CN104200297B - 实时电价环境下的家居混合供电系统能量优化调度方法 - Google Patents

Abstract

本发明公开了一种实时电价环境下的家居混合供电系统能量优化调度方法。本发明通过线性不等式约束条件建立柔性负荷工作模型；采用遗传算法(GA)获得DG与负荷间的电能匹配；利用DG与RTP的信息进行自动寻优，安排柔性负荷运作在电费最低时刻；制定储能装置的充放电策略，以实现DG的能量再规划，进而满足其与负荷间的供需平衡；最后采用从大电网向蓄电池或负荷供电的方式，弥补供需差异，最大程度降低购电费用。本发明以实际智能家居用户为测试对象，给出了详细的算法描述，并通过一系列的实验证明所提策略在提高DG电能利用率以及用户经济效益方面的有效性。

Description

实时电价环境下的家居混合供电系统能量优化调度方法

技术领域

本发明涉及智能电网、分布式发电和储能领域，尤其涉及一种实时电价环境下的家居混合供电系统能量优化调度方法。

背景技术

小型风机、屋顶光伏发电等分布式能源(DG)在家居用户侧的投入运行为用电设备的电力需求提供了能量支撑，综合优化家居系统中DG产能的分配成为需求响应的研究重点。然而，由于DG容易受到风速、光照强度等环境因素的影响，其供电量在不同时刻具有波动性、随机性与间歇性，直接采用DG当前时刻的产电量为负荷供电存在一定局限性：一方面，DG供电充足时会使大量多余电能无法得到充分利用；另一方面，DG供电不足时会导致部分负荷无法正常运行，降低了用户电能使用满意度。因此，在用户侧增设锂电池等储能装置，将其在DG充足时吸纳多余电量，并在DG不足时释放电能，从而在全局上最大化利用DG供电。此外，采用实时电价(RTP)作为系统能量调度的调节杠杆，通过合理规划家居柔性负荷的用电时段，实现电费最低情况下的电能使用，并在不增加投资成本的前提下缓解系统用电峰均比(PAR)，达到削峰填谷的目的。

本发明通过在用户侧安装含能量消耗控制器的智能电表，实现智能电网与用户间的双向通讯。在这个过程中，智能电网提前为用户提供实时电价信息，方便用户安排柔性负荷的工作时段、协调储能设备的能量调配；用户为智能电网提供用电需求及DG产电量，方便电力系统供电。通过在智能电表中设置负荷控制程序，可以快速计算得出设备最佳用电时段，自动设定设备的开启与关闭，合理规划锂电池的充放电策略。该家居混合供电系统能量优化调度方法主要包括三部分算法，即遗传算法(GA)搜索最优的“DG-负荷”供需关系，规划柔性负荷的用电时段以匹配DG供电状况；采用循环自动寻优规划，以RTP为调节杠杆，转移部分负荷的工作时段以降低从电网处的购电费用；采用分段判断的方式搜索最优的“DG-蓄电池-负荷”能量优化模式，通过储能装置的充放电动作，动态调节DG供电量，使其与规划好的负荷用电需求相匹配，最大限度提高DG利用率。其创新性和技术贡献主要体现在以下几个方面：(1)在满足电力约束和电量波动的条件下，根据DG、 RTP、储能状态的信息，合理规划家居用户侧包含可中断负荷与不可中断负荷的柔性负荷用电时段，以储能装置的充放电决策为中间调控手段，充分调整和利用DG的发电量，以寻求最高经济效益，降低系统用电均峰值，实现系统内用户所需支付电费最低与DG供电充分使用的双重有效优化；(2)建立以减少用电成本与寻求电量供需平衡为双重目标的多目标遗传算法整数规划问题，根据可中断负荷与不可中断负荷的不同工作特性，既分段执行交叉变异策略，加快运算速度，简化算法交互式的复杂度，又从整体上保障全时段电能供需差异最小化，提高算法精确度与效率；(3)合理规划蓄电池的充放电状态，从空间与时间两个维度对DG进行动态再规划，更大程度上提高电能利用率，同时，将充放电获得的电费效益与蓄电池循环使用代价相对比，在降低购电费用的基础上减少蓄电池充放电次数，延长其使用寿命。通过MATLAB仿真平台的智能家居混合供电系统模型的搭建，验证了该策略能在保障设备在规定时段内正常工作的前提下，有效降低购电费用，提高电能使用效率。

发明内容

针对现有技术的不足，本发明的目的在于提供一种实时电价环境下的家居混合供电系统能量优化调度方法。

本发明所采用的技术方案如下：

前提说明：(1)所采用的电网实时电价，风能、太阳能发电趋势均为日前预测结果，按照每半小时为采样间隔，每个变量一天采样48次；(2)设置 m+n个被控对象，其中，m个不可中断负荷，n个可中断负荷；(3)每个设备a(a∈1，2，…，m+n)的额定工作功率、工作时长、允许工作时段分别为P_a、 d_a及[α_a，β_a]；(4)采用锂电池作为储能装置，限制其在荷电状态(SOC)范围 [S_min，S_max]内充放电，并用变量Charge记录锂电池的充放电情况。当Charge 大于0时，表明锂电池当前处于充电状态，当其值小于0时，表明处于放电状态，且其绝对值表明锂电池当前时刻的充放电量；(5)柔性负荷可以在 [α_a，β_a]内根据需求向前向后动态安排工作时刻，但蓄电池的工作特性具有很强的时序性，不能将后期的DG供电作用于前期的电池储能。

步骤(1)按半小时为时间间隔进行采样，获取当前时刻系统中全部DG、 RTP的状态信息。

步骤(2)对家居用电设备进行分类，包含不可调节用电时段，必须优先满足其用电需求的刚性负荷；设备工作期间不可暂停，但整体工作时段可以调节的不可中断负荷；可以在任意半小时节点处暂停并在下次运行时继续执行任务的可中断负荷；其中，后两种负荷属于柔性负荷，可以按照调度策略调整工作时刻。建立柔性负荷工作模型，如公式①所示：

①

其中，h_a是设备可能工作的时间点，是设备开始工作时刻，是设备结束工作时刻，[α_a，β_a]是设备允许工作时段范围，a是设备编号，m是不可中断负荷数量，n是可中断负荷数量，是设备a在h_a时刻的工作状态，当表示设备处于工作阶段，当表示设备处于停用状态，P_a为设备额定功率，所有设备在工作时均以额定功率运行，d_a为工作时长，E_a为设备总功率需求。设备允许工作时段范围必须不小于其为完成任务所需的总时长，且无论如何安排设备工作状态，必须保证其在可调度范围内完成任务。

步骤(3)设置遗传算法种群大小N，最大迭代次数Gen。以用二进制编码的长度为48的染色体代表设备的工作状态，在其允许工作时段内可以出现“1”，工作时段外只能出现“0”，且“1”的个数由设备工作时长决定。

可中断负荷可以在约束时段内随机选择“1”所处的位置，而不可中断负荷只能在此区间连续出现工作时长个“1”。将每个设备a进行编号 a∈1，2，…，m+n，由于长度为1×48的染色体可以代表设备在一天内的工作状况，参与遗传的种群大小为N，因此每种设备可形成大小为N×48的矩阵所有设备总共可以形成m+n个N×48的矩阵。

步骤(4)分别抽取每种设备N×48矩阵中的一行，按设备的编号重组成N个(m+n)×48染色体组其中每行代表相应编号设备在48个时段内的工作状态，因而，每个染色体组代表所有设备工作状态的集合。

步骤(5)将经过初始化后的染色体组分别乘以相应设备的额定功率，形成N组能量消耗矩阵P_Chrom＝X_Chrom(a)·P_a。随机选择种群中的一组能量消耗矩阵，查看未经负荷调度安排的设备用电状况。

步骤(6)建立基于DG的负荷调度策略目标函数如公式②所示：

②

其中是DG在h时刻的供电功率，是刚性负荷在h时刻的用电需求，代表所有柔性负荷在h时刻的用电需求，因此，DG和负荷间的供需差异越小越利于降低购电费用。此外，由于适应度值越大的染色体组越有机会参与下一次的遗传迭代，因而选取目标函数的倒数作为遗传算法(GA)的适应度函数。

步骤(7)执行GA的选择操作：为了不在后续的交叉变异中遗失适应度值较高的染色体组，设置变量store表示要保留的上一代适应度值较高的设备组个数，并在种群N的前store个染色体组上，存储上一代遗传结束后的前store组较高适应度值对应的设备组，再以轮盘赌方式选取种群中的设备组进行复制，更新种群中的剩余N-store个染色体组为刚复制形成的N-store 个设备组。

步骤(8)针对经过选择复制后的N-store个设备组执行GA的交叉操作：生成随机数rand1，若其值小于交叉概率pc，则随机选择设备编号 a∈1，2，…，m+n，根据设备编号a判断所选设备属于的负荷类型，并按照负荷特性对其进行交叉操作，①若设备编号a∈m+1，…，m+n，则是可中断负荷，生成随机数rand2∈1，2，…，48表示该设备的交叉位置，将第i个染色体组的染色体a与第i+1个染色体组的染色体a在rand2位置进行交叉，即交换这两个染色体在rand2位置后的染色体片段，②若设备a∈1，2，…，m，则是不可中断负荷，此时进行的迭代过程本质上不是交叉操作，而是在其允许的工作时间范围[α_a，β_a]内，向左或向右整体移动设备实际工作时段此外，若rand1大于交叉概率pc，则当前代不进行交叉操作。

步骤(9)针对经过交叉操作后的N-store个设备组执行GA的变异操作：生成随机数rand1，若其值小于变异概率pm，则生成随机数rand3∈m+1，…，m+n表示可中断负荷的编号。对选取的可中断负荷 a＝rand3在其工作时段范围[α_a，β_a]内的随机位置处的工作状态进行变异。判断所有设备a∈1，2，…，m+n在其对应的工作时段[α_a，β_a]内的实际工作时长与设备总时长要求d_a是否相同，若则将多余的1变成0；若则将[α_a，β_a]内多余的0变成1。上述变异操作只面向可中断负荷，这是因为对不可中断负荷执行变异操作会破坏其工作状态的连续性，比如，将不可中断负荷工作时段内的状态从变异成会被迫使设备暂停工作，破坏其工作特性，原则上不被允许的。此外，针对不可中断负荷的状态变化，步骤(8)的特殊交叉操作已经从本质上保障了其工作状态的整体修改。

步骤(10)判断种群迭代结束条件：选择最大适应度值，即目标函数最小值，对应的染色体组为当前所有柔性负荷的整体最佳工作状态集合，返回步骤(7)执行下一代的遗传操作，并记录上一代目标函数值objvalue(t-1)与这一代目标函数值objvalue(t)的差值持续小于误差范围ε的次数，即 objvalue(t-1)-objvalue(t)≤ε持续发生的次数Times，其中，若下一时刻发生 objvalue(t-1)-objvalue(t)＞ε的状况，则计数量Times清零。若Times大于设定的阈值或程序总迭代次数达到最大迭代次数Gen，则终止遗传算法运行，所获得的最大适应度值对应的染色体组为基于DG调度策略的最佳设备组运行状况，转入执行步骤(11)。

步骤(11)计算初始购电量BuyElec与购电费用BestCost：在每半小时时间间隔内，若DG大于总负荷需求，则系统当前时刻有电量冗余，无需购电；反之，计算其差值的绝对值为当前时刻的购电功率，最终得到一天内不同时刻购电功率向量BuyElec。由于购电费用是购电量、用电时间、实时电价之间的函数，因而购电费用

步骤(12)建立基于RTP的负荷调度策略目标函数，如公式③所示：

其中，是DG在i时刻的供电功率，是刚性负荷在i时刻的总耗电功率，是柔性负荷在i时刻的总耗电功率，设备a从j时刻转移到k时刻，是移除设备a后在j时刻需要向电网购买的用电功率，是将设备a转移至k时刻后在k时刻需要向电网购买的用电功率，RTP_j及RTP_k分别代表相应时刻的实时电价，由于所有设备在每个采样点的执行时长为半小时，而购电量是购电功率与时长的乘积，所以目标函数需要分别乘以0.5h。此外由于同一个设备无法在当天的同一个时刻运行两次，因而必须保证设备a所需要转移至的k时刻在执行转移前没有运行设备a，即在转移之前必须保证且

步骤(13)选出所有时段内负荷总用电需求量超过DG供电量的时刻j，选取该时刻正在工作的最大功率设备a，判断该设备的工作类型，①若a是不可中断负荷，找出其连续工作时段将设备a在的所有工作状态置0，在[α_a，β_a]时段内寻优移入设备a后最低购电费用所处的工作区间，注意：由于需要转移的设备是不可中断负荷，因此在转移时不止要先移除设备在j时刻的工作状态，而是将设备当前所在的整个工作区域转移；②若a是可中断负荷，将设备a在j时刻移除，转移至[α_a，β_a]区间内购电费用最低且该设备在转移前未运行的时刻k。

步骤(14)更新经过上述操作后的设备组能量消耗矩阵P_Chrom、剩余购电量BuyElec及最低电费BestCost。继续执行步骤(13)直至购电费用不再降低，转入步骤(15)。

步骤(15)选出剩余购电量BuyElec大于0的时刻j，选取该时刻正在工作的最小功率设备a，按照步骤(13)的①、②不同状况执行负荷转移。

步骤(16)更新经过上述操作后的设备组能量消耗矩阵P_Chrom、剩余购电量BuyElec及最低电费BestCost。继续执行步骤(15)直至购电费用不再降低，所获得的设备组工作状况P_Chrom为基于RTP调度策略的最佳设备组运行状况，转入步骤(17)。

步骤(17)根据当前DG及负荷总耗电状况进行蓄电池的容量配置，选取合适容量Q(单位：KWh)的蓄电池用于后续储能操作。

步骤(18)将实时电价按电价下降与上升进行分区，若当前时刻处于电价下降区间，执行步骤(19)；否则执行步骤(20)至(24)。

步骤(19)由于处于电价下降阶段，下一时刻的RTP比当前时刻低，因而为了追求经济效益，只需要保证当前时刻的用电需求即可，无需从电网向蓄电池充电。①若当前DG供电量大于负荷用电需求判断从DG 往蓄电池充电带来的收益与启动一次蓄电池代价的数值大小。若大于，则从 DG往蓄电池存储多余供电量直至蓄电池充电极限，更新蓄电池充电量及其荷电状态，如公式④-⑤所示：

④

SOC(i+1)＝SOC(i)+Charge/Q ⑤

否则，放弃充电操作。②若当前DG供电量小于负荷用电需求判断从蓄电池往负荷放电带来的收益与启动一次蓄电池代价的数值大小。若大于，则从蓄电池向负荷供电直至满足用电需求，或达到放电极限后再从电网向负荷继续供电，分别按公式⑤-⑦更新蓄电池的荷电状态、放电量、及当前时刻负荷向电网的购电量：

⑥

⑦

否则，蓄电池不放电，更新负荷向电网的购电量返回至步骤(18)继续分区域执行，直至所有实时电价下降时刻运行结束。

步骤(20)记录电价上升阶段P_DG＞P_Load的初始时刻p及DG可向蓄电池提供的总充电量sLoad1，其值为正数；P_DG＜P_Load的初始时刻q及蓄电池需向负荷放电的总放电量sLoad2，其值为负数；得到执行至下一个P_DG＞P_Load时刻前的蓄电池剩余电量S，如公式⑧所示，若其值大于0，表明蓄电池有电量剩余；小于0，表明单纯放电不够满足总体负荷需求：

S＝(SOC(i)-S_min)×Q+sLoad1+sLoad2 ⑧

当电价上升阶段的第一个采样点处于P_DG＞P_Load情况时，执行步骤(21)至 (23)；否则，跳转至步骤(24)。

步骤(21)蓄电池从DG处充电，根据S状态判断是否需要蓄电池或负荷从电网购电，即当S≥0，执行步骤(22)；否则，执行步骤(23)。

步骤(22)分情况判断是否需要从电网购电，①若蓄电池极限可放电量大于负荷除去DG供电后的总电能需求，即(S_max-S_min)×Q≥|sLoad2|，则蓄电池充满电后能够满足后面阶段的负荷需求，按照公式④-⑤更新蓄电池充电量及其荷电状态，且无需从电网购电；②否则，先在P_DG＞P_Load阶段按公式④-⑤通过DG将蓄电池充电至S_max状态，再在P_DG＜P_Load的几个初始时刻直接从电网向负荷供电，直至剩余的负荷需求可以由电池的放电获得。其中可能存在一个时刻的负荷既从电网直接购电、又从蓄电池向其放电的情况。返回步骤(18)继续分区域执行，直至所有实时电价上升时刻运行结束。

步骤(23)判断购电时刻及被供电对象，①若DG可向蓄电池提供的充电量小于蓄电池的充电极限，即sLoad1＜(S_max-SOC(p))×Q，则在p时刻从电网向电池充电，直至达到负荷用电需求，即Buy＝-S；或充电至蓄电池极限S_max，即Buy＝(S_max-SOC(m))×Q-sLoad1，再在P_DG＜P_Load的几个初始时刻直接从电网向负荷供电，直至剩余的负荷用电需求可以直接由电池放电供给；②否则，直接按照公式④-⑤通过DG将蓄电池充电至S_max状态，再在 P_DG＜P_Load的几个初始时刻直接从电网向负荷供电，直至剩余的负荷用电需求可以直接由电池放电供给。返回步骤(18)继续分区域执行，直至所有实时电价上升时刻运行结束。

步骤(24)分情况判断是否需要从电网购电，①若S≥0，则无需购电，直接由蓄电池向负荷放电；②否则，在P_DG＜P_Load初始时刻直接从电网向负荷供电，并向电池充电至负荷所需量，即或至充电极限S_max，即再在下一时刻继续直接从电网向负荷供电，直至剩余的负荷用电需求可以直接由电池放电供给。返回步骤(18)继续分区域执行，直至所有实时电价上升时刻运行结束。

本发明有益效果是：从供电角度考虑，储能装置是对DG供电的协调补充，通过动态再规划DG供电状态，平衡自制供能与设备耗能的功率匹配，以提高家庭自备电源发电效率；从用电角度考虑，用户需求是一种可管理的资源，而电能消费是一种经济选择，根据实时电价、供电量、用电需求之间的制约关系来规划负荷用电时段，可以提高家居混合供电系统的经济效益。具体表现在，(1)根据DG、RTP、储能设备状态的信息，合理规划家居用户侧柔性负荷的用电时段，以储能装置的充放电决策为中间调控手段，充分调整和利用DG的发电量，以寻求最高经济效益，降低系统用电均峰值，实现系统内用户用电负荷电费最低与DG供电充分使用的双重有效优化；(2)建立以减少用电成本与寻求电量供需平衡为双重目标的多目标遗传算法整数规划问题，根据可中断负荷与不可中断负荷的不同工作特性，既分段执行交叉变异策略，加快运算速度，简化算法交互式的复杂度，又保证整体设备组的供需差异最小化，提高算法精确度与效率；(3)合理规划蓄电池的充放电状态，从空间与时间两个维度对DG进行动态再规划，更大程度上提高电能利用率，同时，将充放电获得的电费效益与蓄电池循环使用代价相对比，在降低购电费用的基础上减少蓄电池充放电次数，延长其使用寿命。需要说明的是，(1) 基于DG的负荷调度策略在负荷工作时段交叉变异过程中，对于不可中断负荷需要对其工作时段进行整体移动，而可中断负荷可以在工作时段范围内，以保证工作时长的前提下随机变异。(2)基于RTP的负荷调度策略是自动寻求电价较低时刻与DG冗余量较多时刻的统一，而并非单一对实时电价进行寻谷，因为可能存在电价最低时刻对应DG剩余量极少的情况，其所带来的购电量的增加使综合电费可能比其他次低电价时刻更高。(3)为了提高储能装置的循环充放电次数，使其具有更长的使用寿命，通常对其限定安全充放电范围，本文根据锂电池的工作特性，选取其充放电范围为最大蓄电容量的 20％-90％。该调度策略可以有效的实现在DG输出功率不足条件下的电能供需功率匹配，提高分布式发电、储能充放电、负荷用电之间的电能分配效率，在满足设备工作约束条件下，降低家居系统的购电费用。

附图说明

图1RTP环境下含DG及储能装置的家居混合供电系统模型；

图2(a)设备形成的种群矩阵示意图；

图2(b)所有设备组形成的染色体组示意图；

图3调度策略流程图；

图4实时电价曲线；

图5风能、太阳能在不同时段的发电功率；

图6DG及刚性负荷特性曲线；

图7蓄电池的充放电策略及SOC状态；

图8(a)负荷在约束范围内的随机工作时刻安排；

图8(b)经过DG和RTP调度策略后的负荷工作时刻优化安排；

图8(c)经过蓄电池控制策略后的家居混合供电系统供需关系；

图8(d)含电网的家居混合供电系统能量调度；

图9(a)负荷随机工作方式的DG利用率；

图9(b)基于DG及RTP策略的DG利用率；

图9(c)经过储能协调后的DG利用率；

图10采取与不采取负荷控制的三个月内每日电费对比。

具体实施方式

下面结合附图对本发明做进一步详述：

由图1的家居混合供电系统模型可以看到，实时电价的数据来自澳大利亚运营商AEMO提供的昆士兰州QLD地区2014年5月3日的电价信息，如图4所示；整个网络包含2个DG，其中假设DG1为风能供电，其每个时刻的供电功率范围0-5KW，DG2为屋顶光伏供电，其每个时刻的供电功率范围0-3KW，两者的功率特性曲线如图5所示；储能单元选择12V、220Ah 的锂电池，即最大容量为2.64KWh，充放电范围限制在20％-90％；此外，刚性负荷24h工作特性曲线如图6所示，且家居系统的柔性负荷包含有3 种不可中断负荷和13种可中断负荷，其工作特性及约束条件如表I所示，其中不可中断负荷用*标记，其余为可中断负荷。

表I 柔性负荷工作特性及约束条件

步骤(1)按半小时时间间隔采样，获取当前时刻系统中全部DG、RTP 的状态信息。

步骤(2)由于有些设备可能在一天内有不同可调度工作区域、不同工作时长、或者同一种类型的设备有不同的额定功率，比如一户家庭可能安装几种不同型号的空调，因而对于表I中的设备对象，以可调度工作区域分类，将设备具体约束条件代入公式①，共建立30个柔性负荷模型，其中包含6 个不可中断负荷，即m＝6；24个可中断负荷，即n＝24。

步骤(3)设置遗传算法种群大小N＝50，最大迭代次数Gen＝3000。以用0、1编码的长度为48的染色体代表设备的工作状态，将每个设备a进行编号a∈1，2，…，30，每种设备可矩阵所有设备总共可以形成30个50×48的矩阵，其示意图如图2(a)所示。

步骤(4)分别抽取每种设备50×48矩阵中的一行，按设备的编号重组成50个30×48染色体组代表所有设备工作状态集合，其中每行代表相应编号设备在48个时段内的工作状态，其示意图如图2(b)所示。

步骤(5)将经过初始化后的染色体组分别乘以相应设备的额定功率，形成50组能量消耗矩阵P_Chrom＝X_Chrom(a)·P_a。随机选择种群中的一组能量消耗矩阵，查看未经负荷调度安排的设备用电状况。

步骤(6)根据公式②建立基于DG的负荷调度策略目标函数，其中，不可中断负荷数量m＝6，可中断负荷数量n＝24。选取目标函数的倒数作为遗传算法(GA)的适应度函数。

步骤(7)执行GA的选择操作：保留每次迭代后前store＝8个适应度值较高的设备组不参与后续变化，再以轮盘赌方式在所有种群中选择设备组进行复制，形成其余N-store＝50-8＝42个染色体组。

步骤(8)针对经过选择复制后的42个设备组执行GA的交叉操作：生成随机数rand1，若其值小于交叉概率pc＝0.7，则随机选择设备编号 a∈1，2，…，30，判断设备a所属于的负荷类型，并按照负荷特性对其进行交叉操作，①若设备编号a∈7，8，…，30，则属于可中断负荷，生成随机数 rand2∈1，2，…，48确定该设备的交叉位置，将第i个染色体组的染色体a与第 i+1个染色体组的染色体a在rand2位置后的染色体片段进行交换，②若设备a∈1，2，…，6，则属于不可中断负荷，在其允许的工作时间范围[α_a，β_a]内，向左或向右整体移动设备实际工作时段此外，若rand1＞pc，则当前代不进行交叉操作。

步骤(9)针对经过交叉后的42个设备组执行GA的变异操作：生成随机数rand1，若其值小于变异概率pm＝0.05，则对可中断负荷a∈7，8，…，30在 [α_a，β_a]时段内随机位置处的工作状态进行变异，即将其二进制编码变成相反数。判断所有设备a∈1，2，…，30在相应[α_a，β_a]时段内的实际工作时长与设备总时长要求d_a是否相同，若则将多余的1变成0；若则将[α_a，β_a]内多余的0变成1。

步骤(10)判断种群迭代结束条件：返回步骤(7)执行下一代遗传操作，并记录上一代遗传结束后的最佳目标函数值objvalue(t-1)与这一代最佳目标函数值objvalue(t)的差值持续小于误差范围ε＝0.001的次数，即 objvalue(t-1)-objvalue(t)≤0.001持续发生的次数Times，其中，若在下一时刻发生objvalue(t-1)-objvalue(t)＞0.001状况，则Times清零，若Times≥600或程序总迭代次数t＝3000，则终止GA运行，所获得的最大适应度值对应的染色体组为基于DG调度策略的最佳设备组运行状况，转入执行步骤(11)。

步骤(11)计算初始购电量BuyElec与购电费用BestCost。

步骤(12)按照公式③建立基于RTP的负荷调度策略目标函数，其中需要被转移的设备a所在的j时刻为BuyElec(j)＞0的时刻，而所要转移至的 k时刻在执行转移前必须保证没有运行设备a，且k要保证在设备a允许调度的工作区间内。

步骤(13)选出所有时段内BuyElec(j)＞0的时刻j，选取该时刻正在工作的最大功率设备a，判断其工作类型，①若a∈1，2，…，6，则属于不可中断负荷，找出其连续工作时段将它在的所有工作状态置0，并在[α_a，β_a]时段内寻优移入设备a后最低购电费用状态下设备a所处的工作区间；②若a∈7，8，…，30，则属于可中断负荷，将其在j时刻移除，转移至 [α_a，β_a]区间内购电费用最低所处的k时刻。

步骤(14)更新经过上述操作后的设备组能量消耗矩阵P_Chrom、剩余购电量BuyElec及最低电费BestCost。继续执行步骤(13)直至最低电费不再降低，转入步骤(15)。

步骤(15)选出剩余购电量BuyElec大于0的时刻j，选取该时刻正在工作的最小功率设备a，按照步骤(13)的①、②不同状况执行负荷转移。

步骤(16)更新经过上述操作后的设备组能量消耗矩阵P_Chrom、剩余购电量BuyElec及最低电费BestCost。继续执行步骤(15)直至购电费用不再降低，所获得的设备组工作状况P_Chrom为基于RTP调度策略的最佳设备组运行状况，转入步骤(17)。

步骤(17)根据当前DG及负荷总耗电状况进行蓄电池的容量配置，选取容量Q＝12V×220Ah＝2.64KWh的锂电池用于后续储能操作，其可充放电范围为电池容量的20％-90％，即S_min＝0.2，S_max＝0.9。

步骤(18)将实时电价按电价下降与上升进行分区，若处于电价下降区间，执行步骤(19)；否则执行步骤(20)至(24)。

步骤(19)由于处于电价下降阶段，无需从电网向蓄电池充电。①若判断从DG往蓄电池充电带来的收益是否大于启动蓄电池的代价。若大于，则从DG往蓄电池存储多余供电量直至蓄电池充电极限，按公式④-⑤更新蓄电池充电量及其荷电状态；否则，放弃充电操作。②若判断从蓄电池往负荷放电带来的收益是否大于启动蓄电池的代价。若大于，则从蓄电池向负荷供电直至满足用电需求，或达到放电极限后再从电网向负荷继续供电，按公式⑤-⑦分别更新蓄电池荷电状态、放电量及负荷向电网的购电量；否则，蓄电池不放电，负荷直接向电网购电。返回至步骤(18)继续分区域执行，直至所有电价下降时刻运行结束。

步骤(20)记录电价上升阶段P_DG＞P_Load的初始时刻p及DG可向蓄电池提供的总充电量sLoad1，P_DG＜P_Load的初始时刻q及蓄电池需向负荷放电的总放电量sLoad2；按照公式⑧计算得到执行至下一个P_DG＞P_Load时刻前的蓄电池剩余电量S。当电价上升阶段的第一个采样点处于P_DG＞P_Load情况，执行步骤(21)至(23)；否则，跳转至步骤(24)。

步骤(21)蓄电池从DG处充电，根据S状态判断是否需要蓄电池或负荷从电网处购电。当S≥0，执行步骤(22)；否则，执行步骤(23)。

步骤(22)判断是否需要从电网购电，①若蓄电池极限可放电量大于负荷除去DG供电后的总电能需求，即(0.9-0.2)×2.64≥|sLoad2|，则无需从电网购电，蓄电池充满电后能够满足后面阶段的负荷需求，按照公式④-⑤更新蓄电池充电量及其荷电状态；②否则，先在P_DG＞P_Load阶段按公式④-⑤通过DG将蓄电池充电至容量的90％状态，再在P_DG＜P_Load的几个初始时刻直接从电网向负荷供电，直至剩余的负荷需求可以由电池放电获得。返回步骤 (18)继续分区域执行，直至所有电价上升时刻运行结束。

步骤(23)判断购电时刻及被供电对象，①若DG可向蓄电池提供的充电量小于蓄电池的充电极限，即sLoad1＜(0.9-SOC(p))×2.64，则在p时刻从电网向电池充电直至达到负荷用电需求，即Buy＝-S；或充电至蓄电池极限，即Buy＝(0.9-SOC(m))×2.64-sLoad1，再在P_DG＜P_Load的几个初始时刻直接从电网向负荷供电，直至剩余的负荷用电需求可以由电池放电供给；②否则，直接按照公式④-⑤通过DG将蓄电池充电至90％状态，再在P_DG＜P_Load的几个初始时刻直接从电网向负荷供电，直至剩余的负荷用电需求可以直接由电池放电供给。返回步骤(18)继续分区域执行，直至所有电价上升时刻运行结束。

步骤(24)判断是否需要从电网购电，①若S≥0，则无需购电，直接由蓄电池向负荷放电；②否则，在P_DG＜P_Load初始时刻从电网向负荷供电，并从电网向电池充电至负荷所需量，即或至充电极限，即再在下一时刻继续直接从电网向负荷供电，直至剩余的负荷用电需求可以直接由电池放电供给。返回步骤 (18)继续分区域执行，直至所有电价上升时刻运行结束。

可见，步骤(2)至(10)执行基于DG的负荷调度策略，动态规划柔性负荷的用电时段以匹配“DG-负荷”供需平衡；步骤(11)至(16)执行基于RTP的负荷调度策略，以RTP为调节杠杆，循环自动寻优转移部分负荷的工作时段以降低从电网处的购电费用；步骤(17)至(24)执行储能能量调度策略，按照RTP趋势分段判断搜索最优的“DG-蓄电池-负荷”能量优化模式，通过储能装置的充放电动作动态调节DG供电量，使其与规划好的负荷用电需求相匹配，进而最大限度提高DG利用率。

图7所示是经过储能能量调度后的蓄电池充放电策略及其SOC状态。分别用柱状图显示DG和电网向蓄电池充电过程及蓄电池向负荷放电过程，前者值为正数，后者值为负数，其中蓄电池的荷电状态SOC随着其充电过程增加、随着放电过程减少，并验证了所有状态在20％至90％之间。

图8所示是一天内系统所有供电及负荷用电的安排结果，可以体现出 DG供电及负荷用电需求的匹配度。从图8(a)可以看出，未经过算法调度的总负荷需求与DG间的匹配度很低，如0：00-6：00及12：00-16：00时段存在 DG供电严重浪费的现象，而6：00-12：00及18：00-22：00时段存在很多用电设备无法直接从DG满足其用电需求的状况，特别是7：00时刻的设备用电需求处于高峰，会增加整个系统的用电峰均比(PAR)，从一定程度影响电网稳定性。图8(b)所示为经过DG及RTP调度策略后的负荷工作时刻优化安排状况，可以看到总负荷需求与DG间的匹配度明显变高，大部分负荷根据 DG发电状况合理地规划了用电时刻。至于1：00-5：00及13：00-15：00时刻的部分DG存在浪费现象，而6：00-7：30及20：00-24：00的部分负荷未能得到 DG供电支持，是因为在没有储能装置介入时，DG供电状况不可调，只能最优地安排用电设备的工作时段，使其与DG供电间尽量匹配，但由于所有用电设备都有相应的工作约束条件，不能脱离其约束条件随便将其安排至 DG充足的时刻，因而基于DG及RTP的调度策略已经是在没有储能装置动态存储或释放DG供电情况下的最优负荷工作时刻安排了。图8(c)所示为经过储能控制策略后的家居混合供电系统供需关系，此处不再调节负荷的工作时段，而是通过DG和电网向蓄电池的充电，以及蓄电池向负荷放电的操作，动态调节DG供电量，使其与经过优化安排的总负荷需求相匹配。通过储能设备的合理充放电调度，1：00-5：00及13：00-15：00时间段内DG产生的多余电量被充分吸收，而使得6：00-7：30及20：00-24：00不足的电能需求得到了有效的补充；至于22：00-22：30及23：00-24：00时段内，部分负荷用电需求未被满足的情况，是由于系统总电力供应小于负荷总需求，即DG和储能的电力输出量不足，不得不通过公共电网买电而得到补偿。此外，结合图7的蓄电池充放电状况，可以看到4：00-6：00及16：00-16：30存在DG超出负荷需求的状况，这是由于此刻蓄电池已经达到充电极限90％，若是继续充电会造成蓄电池寿命的降低，因而选择放弃部分多余的电能；而3：00-4：00虽未达到充电极限且DG也有剩余却没有执行充电策略，是由于此刻DG剩余量太少，其带来的充电收益还不如启动一次蓄电池进行充电操作所花费的代价高，因而对这部分DG能量进行放弃。图8(d)所示为含智能电网的家居混合供电系统能量调度，结合图7及图8(c)可以对比看出，在22：00-22：30时段电网向负荷供电，在23：00-23：30时段电网向负荷及锂电池供电，而23：30-24：00时段无需购电，负荷利用锂电池放电供能。这是由于23：30-24：00的电价比 23：00-23：30的电价高，而在低电价时段提前往锂电池充电并在高电价时刻放电所花费的购电费用比直接在高电价时刻由电网向负荷供电所花费的购电费用低，因而采用这种措施可以降低总体购电费用。图8充分说明了合理调度的意义和价值，经过DG、RTP、锂电池、电网的综合作用后，不仅明显地降低了购电量，也在保障负荷用电需求的前提下优化了负荷的工作时段。

图9所示是系统DG发电利用率对比曲线。其中，图9(a)所示为未经调度情况下的DG利用率，从DG供电量与利用量之间的差异可以明显看出未经调度时的DG利用率很低，如0：00-2：00、2：30-3：30、4：00-5：00、5：30-6：00、 12：00-14：30、15：00-17：00等时段的DG电能存在很大程度的浪费；图9(b) 所示为经过基于DG及RTP调度策略后的DG利用率，可以看到DG供电量与利用量之间的差异有了很大程序上的改善，其平均DG利用率相比未经调度的状况，从80.67％提升到96.09％；图9(c)所示为经过储能协调后的DG 利用率，可以看出除了3：30-5：30、16：00-16：30时段有少数DG剩余，其它时段通过蓄电池的充放电作用充分使用了DG供能。而上述现象中出现的部分DG剩余可能是由于蓄电池已充电至极限或启动一次蓄电池代价大于获得的收益而使蓄电池不再从DG继续充电所造成的。经过储能设备的协调作用，平均DG利用率进一步提升至99.39％。可见，图9充分体现了经过本文所提家居混合供电系统能量优化调度方法作用下，DG发电利用率明显高于没有调度策略情况下的利用率。通过优化柔性负荷的工作时段，同时合理调度储能设备的充放电动作以重构DG的供电量，使得DG产生的电能被用电负荷利用或被储能设备存储，并在系统缺乏电力供应时放出，有效地从空间和时间两个维度对电力进行优化使用，进而提高DG电能利用效率，这在家居能量系统优化中具有重要的意义。

图10对比采取与不采取能量优化调度方法在三个月内每日的电费对比，可以看到三个月内的平均日电费从151美分降低到53.8美分；且三个月内，不经调度的用户95％的日电费在201美分以下，而经过调度后，95％的电费在124美分以下。经过三个月的时间，采用本发明所提出的家居混合供电系统能量优化调度方法可以为用户节省共8163.9美元，可以充分体现出本调度策略的经济效益。

Claims (1)

1.实时电价环境下的家居混合供电系统能量优化调度方法,其特征在于：

步骤(1)按半小时为时间间隔进行采样，获取当前时刻系统中全部DG、RTP的状态信息；DG为分布式能源，RTP为实时电价；

步骤(2)对家居用电设备进行分类，包含不可调节用电时段，必须优先满足其用电需求的刚性负荷；设备工作期间不可暂停，但整体工作时段可以调节的不可中断负荷；可以在任意半小时节点处暂停并在下次运行时继续执行任务的可中断负荷；其中，后两种负荷属于柔性负荷，按照调度策略调整工作时刻；建立柔性负荷工作模型，如公式①所示：

其中，h_a是设备可能工作的时间点，是设备开始工作时刻，是设备结束工作时刻，[α_a,β_a]是设备允许工作时段范围，a是设备编号，m是不可中断负荷数量，n是可中断负荷数量，是设备a在h_a时刻的工作状态，当表示设备处于工作阶段，当表示设备处于停用状态，P_a为设备额定功率，所有设备在工作时均以额定功率运行，d_a为工作时长，E_a为设备总功率需求；设备允许工作时段范围必须不小于其为完成任务所需的总时长，且无论如何安排设备工作状态，必须保证其在可调度范围内完成任务；

步骤(3)设置遗传算法种群大小N，最大迭代次数Gen；以用二进制编码的长度为48的染色体代表设备的工作状态，在其允许工作时段内出现“1”，工作时段外只能出现“0”，且“1”的个数由设备工作时长决定；

可中断负荷在约束时段内随机选择“1”所处的位置，而不可中断负荷只能在此区间连续出现工作时长个“1”；将每个设备a进行编号a∈1,2,…,m+n，由于长度为1×48的染色体代表设备在一天内的工作状况，参与遗传的种群大小为N，因此每种设备形成大小为N×48的矩阵所有设备总共形成m+n个N×48的矩阵；

步骤(4)分别抽取每种设备N×48矩阵中的一行，按设备的编号重组成N个(m+n)×48染色体组其中每行代表相应编号设备在48个时段内的工作状态，因而，每个染色体组代表所有设备工作状态的集合；

步骤(5)将经过初始化后的染色体组分别乘以相应设备的额定功率，形成N组能量消耗矩阵P_Chrom＝X_Chrom(a)·P_a；随机选择种群中的一组能量消耗矩阵，查看未经负荷调度安排的设备用电状况；

步骤(6)建立基于DG的负荷调度策略目标函数如公式②所示：

其中是DG在h时刻的供电功率，是刚性负荷在h时刻的用电需求，代表所有柔性负荷在h时刻的用电需求，DG和负荷间的供需差异越小越利于降低购电费用，由于适应度值越大的染色体组越有机会参与下一次的遗传迭代，选取目标函数的倒数作为遗传算法GA的适应度函数；

步骤(7)执行GA的选择操作：为了不在后续的交叉变异中遗失适应度值较高的染色体组，设置变量store表示要保留的上一代适应度值较高的设备组个数，并在种群N的前store个染色体组上，存储上一代遗传结束后的前store组较高适应度值对应的设备组，再以轮盘赌方式选取种群中的设备组进行复制，更新种群中的剩余N-store个染色体组为刚复制形成的N-store个设备组；

步骤(8)针对经过选择复制后的N-store个设备组执行GA的交叉操作：生成随机数rand1，若其值小于交叉概率pc，则随机选择设备编号a∈1,2,…,m+n，根据设备编号a判断所选设备属于的负荷类型，并按照负荷特性对其进行交叉操作，①若设备编号a∈m+1,…,m+n，则是可中断负荷，生成随机数rand2∈1,2,…,48表示该设备的交叉位置，将第i个染色体组的染色体a与第i+1个染色体组的染色体a在rand2位置进行交叉，即交换这两个染色体在rand2位置后的染色体片段，②若设备a∈1,2,…,m，则是不可中断负荷，此时进行的迭代过程本质上不是交叉操作，而是在其允许的工作时间范围[α_a,β_a]内，向左或向右整体移动设备实际工作时段此外，若rand1大于交叉概率pc，则当前代不进行交叉操作；

步骤(9)针对经过交叉操作后的N-store个设备组执行GA的变异操作：生成随机数rand1，若其值小于变异概率pm，则生成随机数rand3∈m+1,…,m+n表示可中断负荷的编号；对选取的可中断负荷a＝rand3在其工作时段范围[α_a,β_a]内的随机位置处的工作状态进行变异；判断所有设备a∈1,2,…,m+n在其对应的工作时段[α_a,β_a]内的实际工作时长与设备总时长要求d_a是否相同，若则将多余的1变成0；若则将[α_a,β_a]内多余的0变成1；上述变异操作只面向可中断负荷，这是因为对不可中断负荷执行变异操作会破坏其工作状态的连续性，将不可中断负荷工作时段内的状态从变异成会被迫使设备暂停工作，破坏其工作特性，原则上不被允许的；此外，针对不可中断负荷的状态变化，步骤(8)的特殊交叉操作已经从本质上保障了其工作状态的整体修改；

步骤(10)判断种群迭代结束条件：选择最大适应度值，即目标函数最小值，对应的染色体组为当前所有柔性负荷的整体最佳工作状态集合，返回步骤(7)执行下一代的遗传操作，并记录上一代目标函数值objvalue(t-1)与这一代目标函数值objvalue(t)的差值持续小于误差范围ε的次数，即objvalue(t-1)-objvalue(t)≤ε持续发生的次数Times，其中，若下一时刻发生objvalue(t-1)-objvalue(t)>ε的状况，则计数量Times清零；若Times大于设定的阈值或程序总迭代次数达到最大迭代次数Gen，则终止遗传算法运行，所获得的最大适应度值对应的染色体组为基于DG调度策略的最佳设备组运行状况，转入执行步骤(11)；

步骤(11)计算初始购电量BuyElec与购电费用BestCost：在每半小时时间间隔内，若DG大于总负荷需求，则系统当前时刻有电量冗余，无需购电；反之，计算其差值的绝对值为当前时刻的购电功率，最终得到一天内不同时刻购电功率向量BuyElec；由于购电费用是购电量、用电时间、实时电价之间的函数，因而购电费用

步骤(12)建立基于RTP的负荷调度策略目标函数，如公式③所示：

其中，是DG在i时刻的供电功率，是刚性负荷在i时刻的总耗电功率，是柔性负荷在i时刻的总耗电功率，设备a从j时刻转移到k时刻，是移除设备a后在j时刻需要向电网购买的用电功率，是将设备a转移至k时刻后在k时刻需要向电网购买的用电功率，RTP_j及RTP_k分别代表相应时刻的实时电价，由于所有设备在每个采样点的执行时长为半小时，而购电量是购电功率与时长的乘积，所以目标函数需要分别乘以0.5h；此外由于同一个设备无法在当天的同一个时刻运行两次，因而必须保证设备a所需要转移至的k时刻在执行转移前没有运行设备a，即在转移之前必须保证且

步骤(13)选出所有时段内负荷总用电需求量超过DG供电量的时刻j，选取该时刻正在工作的最大功率设备a，判断该设备的工作类型，①若a是不可中断负荷，找出其连续工作时段将设备a在的所有工作状态置0，在[α_a,β_a]时段内寻优移入设备a后最低购电费用所处的工作区间，由于需要转移的设备是不可中断负荷，因此在转移时不止要先移除设备在j时刻的工作状态，而是将设备当前所在的整个工作区域转移；②若a是可中断负荷，将设备a在j时刻移除，转移至[α_a,β_a]区间内购电费用最低且该设备在转移前未运行的时刻k；

步骤(14)更新经过上述操作后的设备组能量消耗矩阵P_Chrom、购电量BuyElec及最低电费BestCost；继续执行步骤(13)直至购电费用不再降低，转入步骤(15)；

步骤(15)选出购电量BuyElec大于0的时刻j，选取该时刻正在工作的最小功率设备a，按照步骤(13)的①、②不同状况执行负荷转移；

步骤(16)更新经过上述操作后的设备组能量消耗矩阵P_Chrom、购电量BuyElec及最低电费BestCost；继续执行步骤(15)直至购电费用不再降低，所获得的设备组工作状况P_Chrom为基于RTP调度策略的最佳设备组运行状况，转入步骤(17)；

步骤(17)根据当前DG及负荷总耗电状况进行蓄电池的容量配置，选取合适容量Q的蓄电池用于后续储能操作；

步骤(18)将实时电价按电价下降与上升进行分区，若当前时刻处于电价下降区间，执行步骤(19)；否则执行步骤(20)至(24)；

步骤(19)由于处于电价下降阶段，下一时刻的RTP比当前时刻低，因而为了追求经济效益，只需要保证当前时刻的用电需求即可，无需从电网向蓄电池充电；①若当前DG供电量大于负荷用电需求判断从DG往蓄电池充电带来的收益与启动一次蓄电池代价的数值大小；若大于，则从DG往蓄电池存储多余供电量直至蓄电池充电极限，更新蓄电池充电量Charge及其荷电状态SOC(i)，SOC(i+1)表示i+1时刻的锂电池荷电状态；如公式④-⑤所示：

SOC(i+1)＝SOC(i)+Charge/Q ⑤

否则，放弃充电操作；②若当前DG供电量小于负荷用电需求判断从蓄电池往负荷放电带来的收益与启动一次蓄电池代价的数值大小；若大于，则从蓄电池向负荷供电直至满足用电需求，或达到放电极限后再从电网向负荷继续供电，分别按公式⑤-⑦更新蓄电池的荷电状态、放电量、及当前时刻负荷向电网的购电量：

否则，蓄电池不放电，更新负荷向电网的购电量返回至步骤(18)继续分区域执行，直至所有实时电价下降时刻运行结束；

步骤(20)记录电价上升阶段P_DG＞P_Load的初始时刻p及DG可向蓄电池提供的总充电量sLoad1，其值为正数；P_DG＜P_Load的初始时刻q及蓄电池需向负荷放电的总放电量sLoad2，其值为负数；得到执行至下一个P_DG＞P_Load时刻前的蓄电池剩余电量S，如公式⑧所示，若其值大于0，表明蓄电池有电量剩余；小于0，表明单纯放电不够满足总体负荷需求：

S＝(SOC(i)-S_min)×Q+sLoad1+sLoad2 ⑧

当电价上升阶段的第一个采样点处于P_DG＞P_Load情况时，执行步骤(21)至(23)；否则，跳转至步骤(24)；

步骤(21)蓄电池从DG处充电，根据S状态判断是否需要蓄电池或负荷从电网购电，即当S≥0，执行步骤(22)；否则，执行步骤(23)；

步骤(22)分情况判断是否需要从电网购电，①若蓄电池极限可放电量大于负荷除去DG供电后的总电能需求，即(S_max-S_min)×Q≥|sLoad2|，则蓄电池充满电后能够满足后面阶段的负荷需求，按照公式④-⑤更新蓄电池充电量及其荷电状态，且无需从电网购电；②否则，先在P_DG＞P_Load阶段按公式④-⑤通过DG将蓄电池充电至S_max状态，再在P_DG＜P_Load的几个初始时刻直接从电网向负荷供电，直至剩余的负荷需求可以由电池的放电获得；其中可能存在一个时刻的负荷既从电网直接购电、又从蓄电池向其放电的情况；返回步骤(18)继续分区域执行，直至所有实时电价上升时刻运行结束；

步骤(23)判断购电时刻及被供电对象，①若DG可向蓄电池提供的充电量小于蓄电池的充电极限，即sLoad1＜(S_max-SOC(p))×Q，SOC(p)表示p时刻的荷电状态，则在p时刻从电网向电池充电，直至达到负荷用电需求，即Buy＝-S；或充电至蓄电池极限S_max，即Buy＝(S_max-SOC(p))×Q-sLoad1，再在P_DG＜P_Load的几个初始时刻直接从电网向负荷供电，直至剩余的负荷用电需求可以直接由电池放电供给；②否则，直接按照公式④-⑤通过DG将蓄电池充电至S_max状态，再在P_DG＜P_Load的几个初始时刻直接从电网向负荷供电，直至剩余的负荷用电需求可以直接由电池放电供给；返回步骤(18)继续分区域执行，直至所有实时电价上升时刻运行结束；

步骤(24)分情况判断是否需要从电网购电，①若S≥0，则无需购电，直接由蓄电池向负荷放电；②否则，在P_DG＜P_Load初始时刻直接从电网向负荷供电，并向电池充电至负荷所需量，即或至充电极限S_max，即SOC(q)表示q时刻的荷电状态，再在下一时刻继续直接从电网向负荷供电，直至剩余的负荷用电需求可以直接由电池放电供给；返回步骤(18)继续分区域执行，直至所有实时电价上升时刻运行结束。