考慮家電關聯(lián)與舒適性相結(jié)合的用電行為多目標優(yōu)化模型

曲朝陽, 韓 晶, 曲 楠, 劉耀偉, 呂洪波, 曲 翀

(1. 東北電力大學信息工程學院, 吉林省吉林市 132012; 2. 吉林省電力大數(shù)據(jù)智能處理工程技術研究中心, 吉林省吉林市 132012; 3. 國網(wǎng)江蘇省電力公司檢修分公司, 江蘇省南京市 210000; 4. 國網(wǎng)吉林省電力有限公司, 吉林省長春市 130000; 5. 國網(wǎng)遼寧省電力有限公司撫順供電公司, 遼寧省撫順市 113001)

0 引言

隨著中國經(jīng)濟的快速發(fā)展和人民生活水平的日益改善,在社會總用電量中家庭用電量所占比重逐步增加,大功率智能電器的使用量不斷增長,從而帶來了季節(jié)性用電負荷高峰問題[1]。智能用電的逐漸完善,一方面幫助電網(wǎng)拓展了對用戶的綜合服務;另一方面直接面向用戶,挖掘出用戶類型與用電行為習慣[2],調(diào)整了用電方式,提高了用電效率。因此,電力用戶日益成為需求側(cè)管理的重要存在方式,在保證用戶用電舒適性的前提下,對家庭智能用電行為進行合理安排和優(yōu)化[3],降低電力消費成本,有效減少用電費用是本文研究的重點。

通過對用戶數(shù)據(jù)進行采集和分析,為用戶提供多樣化的用能服務,可以促進居民用電智能化和有序化的發(fā)展[4]。針對用戶用電行為的分析,已有一些學者開展了相關研究。文獻[5-6]將云計算并行K-means聚類算法應用于智能用電領域,對分類后的用戶進行用電分析,但沒有針對分類后的用戶進行用電行為的優(yōu)化。文獻[7]利用并行Apriori算法對用電行為序列進行數(shù)據(jù)挖掘,考慮家電使用順序,給出用電策略。文獻[8]提出基于特征信息量的特征優(yōu)選策略,解決了用戶智能用電行為分類問題,實現(xiàn)了對用電行為的優(yōu)化分析。文獻[9]提出了用電行為相關性網(wǎng)絡化分析方法,挖掘出短時間尺度下多用戶間用電行為相關關系及其連續(xù)變化特性。但以上工作對用戶用電行為進行分析時,均未涉及用戶使用舒適度及經(jīng)濟性。文獻[10]提出了一種家庭用電負荷關聯(lián)度的實時優(yōu)化策略,考慮了家電的配合使用關系及用戶舒適度,但沒有涉及用戶的舒適度建模。在國外,文獻[11-12]均利用分布式優(yōu)化算法來調(diào)整用戶的家電設備運行時間,達到減少電費的目的。文獻[13]分別從用電費用和舒適度兩方面研究了電動汽車和家庭能源調(diào)度的聯(lián)合優(yōu)化,但對其他智能家電涉及很少。文獻[14]構(gòu)建了在需求響應下不同類的家電設備的調(diào)度優(yōu)化策略模型,但沒有考慮用戶家電負荷的分類及用電舒適性。

綜上所述,在家庭智能用電的研究中,大多數(shù)研究都是利用電價機制,引導用戶參與家電負荷的優(yōu)化調(diào)度,以達到減少電費的目的[15-18]。鮮有文獻在對家電優(yōu)化調(diào)度時考慮家電之間的配合使用情況及原有的用戶用電習慣。因此,在分析用電行為基礎上,建立了一種考慮家電關聯(lián)與舒適性相結(jié)合的用電行為多目標優(yōu)化模型。一方面,給出家電的約束條件,建立最小化電費支出模型,并利用家電配合使用情況建立家電使用關聯(lián)矩陣,得到家電配合使用系數(shù)修正最小化電費支出模型;另一方面,考慮用戶使用習慣的改變,構(gòu)建用戶用電舒適度模型。確保在進行用電行為優(yōu)化時,減少用戶用電行為習慣的改變,保證用電舒適度,使得用戶電費最小化。此外,對于經(jīng)濟性和舒適性多目標優(yōu)化問題,提出了基于持續(xù)搜索多目標粒子群算法對模型進行求解。

1 居民用電負荷分析

根據(jù)用戶用電的習慣及家電的使用時間、功率等運行特性的不同,本文從運行調(diào)度的角度將家居負荷分為3類:基本負荷(BL)、可中斷負荷(IL)和可轉(zhuǎn)移負荷(TL)?；矩摵捎址Q為居民用電的固定負荷,指使用時間和功率比較固定、不能進行調(diào)度的負荷,例如照明、冰箱等。可中斷負荷是指功率可以根據(jù)需要進行調(diào)節(jié),但使用時間比較固定的負荷,如空調(diào)等。可轉(zhuǎn)移負荷是指使用時間可以根據(jù)需要平移到別的時段,但其具有最小連續(xù)工作時間,在工作時段內(nèi)具有固定工作模式且不能中斷的用電設備,如洗衣機、電熱水器等。還有一類可轉(zhuǎn)移負荷為固定時間區(qū)間內(nèi)消費定量電能的用電設備(如電動汽車),其工作時段消費的電能總量可由用戶事先根據(jù)下一次用電場景事先設定。由于在進行用電行為優(yōu)化時,對基本負荷的用電任務不產(chǎn)生影響,因此,主要針對可中斷負荷和可轉(zhuǎn)移負荷進行用電行為的優(yōu)化調(diào)度。

1)基本負荷

基本負荷的使用時間和功率比較固定,即為所有不能進行調(diào)度負荷的總和,則基本負荷的總電量LBL(t)可表示為:

(1)

式中:k為基本負荷的個數(shù);lBL,i(t)為t時刻基本負荷i的使用狀態(tài),取0和1,分別表示關閉和運行;pBL,i(t)為t時刻基本負荷i的功率。

2)可中斷負荷

可中斷負荷是指在保證完成用電任務前提下,用戶可根據(jù)習慣中斷性使用的負荷。可中斷家電的用電量由家電是否運行、運行時間及功率共同決定,則可中斷家電i在其工作時段[aIL,i,bIL,i]內(nèi)的總電量LIL,i(t)的表達式為:

(2)

式中:pIL,i(t)為可中斷電器i的功率;lIL,i(t)為t時刻可中斷電器i的使用狀態(tài)。

由于i為可中斷電器,則其在工作時段限制范圍內(nèi),有以下約束條件:

(3)

aIL,ei≤aIL,i≤aIL,li

(4)

(5)

式中:aIL,ei為用戶最早開啟家電i的時刻;aIL,li為用戶最晚開啟家電i的時刻;β為可中斷電器i必須持續(xù)的工作時間。

式(3)表示在工作時段內(nèi)t時刻可中斷電器i的使用狀態(tài),工作時為1,不工作時為0;式(4)表示電器實際開啟時刻要在用戶允許的開啟時段 [aIL,ei,aIL,li]內(nèi);式(5)表示在從t1時刻開始,電器持續(xù)工作β小時的電量。

對于用戶所有可中斷電器的總用電量LIL(t)即為所有可中斷電器之和,可表示為:

(6)

式中:m為可中斷電器的總數(shù)量。

3)可轉(zhuǎn)移負荷

可轉(zhuǎn)移負荷是指可以在規(guī)定時間滿足用電需求、具有轉(zhuǎn)移能力的負荷,通過調(diào)節(jié)用電時間和用電模式實現(xiàn)合理用電。在可接受的轉(zhuǎn)移時段[aTL,i,bTL,i]內(nèi)進行負荷調(diào)度。在此時段內(nèi)可轉(zhuǎn)移負荷i的總電量LTL,i(t)為:

(7)

式中:pTL,i(t)為調(diào)度后可轉(zhuǎn)移負荷i的功率;lTL,i(t)為t時刻轉(zhuǎn)移負荷i的運行狀態(tài),其值為1時表示在工作時段內(nèi)。

可轉(zhuǎn)移負荷需要滿足的約束條件為:

(8)

(9)

(10)

aTL,ei≤aTL,i≤aTL,li

(11)

式(8)表示可轉(zhuǎn)移負荷的功率范圍約束;式(9)表示可轉(zhuǎn)移負荷在運行時從t時刻開始持續(xù)運行的約束;式(11)表示對可轉(zhuǎn)移負荷的運行區(qū)間約束。

另外,家庭智能用電中電動汽車和蓄電池得到普遍適用。此類負荷也屬于可轉(zhuǎn)移負荷,只要在規(guī)定的時段范圍內(nèi)完成充電,就不會影響到用戶的用電計劃。此類充放電設備的約束為:

QTL,i(t)=QTL,i(t-1)+μpTL,i(t)

(12)

Qmin≤QTL,i(t)≤Qmax

(13)

(14)

式(12)表示蓄電池的荷電狀態(tài)平衡關系;式(13)表示蓄電池的電量限制狀態(tài);式(14)表示在可轉(zhuǎn)移負荷在時段范圍內(nèi)的截止時刻bTL,i時,蓄電池要達到完成用戶任務規(guī)定的電量。

由上文可得出,所有可轉(zhuǎn)移電器的總用電量LTL(t)為:

(15)

式中:n為可轉(zhuǎn)移電器的總數(shù)量。

2 用電行為多目標優(yōu)化模型的構(gòu)建

從經(jīng)濟性和舒適性兩個方面入手,構(gòu)建考慮電費、用電習慣和用電舒適性的用電行為多目標優(yōu)化模型。

2.1 考慮家電關聯(lián)的最小化電費支出模型

對于家庭智能用電的電費成本,包括基本負荷、可中斷負荷和可轉(zhuǎn)移負荷三類家用電器的總用電成本。因此,根據(jù)各個家電實際使用情況,建立最小化電費支出模型,優(yōu)化居民用電。用電費用函數(shù)的目標是滿足用戶用電任務并使用電費用達到最低,即在家電運行工作時段[ai,bi]內(nèi),實現(xiàn)基本負荷、可中斷和可轉(zhuǎn)移兩類家電的費用總和最小。表達式為:

t=1,2,…,24

(16)

LTL(t))≤Umax-Uuncon

(17)

aei≤ai≤ali

(18)

式中:C(t)為分時電價;aei為用戶最早開啟家電i的時刻;ali為用戶最晚開啟家電i的時刻;Umax為家庭線路最大容量;Uuncon為不可控家電在這個工作時段的總功率。

式(17)表示各時刻所有家電的總用電功率的上限;式(18)表示電器實際開啟時刻要在用戶允許的開啟時段[aei,ali]內(nèi)。

用電經(jīng)濟性是用來衡量對優(yōu)化運行后用戶用電的經(jīng)濟程度,則有

(19)

式中:fcost為用戶用電的經(jīng)濟度;L0(t)和L(t)分別為優(yōu)化前、后用戶在t時刻3種負荷優(yōu)化前后的總用電量。當fcost>1時,表示優(yōu)化后的經(jīng)濟性優(yōu)于優(yōu)化運行前;反之,若fcost<1,則其經(jīng)濟性不如優(yōu)化前。

另外,用戶在使用某一家電時,會同時使用與之相配合的另外一個或者多個家電,利用關聯(lián)度矩陣得到相應的家電配合使用系數(shù),然后對最小化電費支出模型進行完善。

家電配合使用系數(shù)表示家電之間的關聯(lián)使用情況,當系數(shù)rij=1時說明家電i和j在相同時刻使用,rij=0時說明家電i和j在使用時不會有交叉時刻,即rij∈[0,1],關聯(lián)度越接近1,則說明家電配合使用度越高。例如:用戶做飯使用電磁爐時,吸油煙機也需要同時工作;在使用洗碗機時,會配合使用熱水器等。根據(jù)各個家電使用時刻,建立彼此之間的配合使用矩陣,得到其關聯(lián)關系。配合使用矩陣的表達式為[10]:

(20)

其中家電配合使用系數(shù)根據(jù)各個家電的起始時刻及工作時長確定,即

(21)

在已知家電設備i和j的rij前提下,調(diào)整電器i最早允許開啟時刻與電器j最早開啟時刻關系及電器i最晚允許開啟時刻與電器j最晚開啟時刻關系。即

(22)

(23)

利用家電配合使用系數(shù),對相關聯(lián)的家電使用時刻做相應調(diào)整,即對約束條件式(18)進行調(diào)整,把用戶用電習慣加入最小化電費模型中,避免優(yōu)化時打亂原有家電配合使用關系。

2.2 用戶用電舒適度模型

用戶用電舒適度又叫做使用舒適度,指用電計劃或用電習慣的改變對用戶的影響。用戶的用電舒適度和用戶各時段的用電量密切相關,用戶會根據(jù)自己的需求選擇其用電舒適度最大的用電方式。因此,當用電行為優(yōu)化對原有行為調(diào)整越多,則用戶的使用舒適度越低,即優(yōu)化前后家電的運行時間改變越大,則使用舒適度越低;不進行用電調(diào)整時,用戶不需要改變用電習慣,此時的使用舒適度最高。基本負荷雖然對家庭線路最大容量和經(jīng)濟性存在一定的影響,但其使用時間和功率比較固定,不能進行調(diào)度。因此,只針對可中斷電器和可轉(zhuǎn)移電器進行調(diào)整,建立用戶用電舒適度模型,其表達式為:

(24)

由于優(yōu)化前后,家用電器的工作任務不會改變,則有

(25)

式(24)表示在相對電價平等的前提下,電器優(yōu)化前后改變的電量,表示當用電行為優(yōu)化對原有行為調(diào)整越少,則用戶的用電舒適度越高,其值在0和1之間;式(25)表示電器完成同樣工作所需的電量不變。

2.3 用電行為多目標優(yōu)化模型

根據(jù)以上工作,綜合考慮兩方面因素:①電費最小,將家電使用調(diào)整到分時電價較低的時刻;②保證用電舒適性,即按照用戶用電習慣選擇家電的使用。顯然,以上2個目標函數(shù)相互沖突,因此建立考慮家電關聯(lián)與舒適性相結(jié)合的用電行為多目標優(yōu)化模型,其表達式為:

(26)

3 基于持續(xù)搜索多目標粒子群的模型求解算法

用電行為優(yōu)化模型是一個包含多種約束的0-1規(guī)劃問題,采用粒子群優(yōu)化算法[19-20](粒子群相關介紹見附錄A)對模型進行求解,負載的用電方式是粒子群算法的決策變量,即文中的0-1變量lTL,i(t)和lIL,i(t),則電器的用電計劃就是維度為T的整數(shù)向量。另外,模型中含有兩個相互沖突的目標,并且模型的約束條件較多,基本粒子群算法用罰函數(shù)法不易獲得可行解。因此,利用多目標粒子群算法在基本算法生成的多個解中選取較優(yōu)解集(Pareto最優(yōu)解集)[21],從而解決多個目標制約的優(yōu)化問題。

本文設計了一種持續(xù)搜索多目標粒子群算法對用電行為多目標優(yōu)化模型進行求解。持續(xù)搜索多目標粒子群算法主要改進如下。

1)增加隨機速度算子

針對速度更新公式引入隨機速度算子,確保了算法中粒子的持續(xù)搜索,更大可能地跳出局部最優(yōu)。

Vi(t+1)=wVi(t)+c1r1(Pbest-Xi(t))+

高速的退場，已能看出相關邏輯所在。那么為何選擇西王？為何將打造了多年的“準冠軍”球隊轉(zhuǎn)讓給一家民營企業(yè)——西王集團？

(27)

Xi(t+1)=Xi(t)+Vi(t+1)

(28)

式中:t為迭代次數(shù);Tmax為迭代次數(shù)最大值;w為慣性權(quán)因子;c1和c2為學習因子,一般取值為2.0;r1和r2為0和1之間的隨機數(shù);Pbest為單個粒子的個體最優(yōu)位置;Gbest為所有粒子的全局最優(yōu)位置;a和b為極小隨機數(shù),取值為(0.001,0.01);Vi(t)和Xi(t)分別為粒子i在t時刻的速度和位置。

2)慣性權(quán)重因子w的選擇策略

為了使算法可以達到全局搜索和局部搜索的平衡,將w利用動態(tài)遞減的方式求出。即

(29)

式中:nmax為迭代的最大次數(shù)。

3)計算密集距離

對于用電行為優(yōu)化問題,待優(yōu)化的目標個數(shù)為2,則Xi的密集距離可表示為:

(30)

式中:fN(Xi)為Xi的N個目標函數(shù)值;fmax為外部文檔最大值。

4)Pbest的確定更新

首先確定粒子i的初始位置Pbest,若粒子i在t次迭代的位置為Xi支配Pbest,則更新個體最優(yōu)為Xi;否則,選擇支配粒子數(shù)最多的作為個體最優(yōu)值。

5)Gbest的確定更新

將粒子的Pareto最優(yōu)解放到外部文檔A中,利用式(27)和式(28)找到粒子初始位置Pbest和頂部粒子位置Gbest;然后分別把Pareto最優(yōu)解找出,利用式(30)得到密集距離,將其進行降序排列,選取Gbest。

首先初始化一群隨機粒子:輸入各個家電的使用時刻和功率初始化參數(shù)。粒子維度為家電個數(shù),群體規(guī)模大小為S,每個粒子個體對應家電的調(diào)度計劃,并保證粒子在一天24 h內(nèi)迭代找到最優(yōu)解。每次迭代中,根據(jù)式(27)和式(28)確定粒子的速度和位置,式(27)和式(28)是在原始速度和位置更新公式的基礎上,引入隨機速度算子,確保了算法中粒子的持續(xù)搜索,更大可能地跳出局部最優(yōu)。求解模型的算法流程圖見附錄A圖A1。

4 算例實驗與分析

4.1 實驗數(shù)據(jù)集與處理

利用UCI(University of California,Irvine)數(shù)據(jù)庫[22]公布的某智能小區(qū)的用電數(shù)據(jù)進行仿真實驗,該數(shù)據(jù)對小區(qū)中的智能用電家庭每隔1 min進行一次電力消耗測量,除了包含用戶信息、總電量的峰谷電量之外,還包括由3個智能電表(分別對應廚房、洗衣房、客廳及臥室)采集的家電數(shù)據(jù),包括家電種類、功率及使用時長,初始數(shù)據(jù)格式見附錄B表B1。

原始數(shù)據(jù)可以統(tǒng)計出智能小區(qū)所有用戶的用電情況,利用K-means算法對用電數(shù)據(jù)進行聚類分析,得到四類用戶,分別為A類低能耗用戶、B類老人家庭、C類上班族家庭和D類老人+上班族家庭。聚類結(jié)果見附錄B圖B1和表B2。

由于用電優(yōu)化模型針對各不同類別家庭家電用電計劃相互獨立,故以B類家庭為例進行算例分析。利用3個不同智能電表可得到不同家電的用電行為,選取微波爐、吸油煙機、電磁爐、洗碗機、電飯煲、洗衣機、熱水器、浴霸和空調(diào)共9種可控家電的基本耗電量數(shù)據(jù)進行用電行為分析。

分時電價環(huán)境是本文研究的環(huán)境基礎,其電價分為低谷、平段、高峰段、尖峰段共4個時段。具體時段劃分見附錄C表C1。

4.2 優(yōu)化模型算例分析

采用MATLAB R2010b編程以實現(xiàn)多目標粒子群對模型的求解,設置種群規(guī)模S=100,慣性權(quán)重因子w=0.8,學習因子c1=c2=2,外部文檔A的最大容量P=100,變異概率Pm=0.2,nmax=150。

對B類用戶9種可控家電原有的用電計劃進行優(yōu)化分析,分4種情況對用戶用電行為進行算例分析:①以用戶用電舒適度為目標;②以用電費用最小為目標;③以考慮家電關聯(lián)的最小化電費支出為目標;④多目標優(yōu)化。

其中前3種情況以單一目標對用電計劃進行優(yōu)化分析,第4種情況考慮舒適性和經(jīng)濟性進行多目標優(yōu)化,并且分別給出優(yōu)化后相應的用電計劃。

1)以用戶用電舒適度為目標

若只考慮用戶用電舒適度進行用電行為的優(yōu)化,得出優(yōu)化后家電的用電計劃如圖1所示。

圖1 以用戶用電舒適度為目標的用電計劃Fig.1 Power consumption plan aimed at user’s comfort

以用戶用電舒適度為目標進行用電優(yōu)化時,用戶的用電行為不做改變,圖1得出的用電計劃即為用戶對可控家電原來的用電習慣,此時,用電舒適度達到最好。因此,用電費用較原來的不改變,繳納的用電費用高,此種情況下的用電費用為16.71元。

由于以用戶用電舒適度為目標的用電行為優(yōu)化結(jié)果與原用電計劃相同,因此其余3種情況均與此種情況作對比分析。

2)以用電費用最小為目標

根據(jù)最小化電費模型,只考慮經(jīng)濟性,即只考慮最小化電費支出,可得優(yōu)化后的用電計劃如圖2所示。將圖2的優(yōu)化結(jié)果與圖1對比可知,家用電器的使用都被調(diào)整到分時電價的低谷段或者平谷段,此時用電費用達到最少,比原計劃減少了32.23%,即此時用電費用為11.35元。但是,用電習慣改變卻最大,比如將電磁爐的使用提前到05:00,空調(diào)推后到24:00,并且一些配合使用的家電的使用時刻也是錯開的,不符合用戶的使用習慣,滿意度最低。

3)以考慮家電關聯(lián)的最小化電費支出為目標

利用家電配合使用矩陣,得出家電使用的關聯(lián)系數(shù),對電費模型進行參數(shù)修正,由此得到的用電計劃如圖3所示。

圖2 以用電費用最小為目標的用電計劃Fig.2 Power consumption plan aimed at minimizing cost of electricity

圖3 以考慮家電關聯(lián)的最小化電費支出為目標的用電計劃Fig.3 Power consumption plan aimed at minimizing cost of household electricity load correlation

由圖3可知,一些配合使用的家電同時得到調(diào)整,比如吸油煙機和電磁爐、洗碗機和熱水器等。此時的用電費用比原計劃減少了12.74%,即此時用電費用為14.58元。與圖1相比,雖然考慮到家電的使用習慣對用電行為進行優(yōu)化,但是僅僅將配合使用的家電的使用時刻同時避開高峰期,用戶的使用舒適性依然受到影響。

4)多目標優(yōu)化

利用用電行為多目標優(yōu)化模型,即綜合考慮電費最少、家電配合使用及用電舒適度對用戶的用電行為進行多目標優(yōu)化。目標函數(shù)為式(27)所示的用戶電費最小化的優(yōu)化目標及用電舒適度最大化的優(yōu)化目標。對用電行為優(yōu)化后的Pareto前沿(Pareto最優(yōu)解集的空間分布)見附錄C圖C1。

當以最小化電費作為主要目標時,則集中在附錄C圖C1中Pareto解的前沿的上半部分選取最優(yōu)解,反之以用電舒適度最大作為主要優(yōu)化目標時,則在前沿的下半部分選取最優(yōu)解。通過Pareto前沿可以求取持續(xù)搜索多目標粒子群算法優(yōu)化的最優(yōu)折中解。多目標優(yōu)化模型對用電行為優(yōu)化的結(jié)果如圖4所示。

圖4 多目標優(yōu)化模型的用電計劃Fig.4 Power consumption plan for multi-objective optimization model

由圖4與圖1相比可知,在進行多目標優(yōu)化時,用電費用得到減少,并且相互配合使用的家電的用電計劃得到相關聯(lián)調(diào)整。此種情況下,用電費用比原計劃減少了18.43%,即此時用電費用為13.63元。

綜合以上不同情況的優(yōu)化結(jié)果,其用電量的對比見附錄C圖C2,分別對用電舒適性、經(jīng)濟性、電費支出及總滿意度進行對比分析?？倽M意度是指綜合考慮用電舒適度和經(jīng)濟度,可利用用電舒適度和經(jīng)濟度的乘積表示。結(jié)果如表1所示。

表1 不同方式下的優(yōu)化調(diào)度結(jié)果Table 1 Optimized dispatching results of different modes

由附錄C圖C2和表1分析可知:①用戶原用電計劃的舒適性和總滿意度最好,經(jīng)濟性最低,電費支出最多;②只考慮費用最小化時,經(jīng)濟性達到最高,電費支出最小,但是舒適性和總滿意度最低;③加入家電關聯(lián)度系數(shù)對電費模型進行修正后,經(jīng)濟性和電費支出雖然較第2種情況的優(yōu)化結(jié)果有所降低,但整體滿意度和舒適度提高;④利用用電行為多目標優(yōu)化模型,總滿意度和舒適性都達到相對較高的效果,并且在減少用戶用電行為習慣改變的同時,有效地提升了經(jīng)濟性,降低了電費支出。

綜上所述,若以單目標進行用電行為優(yōu)化,只能達到該目標的最優(yōu),其他目標效果就會相應受到影響,并且,將用電計劃過多調(diào)整到電價的低谷或平谷段,僅僅將峰谷平移,沒有起到優(yōu)化的目的。采用多目標情況的用電行為優(yōu)化,在降低電價的同時,得到最優(yōu)的用電計劃,實現(xiàn)舒適性、經(jīng)濟性多目標的綜合考慮。

5 結(jié)語

本文研究了家庭智能用電環(huán)境下的用戶用電行為優(yōu)化建模,在滿足用戶負載和用電習慣等約束的條件下,提出了一種考慮家電關聯(lián)和舒適性的用電行為多目標優(yōu)化模型,并設計了持續(xù)搜索多目標粒子群算法對模型進行求解。通過對比分析4種情況下的用電行為優(yōu)化,證明了在實現(xiàn)錯避峰的前提下,將家電關聯(lián)和舒適性進行多目標考慮時,能更好地減少用戶用電習慣的改變,達到降低用電費用、激勵用戶側(cè)合理分配家居用電的目的。

本文的研究成果為智能家庭的用電行為優(yōu)化調(diào)度提供了一定的理論支持,但著重討論了電費及用戶用電舒適度對優(yōu)化的影響,建立的多目標優(yōu)化模型相對簡化。在后續(xù)的研究中,可以從需求側(cè)管理入手,使用戶積極參與到需求側(cè)響應,對用戶的用電行為優(yōu)化做進一步研究。

附錄見本刊網(wǎng)絡版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 楊永標,顏慶國,王冬,等.居民用戶智能用電建模及優(yōu)化仿真分析[J].電力系統(tǒng)自動化,2016,46(3):46-51.DOI:10.7500/AEPS20150924010.

YANG Yongbiao, YAN Qingguo, WANG Dong, et al. Intelligent electricity consumption modeling and optimal simulations for residential users[J]. Automation of Electric Power Systems, 2016, 46(3): 46-51. DOI: 10.7500/AEPS20150924010.

[2] 李揚,王蓓蓓,李方興.靈活互動的智能用電展望與思考[J].電力系統(tǒng)自動化,2015,39(17):2-9.DOI:10.7500/AEPS20150730004.

LI Yang, WANG Beibei, LI Fangxing. Outlook and thinking of flexible and interactive utilization of intelligent power[J]. Automation of Electric Power Systems, 2015, 39(17): 2-9. DOI: 10.7500/AEPS20150730004.

[3] 何永秀,王冰,熊威,等.基于模糊綜合評價的居民智能用電行為分析與互動機制設計[J].電網(wǎng)技術,2012,36(10):247-252.

HE Yongxiu, WANG Bing, XIONG Wei, et al. Analysis of residents’ smart electricity consumption behavior based on fuzzy synthetic evaluation and the design of interactive mechanism[J]. Power System Technology, 2012, 36(10): 247-252.

[4] 孫國強,李逸馳,衛(wèi)志農(nóng),等.智能用電互動體系構(gòu)架探討[J].電力系統(tǒng)自動化,2015,39(17):68-74.DOI:10.7500/AEPS20150320001.

SUN Guoqiang, LI Yichi, WEI Zhinong, et al. Discussion on interactive architecture of smart power utilization[J]. Automation of Electric Power Systems, 2015, 39(17): 68-74. DOI: 10.7500/AEPS20150320001.

[5] 張素香,劉建明,趙丙鎮(zhèn),等.基于云計算的居民用電行為分析模型研究[J].電網(wǎng)技術,2013,37(6):1542-1546.

ZHANG Suxiang, LIU Jianming, ZHAO Bingzhen, et al. Cloud computing-based analysis on residential electricity consumption behavior[J]. Power System Technology, 2013, 37(6): 1542-1546.

[6] 趙莉,候興哲,胡君,等.基于改進k-means算法的海量智能用電數(shù)據(jù)分析[J].電網(wǎng)技術,2014,38(10):2715-2720.

ZHAO Li, HOU Xingzhe, HU Jun, et al. Improvedk-means algorithm based analysis on massive data of intelligent power utilization[J]. Power System Technology, 2014, 38(10): 2715-2720.

[7] 郭曉利,于陽.基于云計算的家庭智能用電策略[J].電力系統(tǒng)自動化,2015,39(17):114-119.DOI:10.7500/AEPS20150310017.

GUO Xiaoli, YU Yang. A residential smart power utilization strategy based on cloud computing[J]. Automation of Electric Power Systems, 2015, 39(17): 114-119. DOI: 10.7500/AEPS20150310017.

[8] 陸俊,朱炎平,彭文昊,等.智能用電用戶行為分析特征優(yōu)選策略[J].電力系統(tǒng)自動化,2017,41(5):58-63.DOI:10.7500/AEPS20160607002.

LU Jun, ZHU Yanping, PENG Wenhao, et al. Feature selection strategy for electricity consumption behavior analysis in smart grid[J]. Automation of Electric Power Systems, 2017, 41(5): 58-63. DOI: 10.7500/AEPS20160607002.

[9] 陳鵬偉,陶順,肖湘寧,等.短時間尺度用電行為相關性分析網(wǎng)絡模型[J].電力系統(tǒng)自動化,2017,41(3):61-69.DOI:10.7500/AEPS2016012701.

CHEN Pengwei, TAO Shun, XIAO Xiangning, et al. Network model for correlation analysis of short-term electricity consumption behavior[J]. Automation of Electric Power Systems, 2017, 41(3): 61-69. DOI: 10.7500/AEPS20160127014.

[10] 孫毅,劉迪,李彬,等.基于家庭用電負荷關聯(lián)度的實時優(yōu)化策略[J].電網(wǎng)技術,2016,40(6):1825-1829.

SUN Yi, LIU Di, LI Bin, et al. Research on real-time optimization strategy based on correlation of household electrical load[J]. Power System Technology, 2016, 40(6): 1825-1829.

[11] MOHSENIAN R H. LEON-GARCIA A. Optimal residential load control with price prediction in real-time electricity pricing environments[J]. IEEE Transactions on Smart Grid, 2010, 1(2): 120-133.

[12] CHAVALI P, YANG Peng, NEHORAI A. A distributed algorithm of appliance scheduling for home energy management system[J]. IEEE Transactions on Smart Grid, 2014, 5(1): 282-290.

[13] NGUYEN D T, LE Longbao. Joint optimization of electric vehicle and home energy scheduling considering user comfort preference[J]. IEEE Transactions on Smart Grid, 2014, 5(1): 188-199.

[14] ROHH T, LEE J W. Residential demand response scheduling with multiclass appliances in the smart grid[J]. IEEE Transactions on Smart Grid, 2016, 7(1): 94-104.

[15] 李東東,崔龍龍,林順富,等.家庭智能用電系統(tǒng)研究及智能控制器開發(fā)[J]. 電力系統(tǒng)保護與控制,2013,41(4):123-129.

LI Dongdong, CUI Longlong, LIN Shunfu, et al. Study of smart power utilization system and development of smart controller for homes[J]. Power System Protection and Control, 2013, 41(4): 123-129.

[16] 盛萬興,史常凱,孫軍平,等.智能用電中自動需求響應的特征及研究框架[J].電力系統(tǒng)自動化,2013,37(23):1-7.

SHENG Wanxing, SHI Changkai, SUN Junping, et al. Characteristics and research framework of automated demand response in smart utilization[J]. Automation of Electric Power Systems, 2013, 37(23): 1-7.

[17] 王守相,孫智卿,劉喆.面向智能用電的家庭能量協(xié)同調(diào)度策略[J].電力系統(tǒng)自動化,2015,39(17):108-113.DOI:10.7500/AEPS20140625016.

WANG Shouxiang, SUN Zhiqing, LIU Zhe. Co-scheduling strategy of home energy for smart power utilization[J]. Automation of Electric Power Systems, 2015, 39(17): 108-113. DOI: 10.7500/AEPS20140625016.

[18] 于娜,于樂征,朱景明.峰谷分時電價下過程工業(yè)用戶的用電響應模型[J].東北電力大學學報,2014,34(4):17-21.

YU Na, YU Lezheng, ZHU Jingming. Electric response model in process industry users under peak and valley time price[J]. Journal of Northeast Dianli University, 2014, 34(4): 17-21.

[19] 李存斌,張建業(yè),李鵬.考慮成本、排污及風險的微電網(wǎng)運營多目標優(yōu)化模型[J].中國電機工程報,2015,35(5):1051-1058.

LI Cunbin, ZHANG Jianye, LI Peng. Multi-objective optimization model of micro-grid operation considering cost, pollution discharge and risk[J]. Proceedings of the CSEE, 2015, 35(5): 1051-1058.

[20] TORABI S A, SAHEBJAMNIA N, MANSOURI S A, et al. A particle swarm optimization for a fuzzy multi-objective unrelated parallel machines scheduling problem[J]. Applied Soft Computing, 2013, 13(12): 4750-4762.

[21] 戴隆州,吳永明,李少波.多目標粒子群算法在混裝線再平衡中的應用[J].計算機應用研究,2018,35(1):1-9.

DAI Longzhou, WU Yongming, LI Shaobo. Application of multi-objective particle swarm algorithm in re-balance of mixed line[J]. Application Research of Computers, 2018, 35(1): 1-9.

[22] University of Calfornia, Irvine. UCI machine learning repository[EB/OL]. [2012-04-02]. http://archive.ics.uci.edu/ml/.