基于GA-BFO的城鎮(zhèn)住宅家庭用能多目標優(yōu)化調度策略

于軍琪 葉子雁 趙安軍 李若琳 余紫瑞

摘? 要： 針對城鎮(zhèn)住宅家庭設備等用能的特點，建立一種包含多種可調度負載的家庭用能模型。以最小用戶電力成本和最小負荷峰均比為優(yōu)化目標，提出一種日前優(yōu)化調度策略，并采用一種改進的細菌覓食優(yōu)化算法進行求解。考慮用戶臨時需求變化對日前優(yōu)化調度結果的影響，提出一種對短時間內的用能安排進行重新調度的實時優(yōu)化調度策略，并引入0-1背包問題和動態(tài)規(guī)劃方程對上述問題進行求解。算例結果驗證了所提策略和改進算法的有效性。

關鍵詞： 家庭能量管理;多目標優(yōu)化;日前調度;細菌覓食算法;實時調度

中圖分類號： TM73? ? 文獻標識碼： A? ? DOI：10.3969/j.issn.1003-6970.2020.10.015

本文著錄格式：于軍琪，葉子雁，趙安軍，等. 基于GA-BFO的城鎮(zhèn)住宅家庭用能多目標優(yōu)化調度策略[J]. 軟件，2020，41（10）：5965

【Abstract】： Aiming at the characteristics of energy consumption of urban residential household equipment， a model of household energy containing multiple schedulable loads is established in this paper. Taking the minimum user electricity cost and minimum load peak-to-average ratio as optimization goals， a day-ahead optimization scheduling strategy is proposed. An improved bacterial foraging optimization algorithm was proposed and applied to the optimization scheduling problem. Considering the impact of the user's temporary demand changes on the results of the day-ahead optimized scheduling， a real-time optimization scheduling strategy for rescheduling energy within a short period of time is proposed. And 0-1 knapsack problem and dynamic programming equation are introduced to solve the above problem. The results of the calculation example verify the effectiveness of the proposed strategy and the improved algorithm.

【Key words】： Home energy management; Multi-objective optimization; Day-ahead scheduling; Bacterial foraging algorithm; Real-time scheduling

0? 引言

近年來，隨著可再生能源發(fā)電的接入及需求側不規(guī)則用電的增加，供電側的單側調節(jié)能力難以應對電網中復雜的波動性[1]。為了克服以上挑戰(zhàn)，智能電網亟需通過需求側管理（Demand Side Management，DSM）技術發(fā)揮需求側調節(jié)作用。傳統(tǒng)的DSM主要針對工商業(yè)等大型電力用戶展開[2]，忽略了社會用電量中占比逐年攀升的城鄉(xiāng)居民生活用電。隨著智能電表等智能家居技術的應用，家庭能量管理系統(tǒng)（Home Energy Management System，HEMS）的概念正在發(fā)展[3]。在HEMS中，家庭的單向信息流變?yōu)殡p向信息流，通過供需雙方的信息互動，用戶可以及時了解電網實時動態(tài)，在參與需求響應（Demand Response，DR）項目的同時合理安排用電方案和響應策略[4]，對實現(xiàn)“削峰填谷”、提高用電效率、增加經濟效益等具有重要作用。

當前，針對典型大功率設備的單目標優(yōu)化（Single Objective Optimization，SOO）調度已有不少研究，文獻[5]以空調、熱水器、冰箱和洗衣機作為調度對象，提出了一種以降低電力成本為目標的調度控制器。文獻[6]提出了一種以用戶電力成本最小為目標的家庭電熱水器優(yōu)化調度策略。文獻[7]提出了一種包含分布式光伏發(fā)電系統(tǒng)的HEMS模型，通過分布式發(fā)電系統(tǒng)的電能補充減少用戶對公共電網的依賴。為了進一步滿足電網供應側和需求側的需求，家庭用能優(yōu)化研究開始向多目標優(yōu)化（Multi Objective Optimization，MOO）發(fā)展。文獻[8]提出一種由蓄電和光伏系統(tǒng)來協(xié)調管理電器的HEMS，通過在非高峰時段購買和存儲電力并在高峰時段使用，系統(tǒng)可以在不犧牲用戶舒適度的情況下降低電耗。文獻[9]通過設置優(yōu)先級順序對家庭負載進行實時優(yōu)化調度，以降低用戶電費和臨時響應的延遲時間，但其優(yōu)化調度對象僅考慮了空調和電熱水器。文獻[10]從公共電網和電力用戶的角度出發(fā)，提出了在降低負荷峰均比（Peak-to-Average Ratio，PAR）的同時提高家庭經濟效益的優(yōu)化調度策略，并利用啟發(fā)式算法進行求解，但該策略需要光伏系統(tǒng)的配合。為了提高家庭用能管理與優(yōu)化調度的靈活性，文獻[11]提出了一種日內優(yōu)化與實時調整相結合的多時間尺度優(yōu)化調度策略，對包含光伏發(fā)電負載的家庭用能進行調度。

然而，當前針對家庭用能優(yōu)化調度的研究中，SOO調度難以滿足供電側與用戶側的多方面需求;優(yōu)化調度存在調度負載種類考慮不全，難以完全發(fā)揮家庭優(yōu)化調度潛力的缺點;此外，MOO調度大多需要分布式發(fā)電系統(tǒng)的協(xié)作，忽略了現(xiàn)代城鎮(zhèn)建筑密度高、無條件安裝分布式電源的特點。針對以上不足，本文基于HEMS，對城鎮(zhèn)住宅家庭用能MOO調度策略展開研究?？紤]多種可調度負載，建立城鎮(zhèn)住宅家庭用能模型，以最小用戶電力成本和最小PAR為優(yōu)化目標，提出一種日前優(yōu)化調度策略對家庭次日24小時的用能進行調度安排，提出了一種改進的細菌覓食算法（Bacterial Foraging Algorithm，BFA）并應用到日前優(yōu)化調度的求解中，考慮用戶臨時需求變化對日前優(yōu)化調度結果的影響，提出一種對短時間的用電安排進行重新調度的實時優(yōu)化調度策略，引入0-1背包問題和動態(tài)規(guī)劃算法進行求解，最后，通過算例驗證所提算法進和策略的有效性。

1? 城鎮(zhèn)住宅家庭用能模型

1.1? 負載分類及優(yōu)化調度對象

當前，城鎮(zhèn)住宅家庭負載具有智能化程度高、種類多、且單個容量小等特點[12]，為了便于家庭用能優(yōu)化調度的研究，常將其分為兩大類。一類是不可調度負載，該類負載為用戶提供安全保證，斷電會對用戶生活造成較大影響，通常不作為系統(tǒng)優(yōu)化調度的對象。另一類是可調度負載，該類負載及時性要求不高，只要在規(guī)定時間內完成任務即可，是優(yōu)化調度的主要對象。可調度負載又可進一步分為可中斷負載和不可中斷負荷，前者可分多時段完成一次工作任務，而后者在一次工作任務中不允許發(fā)生中斷?？紤]我國城鎮(zhèn)住宅建筑的特點及常見負載，本文研究的優(yōu)化調度對象及分類如表1所示。

1.2? 負載模型

家庭用能優(yōu)化調度的實現(xiàn)需要以可調度負載的控制模型為基礎。優(yōu)化調度得到的用電決策包含在控制模型中，HEMS通過執(zhí)行不用的用電決策改變設備的運行狀態(tài)，從而實現(xiàn)家庭用能的優(yōu)化調度。此外，對于可中斷類負載，還需要建立反映設備在一定環(huán)境因素及運行狀態(tài)下的熱力或儲能變化的物理模型，以判斷在工作過程中能否滿足用戶需求。當前，關于可中斷類負載的物理模型已有不少研究，且方法較為成熟，本文基于精細化建模[13]的方法建立了表1中的物理模型，具體方法不做贅述，本節(jié)對設備的控制模型展開研究。

1.2.1? 空調

由用戶設定目標室溫，考慮室溫在小范圍內波動仍能滿足用戶需求，并將該波動范圍稱為室溫需求上、下限。則夏季制冷模式下空調的控制模型為：

1.2.2? 電熱水器

當電熱水器為儲水式電熱水器時，由用戶設定水箱的目標水溫，在不超出電熱水器水溫調控上、下限的前提下考慮一定的波動范圍作為水溫需求的上、下限。則電熱水器控制模型為：

式中：為時刻電熱水器的運行狀態(tài)，0為保溫，1為加熱;為時刻的用電決策，0為關閉，1為開啟;為時刻的水箱水溫;和分別為水溫需求上、下限。

1.2.3? 蓄電類設備

電動汽車（Electric Vehicle，EV）僅考慮G2V功能，對于EV與掃地機器人這類蓄電型負載，需要在工作任務開始前完成蓄電。以EV為例，將用戶設定的EV離開充電樁時所需電池電量作為電量下限，并將電池充滿電的狀態(tài)作為電量上限，EV的控制模型定義為：

式中：為時刻的充電狀態(tài)，0為停止，1為充電;為時刻的用電決策，0為斷開負載與公共電網的連接，1為負載與公共電網連接;為時刻的電池電量;和分別為電量需求上、下限。

1.2.4? 不可中斷類負載

不可中斷類負載一旦開始工作就必須完成一次工作任務才能停止，因此，需要為該類負載分配連續(xù)的用電狀態(tài)決策，保證開啟的連續(xù)時長不小于負載完成一次工作任務所需的最短時長。

1.3? 優(yōu)化目標

當前，DSM最常用的策略是負荷轉移，它旨在通過峰谷差電價等DR信號激勵電力用戶將負荷需求從高峰時段轉移到非高峰時段，從而減少用戶購電成本，因此，本文將最小電力成本作為優(yōu)化目標之一;為避免因過分追求經濟效益而產生新的用電峰谷，優(yōu)化目標還包括PAR。

（1）用戶電力成本

假設將一個完整調度周期平均劃分為個時隙，則最小用戶電力成本的目標函數(shù)表達式為：

式中：為時刻的電價，為調度后時刻的耗電量，該值可由式（7）計算。

式中：為可調度負載總數(shù);為可調度負載的額定功率，為可調度負載在時刻的運行狀態(tài)。

（2）PAR

PAR是衡量負荷曲線波動情況的常用指標，最小PAR的目標函數(shù)表達式為：

1.4? 約束條件

本文優(yōu)化調度的主要約束如下：

（4）為應對非計劃性外出事件，用戶需對EV設定一個應急電量，當EV電池電量低于應急電量時，應立即為電池充電，則EV應急電量約束為：

2? 多目標優(yōu)化調度策略

針對以上MOO調度問題，提出一種基于改進的BFA的日前優(yōu)化調度策略，對家庭次日24小時的用能進行調度安排，考慮到實際應用中，用戶臨時改變的負荷需求可能會破壞日前調度帶來的經濟效益和較小PAR，提出了一種在日前優(yōu)化調度的基礎上，對短時間內的用能安排進行重新調度的實時優(yōu)化調度策略，以滿足用戶臨時負荷需求的同時兼顧電力成本與PAR。

2.1? 日前優(yōu)化調度策略

由式（9）可知，在一定范圍內進行“削峰填谷”可以同時降低電力成本和PAR，但是當PAR降至1時，若繼續(xù)通過負荷轉移來減少電力成本反而會造成PAR的增加，因此需要在最小電力成本和最小PAR之間進行權衡。本文基于用戶的負荷需求以及分時電價（Time of Use，TOU）在電力成本和PAR之間做出權衡，并計算出一種理想的負荷曲線，將其稱為目標負荷曲線，然后通過使調度后的負荷曲線盡可能地接近目標負荷曲線來實現(xiàn)MOO，并提出了一種改進的BFA算法對上述問題進行求解。

2.1.1? 目標負荷曲線與目標函數(shù)的定義

為減小電力成本，目標負荷曲線應與電價呈反比：

假設有兩種不同的TOU政策，則對于峰時電價與非峰時電價的差相對較大的TOU政策，認為電網對負荷轉移的需求較強，對用戶的激勵效果更明顯，此時用戶應增加負荷轉移，則目標負荷曲線表現(xiàn)為追求更少的電力成本;而當峰時電價與非峰時電價的差相對小時，認為電網對負荷轉移的需求較弱，用戶在進行負荷轉移的同時應避免新的峰值的出現(xiàn)，則目標負荷曲線表現(xiàn)為追求更小的PAR。式（15）量化了電力成本和PAR之間的權衡，并計算得到目標負荷曲線：

2.1.2? GA-BFO算法設計

本文提出了一種改進的BFA進行求解。BFA是由Kevin M.Passino[14]于2002年提出的一種生物啟發(fā)式智能算法，該算法的趨向行為能使細菌群體在小范圍內不斷靠近最優(yōu)解，擁有較好的局部搜索能力，然而，BFA中的消除-遷徙行為是完全隨機的，這可能導致整個細菌群體遠離最優(yōu)解。針對BFA的優(yōu)缺點，本文提出采用遺傳算法（Genetic Algorithm，GA）中的交叉和變異代替BFA中的消除-遷徙全局搜索，與BFA中完全隨機的消除-遷徙相比，GA的交叉和變異保留了優(yōu)良個體的部分特征，在保證個體多樣性的同時不至完全丟失優(yōu)良解，從而更好地發(fā)揮GA的全局搜索能力和BFA的局部搜索能力。所提GA-BFO算法流程如圖1所示。

首先初始化參數(shù)，為解空間的維度，對應優(yōu)化問題所求的決策量，則：

初始化完成后執(zhí)行嵌套循環(huán)，首先是內層的趨向循環(huán)，計算細菌個體的適應度，如式（21）所示，然后細菌個體根據(jù)BFA中的趨向機制改變細菌個體的位置，其位置變化如式（22）所示：

式中，是分配給細菌個體的[–1，1]區(qū)間內的一個隨機數(shù)。

當細菌種群完成次趨向行為后執(zhí)行一次繁殖行為，計算細菌個體的健康度，選取健康度較優(yōu)的個細菌個體進行一次復制，其余個體被拋棄，健康度計算式為：

對繁殖后得到的新種群，重新執(zhí)行內層的趨向行為循環(huán)，直至完成次繁殖行為，然后按照GA的機制執(zhí)行交叉和變異，得到的新種群重新執(zhí)行內層趨向行為循環(huán)和中間層繁殖行為循環(huán)，直至完成次交叉和變異操作，得到最優(yōu)解。

2.2? 實時優(yōu)化調度策略

在調度當天，HEMS按照日前調度策略得到的用電決策控制設備的運行狀態(tài)，若用戶需求臨時發(fā)生變化，系統(tǒng)將執(zhí)行實時調度策略。實時調度策略設定用戶既可即時開啟任意設備，也可即時關閉任意可中斷類設備。此外，為了兼顧電力成本與PAR，當重新調度時段處于非峰時段時，希望保留該時段的其余負載，以避免負荷轉移到高峰時段造成更高的電力成本，而當重新調度時段處于高峰時段時，則希望削減其余負載。

本文將實時調度問題轉換為0-1背包問題：當用戶臨時要求開啟某設備時，把設備所需的工作時長作為重新調度時間，當用戶臨時要求關閉某設備時，對于可中斷類負載，可即時調整設備狀態(tài)，并把負載剩余工作時長作為，對于不可中斷類負載，若在可調度時間開始時就已處于工作狀態(tài)，則不能進行重新調度，實時調度問題與背包問題的轉換表示為：

式中：為背包的總容量，為可參與重新調度的設備數(shù)量，為物品的重量，為設備所需工作時長，為物品的價值，為設備在時間內所需的電力負荷。

采用動態(tài)方程對上述背包問題進行求解：

3? 算例驗證

本文基于MATLAB進行算例驗證，在TOU電價下，分別采用GA、BFA以及改進的GA-BFO算法對算例家庭用能進行日前優(yōu)化調度，并假設用戶臨時增加了負荷需求，執(zhí)行實時優(yōu)化調度。

3.1? 家庭負荷及用戶設定

已知算例家庭2019年7月29日的實際用電負荷如圖2所示。對該天的家庭用能進行日前優(yōu)化調度，完整調度周期為24 h，單位調度時隙為15 min，用戶需求設定如表2所示，并設用戶在7月29日早上8點臨時要求調用電熱水器，調用時長為30 min。

3.2? 電價政策

以我國陜西省人民政府發(fā)布的陜西省居民峰谷TOU政策為例[15]，如表3所示，選用一檔電價進行算例仿真。

3.3? 優(yōu)化調度結果與分析

基于用戶實際用電負荷和TOU電價計算得到的目標負荷曲線如圖2所示。

分別采用GA、BFA以及改進的GA-BFO算法對算例家庭進行日前優(yōu)化調度，得到的調度負荷曲線如圖3所示。采用不同算法得到的調度負荷曲線與目標負荷曲線具有相似的整體趨勢，能較好地實現(xiàn)負荷轉移，調度后9點至10點以及19點至21點的耗電量明顯降低，0點至7點的耗電量明顯增加，且沒有產生明顯的負荷峰值。

增加電熱水器的臨時需求并進行實時調度后得到的實時調度負荷曲線如圖4所示，此時，實際負荷為算例家庭實際負荷加上臨時增加的電熱水器的負荷。重新調度的結果為開啟電熱水器同時停止為掃地機器人充電，這是因為用戶要求調用電熱水器的時間處于TOU電價的峰值時段，系統(tǒng)應在滿足用戶需求的前提下減少其它設備的負荷需求。

分別從用戶電力成本和負荷PAR兩方面對優(yōu)化調度后的家庭用能進行分析：

（1）用戶電力成本

表4總結了優(yōu)化調度后的用戶電力成本。優(yōu)化調度后的電力成本均明顯減少，其主要原因是部分峰值時段的電力負荷轉移到了非峰時段，此外，在滿足用戶需求的條件下減少負載在不必要時刻的電力消耗也帶來了一定的經濟效益。在日前優(yōu)化調度中，采用改進的GA-BFO算法求解得到的用電方案具有最少的電力成本，僅為15.53元，實時優(yōu)化調度延續(xù)了日前優(yōu)化調度帶來的良好經濟效益，在基于GA-BFO算法進行日前調度的基礎上進行實時調度具有最少的電力成本，為16.63元。

電力成本下降率如表5所示。優(yōu)化調度后的電力成本下降率均在12%以上，在日前優(yōu)化調度中，采用GA-BFO算法得到的調度方案取得最佳經濟效益，調度后的電力成本減少了15.83%，當增加臨時負荷需求時，對日前優(yōu)化調度后的家庭用能進行實時調度可進一步提高經濟效益，其成本下降率為17.71%。

（2）負荷PAR

圖5對比了實際負荷與優(yōu)化調度負荷的PAR。優(yōu)化調度后的負荷曲線PAR值均小于3.5，說明調度負荷曲線整體沒有明顯的負荷峰值。增加電熱水器需求后的PAR比原計劃的負荷PAR小，這是因為在沒有臨時負荷需求的情況下，算例家庭的實際負荷以及日前優(yōu)化調度負荷的最小值均為8點，則在增加電熱水器需求后，負荷曲線峰谷差減小，對應的PAR也更小。

具體PAR如表6所示。與GA和BFA算法相比，雖然GA-BFO算法的PAR比GA算法高0.03，但其在日前調度階段的電力成本下降率為15.83%，比GA算法高3.15%，總體上仍獲得更好的結果。

4? 結語

本文對城鎮(zhèn)住宅家庭用能MOO調度策略展開研究。建立了城鎮(zhèn)住宅家庭用能模型，提出了一種日前優(yōu)化調度策略，并采用改進的BFA算法進行求解，能有效減少電力成本和PAR，進一步地提出了一種對短周期內的家庭負載進行重新調度的實時優(yōu)化調度策略，在滿足用戶需求的同時兼顧了電力成本和PAR。在本研究中，城鎮(zhèn)住宅家庭用能MOO調度策略是基于價格型DR開展的，為了更好地響應電力市場的需求，提高用戶經濟效益，下一步可開展具有激勵型DR的MOO調度策略研究。

參考文獻

[1]禹威威， 劉世林， 陳其工， 等. 考慮電動汽車充電和需求側響應的光伏微電網多目標優(yōu)化調度[J]. 電力系統(tǒng)及其自動化學報， 2018， 30（1）： 88-97.

[2]朱蘭， 劉伸， 唐隴軍， 等. 充放電不確定性響應建模與電動汽車代理商日前調度策略[J]. 電網技術， 2018， 42（10）： 3305-3317.

[3]趙楠， 王昕， 李英娜， 吳晟. 智能電網大背景下電能表技術的發(fā)展與研究[J]. 軟件， 2017， 38（12）： 129-135.

[4]王成山， 李鵬， 于浩. 智能配電網的新形態(tài)及其靈活性特征分析與應用[J]. 電力系統(tǒng)自動化， 2018， 42（10）： 13-21.

[5]Ahmed M S， Mohamed A， Khatib T， et al. Real time optimal schedule controller for home energy management system using new binary backtracking search algorithm[J]. Energy and Buildings， 2017， 138： 215-227.

[6]郝文斌， 李銀奇， 張毓格， 等. 基于需求側響應的家庭電熱水器優(yōu)化調度[J]. 電力系統(tǒng)保護與控制， 2019， 47（2）： 95-100.

[7]Baek K， Ko W， Kim J. Optimal Scheduling of Distributed Energy Resources in Residential Building under the Demand Response Commitment Contract[J]. Energies， 2019， 12（14）： 2810.

[8]Shakeri M， Shayestegan M， Abunima H， et al. An intelligent system architecture in home energy management systems （HEMS） for efficient demand response in smart grid[J]. Energy and Buildings， 2017， 138： 154-164.

[9]鮑毅， 樓鳳丹， 王萬良. 需求側管理下智能家庭用電多目標優(yōu)化控制[J]. 智能系統(tǒng)學報， 2018， 13（1）： 125-130.

[10]Lokeshgupta B， Sivasubramani S. Multi-objective home energy management with battery energy storage systems[J]. Sustainable Cities and Society， 2019， 47： 101458

[11]張禹森， 孔祥玉， 孫博偉， 等. 基于電力需求響應的多時間尺度家庭能量管理優(yōu)化策略[J]. 電網技術， 2018， 42（6）， 1811-1819.

[12]喬明澤， 邊凱宸， 王世喆， 高偉. 集成式低功耗智能家居系統(tǒng)的設計與實現(xiàn)[J]. 軟件， 2019， 40（8）： 42-45.

[13]陳中， 李云倩， 冷釗瑩， 等. 典型家用大功率負載精細化建模及能量管理策略[J]. 電力系統(tǒng)自動化， 2018， 42（22）： 135-147.

[14]Passino， Kevin M. Biomimicry of bacterial foraging for distributed optimization and control[J]. IEEE control systems magazine， 2002， 22（3）： 52-67.

[15]陜西省地方電力（集團）有限公司. 陜西省居民用電峰谷分時電價實施細則[EB/OL]. （2018-11-09）[2019-11-13]. http：// www.sohu.com/a/276540680_99958577.