CN108512238B - 基于需求侧响应的智能家居两阶段优化调度方法 - Google Patents

Abstract

本发明涉及基于需求侧响应的智能家居两阶段优化调度方法，针对含储能装置的智能家居系统，建立负荷控制模型以及储能控制模型，对智能家电进行两阶段优化调度。第一阶段以柔性负荷为控制对象，采用遗传算法求解；第二阶段以储能装置为控制对象，采用粒子群算法求解。第一阶段优化控制的最优解以基础负荷的形式参与到第二阶段优化控制。负荷控制阶段最优解的适应度值作为储能控制阶段的最小目标函数约束，从而进一步降低电网终端用户的用电成本。考虑基于市场电价的需求侧响应的削峰填谷特性，智能家居调度对于电网源荷形成一种良性的供需关系有着重要的意义。

Description

基于需求侧响应的智能家居两阶段优化调度方法

技术领域

本发明为智能家居系统用电提供了一种经济的优化调度方法。

背景技术

随着化石燃料的消耗，人类社会的高速发展对能源的需求日益紧张，而人类发展与自然环境之间的矛盾引发一系列绿色新能源探索热潮。21世纪初，光伏、风电、水电、核电等成为许多国家能源革命战略的重点产业，预计在2050年全球非化石能源占比将超过50％。由于政府的政策性扶持，光伏产业发展迅速，家装光伏电池板的数量也逐年上升，伴随着储能技术的成熟，电动汽车等新名词概念早已深入人心，其中户用型光储联合系统是由光伏电池板和储能装置组成的联合发电系统，广泛用于居民小院、农村等场所，已在欧美国家大量推广。

智能家居调度是以市场电价为参考信号的电网终端需求侧响应。智能家电优化调度是指在满足基本条件约束的情况下，在时间或功率上对家用电器的使用进行控制，达到运行费用最小或者负荷波动最小的目的，从而降低用户用电费用或减轻电网高峰时段的负荷压力。近年来智能家居调度面临的主要难题是计量检测自动化技术，由于该技术在电力终端的发展缓慢，导致终端智能用电项目难以开展。随着高级计量体系^[7]的逐渐形成和完善，智能家电运行状态的检测以及启停控制功能的系统实现，使智能设备需求侧响应成为可能。

国内外学者针对智能家居系统调度的研究成果较少。电网终端智能用电技术从消费者角度出发，考虑储能和负荷特性，提出智能家电两阶段协调运行策略，以满足用户用电需求及用电满意度需求。

发明内容

智能家电优化调度是指在满足基本条件约束的情况下，在时间或功率上对家用电器的使用进行控制，达到运行费用最小或者负荷波动最小的目的，从而降低用户用电费用或减轻电网高峰时段的负荷压力。近年来智能家居调度面临的主要难题是计量检测自动化技术，由于该技术在电力终端的发展缓慢，导致终端智能用电项目难以开展。随着高级计量体系^[7]的逐渐形成和完善，智能家电运行状态的检测以及启停控制功能的系统实现，使智能设备需求侧响应成为可能。

智能家居储能调度技术的难题在于预测的不确定性，负荷以及新能源发电的随机性和波动性。在用户认可负荷控制算法的调度结果的前提下，调度周期内的负荷曲线成为已知量，家庭智能调度系统中央控制器将不再考虑需求侧的负荷特性，在此基础上，研究对象为未安装光伏板或小型风机的家庭，即不含微电源的电力用户，结合以上两点，家居储能调度将充分摆脱预测精度的影响。考虑储能系统具有缓存电能平抑负荷波动、紧急故障下的不间断供电等特性，含储能智能家居系统的优化调度将有益于电网的能量分配和缓冲，以及用户在故障下的应急反应。

本发明从配电网角度出发，在电网负荷高峰释放高电价信号时选择减少柔性负荷用电或改用储能系统供电，缓解了电网的供电压力，在电网负荷低谷释放低电价信号时选择增加用电或给储能系统充电，不至于造成资源浪费。

本发明是采用如下技术方案进行：

基于需求侧响应的智能家居两阶段优化调度方法，其特征在于，基于建立负荷控制模型以及储能控制模型，对智能家电进行两阶段优化调度，包括：

步骤1、第一阶段以柔性负荷为控制对象，采用遗传算法求解；

步骤2、第一阶段优化控制的最优解以基础负荷的形式参与到第二阶段优化控制，第二阶段以储能装置为控制对象，采用粒子群算法求解。负荷控制阶段最优解的适应度值作为储能控制阶段的最小目标函数约束，从而进一步降低电网终端用户的用电成本。

在上述的基于需求侧响应的智能家居两阶段优化调度方法，第一阶段以考虑用户用电体验的正效益函数为目标，表达式如下：

F₁＝max(f₁-f₂) 式6

其中，f₁是用户满意度，f₂是用电费用。

在系统运行周期T内，用户电力消费的满意度以及用电花费分别表示如下：

式中，c_k是k时段的电价水平，p_k是k时段的用电量。

蓄电池模型如下

蓄电池剩余储能表达式

E_b,t＝SOC_t*C 式10

式中，SOC_t是t时刻蓄电池的荷电状态，是蓄电池剩余储能E_b,t与额定容量C的比值；μ_c、μ_d分别是蓄电池充放电效率；蓄电池剩余储能E_b,t和额定容量C的单位为千瓦时。

在上述的基于需求侧响应的智能家居两阶段优化调度方法，第一阶段负荷控制采用遗传算法求解，具体包括：

步骤3.1、第一阶段负荷控制的遗传算法参数设置：种群规模、解空间、迭代次数归零、迭代终止条件。

步骤3.2、在解空间内对所有染色体组进行初始化：根据柔性负荷特性初始化智能家电运行时间或运行功率。

步骤3.3、在每组染色体中保留适应度最高的染色体，合并成新的染色体组直接参与到下一次迭代，其余染色体将在第二阶段中进行交叉和变异操作。

步骤3.4、判断是否满足迭代终止条件，若是则退出第一阶段负荷优化，进行第二阶段储能优化，并将第一阶段的最优解作为下一阶段的算法启动条件；若否则对非最优染色体组进行交叉或者变异操作，继续下一次迭代。

步骤3.5、重复以上步骤，直到满足迭代终止条件，进入下一阶段的储能优化。

在上述的基于需求侧响应的智能家居两阶段优化调度方法，考虑储能系统的电源特性，智能家居的运行成本将由两部分组成：购电费用以及售电收入。当储能放电功率高于实际负荷需求时，系统向电网馈电并收取一定费用，这部分费用即用户侧的售电收入。第二阶段的优化目标为并网模式下系统运行成本最小化，数学表达式如下：

F₂＝min(f_g-f_s)

式11

其中

式中，f_g、f_s分别是用户购电花费，用户售电收益；C_g,k、C_s,k分别是k时刻购电电价、售电电价；P_g,k、P_s,k分别是k时刻用户购电功率、用户售电功率。

第二阶段优化后的系统运行成本不得高于第一阶段的系统运行成本，

F₂＜f₂ 式16

式中，F₂是第二阶段的优化目标，f₂是第一阶段负荷控制的系统最小运行成本。

为了避免蓄电池处于过充或过放状态以延长使用寿命，在储能优化控制过程中限制蓄电池荷电状态：

SOC_min≤SOC_t≤SOC_max 式17

考虑充放电功率过大影响蓄电池容量，本文对蓄电池单位时间内的充电功率加以约束。

累计放电量是一个反映蓄电池寿命的指标。日累计放电量低有益于延长蓄电池工作寿命，但限制了蓄电池转移电能，不利于系统的经济运行；若日累计放电量过高，有助于灵活调度，但会影响蓄电池的使用寿命。因此，建立蓄电池累计放电约束，

式中，E_dT为蓄电池日累计放电量；

分别是蓄电池日累计放电量的上下限，若蓄电池日放电量不得超出上下限约束范围。

在上述的基于需求侧响应的智能家居两阶段优化调度方法，第二阶段储能控制采用粒子群算法求解，具体包括：

步骤5.1、第二阶段储能控制的粒子群算法参数设置：解空间约束、迭代次数、粒子数目、迭代终止条件。

步骤5.2、初始化粒子群：在满足模型约束条件的24维解空间向量中随机产生N个不同的向量，每个向量对应一个粒子，构成初始粒子群，开始循环迭代。

步骤5.3、通过判断迭代次数选择局部优化或者全局优化：当迭代次数低于设定值，进入局部优化；当迭代次数等于或大于设定值，进行全局优化。

步骤5.4、根据各个时刻负荷值及粒子所携带的功率信息，确定用户购电量大小并计算适应度函数值。

步骤5.5、选择群最优粒子以及个体历史最优的位置，更新粒子群的解空间位置及移动速度，构成新的粒子群

步骤5.6、判断是否满足终止条件，若是则结束二阶段优化进程，按最优解安排调度控制计划；否则重复储能优化步骤，继续下一次迭代。

本发明考虑基于市场电价的需求侧响应的削峰填谷特性，智能家居调度对于电网源荷形成一种良性的供需关系有着重要的意义。

附图说明

图1为两阶段算法流程图。

图2为智能家居系统结构图。

具体实施步骤

下面结合附图对本发明的实施例作进一步的说明，本发明的控制结构包括一个调度中心与多个数据采集器以及储能系统控制器，控制器与各数据采集器进行双向信号传递，各数据采集器之间不能相互通信，调度中心处理数采信号优化储能计划，智能家居系统按照控制器的指令充放电。

根据各柔性负荷的额定功率以及用户用电习惯，可以获得各不确定量的基准和边界参考量，对于各家电柔性负荷运行状态下的功率而言，如基值

扰动量ε_k以及一个工作周期T内总能耗的波动范围上下界

与W_k 等；对于各家电负荷的运行时间而言，如可运行时间段[α_k,β_k]、开始运行时间

结束运行时间

运行时长d_k等。将上述参数以不确定集进行表述：

式中

表示k时段负荷的运行状态，若负荷运行在k时段则取值为1，未运行则取值为0。

智能家居调度第一阶段以考虑用户用电体验的正效益函数为目标，表达式如下：

F₁＝max(f₁-f₂) (6)

其中，f₁是用户满意度，f₂是用电费用。

在系统运行周期T内，用户电力消费的满意度以及用电花费分别表示如下：

式中，c_k是k时段的电价水平，p_k是k时段的用电量。

蓄电池模型如下

蓄电池剩余储能表达式

E_b,t＝SOC_t*C (10)

式中，SOC_t是t时刻蓄电池的荷电状态，是蓄电池剩余储能E_b,t与额定容量C的比值；μ_c、μ_d分别是蓄电池充放电效率；蓄电池剩余储能E_b,t和额定容量C的单位为千瓦时。

考虑储能系统的电源特性，智能家居的运行成本将由两部分组成：购电费用以及售电收入。当储能放电功率高于实际负荷需求时，系统向电网馈电并收取一定费用，这部分费用即用户侧的售电收入。第二阶段的优化目标为并网模式下系统运行成本最小化，数学表达式如下：

F₂＝min(f_g-f_s) (11)

其中

式中，f_g、f_s分别是用户购电花费，用户售电收益；C_g,k、C_s,k分别是k时刻购电电价、售电电价；P_g,k、P_s,k分别是k时刻用户购电功率、用户售电功率。

第二阶段优化后的系统运行成本不得高于第一阶段的系统运行成本，

F₂＜f₂ (16)

式中，F₂是第二阶段的优化目标，f₂是第一阶段负荷控制的系统最小运行成本。

为了避免蓄电池处于过充或过放状态以延长使用寿命，在储能优化控制过程中限制蓄电池荷电状态：

SOC_min≤SOC_t≤SOC_max (17)

考虑充放电功率过大影响蓄电池容量，本文对蓄电池单位时间内的充电功率加以约束。

累计放电量是一个反映蓄电池寿命的指标。日累计放电量低有益于延长蓄电池工作寿命，但限制了蓄电池转移电能，不利于系统的经济运行；若日累计放电量过高，有助于灵活调度，但会影响蓄电池的使用寿命。因此，建立蓄电池累计放电约束，

式中，E_dT为蓄电池日累计放电量；

分别是蓄电池日累计放电量的上下限，若蓄电池日放电量不得超出上下限约束范围。

第一阶段负荷控制采用遗传算法求解；第二阶段储能控制采用粒子群算法求解。

第一阶段选择遗传算法的原因是，遗传算法适用于求解离散问题，本文第一阶段的负荷控制模型属于离散-连续模型，设备状态用0和1表示，是离散的数学表达形式，而功率可控负荷属于模型中的连续性因素，考虑功率可控负荷的全时段运行特性，模型中的连续因素与离散因素相互独立，可将连续的功率可控类负荷分散处理，离散-连续分离的处理方式对控制效果无影响。

第二阶段选择粒子群算法的原因是，粒子群算法主要用于求解复杂的非线性优化问题，采用两阶段寻优方法，前阶段全局搜索确定最优解大致位置，后阶段局部搜索锁定最优解，算法求解效率高，适用于实数域的解空间寻优。本文第二阶段针对储能装置全时域的充放电功率制定调度控制计划，被控量值域是连续的实数域，由第二阶段模型约束条件及目标函数可知本文中的储能调度优化问题为连续的非线性无确定解问题，粒子群算法的寻优参数设置上加强全局寻优方式可避免陷入局部最优，大概率得到全局最优解。

整个方法流程如图1所示。

数采将系统的输入信号上传到控制器，控制器接收每个数采信号之后，判断是否有输入信号超过预设的区间范围，如果没有，不执行任何操作，如果有信号超过预设范围，向数采发送确认信号，若新信号出现在允许延迟时间内，对信号进行预设区间判断，反之，结束信息通讯。调度中心将调度计划下发到控制器，控制智能家居系统经济运行。

算法流程图如图2所示，具体实现步骤如下：

1)第一阶段负荷控制的遗传算法参数设置：种群规模、解空间、迭代次数归零、迭代终止条件。

2)在解空间内对所有染色体组进行初始化：根据柔性负荷特性初始化智能家电运行时间或运行功率。

3)在每组染色体中保留适应度最高的染色体，合并成新的染色体组直接参与到下一次迭代，其余染色体将在下一步中进行交叉和变异操作。

4)判断是否满足迭代终止条件，若是则退出第一阶段负荷优化，进行第二阶段储能优化，并将第一阶段的最优解作为下一阶段的算法启动条件；若否则对非最优染色体组进行交叉或者变异操作，继续下一次迭代。

5)重复以上步骤，直到满足迭代终止条件，进入下一阶段的储能优化。

6)第二阶段储能控制的粒子群算法参数设置：解空间约束、迭代次数、粒子数目、迭代终止条件。

7)初始化粒子群：在满足模型约束条件的24维解空间向量中随机产生N个不同的向量，每个向量对应一个粒子，构成初始粒子群，开始循环迭代。

8)通过判断迭代次数选择局部优化或者全局优化：当迭代次数低于设定值，进入局部优化；当迭代次数等于或大于设定值，进行全局优化。

9)根据各个时刻负荷值及粒子所携带的功率信息，确定用户购电量大小并计算适应度函数值。

10)选择群最优粒子以及个体历史最优的位置，更新粒子群的解空间位置及移动速度，构成新的粒子群

11)判断是否满足终止条件，若是则结束二阶段优化进程，按最优解安排调度控制计划；否则重复储能优化步骤，继续下一次迭代。

参数确定：

1)根据相关智能家电最短运行时长约束，本文规定负荷控制时隙为15min。

2)在标准时隙内柔性负荷的功率不变，且在此期间只能处于运行或非运行状态中的一种状态。

3)假定所有负荷在各标准时间间隔内运行功率保持不变，则用户总负荷为各时段功率的累加。

4)仿真场景设置位于某小区家庭住宅内，该户无光伏装机，储能装置是锂电池，容量为20KW。

5)考虑锂电池的寿命影响，设置储能装置的初始荷电状态以及结尾荷电状态均为40％。

本发明所属的实施例是说明性的，而不是限定性的，因此发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (3)

1.基于需求侧响应的智能家居两阶段优化调度方法，其特征在于，基于建立负荷控制模型以及储能控制模型，对智能家电进行两阶段优化调度，包括：

步骤1、第一阶段以柔性负荷为控制对象，采用遗传算法求解；

步骤2、第一阶段优化控制的最优解以基础负荷的形式参与到第二阶段优化控制，第二阶段以储能装置为控制对象，采用粒子群算法求解；负荷控制阶段最优解的适应度值作为储能控制阶段的最小目标函数约束，从而进一步降低电网终端用户的用电成本。

第一阶段以考虑用户用电体验的正效益函数为目标，表达式如下：

F₁＝max(f₁-f₂) 式6

其中，f₁是用户满意度，f₂是用电费用；

在系统运行周期T内，用户电力消费的满意度以及用电花费分别表示如下：

式中，c_k是k时段的电价水平，p_k是k时段的用电量；

蓄电池模型如下

蓄电池剩余储能表达式

E_b,t＝SOC_t*C 式10

式中，SOC_t是t时刻蓄电池的荷电状态，是蓄电池剩余储能E_b,t与额定容量C的比值；蓄电池剩余储能E_b,t和额定容量C的单位为千瓦时。

第一阶段负荷控制采用遗传算法求解，具体包括：

步骤3.1、第一阶段负荷控制的遗传算法参数设置：种群规模、解空间、迭代次数归零、迭代终止条件；

步骤3.2、在解空间内对所有染色体组进行初始化：根据柔性负荷特性初始化智能家电运行时间或运行功率；

步骤3.3、在每组染色体中保留适应度最高的染色体，合并成新的染色体组直接参与到下一次迭代，其余染色体将在第二阶段优化中进行交叉和变异操作；

步骤3.4、判断是否满足迭代终止条件，若是则退出第一阶段负荷优化，进行第二阶段储能优化，并将第一阶段的最优解作为下一阶段的算法启动条件；若否则对非最优染色体组进行交叉或者变异操作，继续下一次迭代；

步骤3.5、重复以上步骤，直到满足迭代终止条件，进入下一阶段的储能优化。

2.如权利要求1所述的基于需求侧响应的智能家居两阶段优化调度方法，其特征在于：考虑储能系统的电源特性，智能家居的运行成本将由两部分组成：购电费用以及售电收入；当储能放电功率高于实际负荷需求时，系统向电网馈电并收取一定费用，这部分费用即用户侧的售电收入；第二阶段的优化目标为并网模式下系统运行成本最小化，数学表达式如下：

F₂＝min(f_g-f_s) 式11

其中

式中，f_g、f_s分别是用户购电花费，用户售电收益；C_g,k、C_s,k分别是k时刻购电电价、售电电价；P_g,k、P_s,k分别是k时刻用户购电功率、用户售电功率；

第二阶段优化后的系统运行成本不得高于第一阶段的系统运行成本，

F₂＜f₂ 式16

式中，F₂是第二阶段的优化目标；

为了避免蓄电池处于过充或过放状态以延长使用寿命，在储能优化控制过程中限制蓄电池荷电状态：

SOC_min≤SOC_t≤SOC_max 式17

考虑充放电功率过大影响蓄电池容量，对蓄电池单位时间内的充电功率加以约束；

累计放电量是一个反映蓄电池寿命的指标；日累计放电量低有益于延长蓄电池工作寿命，但限制了蓄电池转移电能，不利于系统的经济运行；若日累计放电量过高，有助于灵活调度，但会影响蓄电池的使用寿命；因此，建立蓄电池累计放电约束，

式中，E_dT为蓄电池日累计放电量；

分别是蓄电池日累计放电量的上下限，蓄电池日放电量不得超出上下限约束范围。

3.如权利要求2所述的基于需求侧响应的智能家居两阶段优化调度方法，其特征在于：第二阶段储能控制采用粒子群算法求解，具体包括：

步骤5.1、第二阶段储能控制的粒子群算法参数设置：解空间约束、迭代次数、粒子数目、迭代终止条件；

步骤5.2、初始化粒子群：在满足模型约束条件的24维解空间向量中随机产生N个不同的向量，每个向量对应一个粒子，构成初始粒子群，开始循环迭代；

步骤5.3、通过判断迭代次数选择局部优化或者全局优化：当迭代次数低于设定值，进入局部优化；当迭代次数等于或大于设定值，进行全局优化；

步骤5.4、根据各个时刻负荷值及粒子所携带的功率信息，确定用户购电量大小并计算适应度函数值；

步骤5.5、选择群最优粒子以及个体历史最优的位置，更新粒子群的解空间位置及移动速度，构成新的粒子群；

步骤5.6、判断是否满足终止条件，若是则结束二阶段优化进程，按最优解安排调度控制计划；否则重复储能优化步骤，继续下一次迭代。

Images