CN112859615A - 家庭用电负荷优化调度方法、***、设备及可读存储介质 - Google Patents
家庭用电负荷优化调度方法、***、设备及可读存储介质 Download PDFInfo
- Publication number
- CN112859615A CN112859615A CN202110092903.7A CN202110092903A CN112859615A CN 112859615 A CN112859615 A CN 112859615A CN 202110092903 A CN202110092903 A CN 202110092903A CN 112859615 A CN112859615 A CN 112859615A
- Authority
- CN
- China
- Prior art keywords
- load
- household
- particle
- optimal solution
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000002245 particle Substances 0.000 claims abstract description 133
- 230000005611 electricity Effects 0.000 claims abstract description 96
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 5
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 235000009991 pite Nutrition 0.000 description 1
- 244000293655 pite Species 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种家庭用电负荷优化调度方法、***、设备及可读存储介质，包括按照用电负荷不同的工作特性，将所有家庭用电负荷划分为刚性负荷和柔性负荷；确定目标函数、控制变量和约束条件；建立家庭负荷用电模型；利用改进的自适应权重多目标粒子群算法对家庭负荷用电模型进行求解，得到家庭用电负荷优化调度结果；对家庭用电负荷进行调度调节；本发明综合考虑家庭用电成本及用电功率峰谷差的目标进行优化；采用改进权重策略的多目标粒子群优化算法对整体粒子的适应度进行考量，有效解决多个目标优化问题，优化速度也比较快，避免陷入局部极值点；实现用户用电量和用电费用之间合理的用电调度，避免高峰用电，增加用户用电舒适度。
Description
技术领域
本发明属于智能电网技术领域，特别涉及一种家庭用电负荷优化调度方法、***、设备及可读存储介质。
背景技术
随着智能电网技术的快速发展，家庭用电负荷的管理逐渐成为智能电网在用户侧的延伸，对家庭用电的优化逐渐成为行业的热点；但大部分研究成果都是如何实现家庭用电信息的采集和对电能的控制，而对用户侧的用电成本、家庭用电负荷的尖峰波动及电力调度安排不合理的问题研究成果却非常少。
目前，不同的居民用电需求模型和算法优化被不断提出，以推进用户侧用电优化的研究，例如PSO优化算法；PSO优化算法和模拟退火算法相似，都是从随机解出发，通过多次迭代寻找最优解，根据适应度来评价解的品质；不同的是，PSO优化算法规则比遗传算法规则简单许多，它没有遗传算法的“交叉”和“变异”操作，是通过追随当前搜索到的最优值来寻找全局最优，能够较好地避免陷入局部最优的缺陷；PSO优化算法概念清晰明了、操作方便、收敛速度较快并且参数设置少，是一种高效的搜索算法；但现有的PSO优化算法在进化后期收敛速度明显变慢，所能达到的精度较差，容易陷入局部极值点，因此需要对基本粒子群算法进行改进。
发明内容
针对现有技术中存在的技术问题，本发明提供了一种家庭用电负荷优化调度方法、***、设备及可读存储介质，以解决现有的家庭用电负荷调度过程操作难度角度及精度较低的技术问题。
为达到上述目的，本发明采用的技术方案为：
本发明提供了一种家庭用电负荷优化调度方法，包括以下步骤：
步骤1、按照用电负荷不同的工作特性，将所有家庭用电负荷划分为刚性负荷和柔性负荷；其中，柔性负荷包括可中断负荷和不可中断负荷；
步骤2、确定目标函数、控制变量和约束条件；
步骤3、建立家庭负荷用电模型；其中，家庭负荷用电模型为家庭用电负荷运行状态与家庭用电成本及用电功率峰谷差之间的关系；
步骤4、利用改进的自适应权重多目标粒子群算法对家庭负荷用电模型进行求解，得到家庭用电负荷优化调度结果；
步骤5、根据家庭用电负荷优化调度结果，对家庭用电负荷进行调度调节。
进一步的，步骤1中，可中断负荷为能够在规定时段内完成工作任务，且能够随时关停正在工作的家庭用电负荷；不可中断负荷为在工作时段内保持连续工作，至完成工作任务后停用的家庭用电负荷。
进一步的，步骤2中，控制变量为每个家庭用电负荷在每个允许的运行时间段的运行状态；控制变量的表达式为：
其中，
为家庭用电负荷i的在第b个时段的运行状态，b为负荷运行时段数；
约束条件包括可中断负荷的约束条件及不可中断负荷的约束条件；
其中，可中断负荷的约束条件为：
ta≤βa-αa+1
其中，
为可中断负荷a在第b个负荷运行时段的工作状态；ta为可中断负荷a的运行时长；αa为可中断负荷a的允许工作的开始时刻；βa为可中断负荷a的允许工作的结束时刻；
不可中断负荷的约束条件为：
其中，c为不可中断负荷；αc为不可中断负荷c允许工作的开始时刻；βc为不可中断负荷c允许工作的结束时刻；
为不可中断负荷c的工作开启时刻；
不可中断负荷c的工作结束时刻；tc为不可中断负荷c的运行时长；
步骤2中，优化目标包括家庭用电成本及用电功率峰谷差，目标函数的表达式为：
b＝(t-1)×h+1,t＝1,2,Λ,24
其中，cost为家庭一日用电成本；pricet为第t小时电价；Et为一日中第t小时的用电量；
为家庭用电负荷i在第b个负荷运行时段的用电量；
为家庭用电负荷i在第b个负荷运行时段的用电功率；Emax为第b个负荷运行时段的最大用电量；将一天的24小时按时间长度h为单位分成T个时段；A为家庭用电负荷总数。
进一步的，步骤3中，家庭负荷用电模型的表达式为：
其中，Wcost、Wund分别为各项系数；costmin为家庭一日最小用电成本；costminΔ为家庭一日最小用电成本的最优值；undmin为用电功率最小峰谷差；undminΔ为用电功率最小峰谷差的最优值。
进一步的，步骤4中，利用改进的自适应权重多目标粒子群算法进行求解，具体包括以下步骤：
步骤41、获取改进的多目标粒子群优化算法；
步骤42、利用改进的多目标粒子群优化算法对家庭负荷用电模型进行求解，得到家庭用电负荷的优化调度结果。
进一步的，步骤41中，获取改进的多目标粒子群算法，具体为：
通过约束处理、个体最优解和全局最优解选取，对多目标粒子群算法进行改进；
其中，约束处理采用适应度函数表示，适应度函数的表达式为：
个体最优解和全局最优解选取：
每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
进一步的，步骤42中，利用改进的多目标粒子群优化算法对家庭负荷用电模型进行求解，具体包括以下步骤：
步骤a、初始化
初始化种群及外部档案集，设定粒子群规模Psize，设置最大迭代次数Pite，给定惯性权重初值、学习因子c1及学习因子c2；将种群中每个粒子随机分布在可行解空间，并赋予预设范围内的初始速度；
步骤b、确定极值
根据适应度函数评价初始种群，初始化各粒子的个体最优解、种群的全局最优解、全局帕累托最优解集及历史帕累托最优解集；计算初始化各粒子的适应度值；并将历史最优的位置记为个体极值，并在粒子个体极值集合中找到粒子群全局最优解，与个体最优相比较，选出最佳的解集为全局极值；
步骤c、确定计算当前迭代的惯性权重
当前迭代的惯性权重的表达式为：
Δw＝wmax-wmin
其中，w为当前迭代的惯性权重；wmax为惯性权重的最大值，wmin为惯性权重的最小值；fmean为当前粒子的适应度值，fv为当前全部粒子的平均适应度值；fmin为当前粒子的最小适应度值；
步骤d、更新各粒子的速度和位置
其中，各粒子的速度和位置的更新公式为：
其中，Vm为第m个粒子的速度，Xm为第m个粒子的位置，pbestm为第m个粒子到目前为止发现的最好位置，gbestm为粒子群得到的最好位置；rand为区间(0,1)上的随机数；Vm+1为第m+1个粒子的速度，Xm+1为第m+1个粒子的位置；
步骤e、更新惯性权重
采用非线性变化更新惯性权重，其中，惯性权重的更新公式为：
其中，q为当前迭代次数，wq表示第q次迭代更新的惯性权重值，wmax为预设惯性权重的最大值，wmim为预设惯性权重的最小值；
步骤f、更新位置及外部档案集
根据粒子的适应度值，更新历史最优Pbest和全局最优Gbest，对比当前粒子的适应度值与上一代粒子确定的最优解，如果当前更优则进行个体极值及全局最优解进行替换；
保留当前找到的最优解集，然后将最新一次迭代找到的最优解集和当前最优解集合并，再次选出非支配的最优解集；
步骤g、判断是否达到最大迭代次数，若否，迭代次数加1，转步骤d；若是，算法终止迭代，输出非支配的最优解集，得到家庭用电负荷的优化调度结果。
本发明还提供了一种家庭用电负荷优化调度***，包括划分模块、函数模块、建模模块、求解模块及调节模块；
划分模块，用于按照用电负荷不同的工作特性，将所有家庭用电负荷划分为刚性负荷和柔性负荷；其中，柔性负荷包括可中断负荷和不可中断负荷；函数模块，用于确定目标函数、控制变量和约束条件；建模模块，用于建立家庭负荷用电模型；其中，家庭负荷用电模型为家庭用电负荷运行状态与家庭用电成本及用电功率峰谷差之间的关系；求解模块，用于利用改进的自适应权重多目标粒子群算法对家庭负荷用电模型进行求解，得到家庭用电负荷优化调度结果；调节模块，用于根据家庭用电负荷优化调度结果，对家庭用电负荷进行调度调节。
本发明还提供了一种家庭用电负荷优化调度设备，包括存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令；所述处理器执行所述可执行指令时实现一种家庭用电负荷优化调度方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现一种家庭用电负荷优化调度方法。
与现有技术相比，本发明的有益效果为：
本发明提供了一种家庭用电负荷的优化调度方法及***，综合考虑家庭用电成本及用电功率峰谷差的目标进行优化；采用改进权重策略的多目标粒子群优化算法对整体粒子的适应度进行考量，有效解决多个目标优化问题，优化速度也比较快；在最优解的搜索原理上结合了非支配排序思想和帕累托最优适度分配的方法，利用粒子间的协作关系不断更新粒子的最优解进而求解多目标问题，最终选出适应度最优的粒子集合，避免陷入局部极值点；通过改进的粒子群算法实现用户用电量和用电费用之间合理的用电调度，避免高峰用电，增加用户用电舒适度。
本发明通过对智能电网下综合考虑家庭用户在用电过程中的费用支出以及用户侧负荷波动程度，建立了家庭负荷用电模型；然后对粒子群优化算法中的权重进行实时更新，以此提高算法的鲁棒性和稳定性；采用改进的多目标粒子群算法对不同类型的用电负荷进行调度优化，适合用于对基于用户用电费用及用户侧负荷波动程度的多目标函数模型的优化分析，便于找到全局最优解，避免了陷入局部极值点，求解过程难度较低，精度较高。
附图说明
图1为实施例中利用改进多目标粒子群优化算法对家庭负荷用电模型的求解流程图；
图2为实施例中优化前后家庭用电情况对比图；
图3为实施例中优化前后目标值对比条形图。
具体实施方式
为了使本发明所解决的技术问题，技术方案及有益效果更加清楚明白，以下具体实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
如附图1所示，本实施例提供了一种家庭用电负荷优化调度方法，包括以下步骤：
步骤1、按照用电负荷不同的工作特性及用户的用电行为习惯，将所有家庭用电负荷划分为刚性负荷和柔性负荷；其中，柔性负荷包括可中断负荷和不可中断负荷；可中断负荷为能够在规定时段内完成工作任务，且能够随时关停正在工作的家庭用电负荷；不可中断负荷为在工作时段内保持连续工作，至完成工作任务后停用的家庭用电负荷。
步骤2、确定控制方案，即确定目标函数、控制变量及约束条件；
控制变量为每个可中断负荷在每个允许的运行时间段的运行情况；其中，控制变量的表达式为：
其中，
为家庭用电负荷i的在第b个时段的运行状态，b为负荷运行时段数；
为0表示家庭用电负荷i的在第b个时段处于关停状态，
为1表示家庭用电负荷i的在第b个时段处于工作状态。
约束条件包括可中断负荷的约束条件及不可中断负荷的约束条件；
其中，可中断负荷的约束条件为：
ta≤βa-αa+1
其中，
为可中断负荷a在第b个负荷运行时段的工作状态；ta为可中断负荷a的运行时长；αa为可中断负荷a的允许工作的开始时刻；βa为可中断负荷a的允许工作的结束时刻。
不可中断负荷的约束条件为：
其中，c为不可中断负荷；αc为不可中断负荷c允许工作的开始时刻；βc为不可中断负荷c允许工作的结束时刻；
为不可中断负荷c的工作开启时刻；
不可中断负荷c的工作结束时刻；tc为不可中断负荷c的运行时长。
优化目标包括家庭用电成本及用电功率峰谷差，目标函数的表达式为：
b＝(t-1)×h+1,t＝1,2,Λ,24
其中，cost为家庭一日用电成本；pricet为第t小时电价；Et为一日中第t小时的用电量；
为家庭用电负荷i在第b个负荷运行时段的用电量；
为家庭用电负荷i在第b个负荷运行时段的用电功率；Emax为第b个负荷运行时段的最大用电量；将一天的24小时按时间长度h为单位分成T个时段；优选的，时间长度为30min，共划分为48个时段；A为家庭用电负荷总数。
步骤3、建立家庭负荷用电模型；家庭负荷用电模型为家庭用电负荷运行状态与家庭用电成本及用电功率峰谷差之间的关系；其中，家庭负荷用电模型的表达式为：
其中，Wcost、Wund分别为各项系数；costmin为家庭一日最小用电成本；costminΔ为家庭一日最小用电成本的最优值；undmin为用电功率最小峰谷差；undminΔ为用电功率最小峰谷差的最优值。
步骤4、利用改进的自适应权重多目标粒子群算法，对家庭负荷用电模型进行求解，得到家庭用电负荷优化调度结果；具体包括以下步骤：
步骤41、获取改进的多目标粒子群优化算法；具体的：
通过约束处理、个体最优解和全局最优解选取，对多目标粒子群算法进行改进；
其中，约束处理采用适应度函数表示，适应度函数的表达式为：
个体最优解和全局最优解选取：
每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
步骤42、利用改进的多目标粒子群优化算法对家庭负荷用电模型进行求解，得到家庭负荷的优化调度结果；求解过程具体包括以下步骤：
步骤a、初始化
初始化种群及外部档案集，设定粒子群规模Psize，设置最大迭代次数Pite，给定惯性权重初值、学习因子c1及学习因子c2；将种群中每个粒子随机分布在可行解空间，并赋予预设范围内的初始速度；其中，外部档案集为存储单元，用于存储所求出的解。
步骤b、确定极值
根据适应度函数评价初始种群，初始化各粒子的个体最优解、种群的全局最优解、全局帕累托最优解集及历史帕累托最优解集；计算初始化各粒子的适应度值；并将历史最优的位置记为个体极值，并在粒子个体极值集合中找到粒子群全局最优解，与个体最优相比较，选出最佳的解集为全局极值。
步骤c、确定计算当前迭代的惯性权重
当前迭代的惯性权重的表达式为：
Δw＝wmax-wmin
其中，w为当前迭代的惯性权重；wmax为惯性权重的最大值，wmin为惯性权重的最小值；fmean为当前粒子的适应度值，fv为当前全部粒子的平均适应度值；fmin为当前粒子的最小适应度值。
步骤d、更新各粒子的速度和位置
其中，各粒子的速度和位置的更新公式为：
其中，Vm为第m个粒子的速度，Xm为第m个粒子的位置，pbestm为第m个粒子到目前为止发现的最好位置，gbestm为粒子群得到的最好位置；rand为区间(0,1)上的随机数；Vm+1为第m+1个粒子的速度，Xm+1为第m+1个粒子的位置。
步骤e、更新惯性权重
采用非线性变化更新惯性权重，其中，惯性权重的更新公式为：
其中，q为当前迭代次数，wq表示第q次迭代更新的惯性权重值，wmax为预设惯性权重的最大值，wmim为预设惯性权重的最小值。
步骤f、更新位置及外部档案集
根据粒子的适应度值，更新历史最优Pbest和全局最优Gbest，对比当前粒子的适应度值与上一代粒子确定的最优解，如果当前更优则进行个体极值及全局最优解进行替换；
保留当前找到的最优解集，然后将最新一次迭代找到的最优解集和当前最优解集合并，再次选出非支配的最优解集。
步骤g、判断是否达到最大迭代次数，若否，迭代次数加1，转步骤d；若是，算法终止迭代，输出非支配的最优解集，得到家庭用电负荷的优化调度结果。
步骤5、根据家庭用电负荷优化调度结果，对家庭用电负荷进行调度调节。
本实施例针对建立的家庭负荷用电模型，采用粒子群优化算法对其中的权重进行实时更新，实现了对不同类型的用电负荷进行调度优化；采用改进自适应权重的多目标粒子群算法，加强了智能家庭用电时段优化调度模型的实用性，具有很强的现实意义；加强了算法的局部搜索能力，在避免了算法过早收敛的同时也保存了种群的多样化，保证了适应度函数最优情况下粒子解的质量；引入非支配排序思想和帕累托最优适度分配的方法，利用粒子间的协作关系不断更新粒。粒子的最优解，提高算法的鲁棒性和稳定性。
本实施例中，以普通家庭用户为研究对象，将家庭用户的模拟调度周期设置为1天，调度步长为0.5h；每个时段供电侧给出的电量限制在3kW以内，用户侧额定电压设定为为220V，额定电流设定为20A；将具备多个工作时段的家庭用电负荷分别看作单个柔性负荷进行调度，采用本实施例所述的家庭用电负荷优化调度***，用以实现用户侧和供电侧的双向信息互动；其中，柔性负荷包括电饭煲、洗衣机、第一热水器、第二热水器、电动车充电器、第一空调、第二空调及扫地机器人；各柔性负荷工作的基本参数如下表1所示，分时电价如下表2所示；其中，同一用电负荷随用户不同而发生变化，采用AHP获取用电负荷之间的重要性指标。
表1各柔性负荷运行工作的基本参数表
表2分时电价表
本实施例中，以用户用电成本及波动程度为目标，采用改进自适应权重多目标粒子群算法对多目标进行优化；其中，设定粒子群规模Psize＝200，设置最大迭代次数Pite＝200，给定学习因子c1＝0.9，学习因子c2＝0.1；上述柔性负荷调度优化后的运行结果如下表3所示，从表3中可以看出，柔性负荷的运行工作时间进行了较大调整。
表3优化调度后的各柔性负荷运行工作结果参数表
如附图2所示，附图2给出了优化前后家庭用电情况对比图，从附图2中可以看出优化前不考虑用电成本及用电***的峰谷差，仅按用户自身意愿无序用电，用电时段主要集中在6时、17时及20时，其余时段用电较小，峰谷差比较明显，用电***稳定性较差；优化后，综合考虑用电成本，用电时段主要集中在2-7时及18-23时，用电***峰谷差较小，无明显的高峰或低谷；因此，本实施例采用所述家庭用电负荷优化调度方法及***，起到了削峰填谷，减少用电成本的目的。
如附图3所示，附图3中给出了优化前后目标值对比条形图，从附图3中可以看出，柔性负荷在调度过程中会适当改变用户的用电行为，但优化后的用电成本明显降低，峰谷差降低；有效保证了用电的经济性和舒适性，符合调度优化的实际应用情况。
综合考虑不同情况的优化结果，分别对用电费用、满意度以及用电负荷进行对比分析，五种不同情况下的优化调度结果见下表4所示；从下表4中，可以看出用户按原计划用电时，用户满意度比较高，但伴随用电费用的增加；若是单方面考虑电费最小时，用户的满意度又很低；反之，如果只考虑用户满意度最大时，用户的电费又比较高，都无法达到舒适性和经济性最优；对比传统多目标模型的实验结果，改进后的模型在减少用户用电习惯改变的同时，经济性和满意度都达到相对较好的结果，降低了电费，进一步验证了所提算法对解决家庭用电负荷调度问题的优越性。
表4不同情况下的优化调度结果
本发明所述的家庭用电负荷优化调度方法及***，通过建立家庭用电负荷模型，该模型即考虑了用户侧的生活舒适性，也考虑到了家庭电力使用的经济性，同时兼顾电力负荷波动因素，更加贴近实际，实用性也较高；通过比较已有种群的均值大小进而确定合适的惯性权重值，提出了改进自适应权重的多目标粒子群算法，加强了算法的局部搜索能力，在避免了算法过早收敛的同时也保存了种群的多样化；合理指导用户错峰用电，促进了居民用电有序化和智能化的发展，有效验证了模型的准确性和该算法的优越性。
本实施例还提供了一种家庭用电负荷优化调度***，包括划分模块、函数模块、建模模块、求解模块及调节模块；其中，划分模块，用于按照用电负荷不同的工作特性，将所有家庭用电负荷划分为刚性负荷和柔性负荷；其中，柔性负荷包括可中断负荷和不可中断负荷；函数模块，用于确定目标函数、控制变量和约束条件；建模模块，用于建立家庭负荷用电模型；其中，家庭负荷用电模型为家庭用电负荷运行状态与家庭用电成本及用电功率峰谷差之间的关系；求解模块，用于利用改进的自适应权重多目标粒子群算法对家庭负荷用电模型进行求解，得到家庭用电负荷优化调度结果；调节模块，用于根据家庭用电负荷优化调度结果，对家庭用电负荷进行调度调节。
本实施例还提供了一种家庭用电负荷优化调度设备，其特征在于，包括存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令；所述处理器执行所述可执行指令时实现如下步骤：
按照用电负荷不同的工作特性，将所有家庭用电负荷划分为刚性负荷和柔性负荷；其中，柔性负荷包括可中断负荷和不可中断负荷；确定目标函数、控制变量和约束条件；建立家庭负荷用电模型；其中，家庭负荷用电模型为家庭用电负荷运行状态与家庭用电成本及用电功率峰谷差之间的关系；利用改进的自适应权重多目标粒子群算法对家庭负荷用电模型进行求解，得到家庭用电负荷优化调度结果；根据家庭用电负荷优化调度结果，对家庭用电负荷进行调度调节。
本实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时可实现如下步骤：
按照用电负荷不同的工作特性，将所有家庭用电负荷划分为刚性负荷和柔性负荷；其中，柔性负荷包括可中断负荷和不可中断负荷；确定目标函数、控制变量和约束条件；建立家庭负荷用电模型；其中，家庭负荷用电模型为家庭用电负荷运行状态与家庭用电成本及用电功率峰谷差之间的关系；利用改进的自适应权重多目标粒子群算法对家庭负荷用电模型进行求解，得到家庭用电负荷优化调度结果；根据家庭用电负荷优化调度结果，对家庭用电负荷进行调度调节。
本实施例中的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的一种家庭用电负荷优化调度***、设备及计算机可读存储介质中相关部分的说明可以参见本实施例所述的一种家庭用电负荷优化调度方法中对应部分的详细说明，在此不再赘述。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一，本发明所要求保护的范围并不仅仅受本实施例的限制，还包括在本发明所公开的技术范围内，任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (10)
1.一种家庭用电负荷优化调度方法，其特征在于，包括以下步骤：
步骤1、按照用电负荷不同的工作特性，将所有家庭用电负荷划分为刚性负荷和柔性负荷；其中，柔性负荷包括可中断负荷和不可中断负荷；
步骤2、确定目标函数、控制变量和约束条件；
步骤3、建立家庭负荷用电模型；其中，家庭负荷用电模型为家庭用电负荷运行状态与家庭用电成本及用电功率峰谷差之间的关系；
步骤4、利用改进的自适应权重多目标粒子群算法对家庭负荷用电模型进行求解，得到家庭用电负荷优化调度结果；
步骤5、根据家庭用电负荷优化调度结果，对家庭用电负荷进行调度调节。
2.根据权利要求1所述的一种家庭用电负荷优化调度方法，其特征在于，步骤1中，可中断负荷为能够在规定时段内完成工作任务，且能够随时关停正在工作的家庭用电负荷；不可中断负荷为在工作时段内保持连续工作，至完成工作任务后停用的家庭用电负荷。
3.根据权利要求1所述的一种家庭用电负荷优化调度方法，其特征在于，步骤2中，控制变量为每个家庭用电负荷在每个允许的运行时间段的运行状态；控制变量的表达式为：
其中，
为家庭用电负荷i的在第b个时段的运行状态，b为负荷运行时段数；
约束条件包括可中断负荷的约束条件及不可中断负荷的约束条件；
其中，可中断负荷的约束条件为：
ta≤βa-αa+1
其中，
为可中断负荷a在第b个负荷运行时段的工作状态；ta为可中断负荷a的运行时长；αa为可中断负荷a的允许工作的开始时刻；βa为可中断负荷a的允许工作的结束时刻；
不可中断负荷的约束条件为：
其中，c为不可中断负荷；αc为不可中断负荷c允许工作的开始时刻；βc为不可中断负荷c允许工作的结束时刻；
为不可中断负荷c的工作开启时刻；
不可中断负荷c的工作结束时刻；tc为不可中断负荷c的运行时长；
步骤2中，优化目标包括家庭用电成本及用电功率峰谷差，目标函数的表达式为：
b＝(t-1)×h+1,t＝1,2,Λ,24
其中，cost为家庭一日用电成本；pricet为第t小时电价；Et为一日中第t小时的用电量；
为家庭用电负荷i在第b个负荷运行时段的用电量；
为家庭用电负荷i在第b个负荷运行时段的用电功率；Emax为第b个负荷运行时段的最大用电量；将一天的24小时按时间长度h为单位分成T个时段；A为家庭用电负荷总数。
4.根据权利要求1所述的一种家庭用电负荷优化调度方法，其特征在于，步骤3中，家庭负荷用电模型的表达式为：
其中，Wcost、Wund分别为各项系数；costmin为家庭一日最小用电成本；costminΔ为家庭一日最小用电成本的最优值；undmin为用电功率最小峰谷差；undminΔ为用电功率最小峰谷差的最优值。
5.根据权利要求1所述的一种家庭用电负荷优化调度方法，其特征在于，步骤4中，利用改进的自适应权重多目标粒子群算法进行求解，具体包括以下步骤：
步骤41、获取改进的多目标粒子群优化算法；
步骤42、利用改进的多目标粒子群优化算法对家庭负荷用电模型进行求解，得到家庭用电负荷的优化调度结果。
6.根据权利要求5所述的一种家庭用电负荷优化调度方法，其特征在于，步骤41中，获取改进的多目标粒子群算法，具体为：
通过约束处理、个体最优解和全局最优解选取，对多目标粒子群算法进行改进；
其中，约束处理采用适应度函数表示，适应度函数的表达式为：
个体最优解和全局最优解选取：
每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
7.根据权利要求6所述的一种家庭用电负荷优化调度方法，其特征在于，步骤42中，利用改进的多目标粒子群优化算法对家庭负荷用电模型进行求解，具体包括以下步骤：
步骤a、初始化
初始化种群及外部档案集，设定粒子群规模Psize，设置最大迭代次数Pite，给定惯性权重初值、学习因子c1及学习因子c2；将种群中每个粒子随机分布在可行解空间，并赋予预设范围内的初始速度；
步骤b、确定极值
根据适应度函数评价初始种群，初始化各粒子的个体最优解、种群的全局最优解、全局帕累托最优解集及历史帕累托最优解集；计算初始化各粒子的适应度值；并将历史最优的位置记为个体极值，并在粒子个体极值集合中找到粒子群全局最优解，与个体最优相比较，选出最佳的解集为全局极值；
步骤c、确定计算当前迭代的惯性权重
当前迭代的惯性权重的表达式为：
Δw＝wmax-wmin
其中，w为当前迭代的惯性权重；wmax为惯性权重的最大值，wmin为惯性权重的最小值；fmean为当前粒子的适应度值，fv为当前全部粒子的平均适应度值；fmin为当前粒子的最小适应度值；
步骤d、更新各粒子的速度和位置
其中，各粒子的速度和位置的更新公式为：
其中，Vm为第m个粒子的速度，Xm为第m个粒子的位置，pbestm为第m个粒子到目前为止发现的最好位置，gbestm为粒子群得到的最好位置；rand为区间(0,1)上的随机数；Vm+1为第m+1个粒子的速度，Xm+1为第m+1个粒子的位置；
步骤e、更新惯性权重
采用非线性变化更新惯性权重，其中，惯性权重的更新公式为：
其中，q为当前迭代次数，wq表示第q次迭代更新的惯性权重值，wmax为预设惯性权重的最大值，wmim为预设惯性权重的最小值；
步骤f、更新位置及外部档案集
根据粒子的适应度值，更新历史最优Pbest和全局最优Gbest，对比当前粒子的适应度值与上一代粒子确定的最优解，如果当前更优则进行个体极值及全局最优解进行替换；
保留当前找到的最优解集，然后将最新一次迭代找到的最优解集和当前最优解集合并，再次选出非支配的最优解集；
步骤g、判断是否达到最大迭代次数，若否，迭代次数加1，转步骤d；若是，算法终止迭代，输出非支配的最优解集，得到家庭用电负荷的优化调度结果。
8.一种家庭用电负荷优化调度***，其特征在于，包括划分模块、函数模块、建模模块、求解模块及调节模块；
划分模块，用于按照用电负荷不同的工作特性，将所有家庭用电负荷划分为刚性负荷和柔性负荷；其中，柔性负荷包括可中断负荷和不可中断负荷；
函数模块，用于确定目标函数、控制变量和约束条件；
建模模块，用于建立家庭负荷用电模型；其中，家庭负荷用电模型为家庭用电负荷运行状态与家庭用电成本及用电功率峰谷差之间的关系；
求解模块，用于利用改进的自适应权重多目标粒子群算法对家庭负荷用电模型进行求解，得到家庭用电负荷优化调度结果；
调节模块，用于根据家庭用电负荷优化调度结果，对家庭用电负荷进行调度调节。
9.一种家庭用电负荷优化调度设备，其特征在于，包括存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令；所述处理器执行所述可执行指令时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110092903.7A CN112859615B (zh) | 2021-01-22 | 2021-01-22 | 家庭用电负荷优化调度方法、***、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110092903.7A CN112859615B (zh) | 2021-01-22 | 2021-01-22 | 家庭用电负荷优化调度方法、***、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112859615A true CN112859615A (zh) | 2021-05-28 |
| CN112859615B CN112859615B (zh) | 2024-01-30 |
Family
ID=76008234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110092903.7A Active CN112859615B (zh) | 2021-01-22 | 2021-01-22 | 家庭用电负荷优化调度方法、***、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112859615B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113625553A (zh) * | 2021-09-02 | 2021-11-09 | 北京金山云网络技术有限公司 | 能源优化控制方法、装置、设备和存储介质 |
| CN113904379A (zh) * | 2021-09-30 | 2022-01-07 | 沈阳工程学院 | 一种基于改进的粒子群算法的智能电网经济调度方法 |
| CN113988402A (zh) * | 2021-10-25 | 2022-01-28 | 国网山东省电力公司青岛供电公司 | 一种微电网群智能家居优化调度方法及*** |
| CN114785736A (zh) * | 2022-06-21 | 2022-07-22 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 动车分布式大数据传输优化方法、***、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105894188A (zh) * | 2016-03-31 | 2016-08-24 | 湘潭大学 | 一种家庭用电的调度方法 |
| CN106056271A (zh) * | 2016-05-17 | 2016-10-26 | 珠海许继芝电网自动化有限公司 | 一种用户群用电负荷响应的智能控制方法 |
| CN106779365A (zh) * | 2016-12-02 | 2017-05-31 | 合肥工业大学 | 一种基于需求响应的家庭负荷优化调度方法 |
| US20200161867A1 (en) * | 2018-11-15 | 2020-05-21 | Hefei University Of Technology | Method, system and storage medium for load dispatch optimization for residential microgrid |
| CN111679573A (zh) * | 2020-05-13 | 2020-09-18 | 国网天津市电力公司电力科学研究院 | 一种居民家庭用能优化方法及装置 |
-
2021
- 2021-01-22 CN CN202110092903.7A patent/CN112859615B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105894188A (zh) * | 2016-03-31 | 2016-08-24 | 湘潭大学 | 一种家庭用电的调度方法 |
| CN106056271A (zh) * | 2016-05-17 | 2016-10-26 | 珠海许继芝电网自动化有限公司 | 一种用户群用电负荷响应的智能控制方法 |
| CN106779365A (zh) * | 2016-12-02 | 2017-05-31 | 合肥工业大学 | 一种基于需求响应的家庭负荷优化调度方法 |
| US20200161867A1 (en) * | 2018-11-15 | 2020-05-21 | Hefei University Of Technology | Method, system and storage medium for load dispatch optimization for residential microgrid |
| CN111679573A (zh) * | 2020-05-13 | 2020-09-18 | 国网天津市电力公司电力科学研究院 | 一种居民家庭用能优化方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 于军琪;王胤钧;陈旭;赵安军;严龙山;: "基于粒子群算法的冰蓄冷空调***运行优化研究", 西安建筑科技大学学报(自然科学版), no. 01, pages 152 - 158 * |
| 仲海涛;张建;胥晓辉;薛会;张智晟;: "基于HSA的家庭能量管理***优化调度研究", 青岛大学学报(工程技术版), no. 03, pages 96 - 101 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113625553A (zh) * | 2021-09-02 | 2021-11-09 | 北京金山云网络技术有限公司 | 能源优化控制方法、装置、设备和存储介质 |
| CN113904379A (zh) * | 2021-09-30 | 2022-01-07 | 沈阳工程学院 | 一种基于改进的粒子群算法的智能电网经济调度方法 |
| CN113904379B (zh) * | 2021-09-30 | 2023-09-05 | 沈阳工程学院 | 一种基于改进的粒子群算法的智能电网经济调度方法 |
| CN113988402A (zh) * | 2021-10-25 | 2022-01-28 | 国网山东省电力公司青岛供电公司 | 一种微电网群智能家居优化调度方法及*** |
| CN114785736A (zh) * | 2022-06-21 | 2022-07-22 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 动车分布式大数据传输优化方法、***、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112859615B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112859615A (zh) | 家庭用电负荷优化调度方法、***、设备及可读存储介质 | |
| Roy et al. | Optimization in load scheduling of a residential community using dynamic pricing | |
| CN108321796B (zh) | 家庭能量管理***与方法 | |
| CN110490429A (zh) | 基于ssa算法智能楼宇微电网家用负荷快速调度方法 | |
| CN112883629A (zh) | 基于改进鲸鱼算法的楼宇用电负荷优化调度方法 | |
| CN110752629B (zh) | 一种交直流混合家庭微电网能量优化管理方法 | |
| Wang et al. | Pareto tribe evolution with equilibrium-based decision for multi-objective optimization of multiple home energy management systems | |
| CN116885797A (zh) | 一种基于改进粒子群算法的家庭用电负荷优化调度方法 | |
| CN111679573B (zh) | 一种居民家庭用能优化方法及装置 | |
| CN111864749A (zh) | 光伏***出力园区电动汽车充电方法、***及存储介质 | |
| CN110535142B (zh) | 基于改进离散型pso算法的用电智能控制方法及计算机可读存储介质 | |
| CN115169748A (zh) | 基于动态粒子群算法的智能配电网能量管理优化方法 | |
| CN115587645A (zh) | 一种考虑充电行为随机性的电动汽车充电管理方法及*** | |
| CN113715669B (zh) | 电动汽车有序充电控制方法、***、设备及可读存储介质 | |
| CN110729728A (zh) | 考虑用户实时舒适度和电网负荷率的需求响应方法 | |
| Kowahl et al. | Micro-scale smart grid optimization | |
| KR102463146B1 (ko) | 계층적 심화 강화학습을 이용한 hems 최적화 방법 및 장치 | |
| CN113988590A (zh) | 一种电力需求响应调度方法及装置 | |
| Hu et al. | Multiobjective genetic algorithm for demand side management of smart grid | |
| CN113256118A (zh) | 一种家庭智能用电设备运行优化方法、***及设备 | |
| CN113673830B (zh) | 基于非侵入式负荷监测技术的自适应家庭能量管理方法 | |
| CN116488223A (zh) | 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质 | |
| CN109995027A (zh) | 一种两阶段区域用户能量管理方法及*** | |
| CN113283654B (zh) | 基于聚合解列机制的微网群优化控制方法及*** | |
| CN114971207A (zh) | 基于改进人工蜂群算法的负荷优化分配方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |