CN113872215A - 基于需求响应的家用电器负荷优化控制***及控制方法 - Google Patents

基于需求响应的家用电器负荷优化控制***及控制方法 Download PDF

Info

Publication number
CN113872215A
CN113872215A CN202111129813.7A CN202111129813A CN113872215A CN 113872215 A CN113872215 A CN 113872215A CN 202111129813 A CN202111129813 A CN 202111129813A CN 113872215 A CN113872215 A CN 113872215A
Authority
CN
China
Prior art keywords
household appliance
control
total
appliance
optimization
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
Application number
CN202111129813.7A
Other languages
English (en)
Other versions
CN113872215B (zh
Inventor
吴凯槟
付舜韬
张良华
郑鑫
戴安
邱泽晶
岳萌萌
李俊
王曦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute
State Grid Corp of China SGCC
State Grid Electric Power Research Institute
Original Assignee
Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute
State Grid Corp of China SGCC
State Grid Electric Power Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute, State Grid Corp of China SGCC, State Grid Electric Power Research Institute filed Critical Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute
Priority to CN202111129813.7A priority Critical patent/CN113872215B/zh
Publication of CN113872215A publication Critical patent/CN113872215A/zh
Application granted granted Critical
Publication of CN113872215B publication Critical patent/CN113872215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/10—The network having a local or delimited stationary reach
    • H02J2310/12—The local stationary network supplying a household or a building
    • H02J2310/14—The load or loads being home appliances
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/242—Home appliances

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种基于需求响应的家用电器负荷优化控制***，包括分类模块、运行参数采集模块、优化控制总费用计算模块、粒子群算法模块、运行状态执行模块。本发明还公开了一种利用上述所述的基于需求响应的家用电器负荷优化控制***的控制方法，包括对家用电器进行分类；获取每个家用电器的运行参数；计算家用电器优化控制后的总费用；利用粒子群算法得到优化控制后各个家用电器在下一个优化控制周期内的目标运行状态，根据目标运行状态控制各个家用电器的运行状态。本发明在实现家庭负荷的削峰填谷同时，还控制了电器的通断次数和控制参数的变化率，从而保证用户用电的满意度。

Description

基于需求响应的家用电器负荷优化控制***及控制方法
技术领域
本发明涉及家用电量优化技术领域，具体地指一种基于需求响应的家用电器负荷优化控制***及控制方法。
背景技术
能源问题是始终给社会经济发展进步带来严重挑战的问题，随着化石能源的日益枯竭，如何高效利用不可再生能源成为人类面对的越来越严峻的挑战。商业用电和家庭用电之和约占四分之三的电能总消耗量，在这其中约有三成的电能在使用过程中被浪费。因此，如果将这部分被浪费的电能进行重新利用将带来巨大的经济效益。家庭能源管理能够减少电能的需求量，特别是高峰负荷期，通过安排不同家用电器的使用时间，可以帮助用户减少整体的能源消耗，同时会兼顾用户的用电满意度。
在现有的基于需求响应的家庭负荷优化方法中，往往没有考虑家庭负荷优化调度后给用户带来的不方便性，这使得家庭负荷优化调度模型的目标函数不是很完善，不符合实际情况；同时在考虑激励对家庭负荷优化调度的影响中，现有的方案往往对每一时段采用固定激励的办法，这不利于用户将更多的负荷从峰时电价时段转移到谷时电价和平时电价时段，这使得削峰填谷的效果不是很显著。
发明内容
本发明的目的就是要克服上述现有技术存在的不足，提供一种基于需求响应的家用电器负荷优化控制***及控制方法，在实现家庭负荷的削峰填谷同时，保证用户用电的满意度。
为实现上述目的，本发明提供一种基于需求响应的家用电器负荷优化控制***，包括分类模块、运行参数采集模块、优化控制总费用计算模块、粒子群算法模块、运行状态执行模块；
所述分类模块用于将家用电器分类为运行状态不可控电器和运行状态可控电器，以及用于将运行状态可控电器按照控制参数的不同分为功率可控电器和温度可控电器；
所述运行参数采集模块用于采集家用电器在一个优化控制周期内的运行状态、待机功率、额定功率、控制参数；
所述优化控制总费用计算模块用于，根据家用电器的运行参数，得到一个优化控制周期内家用电器的用电量和通断次数、以及运行状态可控电器的控制参数变化率；根据家用电器的用电量和通断次数得到家用电器总电费，根据运行状态可控电器的控制参数变化率得到优化控制总成本，根据家用电器总电费和优化控制总成本进行求和得到家用电器优化控制后的总费用；
所述粒子群算法模块用于将家用电器的运行状态作为粒子群算法中每个粒子的维度，将家用电器优化控制后的总费用作为粒子群算法的目标函数，进行迭代计算直到收敛，得到优化控制后各个家用电器在下一个优化控制周期内的目标运行状态；
所述运行状态执行模块用于根据下一个优化控制周期内的目标运行状态控制家用电器的运行状态。
进一步地，所述优化控制总费用计算模块包括优化控制总成本计算模块，所述优化控制总成本计算模块用于获取每个运行状态可控电器的控制参数变化率与成本系数的乘积，得到每个运行状态可控电器的优化控制成本，然后求和得到优化控制总成本，所述成本系数为固定常数。
进一步地，所述优化控制总成本计算模块包括控制参数变化率计算模块，所述控制参数变化率计算模块用于获取每个采样周期内控制参数的变化率绝对值，然后对一个控制优化周期内的多个控制参数的变化率绝对值求和得到所述控制参数变化率。
进一步地，所述优化控制总费用计算模块包括家用电器总电费计算模块，所述家用电器总电费计算模块用于获取家用电器的总用电量与电价的乘积得到第一家用电器电费，以及用于获取家用电器的通断次数与通断成本系数的乘积得到第二家用电器电费，对第一家用电器电费和第二家用电器电费求和得到家用电器总电费，所述通断成本系数为固定常数。
进一步地，所述家用电器总电费计算模块包括总用电量计算模块，所述总用电量计算模块用于获取家用电器的运行状态在控制优化周期内对时间的积分、将所述积分乘以家用电器的额定功率后加上待机功率与优化控制周期的乘积得到每个家用电器的用电量，最后对每个家用电器的用电量进行求和得到总用电量。
进一步地，所述粒子群算法模块用于对粒子群进行初始化，计算每个粒子的目标函数值F(xi(t))；在闵可夫斯基距离中定义每个粒子的邻域，定义解空间中所有粒子的位置xi＝(xi1,xi2,...)、yi＝(yj1,yj2,...)，其中i，j＝1,2,...,250；计算两个粒子之间的闵可夫斯基距离D(xi,yi)；根据粒子定义的邻域利用K近邻查询法查询粒子到k个最近邻点为k个最优位置目标值lbest；更新学习样本，计算k个最近邻点的目标函数值F(lbest)，以及计算第t次迭代时历史最佳位置pbest对应的目标函数值F(pbest)，若F(xi(t))＞F(pbest)，则令pbest＝xi(t)，若F(pbest)＞F(lbest)，则令lbest＝pbest；更新粒子速度和位置继续进行迭代计算直到收敛，得到优化控制后各个家用电器在下一个优化控制周期内的目标运行状态。
进一步地，所述粒子群算法模块还用于更新粒子速度和位置，将标准粒子群算法中的全局最优粒子gbest转化为阶梯型粒子群算法中的最优位置目标值lbest。
一种利用上述所述的基于需求响应的家用电器负荷优化控制***的控制方法，将家用电器分为运行状态可控电器和运行状态不可控电器，运行状态可控电器按照控制参数的不同分为功率可控电器和温度可控电器；获取每个家用电器的运行参数，得到一个优化控制周期内家用电器的用电量和通断次数、以及运行状态可控电器的控制参数变化率；根据家用电器的用电量和通断次数得到家用电器总电费，根据运行状态可控电器的控制参数变化率得到优化控制总成本，根据家用电器总电费和优化控制总成本进行求和得到家用电器优化控制后的总费用；将家用电器的运行状态作为粒子群算法中每个粒子的维度，将家用电器优化控制后的总费用作为粒子群算法的目标函数，进行迭代计算直到收敛，得到优化控制后各个家用电器在下一个优化控制周期内的目标运行状态，根据目标运行状态控制各个家用电器的运行状态。
进一步地，所述优化控制总成本的确定方法包括，获取每个运行状态可控电器的控制参数变化率与成本系数的乘积，得到每个运行状态可控电器的优化控制成本，然后求和得到；所述家用电器总电费的确定方法包括，获取家用电器的用电量与电价的乘积得到第一家用电器电费，以及用于获取家用电器的通断次数与通断成本系数的乘积得到第二家用电器电费，对第一家用电器电费和第二家用电器电费求和得到。
进一步地，所述粒子群算法还包括，粒子群进行初始化，计算每个粒子的目标函数值F(xi(t))；在闵可夫斯基距离中定义每个粒子的邻域，定义解空间中所有粒子的位置xi＝(xi1,xi2,...)、yi＝(yj1,yj2,...)，其中i，j＝1,2,...,250；计算两个粒子之间的闵可夫斯基距离D(xi,yi)；根据粒子定义的邻域利用K近邻查询法查询粒子到k个最近邻点为k个最优位置目标值lbest；更新学习样本，计算k个最近邻点的目标函数值F(lbest)，以及计算第t次迭代时历史最佳位置pbest对应的目标函数值F(pbest)，若F(xi(t))＞F(pbest)，则令pbest＝xi(t)，若F(pbest)＞F(lbest)，则令lbest＝pbest；更新粒子速度和位置继续进行迭代计算直到收敛，得到优化控制后各个家用电器在下一个优化控制周期内的目标运行状态。
进一步地，更新粒子速度和位置的方法包括，将标准粒子群算法中的全局最优粒子gbest转化为阶梯型粒子群算法中的最优位置目标值lbest。
本发明的有益效果是：家庭负荷的削峰填谷同时，保证用户用电的满意度。本发明将一个优化控制周期内的各个电器运行状态作为控制目标，利用粒子群算法将家用电器优化控制后的总费用作为目标函数，其中家用电器优化控制后的总费用还额外考虑到了由于电器的频繁通断带来的第二家用电器电费、以及由于对电器的运行状态进行优化控制带来的优化控制总成本，这样为了使得家用电器优化控制后的总费用最小，不能仅仅只是通过降低用电量来减小第一家用电器电费，而是要综合降低用电量、减小电器通断次数以及减小控制参数变化率来确保优化控制后的总费用最小，这样在家庭负荷的削峰填谷同时，还控制了电器的通断次数和控制参数的变化率，从而保证用户用电的满意度。
附图说明
图1为本发明的控制***结构图。
图2为本发明的控制方法流程图。
图中各部件标号如下：分类模块100、运行参数采集模块200、优化控制总费用计算模块300、优化控制总成本计算模块310、家用电器总电费计算模块320、粒子群算法模块400、运行状态执行模块500。
具体实施方式
下面具体实施方式用于对本发明的权利要求技术方案作进一步的详细说明，便于本领域的技术人员更清楚地了解本权利要求书。本发明的保护范围不限于下面具体的实施例。本领域的技术人员做出的包含有本发明权利要求书技术方案而不同于下列具体实施方式的也是本发明的保护范围。
如图1所示，一种基于需求响应的家用电器负荷优化控制***，包括通讯连接的分类模块100、运行参数采集模块200、优化控制总费用计算模块300、粒子群算法模块400、运行状态执行模块500。
分类模块100包括分类选择界面，分类选择界面上包括家用电器的类别和家用电器的名称，家用电器的类别包括运行状态不可控电器和运行状态可控电器，运行状态可控电器按照控制参数的不同分为功率可控电器和温度可控电器，用户在分类选择界面上的三个家用电器的类别一栏选择家用电器的名称，完成家用电器的分类。
其中，运行状态不可控电器是指该电器的运行状态不能够进行优化控制，其运行状态必须严格按照使用者的需求来确定，例如：照明灯、个人电脑、电冰箱。运行状态可控电器是指该电器的运行状态可以进行优化控制，而功率可控电器和温度可控电器是指该电器的控制参数，温度可控电器包括空调、热水器，功率可控电器包括洗衣机、微波炉、洗碗机。
运行参数采集模块200用于采集家用电器在一个优化控制周期内的运行状态、待机功率、额定功率、控制参数，采样周期t0为1min，而优化控制周期为24h，即在一个优化控制周期内会进行多次采样。
优化控制总费用计算模块300用于，根据家用电器的运行参数，得到一个优化控制周期内家用电器的用电量和通断次数、以及运行状态可控电器的控制参数变化率；根据家用电器的用电量和通断次数得到家用电器总电费f2，根据运行状态可控电器的控制参数变化率得到优化控制总成本f1，根据家用电器总电费和优化控制总成本进行求和得到家用电器优化控制后的总费用F，即F＝f1+f2。
优化控制总费用计算模块300包括优化控制总成本计算模块310，优化控制总成本计算模块310用于获取每个运行状态可控电器的控制参数变化率与成本系数的乘积，得到每个运行状态可控电器的优化控制成本，然后对每个运行状态可控电器的优化控制成本求和得到优化控制总成本，成本系数为固定常数，其将控制参数变化率转化为费用。
优化控制总成本计算模块310包括控制参数变化率计算模块，控制参数变化率计算模块用于获取每个采样周期内控制参数的变化率绝对值，然后对一个控制优化周期内的多个控制参数的变化率绝对值求和得到控制参数变化率，功率可控电器的控制参数变化率为功率变化率，温度可控电器的控制参数变化率为温度变化率。
优化控制总成本f1的计算公式如下：
Figure BDA0003280161550000071
其中，δ为成本系数，N为运行状态可控电器的数量，n为第n个运行状态可控电器，θ(n)为第n个运行状态可控电器的控制参数变化率。
控制参数变化率θ包括功率变化率θP和温度变化率θT。
功率变化率θP和温度变化率θT的计算公式分别为
Figure BDA0003280161550000072
其中，m为第m个采样周期，M为一个优化控制周期内采样周期的数量，即24×60＝1440，P0(m)为第m个采样周期初始时刻该电器的功率，P1(m)为第m个采样周期结束时刻该电器的功率，T0(m)为第m个采样周期初始时刻该电器的控制温度，T1(m)为第m个采样周期结束时刻该电器的控制温度，例如空调设定的目标温度，热水器设定的目标温度。
优化控制总费用计算模块300包括家用电器总电费计算模块320，家用电器总电费计算模块320用于获取家用电器的总用电量与电价的乘积得到第一家用电器电费，以及用于获取家用电器的通断次数与通断成本系数的乘积得到第二家用电器电费，对第一家用电器电费和第二家用电器电费求和得到家用电器总电费，通断成本系数为固定常数。
家用电器总电费f2的计算公式分别为
f2＝QW(t)+αλ
其中，Q为总用电量，t为时间，W(t)为电网电价，它随时间的变化而变化，λ为家用电器的通断次数，开一次关一次为一次通断，α为通断成本系数，通断成本系数反映了通断次数带来的额外成本。
家用电器总电费计算模块包括总用电量计算模块，总用电量计算模块用于获取家用电器的运行状态在控制优化周期内对时间的积分、将积分乘以家用电器的额定功率后加上待机功率与优化控制周期的乘积得到每个家用电器的用电量，最后对每个家用电器的用电量进行求和得到总用电量。
家用电器的总用电量Q的计算公式分别为
Figure BDA0003280161550000081
其中，Mt0为一个优化控制周期时间，即24h，Pd(n)为第n个家用电器的待机功率，Pe(n)为第n个家用电器的额定功率，β(nt)为第n个家用电器的运行状态，它随着时间的变化而变化。
粒子群算法模块400用于执行如下计算过程：
1、将家用电器的运行状态β(nt)作为粒子群算法中每个粒子的维度，运行状态为0或1，从而获得每个粒子的维数，将任意一个粒子的序号记为d；
2、对粒子群进行初始化，随机生成250个粒子；
3、将家用电器优化控制后的总费用F作为粒子群算法的目标函数，计算每个粒子的目标函数值；
4、在闵可夫斯基距离中定义每个粒子的邻域，定义解空间中所有粒子的位置xi＝(xi1,xi2,...)、yi＝(yj1,yj2,...)，其中i，j＝1,2,...,250；计算两个粒子之间的闵可夫斯基距离
Figure BDA0003280161550000082
p为距离系数，对于温度可控电器设定为0.5，对于非温度可控电器设定为0.8。
5、根据粒子定义的邻域利用K近邻查询法查询粒子到k个最近邻点为k个最优位置目标值lbest；
6、更新学习样本，计算k个最近邻点的目标函数值F(lbest)，以及计算第t次迭代时历史最佳位置pbest对应的目标函数值F(pbest)，若F(xi(t))＞F(pbest)，则令pbest＝xi(t)，若F(pbest)＞F(lbest)，则令lbest＝pbest；
7、更新粒子速度和位置，将标准粒子群算法中的全局最优粒子gbest转化为阶梯型粒子群算法中的最优位置目标值lbest，更新后的粒子速度以及位置的公式分别为：
vi(t+1)＝ω.vi(t)+c1r1(t)[pbest(t)-xi(t)]+c2r2(t)[lbest(t)-xi(t)]
xi(t+1)＝xi(t)+vi(t+1)
其中，vi(t+1)和xi(t+1)粒子在第t次迭代后更新的速度和位置,pbest(t)为粒子第t次迭代时历史的最佳位置，lbest(t)为粒子第t次迭代时邻域的最佳位置，r1(t)和r2(t)是处在[0,1]之间的随机数，ω为惯性权重，是上一次的速度对当前速度的改变；c1和c2与普通粒子群算法中的相同，为个体层面认知因子和社会层面认知因子，表示所有粒子向pbest和lbest移动的权重，均为定值。
8、继续进行迭代计算直到收敛，得到优化控制后各个家用电器在下一个优化控制周期内的目标运行状态β(nt)。
运行状态执行模块500用于根据下一个优化控制周期内的目标运行状态控制家用电器的运行状态。这样便可以控制运行状态可控电器在下一个优化控制周期内任意时刻的运行状态。
如图2所示，利用上述的基于需求响应的家用电器负荷优化控制***的控制方法如下：
一、利用分类模块100将家用电器分为运行状态可控电器和运行状态不可控电器，运行状态可控电器按照控制参数的不同分为功率可控电器和温度可控电器。
二、通过运行参数获取模块200获取每个家用电器的运行参数，得到一个优化控制周期内家用电器的用电量和通断次数、以及运行状态可控电器的控制参数变化率。
三、优化控制总费用计算模块300利用根据家用电器的用电量和通断次数得到家用电器总电费，根据运行状态可控电器的控制参数变化率得到优化控制总成本，根据家用电器总电费和优化控制总成本进行求和得到家用电器优化控制后的总费用。
四、利用粒子群算法模块400将家用电器的运行状态作为粒子群算法中每个粒子的维度，将家用电器优化控制后的总费用作为粒子群算法的目标函数，进行迭代计算直到收敛，得到优化控制后各个家用电器在下一个优化控制周期内的目标运行状态。
五、利用运行状态执行模块500根据目标运行状态控制各个家用电器的运行状态。
本发明将一个优化控制周期内的各个电器运行状态作为控制目标，利用粒子群算法将家用电器优化控制后的总费用作为目标函数，其中家用电器优化控制后的总费用还额外考虑到了由于电器的频繁通断带来的第二家用电器电费、以及由于对电器的运行状态进行优化控制带来的优化控制总成本，这样为了使得家用电器优化控制后的总费用最小，不能仅仅只是通过降低用电量来减小第一家用电器电费，而是要综合降低用电量、减小电器通断次数以及减小控制参数变化率来确保优化控制后的总费用最小，这样在家庭负荷的削峰填谷同时，还控制了电器的通断次数和控制参数的变化率，从而保证用户用电的满意度。

Claims (10)

1.一种基于需求响应的家用电器负荷优化控制***，其特征在于：包括分类模块(100)、运行参数采集模块(200)、优化控制总费用计算模块(300)、粒子群算法模块(400)、运行状态执行模块(500)；
所述分类模块(100)用于将家用电器分类为运行状态不可控电器和运行状态可控电器，以及用于将运行状态可控电器按照控制参数的不同分为功率可控电器和温度可控电器；
所述运行参数采集模块(200)用于采集家用电器在一个优化控制周期内的运行状态、待机功率、额定功率、控制参数；
所述优化控制总费用计算模块(300)用于，根据家用电器的运行参数，得到一个优化控制周期内家用电器的用电量和通断次数、以及运行状态可控电器的控制参数变化率；根据家用电器的用电量和通断次数得到家用电器总电费，根据运行状态可控电器的控制参数变化率得到优化控制总成本，根据家用电器总电费和优化控制总成本进行求和得到家用电器优化控制后的总费用；
所述粒子群算法模块(400)用于将家用电器的运行状态作为粒子群算法中每个粒子的维度，将家用电器优化控制后的总费用作为粒子群算法的目标函数，进行迭代计算直到收敛，得到优化控制后各个家用电器在下一个优化控制周期内的目标运行状态；
所述运行状态执行模块(500)用于根据下一个优化控制周期内的目标运行状态控制家用电器的运行状态。
2.根据权利要求1所述的基于需求响应的家用电器负荷优化控制***，其特征在于：所述优化控制总费用计算模块(300)包括优化控制总成本计算模块(310)，所述优化控制总成本计算模块(310)用于获取每个运行状态可控电器的控制参数变化率与成本系数的乘积，得到每个运行状态可控电器的优化控制成本，然后求和得到优化控制总成本，所述成本系数为固定常数。
3.根据权利要求2所述的基于需求响应的家用电器负荷优化控制***，其特征在于：所述优化控制总成本计算模块(310)包括控制参数变化率计算模块，所述控制参数变化率计算模块用于获取每个采样周期内控制参数的变化率绝对值，然后对一个控制优化周期内的多个控制参数的变化率绝对值求和得到所述控制参数变化率。
4.根据权利要求1所述的基于需求响应的家用电器负荷优化控制***，其特征在于：所述优化控制总费用计算模块(300)包括家用电器总电费计算模块(320)，所述家用电器总电费计算模块(320)用于获取家用电器的总用电量与电价的乘积得到第一家用电器电费，以及用于获取家用电器的通断次数与通断成本系数的乘积得到第二家用电器电费，对第一家用电器电费和第二家用电器电费求和得到家用电器总电费，所述通断成本系数为固定常数。
5.根据权利要求4所述的基于需求响应的家用电器负荷优化控制***，其特征在于：所述家用电器总电费计算模块(320)包括总用电量计算模块，所述总用电量计算模块用于获取家用电器的运行状态在控制优化周期内对时间的积分、将所述积分乘以家用电器的额定功率后加上待机功率与优化控制周期的乘积得到每个家用电器的用电量，最后对每个家用电器的用电量进行求和得到总用电量。
6.根据权利要求1所述的基于需求响应的家用电器负荷优化控制***，其特征在于：所述粒子群算法模块(400)用于对粒子群进行初始化，计算每个粒子的目标函数值F(xi(t))；在闵可夫斯基距离中定义每个粒子的邻域，定义解空间中所有粒子的位置xi＝(xi1,xi2,...)、yi＝(yj1,yj2,...)，其中i，j＝1,2,...,250；计算两个粒子之间的闵可夫斯基距离D(xi,yi)；根据粒子定义的邻域利用K近邻查询法查询粒子到k个最近邻点为k个最优位置目标值lbest；更新学习样本，计算k个最近邻点的目标函数值F(lbest)，以及计算第t次迭代时历史最佳位置pbest对应的目标函数值F(pbest)，若F(xi(t))＞F(pbest)，则令pbest＝xi(t)，若F(pbest)＞F(lbest)，则令lbest＝pbest；更新粒子速度和位置继续进行迭代计算直到收敛，得到优化控制后各个家用电器在下一个优化控制周期内的目标运行状态。
7.根据权利要求6所述的基于需求响应的家用电器负荷优化控制***，其特征在于：所述粒子群算法模块(400)还用于更新粒子速度和位置，将标准粒子群算法中的全局最优粒子gbest转化为阶梯型粒子群算法中的最优位置目标值lbest。
8.一种利用权利要求1～7任意一项所述的基于需求响应的家用电器负荷优化控制***的控制方法，其特征在于：将家用电器分为运行状态可控电器和运行状态不可控电器，运行状态可控电器按照控制参数的不同分为功率可控电器和温度可控电器；获取每个家用电器的运行参数，得到一个优化控制周期内家用电器的用电量和通断次数、以及运行状态可控电器的控制参数变化率；根据家用电器的用电量和通断次数得到家用电器总电费，根据运行状态可控电器的控制参数变化率得到优化控制总成本，根据家用电器总电费和优化控制总成本进行求和得到家用电器优化控制后的总费用；将家用电器的运行状态作为粒子群算法中每个粒子的维度，将家用电器优化控制后的总费用作为粒子群算法的目标函数，进行迭代计算直到收敛，得到优化控制后各个家用电器在下一个优化控制周期内的目标运行状态，根据目标运行状态控制各个家用电器的运行状态。
9.根据权利要求8所述的基于需求响应的家用电器负荷优化控制方法，其特征在于：所述优化控制总成本的确定方法包括，获取每个运行状态可控电器的控制参数变化率与成本系数的乘积，得到每个运行状态可控电器的优化控制成本，然后求和得到；所述家用电器总电费的确定方法包括，获取家用电器的用电量与电价的乘积得到第一家用电器电费，以及用于获取家用电器的通断次数与通断成本系数的乘积得到第二家用电器电费，对第一家用电器电费和第二家用电器电费求和得到。
10.根据权利要求8所述的基于需求响应的家用电器负荷优化控制方法，其特征在于：所述粒子群算法还包括，粒子群进行初始化，计算每个粒子的目标函数值F(xi(t))；在闵可夫斯基距离中定义每个粒子的邻域，定义解空间中所有粒子的位置xi＝(xi1,xi2,...)、yi＝(yj1,yj2,...)，其中i，j＝1,2,...,250；计算两个粒子之间的闵可夫斯基距离D(xi,yi)；根据粒子定义的邻域利用K近邻查询法查询粒子到k个最近邻点为k个最优位置目标值lbest；更新学习样本，计算k个最近邻点的目标函数值F(lbest)，以及计算第t次迭代时历史最佳位置pbest对应的目标函数值F(pbest)，若F(xi(t))＞F(pbest)，则令pbest＝xi(t)，若F(pbest)＞F(lbest)，则令lbest＝pbest；更新粒子速度和位置继续进行迭代计算直到收敛，得到优化控制后各个家用电器在下一个优化控制周期内的目标运行状态。
CN202111129813.7A 2021-09-26 2021-09-26 基于需求响应的家用电器负荷优化控制***及控制方法 Active CN113872215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111129813.7A CN113872215B (zh) 2021-09-26 2021-09-26 基于需求响应的家用电器负荷优化控制***及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111129813.7A CN113872215B (zh) 2021-09-26 2021-09-26 基于需求响应的家用电器负荷优化控制***及控制方法

Publications (2)

Publication Number Publication Date
CN113872215A true CN113872215A (zh) 2021-12-31
CN113872215B CN113872215B (zh) 2024-01-09

Family

ID=78994555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111129813.7A Active CN113872215B (zh) 2021-09-26 2021-09-26 基于需求响应的家用电器负荷优化控制***及控制方法

Country Status (1)

Country Link
CN (1) CN113872215B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336434A (zh) * 2013-06-07 2013-10-02 天津大学 一种家居温控负荷需求响应控制方法
JP2013246455A (ja) * 2012-05-23 2013-12-09 Toshiba Corp エネルギー管理システム、サーバ装置、エネルギー管理方法およびプログラム
CN103489131A (zh) * 2013-08-29 2014-01-01 国家电网公司 一种基于光柴储供电***的运行调度方法
CN104122819A (zh) * 2014-07-18 2014-10-29 东北电力大学 基于用户习惯的家庭智能用电方法及其***
CN104182809A (zh) * 2014-08-29 2014-12-03 国家电网公司 一种家庭智能用电***的优化方法
CN104217262A (zh) * 2014-09-28 2014-12-17 东南大学 一种智能微电网能量管理量子优化方法
CN104778631A (zh) * 2015-03-11 2015-07-15 国家电网公司 一种面向需求响应的居民用户用电模式优化方法
CN105354655A (zh) * 2015-10-06 2016-02-24 东北电力大学 计及功率相关性的光伏电站群置信容量评估方法
CN105739308A (zh) * 2016-02-01 2016-07-06 北方工业大学 应用于温控电器的功率优化控制方法及***
CN106327011A (zh) * 2016-08-23 2017-01-11 三峡大学 一种基于动态自适应粒子群算法的微电网规划设计方法
US20170337646A1 (en) * 2016-05-19 2017-11-23 Hefei University Of Technology Charging and discharging scheduling method for electric vehicles in microgrid under time-of-use price
CN108023409A (zh) * 2017-12-20 2018-05-11 中国电建集团河南省电力勘测设计院有限公司 一种家用电器需求响应控制装置和控制方法
CN108334985A (zh) * 2018-02-05 2018-07-27 国网江西省电力有限公司电力科学研究院 基于粒子群算法求解的居民用户智能用电优化模型
CN108512238A (zh) * 2018-04-27 2018-09-07 武汉大学 基于需求侧响应的智能家居两阶段优化调度方法
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN112036669A (zh) * 2020-09-30 2020-12-04 国网电力科学研究院武汉南瑞有限责任公司 基于互动用能的社区能源管理分层优化***及方法
CN112288161A (zh) * 2020-10-29 2021-01-29 广东电网有限责任公司电力科学研究院 一种居民错峰用电优化方法和装置
AU2020103886A4 (en) * 2020-12-04 2021-02-11 Nanjing Forestry University A Method for Estimating SOC of a Fractional-Order Kinetic Battery Considering Temperature and Hysteresis Effect
CN113256118A (zh) * 2021-05-26 2021-08-13 西安建筑科技大学 一种家庭智能用电设备运行优化方法、***及设备

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013246455A (ja) * 2012-05-23 2013-12-09 Toshiba Corp エネルギー管理システム、サーバ装置、エネルギー管理方法およびプログラム
CN103336434A (zh) * 2013-06-07 2013-10-02 天津大学 一种家居温控负荷需求响应控制方法
CN103489131A (zh) * 2013-08-29 2014-01-01 国家电网公司 一种基于光柴储供电***的运行调度方法
CN104122819A (zh) * 2014-07-18 2014-10-29 东北电力大学 基于用户习惯的家庭智能用电方法及其***
CN104182809A (zh) * 2014-08-29 2014-12-03 国家电网公司 一种家庭智能用电***的优化方法
CN104217262A (zh) * 2014-09-28 2014-12-17 东南大学 一种智能微电网能量管理量子优化方法
CN104778631A (zh) * 2015-03-11 2015-07-15 国家电网公司 一种面向需求响应的居民用户用电模式优化方法
CN105354655A (zh) * 2015-10-06 2016-02-24 东北电力大学 计及功率相关性的光伏电站群置信容量评估方法
CN105739308A (zh) * 2016-02-01 2016-07-06 北方工业大学 应用于温控电器的功率优化控制方法及***
US20170337646A1 (en) * 2016-05-19 2017-11-23 Hefei University Of Technology Charging and discharging scheduling method for electric vehicles in microgrid under time-of-use price
CN106327011A (zh) * 2016-08-23 2017-01-11 三峡大学 一种基于动态自适应粒子群算法的微电网规划设计方法
CN108023409A (zh) * 2017-12-20 2018-05-11 中国电建集团河南省电力勘测设计院有限公司 一种家用电器需求响应控制装置和控制方法
CN108334985A (zh) * 2018-02-05 2018-07-27 国网江西省电力有限公司电力科学研究院 基于粒子群算法求解的居民用户智能用电优化模型
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN108512238A (zh) * 2018-04-27 2018-09-07 武汉大学 基于需求侧响应的智能家居两阶段优化调度方法
CN112036669A (zh) * 2020-09-30 2020-12-04 国网电力科学研究院武汉南瑞有限责任公司 基于互动用能的社区能源管理分层优化***及方法
CN112288161A (zh) * 2020-10-29 2021-01-29 广东电网有限责任公司电力科学研究院 一种居民错峰用电优化方法和装置
AU2020103886A4 (en) * 2020-12-04 2021-02-11 Nanjing Forestry University A Method for Estimating SOC of a Fractional-Order Kinetic Battery Considering Temperature and Hysteresis Effect
CN113256118A (zh) * 2021-05-26 2021-08-13 西安建筑科技大学 一种家庭智能用电设备运行优化方法、***及设备

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DOUGLAS A. BOHI AND KAREN IL. PALMER: "The Efficiency of Wholesale vs. Retail Competition in Electricity", THE ELECTRICITY JOURNAL *
唐学军;韩佶;苗世洪;杨东俊;张雅薇: "基于需求侧响应的多类型负荷协调控制模型", 电力***保护与控制, vol. 45, no. 16, pages 1 - 4 *
张晓芳;谢俊;: "可控家用电器负荷优化模型及用电策略研究", 计算机工程与应用, no. 24, pages 250 - 254 *
徐建军;王保娥;闫丽梅;李战平: "混合能源协同控制的智能家庭能源优化控制策略", 电工技术学报, vol. 32, no. 12, pages 1 - 3 *
范帅;郏琨琪;郭炳庆;蒋利民;王治华;何光宇: "分散式电采暖负荷协同优化运行策略", 电力***自动化, vol. 41, no. 19, pages 1 - 4 *
陆俊;彭文昊;朱炎平;祁兵;崔高颖: "基于粒子校正优化的智能小区需求响应调度策略", 电网技术, vol. 41, no. 7, pages 1 - 5 *

Also Published As

Publication number Publication date
CN113872215B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
JP6812700B2 (ja) 総合され最適化された仮想発電所制御
CN110009122B (zh) 户用多能互补综合能源利用***能量优化调度方法及***
CN114418249B (zh) 一种光储柔***运行控制方法及装置
GR1010085B (el) Μεθοδος για βελτιωμενη διαχειριση της ενεργειας ενος σχεδον ενεργειακα αυτοδυναμου κτιριου
CN108321796B (zh) 家庭能量管理***与方法
CN111256201A (zh) 一种蓄热式电采暖设备的控制方法、装置和电子设备
CN111340270B (zh) 基于信息交互的家庭能量智能优化方法
CN109840631B (zh) 一种面向居民住宅群的用电调度优化方法
CN107608218A (zh) 家用电器智能用电控制方法
CN112883629A (zh) 基于改进鲸鱼算法的楼宇用电负荷优化调度方法
CN111027747A (zh) 一种考虑用户舒适度风险偏好的家庭能量控制方法
CN112859615A (zh) 家庭用电负荷优化调度方法、***、设备及可读存储介质
CN113991655A (zh) 定频空调负荷聚合需求响应潜力评估方法、装置及介质
CN110752629A (zh) 一种交直流混合家庭微电网能量优化管理方法
CN113158450A (zh) 一种基于楼宇能量管理***经济调度方法及***
CN112366717A (zh) 一种考虑用能舒适度的家庭能源优化控制方法和装置
CN114322044B (zh) 一种综合能源***及其运行控制方法
CN104778507B (zh) 一种基于自适应粒子群算法的楼宇智能用电策略获取方法
CN115146868A (zh) 电热气耦合的农村微能源***协同规划方法及终端设备
CN111915107A (zh) 一种基于动态聚类的负荷分群控制方法
CN113872215A (zh) 基于需求响应的家用电器负荷优化控制***及控制方法
CN109343461A (zh) 一种楼宇自动化控制***的节能控制方法
CN112288161A (zh) 一种居民错峰用电优化方法和装置
CN115828769A (zh) 一种基于智能计算的冷却塔工况的预测和降耗方法
CN114723278A (zh) 一种考虑光伏储能的社区微电网调度方法及***

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