-53
HUANG Tao, MA Xiyuan, LEI Jinyong, et al. Optimal operation of household user-side microgrid considering time-of-use price and demand response[J]. Southern Power System Technology, 2015, 9(4): 47-53
[3] 盛万兴, 张波, 邸宏宇, 等. 一种基于动态抗体记忆库的免疫优化算法在自动需求响应中的应用[J]. 中国电机工程学报, 2014, 34(25): 4199-4206
SHENG Wanxing, ZHANG Bo, DI Hongyu, et al. A flexible antibody memory based immune optimization algorithm with application to automatic demand response[J]. Proceedings of the CSEE, 2014, 34(25): 4199-4206
[4] SHAO S, PIPATTANASOMPORN M, RAHMAN S. Development of physical-based demand response-enabled residential load models[J]. IEEE Transactions on Power Systems, 2013, 28(2): 607-614 DOI:10.1109/TPWRS.2012.2208232
[5] POURMOUSAVI S A, PATRICK S N, NEHRIR M H. Real-time demand response through aggregate electric water heaters for load shifting and balancing wind generation[J]. IEEE Transactions on Smart Grid, 2014, 5(2): 769-778 DOI:10.1109/TSG.2013.2290084
[6] GAO H, KWONG S, YANG J, et al. Particle swarm optimization based on intermediate disturbance strategy algorithm and its application in multi-threshold image segmentation[J]. Information Sciences, 2013, 250(11): 82-112
[7] ALRASHIDI M R, El-NAGGAR K M. Long term electric load forecasting based on particle swarm optimization[J]. Applied Energy, 2010, 87(1): 320-326 DOI:10.1016/j.apenergy.2009.04.024
[8] CUI X, HARDIN C T, RAGADE R K, et al. Tracking non-stationary optimal solution by particle swarm optimizer[C]//International conference on software engineering, artificial intelligence, Networking and parallel/distributed computing and first acis international workshop on self-assembling wireless networks.[S.l.]: IEEE Computer Society, 2005:133-138. http://dl.acm.org/citation.cfm?id=1070325
[9] 刘秀梅. 动态系统中粒子群优化算法综述[J]. 软件导刊, 2016, 15(10): 43-46
LIU Xiumei. The summarization of particle swarm optimization algorithm in dynamic system[J]. Software Guide, 2016, 15(10): 43-46
[10] 何可人, 滕欢, 郭宁. 考虑峰谷差因素的用户侧负荷优化运行[J]. 科学技术与工程, 2016, 16(27): 177-182
HE Keren, TENG Huan, GUO Ning. Optimal operation of user side load considering peak-valley difference[J]. Science Technology and Engineering, 2016, 16(27): 177-182 DOI:10.3969/j.issn.1671-1815.2016.27.032