CN104376364B - 基于遗传算法的智能家居负荷管理优化方法 - Google Patents
基于遗传算法的智能家居负荷管理优化方法 Download PDFInfo
- Publication number
- CN104376364B CN104376364B CN201410677416.7A CN201410677416A CN104376364B CN 104376364 B CN104376364 B CN 104376364B CN 201410677416 A CN201410677416 A CN 201410677416A CN 104376364 B CN104376364 B CN 104376364B
- Authority
- CN
- China
- Prior art keywords
- mrow
- load
- msub
- interrupt
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 230000002068 genetic effect Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000005611 electricity Effects 0.000 claims abstract description 38
- 239000000243 solution Substances 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 240000002853 Nelumbo nucifera Species 0.000 claims description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 230000001143 conditioned effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 20
- 238000004088 simulation Methods 0.000 description 16
- 238000004851 dishwashing Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000009182 swimming Effects 0.000 description 4
- 238000005406 washing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000009401 outcrossing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- 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
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于遗传算法的智能家居负荷管理优化方法，通过对智能家居系统中的风力发电机输出功率与风速之间的关系建立模型、对蓄电池荷电状态与充放电电量之间的关系建立模型，将负荷分为不可控型负荷、中断型负荷和不可中断型负荷，并给出了中断型负荷和不可中断型负荷开关状态需要满足的条件；建立智能家居负荷管理模型，模型包括由用户总电费构成的目标函数和包含有功功率平衡和最大功率限制的约束条件；利用遗传算法对本发明的模型进行优化求解，在满足基本的负荷约束和用户需求约束情况下，调节各负荷的工作状态，使得当天的总电费最小。本发明能够对智能家居负荷进行管理，使得当天总电费最小。
Description
技术领域
本发明属于电力系统技术领域，具体涉及一种基于遗传算法的智能家居负荷管理优化方法。
背景技术
智能家居是以住宅为平台安装有智能家居系统的居住环境，是指利用先进的计算机、网络通信、自动控制、音视频和综合布线技术，将与家居生活有关的各种能源系统和智能用能设备有机地结合到一起，提供智能化的家居服务，营造一个经济、高效、舒适、安全、可靠、便利、互动、环保节能的居住环境。
智能家居在国外起步较早，美国、加拿大、欧洲、澳大利亚、日本和东南亚等经济比较发达的国家先后提出了各种智能家居的方案。美国首次提出并建成“智能型建筑”，美国自90年代以来70％的办公大楼为智能化建筑，著名的智能化建筑有IBM、DEC公司总部大厦等。目前，美国有全球最大的智能化住宅群，其占地3359公顷，由约8000栋小别墅组成，每栋别墅有16个信息点，仅综合布线造价就达2200万美元。美国已有将近四万户家庭安装了“家庭智能化系统”。在新加坡，1998年5月新加坡举办的“98亚洲家庭电器与电子消费品国际展览会”上，通过在场内模拟“未来之家”，推出了新加坡模式的家庭智能化系统。在日本，80％的建筑将智能化，许多大城市建设了“智能化街区”、“智能化楼群”或“智能化城市”。
我国智能家居起步较晚，在2000年“智能家居”的概念才被民众了解和接受。我国的智能化住宅和智能化小区建设，最初始于广州、深圳和上海等沿海开放城市，随后逐渐向内地扩展。很多房地产公司都争先建设智能化建筑，但是由于没有统一的技术规范指标，智能化建筑水平参差不齐。在智能化家居的热潮下，很多企业开始研究智能家居，如海尔基于物联网的U-home智慧屋家庭智能化解决方案是家庭智能电器的比较有代表性的方案。虽然国内对于智能家电的研究起步较晚，但是在借鉴外国技术的基础上，越来越多的企业加入了开发智能家电的大军，国内有代表性的家居企业包括海尔、海信、TCL、索博、瑞讯等。
目前主要由针对工商业的可中断负荷进行管理优化，相比于工商业负荷，智能家居负荷具有更大的不确定性，现有技术难以对智能家居的各种负荷进行优化。
发明内容
为解决现有技术中的不足，本发明提供一种基于遗传算法的智能家居负荷管理优化方法，解决了现有技术中难以对智能家居各种负荷进行管理优化的问题。
为了实现上述目标，本发明采用如下技术方案：一种基于遗传算法的智能家居负荷管理优化方法，包括以下步骤：
步骤1，对智能家居系统中的风力发电机输出功率与风速之间的关系建立模型、对蓄电池荷电状态与充放电电量之间的关系建立模型，将负荷分为不可控型负荷、中断型负荷和不可中断型负荷，并给出了中断型负荷和不可中断型负荷开关状态需要满足的条件；
步骤2，建立智能家居负荷管理模型，模型包括由用户总电费构成的目标函数和包含有功功率平衡和最大功率限制的约束条件；
步骤3，通过遗传算法对智能家居负荷管理模型进行求解，达到减少电费的优化效果。
本发明所达到的有益效果：通过对智能家居系统中的风力发电机输出功率与风速之间的关系建立模型、对蓄电池荷电状态与充放电电量之间的关系建立模型，将负荷分为不可控型负荷、中断型负荷和不可中断型负荷，并给出了中断型负荷和不可中断型负荷开关状态需要满足的条件；建立智能家居负荷管理模型，模型包括由用户总电费构成的目标函数和包含有功功率平衡和最大功率限制的约束条件；利用遗传算法对本发明的模型进行优化求解，在满足基本的负荷约束和用户需求约束情况下，调节各负荷的工作状态，使得当天的总电费最小。本发明能够对智能家居各种负荷进行管理优化，使得当天总电费最小。
附图说明
图1是风力发电机输出功率与风速的关系示意图；
图2是基于遗传算法的智能家居负荷管理优化方法流程图；
图3是实施例中智能家居系统示意图；
图4是优化后洗衣机仿真结果图；
图5是优化后洗碗机1仿真结果图；
图6是优化后洗碗机2仿真结果图；
图7是优化后电动汽车仿真结果图；
图8是优化后游泳池水泵仿真结果图；
图9是优化前后总电费对比图；
附图中标记的含义：1-开，0-关。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明基于遗传算法的智能家居负荷管理优化方法，包括以下步骤：
步骤1，对智能家居系统中的风力发电机输出功率与风速之间的关系建立模型、对蓄电池荷电状态与充放电电量之间的关系建立模型，将负荷分为不可控型负荷、中断型负荷和不可中断型负荷，并给出了中断型负荷和不可中断型负荷开关状态需要满足的条件；
步骤2，建立智能家居负荷管理模型，模型包括由用户总电费构成的目标函数和包含有功功率平衡和最大功率限制的约束条件；
步骤3，通过遗传算法对智能家居负荷管理模型进行求解，在满足基本的负荷约束和用户需求约束情况下，调节各负荷的工作状态，使得当天的总电费最小。
步骤1中，智能家居系统包括风力发电机、蓄电池和负荷，下面分别对其建立模型：
1)所述风力发电模型中，设P1为风力发电机的实际输出功率，PN为风力发电机的额定输出功率，v为环境风速，vc1为风力发电机的启动风速，vcN为风力发电机的额定风速，vc2为风力发电机的切除风速，则风力发电机的实际输出功率P1和环境风速v之间的模型可用式(1)表示：
其中，系数k1和k2分别表示为：k2＝-k1vc1。
风力发电机输出功率与风速的关系如图1所示。
2)蓄电池模型采用安培小时法来建立，设SOC为蓄电池荷电状态；SOC0为蓄电池初始荷电状态；cr为蓄电池实际电量；cN为蓄电池额定电量；Ie为蓄电池充放电电流；Δt为蓄电池充放电时间；ηich为蓄电池充电效率；ηdis为电池放电效率；Pld为电池放电状态下负荷需求的功率；Pe为电池充电状态下系统剩余的功率；U为直流母线电压，则蓄电池模型可用式(2)和式(3)表示：
3)智能家居系统中的负荷按照输出功率与环境参数的关系可以分为以下三类：
(1)不可控型负荷：不可控型型负荷不能被调节。因此，在建模时它们是以固定的功率曲线建立模型。
(2)中断型负荷：典型的中断型负荷包括电动汽车(当它们充电时)，泳池水泵等。中断型负荷允许在tb之后开始工作，同时它的工作必须在te之前完成。中断型负荷的能量消耗是常数，工作的时长包括IIL个时间步长。因此，在中断型负荷的工作时间内，中断型负荷的开、关状态满足：
中断型负荷的模型为式(5)：
其中，tb表示中断型负荷开始工作的时间，te表示中断型负荷结束工作的时间，IIL表示中断型负荷工作时长所包括的时间步长，b表示中断性负荷开始工作时的时间步长的序号，e表示中断性负荷结束工作时的时间步长序号，N表示总的时间步长数，IIL,i是中断型负荷在第i个时间步长时开、关状态(“1”代表“开”，“0”代表“关”)，N+表示正的自然数。
(3)不可中断型负荷：不可中断型负荷与中断型负荷的区别是它一旦开始就不能够停止。典型的不可中断型负荷包括洗衣机、洗碗机等。不可中断型负荷满足式：
其中，INL,i表示不可中断型负荷在第i个时间步长时开、关状态，LNL表示不可中断型负荷完成工作所必需的时间步长的总数。
步骤2中，智能家居系统负荷管理方法建模：
本发明的智能家居能量管理模型所希望得到的优化结果是：在满足基本的负荷约束和用户需求约束情况下，调节各负荷的工作状态，使得当天的总电费最小。
本发明所考虑的智能家居负荷管理模型是基于以下假设的：一是未来一天各时段的电价是已知的或可以通过相关的预测手段得到；二是各负荷、分布式电源和环境的参数是已知的；三是分布式电源不往大电网返送电量，或即使返送电量也不能得到电力公司的补偿；四是电动车只作为一个充电的负载，而不向电网返送电量；五是假设家居消耗的无功功率忽略不计，或者说由电网平衡。
在优化建模中，目标函数、约束条件是优化模型中的两个重要因素，下面分别介绍智能家居系统优化建模中的目标函数和约束条件：
(1)智能家居负荷管理目标函数
在模型中引入分时电价，将一天分为数个时段，Δt表示时间步长，N表示相应一天中的时间步长数。智能家居负荷管理模型的目标函数为一天内总电费最小，其表达式为：
其中，C为用户的总电费，δ为负荷的编号，ANL为非中断型负荷的集合，AIL为中断型负荷的集合，AN为不可控型负荷的集合，Xδ,i为在第i个时间段负荷δ的电功率，PWT,i为在第i个时间段风力发电机的发电功率，PST,i为在第i个时间段内蓄电池发出的功率，Ci为在第i个时间段内电力价格。
(2)智能家居负荷管理约束条件：
a)有功功率平衡约束：设Pgrid,i为第i个时间段电网注入家居中的电功率；PDG,i为第i个时间段分布式电源及蓄电池提供的电功率；Pload,i为第i时间段内负荷的总功率，则有：
Pload,i＝PDG,i+Pgrid,i (9)
b)最大功率限制约束：设Pi为第i个分布式发电有功功率出力，Pimin，Pimax分别为第i个分布式发电有功功率出力的最小值限制和最大限制值，Pgrid为电网供给系统的功率；Plim为电网向家居系统传输的有功功率限制，则有：
Pimin<Pi<Pimax (10)
Pgrid<Plim (11)
步骤3中，基于遗传算法的智能家居负荷管理优化求解方法：
对于非线性的函数优化问题，用其它优化方法可能得不到最优解，但是用遗传算法却能收敛到最优解。因此，本发明采用遗传算法来求得智能家居负荷管理模型的最优解。
在遗传算法中，首先对模型中的决策变量(即各类负荷的开关状态及可调节参数)进行编码处理，一般是通过选择一定长度的二进制位串来进行，然后构造适应度函数，一般将优化模型的目标函数进行适当的数学变化后作为适应度函数。适应度函数表明个体对于环境的适应度，适应度高的个体将更容易存活下去，同时也就容易进行繁殖。构造适应度函数后，进行群体的初始化，一般都是通过探索得出一个初始的可行解，然后通过随机的方式产生其它个体，也就产生了一个群体。得到初代群体后，进行选择、交叉、变异等遗传操作，保留优良个体即适应度高的个体，产生下一个种群，依次迭代，最后得出问题的优化解。
本发明所采用的遗传算法基本流程图如图2所示：
1)初始化：设置迭代计数器t＝0，最大迭代数为T，通过试探得到优化问题的初始解，即公式(5)和(6)中的IIL,i和INL,i，然后通过随机的方式得到一个个体数为N的种群P(0)，种群是指由多个初始解构成的集合；
2)适应度计算：构造适应度函数，计算种群P(t)中个体的适应度，即公式(7)中的C，即智能家居负荷管理模型的目标函数中一天内总电费；
3)选择运算：将选择算子作用于种群P(t)，从种群P(t)中选择一定数量的个体作为父代个体，适应度大的个体成为父代个体的概率越大，个体是指由公式(5)和(6)中的IIL,i和INL,i组成的向量；
4)交叉运算：将交叉算子作用于种群P(t)；交叉算子作用于种群时，对选择算子得到的父代个体进行交叉运算，随机地选取交叉位，最后通过交叉组合形成两个新的个体，即对公式(5)和(6)中的IIL,i和INL,i组成的向量进行交叉运算；
5)变异运算：将变异算子作用于种群P(t)；变异算子作用于种群时，即对于种群随机选择一些个体，改变个体上的某个基因值，这里的基因值是指对公式(5)和(6)中的IIL,i和INL,i的编码；种群P(t)经过选择、交叉、变异形成新的种群P(t+1)，对于新形成的种群中的个体进行适应度计算；
6)收敛判断：如果迭代次数已经达到最大值，则停止迭代，将最后一次迭代中的适应度最高的个体作为最优解，最优解是指是公式(7)中的C最小的决策变量(由公式(5)和(6)中的IIL,i和INL,i组成的向量)。
4.仿真实施例：
本实施例采用一个包含电网、分布式电源、储能装置和各类负荷的家居系统，利用本发明的优化方法对其用MATLAB进行仿真。该家居系统的分布式电源包括光伏阵列和风力发电机，各类负荷包括洗衣机、洗碗机、电动汽车、泳池水泵和热水器，时间步长为2分钟。本实施例采用的智能家居系统如图3所示
1.仿真参数
(1)负荷部分：
负荷包括中断型负荷、不可中断型负荷。表1为不可中断型负荷参数，表2为可中断型负荷参数。
P表示负荷的电功率，tb表示负荷工作的最早开始时间，te表示负荷工作的最晚结束时间，LNL表示负荷工作所需的时间步长数。
表1 不可中断型负荷参数
表2 可中断型负荷参数
(2)风力发电：
实施例中风机的最大输出功率为3KW，启动风速vci＝4m/s，额定风速vr＝12m/s，切除风速vc0＝32m/s。
(3)电价参数：
设定00:00到6:00的电费为0.3元/度，6:00到24:00的电费为0.6元/度。
2.仿真结果
1)不可中断负荷仿真结果：
如图4所示，为优化后洗衣机仿真结果(1表示开，0表示关)
如图5所示，为优化后洗碗机1的仿真结果(1表示开，0表示关)
如图6所示，为优化后洗碗机2的仿真结果(1表示开，0表示关)
2)可中断型负荷仿真结果：
如图7所示，为优化后电动汽车的仿真结果(1表示开，0表示关)
如图8所示，为优化后泳池水泵的仿真结果(1表示开，0表示关)
3)总电费仿真结果：
如图9所示，为优化前后总电费对比仿真结果，可以从图中看出，优化后的电费明显小于优化前的电费。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于遗传算法的智能家居负荷管理优化方法，包括以下步骤：
步骤1，对智能家居系统中的风力发电机输出功率与风速之间的关系建立模型、对蓄电池荷电状态与充放电电量之间的关系建立模型，将负荷分为不可控型负荷、中断型负荷和不可中断型负荷，并给出了中断型负荷和不可中断型负荷开关状态需要满足的条件；
步骤2，建立智能家居负荷管理模型，模型包括由用户总电费构成的目标函数和包含有功功率平衡和最大功率限制的约束条件；
步骤3，通过遗传算法对智能家居负荷管理模型进行求解，达到减少电费的优化效果；
所述不可控型负荷不能被调节，在建模时不可控型负荷是以固定的功率曲线建立模型；
所述中断型负荷允许在tb之后开始工作，同时其工作必须在te之前完成；中断型负荷的能量消耗是常数，工作的时长包括LIL个时间步长；在中断型负荷的工作时间内，中断型负荷的开、关状态满足：
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>I</mi>
<mi>L</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>b</mi>
<mo>&rsqb;</mo>
<mo>&cup;</mo>
<mo>(</mo>
<mi>e</mi>
<mo>,</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
<mo>,</mo>
<mi>i</mi>
<mo>&Element;</mo>
<msup>
<mi>N</mi>
<mo>+</mo>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
中断型负荷的模型为式(5)：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>b</mi>
</mrow>
<mi>e</mi>
</munderover>
<msub>
<mi>I</mi>
<mrow>
<mi>I</mi>
<mi>L</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>I</mi>
<mi>L</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>&Element;</mo>
<msup>
<mi>N</mi>
<mo>+</mo>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，tb表示中断型负荷开始工作的时间，te表示中断型负荷结束工作的时间，IIL表示中断型负荷工作时长所包括的时间步长，b表示中断性负荷开始工作时的时间步长的序号，e表示中断性负荷结束工作时的时间步长序号，N表示总的时间步长数，IIL,i是中断型负荷在第i个时间步长时开、关状态，N+表示正的自然数集；
所述不可中断型负荷一旦开始工作就不能够停止；不可中断型负荷满足式：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>j</mi>
</mrow>
<mrow>
<mi>j</mi>
<mo>+</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>N</mi>
<mi>L</mi>
</mrow>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>I</mi>
<mrow>
<mi>N</mi>
<mi>L</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>N</mi>
<mi>L</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>N</mi>
<mi>L</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>N</mi>
<mi>L</mi>
<mo>,</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>j</mi>
<mo>&Element;</mo>
<mo>(</mo>
<mi>b</mi>
<mo>,</mo>
<mi>e</mi>
<mo>-</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>N</mi>
<mi>L</mi>
</mrow>
</msub>
<mo>+</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msup>
<mi>N</mi>
<mo>+</mo>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，INL,i表示不可中断型负荷在第i个时间步长时开、关状态，LNL表示不可中断型负荷完成工作所必需的时间步长的总数。
2.根据权利要求1所述的一种基于遗传算法的智能家居负荷管理优化方法，其特征是：步骤1中所述风力发电机模型为：
设P1为风力发电机的实际输出功率，PN为风力发电机的额定输出功率，v为环境风速，vc1为风力发电机的启动风速，vcN为风力发电机的额定风速，vc2为风力发电机的切除风速，则风力发电机的实际输出功率P1和环境风速v之间的模型可用式(1)表示：
其中，系数k1和k2分别表示为：k2＝-k1vc1。
3.根据权利要求1所述的一种基于遗传算法的智能家居负荷管理优化方法，其特征是：步骤1中所述蓄电池模型采用安培小时法来建立，蓄电池模型用式(2)和式(3)表示：
其中，SOC为蓄电池荷电状态；SOC0为蓄电池初始荷电状态；cr为蓄电池实际电量；cN为蓄电池额定电量；Ie为蓄电池充放电电流；Δt为蓄电池充放电时间；ηich为蓄电池充电效率；ηdis为蓄电池的放电效率；Pld为电池放电状态下负荷需求的功率；Pe为电池充电状态下系统剩余的功率；U为直流母线电压。
4.根据权利要求1所述的一种基于遗传算法的智能家居负荷管理优化方法，其特征是：步骤2中，所述智能家居负荷管理的目标函数为一天内总电费最小，其公式为：
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>C</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>&delta;</mi>
<mo>&Element;</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>N</mi>
<mi>L</mi>
</mrow>
</msub>
<mo>&cup;</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>I</mi>
<mi>L</mi>
</mrow>
</msub>
<mo>&cup;</mo>
<msub>
<mi>A</mi>
<mi>N</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>X</mi>
<mrow>
<mi>&delta;</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>W</mi>
<mi>T</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>S</mi>
<mi>T</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>N</mi>
<mo>=</mo>
<mfrac>
<mn>1440</mn>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，C为用户的总电费，δ为负荷的编号，ANL为非中断型负荷的集合，AIL为中断型负荷的集合，AN为不可控型负荷的集合，Xδ,i为在第i个时间段负荷δ的电功率，PWT,i为在第i个时间段风力发电机的发电功率，PST,i为在第i个时间段内蓄电池发出的功率，Ci为在第i个时间段内电力价格；Δt表示时间步长，N表示相应一天中的时间步长数。
5.根据权利要求1所述的一种基于遗传算法的智能家居负荷管理优化方
法，其特征是：步骤2中，所述智能家居负荷管理的约束条件为：
a)有功功率平衡约束：Pload,i为第i时间段内负荷的总功率：
Pload,i＝PDG,i+Pgrid,i (9)
其中，Pgrid,i为第i个时间段电网注入家居中的电功率；PDG,i为第i个时间段分布式电源及蓄电池提供的电功率；
b)最大功率限制约束：Plim为电网向家居系统传输的有功功率限制，有：
Pimin＜Pi＜Pimax (10)
Pgrid＜Plim (11)
其中，Pi为第i个分布式发电有功功率出力，Pimin，Pimax分别为第i个分布式发电有功功率出力的最小值限制和最大限制值，Pgrid为电网供给系统的功率。
6.根据权利要求1所述的一种基于遗传算法的智能家居负荷管理优化方法，其特征是：步骤3中，所述基于遗传算法的智能家居负荷管理优化方法步骤包括：
1)初始化：设置迭代计数器t＝0，设置最大迭代数T，通过试探得到优化问题的初始解，然后通过随机的方式得到一个个体数为N的种群P(0)，种群是指由多个初始解构成的集合；
2)适应度计算：构造适应度函数，计算种群P(t)中个体的适应度；
3)选择运算：将选择算子作用于种群P(t)，从种群P(t)中选择一定数量的个体作为父代个体，适应度大的个体成为父代个体的概率越大；
4)交叉运算：将交叉算子作用于种群P(t)，交叉算子作用于种群时，将在算子得到的父代个体中进行交叉运算的两个个体，然后随机的选取交叉位，最后通过交叉组合形成两个新的个体；
5)变异运算：将变异算子作用于种群P(t)；变异算子作用于种群时，即对于种群随机选择一些个体，改变个体上的某个基因值，种群P(t)经过选择、交叉、变异形成新的种群P(t+1)，对于新形成的种群中的个体进行适应度计算；
6)收敛判断：如果迭代次数已经达到最大值，则停止迭代，将最后一次迭代中的适应度最高的个体作为最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410677416.7A CN104376364B (zh) | 2014-11-21 | 2014-11-21 | 基于遗传算法的智能家居负荷管理优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410677416.7A CN104376364B (zh) | 2014-11-21 | 2014-11-21 | 基于遗传算法的智能家居负荷管理优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104376364A CN104376364A (zh) | 2015-02-25 |
| CN104376364B true CN104376364B (zh) | 2017-10-24 |
Family
ID=52555260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410677416.7A Active CN104376364B (zh) | 2014-11-21 | 2014-11-21 | 基于遗传算法的智能家居负荷管理优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104376364B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778504B (zh) * | 2015-03-18 | 2018-05-18 | 南京邮电大学 | 一种家庭用户智能家电的用电安排优化方法 |
| CN105676657A (zh) * | 2015-12-31 | 2016-06-15 | 天津大学 | 一种智能家用电器用电负荷群控方法 |
| CN105654397A (zh) * | 2016-02-01 | 2016-06-08 | 哈尔滨理工大学 | 一种智能用电优化方法及装置 |
| CN110360719B (zh) * | 2019-07-18 | 2020-12-29 | 国网山东省电力公司电力科学研究院 | 一种中央空调紧急控制方法 |
| CN110834548B (zh) * | 2019-11-11 | 2021-04-06 | 常熟理工学院 | 一种顺序选择遗传算法的分布式驱动汽车能效优化方法 |
| CN111797568A (zh) * | 2020-06-16 | 2020-10-20 | 武汉大学深圳研究院 | 一种基于最小能耗的锂电池充电方法 |
| CN112103580B (zh) * | 2020-09-21 | 2022-04-01 | 武汉大学 | 一种基于等效内阻的锂电池充电方法 |
| CN113822493A (zh) * | 2021-10-13 | 2021-12-21 | 国网天津市电力公司电力科学研究院 | 一种基于需求响应的商业楼宇能源管理方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102243673A (zh) * | 2011-06-28 | 2011-11-16 | 南京航空航天大学 | 一种并网模式微电网外部供电量的优化方法 |
| CN103972896B (zh) * | 2014-05-13 | 2015-09-09 | 国家电网公司 | 一种基于需求响应的负荷建模和优化控制方法 |
| CN104112168B (zh) * | 2014-06-16 | 2017-08-29 | 国家电网公司 | 一种基于多代理系统的智能家居优化方法 |
-
2014
- 2014-11-21 CN CN201410677416.7A patent/CN104376364B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104376364A (zh) | 2015-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104376364B (zh) | 基于遗传算法的智能家居负荷管理优化方法 | |
| Zhang et al. | Multi-objective load dispatch for microgrid with electric vehicles using modified gravitational search and particle swarm optimization algorithm | |
| CN106026152B (zh) | 一种电动汽车接入微电网的充放电调度方法 | |
| CN105071389B (zh) | 计及源网荷互动的交直流混合微电网优化运行方法及装置 | |
| CN105591406B (zh) | 一种基于非合作博弈的微电网能量管理系统的优化算法 | |
| CN102945296B (zh) | 一种需求响应视角下的配电网不确定性重构建模方法 | |
| CN103840457B (zh) | 考虑电动汽车充放电影响的配电网内dg优化配置方法 | |
| CN107704947A (zh) | 一种考虑电动汽车随机接入的微电网多目标优化调度方法 | |
| CN106651628B (zh) | 基于图论的区域冷热电综合能源优化配置方法及装置 | |
| CN107742900A (zh) | 风光储智能微电网经济调度控制方法 | |
| CN106786555A (zh) | 一种家庭能量管理系统的智能调度方法 | |
| CN107104454A (zh) | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 | |
| CN105356518A (zh) | 一种混合新能源电力系统机组组合优化方法 | |
| CN105868499B (zh) | 一种含风光储的电动汽车充电站容量配比方法 | |
| CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
| CN105958482A (zh) | 基于佳点集量子粒子群算法的微网优化方法 | |
| CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
| CN102708426B (zh) | 含电动汽车充电设施的智能小区供电容量规划系统及方法 | |
| CN114037354B (zh) | 一种冷热电联供系统容量优化配置的方法 | |
| CN108009745A (zh) | 工业园区内多元用户协同能量管理方法 | |
| Huang et al. | Jointly optimizing microgrid configuration and energy consumption scheduling of smart homes | |
| CN109034587A (zh) | 一种协调多种可控单元的主动配电系统优化调度方法 | |
| Cao et al. | Optimal designing and synthesis of a hybrid PV/fuel cell/wind system using meta-heuristics | |
| Yang et al. | Deep learning-based distributed optimal control for wide area energy Internet | |
| Abedinia et al. | Synergizing efficient optimal energy hub design for multiple smart energy system players and electric vehicles |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |