CN104952001A - 一种对包括空调负荷的可控负荷进行用电优化调度的方法 - Google Patents

Abstract

本发明涉及一种对包括空调负荷的可控负荷进行用电优化调度的方法，可控负荷包括可调功率的空调负荷，以及可转移负荷；对空调负荷建立空调运行优化目标模型，对可转移负荷建立可转移负荷优化目标模型；对空调运行优化目标模型采用非支配排序遗传算法进行优化；对可转移负荷优化目标模型采用自适应遗传算法进行寻优。本发明在考虑用户用电习惯和用电舒适度的前提下，通过对用电设备进行分类，分为可控负荷和固定负荷，再对可控负荷中的空调负荷和可转移负荷进行建模，分别采用相应的智能算法对其用电方式进行寻优，在满足用户用电舒适度的前提下实现对可控负荷的有效优化管理。

Description

一种对包括空调负荷的可控负荷进行用电优化调度的方法

技术领域

本发明涉及电力系统技术领域，更具体地说，涉及一种对包括空调负荷的可控负荷进行用电优化调度的方法

背景技术

随着全球电力需求量的增长，电力缺口和峰谷差加大，电力生产增长达不到各地电力需求水平的增长，电力供求双方矛盾加深，随之而来的包括煤炭能源资源紧张、用电量快速增长造成的电网容量不足和环境污染等问题。

需求响应具有成本低，反应速度快及环保等优点，可以提高电力系统的运行效率；通过对用电设备进行优化调度实现需求响应，对电力用户自身来说，可以在自身的用电需求和电网的调节能力之间寻求平衡，调节用电时间和用电量大小，减少电费开支。然而有几个原因削弱了用户在电价市场中的作用，一方面是用户缺乏对分时电价、需求响应相关知识的了解，另一方面是缺乏辅助用户进行优化用电的优化用电管理系统。

优化用电管理系统使得终端用户可以参与到电力系统的运营中来，假定商业用电中每个电器都处于商业电器网络联网中并接受中央控制器的统一控制，用户将自己的用电计划上传给中央控制器，控制器通过网络获取最新实时电价信息及气象信息，结合负荷预测的结果，根据用电设备的能耗、用电设备的类型及用户使用偏好、设备开启的优先级及时间要求，通过建立最优化运筹模型，可在用户用电成本最小的目标下，制定用电计划，并利用终端控制技术控制各用电设备执行命令，给用户带来极大便利，从而让用户参与需求响应。

发明内容

本发明的目的在于克服现有技术的不足，提供一种对包括空调负荷的可控负荷进行用电优化调度的方法。

本发明的技术方案如下：

一种对包括空调负荷的可控负荷进行用电优化调度的方法，可控负荷包括可调功率的空调负荷，以及可转移负荷；对空调负荷建立空调运行优化目标模型，对可转移负荷建立可转移负荷优化目标模型；对空调运行优化目标模型采用非支配排序遗传算法进行优化；对可转移负荷优化目标模型采用自适应遗传算法进行寻优。

作为优选，空调运行优化目标模型的约束条件为空调温度负荷模型等式：

${\hat{x}}^{in}\[t+1\]=x^{in}\[t\]+{\mathrm{\α}}_f\left(x^{out}\[t\]-x^{in}\[t\]\right)+g_f{P}_{HVAV}\[t\]+c_f;$

其中，xⁱⁿ[t]表示t时刻室内温度，x^out[t]表示t时刻室外温度，P_HVAV[t]表示t时刻空调负荷，a_f表示室内外热量的交换参数，g_f表示空调制冷效率，c_f表示温度偏差；

并限制最大功率输出：

P_HVAV(t)≤P_HVAV ^MAX；

其中，P_HVAV为空调负荷，P_HVAV ^MAX为空调负荷上限。

作为优选，空调运行优化目标模型以最小化能源花费和室内最适温度为目标：

$min\underset{t=1}{\overset{14}{\Σ}}|V\left(t\right)*P_{HVAV}\left(t\right)|;$

$min\underset{t=1}{\overset{14}{\Σ}}{\left(x^{in}\right(t)-26)}^2;$

其中，V(t)为当日实时电价数据，xⁱⁿ为室内温度，P_HVAV为空调负荷。

作为优选，基于微粒群优化算法确定空调运行优化目标模型，步骤为：

1)随机初始化种群中各个微粒的位置和速度；

2)评价每个微粒的适应度，将当前各个微粒的位置和适应值储存在各个微粒的个体极值pBest中，将所有个体极值pBest中适应值最优个体的位置和适应值储存于个体极值pBest中；

3)更新微粒的位移和速度；

4)对每个微粒，将其适应值与其经历过的最好位置做比较，如果较好，则将其作为当前的最好位置；

5)比较当前所有的个体极值pBest和全局极值gBest值，更新全局极值gBest；

6)若满足停止条件，搜索停止，输出结果，否则返回步骤3)继续搜索。

作为优选，可转移负荷优化目标模型的矩阵为：

$\left(\begin{array}{cccc}{C}_{1,1}& C_{1,2}& ......& C_{1,t}......C_{1,m}\\ C_{2,1}& P_{2,2}& ......& C_{2,t}......C_{2,m}\\ ......& ......& ......& ............C_{i,m}\\ C_{n,1}& C_{n,2}& ......& C_{n,t}......C_{n,m}\end{array}\right);$

其中，C_n,t表示设备n在时间t时刻工作情况，可转移负荷的用电设备工作时，C_n,t＝1，否则C_n,t＝0。

作为优选，预设可转移负荷的用电设备提前和推迟开始运行时限T_E、T_D，限定可转移负荷转移时间的控制时限，可转移负荷的调度表述为：

$C_{i,T_{i,E}}+C_{i,T_{i,E}+1}+......+C_{i,T_{,D}}=1;$

C_1,t*W₁+C_2,t*W₂+……+C_n,tW_n≤W_max；

其中，表示设备i在T_i,E时刻工作情况，为1表示设备进行工作，为0表示设备不工作；T_i,E为设备i提前运行时限，T_i,D为设备i推迟运行时限；W_i为各设备耗电量，W_MAX为单位时间可转移负荷电量上限。

作为优选，可转移负荷优化目标模型以用电成本最小化，确定其目标函数：

$min\underset{t=1}{\overset{n}{\Σ}}\left|W\left(t\right)*V\left(t\right)\right|;$

其中，V(t)为t时刻电价，W(t)为t时刻可转移负荷总负荷。

作为优选，可转移负荷优化目标模型的约束条件为各电器i运行时间范围为T_E、T_D：

W(t)＝C_1,t*W₁+C_2,t*W₂+……C_n,t*W_n；

$C_{i,T_{i,E}}+C_{i,T_{i,E}+1}+......+C_{i,T_{i,D}}=1;$

C_1,t*W₁+C_2,t*W₂+……+C_n,tW_n≤W_max；

并限制可转移负荷总功率上限：

T_D-T_E≥1。

作为优选，对空调运行优化目标模型采用非支配排序遗传算法进行优化的步骤包括：

1)产生初始种群；

2)通过锦标赛选择、交叉、变异产生子种群；

3)将父代和子代种群进行合并；

4)将父代、子代合并产生的种群进行排序，通过比较支配情况进行非支配排序，在对前端内的每个个体进行拥挤距离排序；

5)对种群进行修剪，在两倍于种群的个体中修剪出个数等于种群大小的个体；

6)判断终止条件是否达到。

作为优选，对可转移负荷优化目标模型采用自适应遗传算法进行寻优的步骤包括：

1)随机产生初始种群，个体数目一定，每个个体表示为染色体的基因编码；

2)计算个体的适应度，并判断是否符合优化准则，若负荷，输出最佳个体及其代表的最优解，并结束计算，否则转向步骤3)；

3)依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰；

4)按照下式确定交叉概率，并通过交叉生成新的个体：

$P_C=\left\{\begin{array}{c}\frac{k_1\left(f_{\max }-f\right)}{f_{\max }-f_{avg}},f\&GreaterEqual;f_{avg}\\ k_2,f<f_{avg}\end{array}\right.;$

5)按照下式确定变异概率，并通过变异生成新的个体：

$P_m=\left\{\begin{array}{c}\frac{k_3\left(f_{\max }-f^{\&prime;}\right)}{f_{\max }-f_{avg}},f^{\&prime;}\&GreaterEqual;f_{avg}\\ k_4,f^{\&prime;}<f_{avg}\end{array}\right.;$

其中，f_max为群体中的最大适应值，f_avg为群体平均适应值，f为要交叉的两个个体中较大的适应度值，f'为要变异个体的适应度值，k₁、k₂、k₃、k₄为常数；

6)由交叉和变异产生新的种群，返回步骤2)。

本发明的有益效果如下：

本发明在考虑用户用电习惯和用电舒适度的前提下，通过对用电设备进行分类，分为可控负荷和固定负荷，再对可控负荷中的空调负荷和可转移负荷进行建模，分别采用相应的智能算法对其用电方式进行寻优，在满足用户用电舒适度的前提下实现对可控负荷的有效优化管理。

(1)采用自适应遗传算法能有效的对大量不同类型的可转移用电设备进行优化管理，算法简单有效；

(2)对转移负荷转移时间的限制最大限度的减少了人们因为负荷转移产生的不舒适感，同时可转移时间限制可根据人们的实际需求实时调整；

(3)提出对空调负荷进行优化，不仅节省了空调庞大的电费开支，同时达到了满意的温度舒适度；

(4)对可控用电设备进行优化管理，在满足了用户用电舒适度的前提下实现了节省电费开支的效果，同时也提高了电力系统稳定性和资源利用率，进一步可以减轻环境污染带来的危害。

附图说明

图1、图2是温度仿真结果与实际值比较图；

图3、图4是空调优化用电结果；

图5、图6、图7是可转移负荷优化结果图。

具体实施方式

以下结合附图及实施例对本发明进行进一步的详细说明。

本发明提供一种基于智能算法的用电优化调度方法，可控负荷包括可调功率的空调负荷，以及可转移负荷；对空调负荷建立空调运行优化目标模型，对可转移负荷建立可转移负荷优化目标模型；对空调运行优化目标模型采用非支配排序遗传算法进行优化；对可转移负荷优化目标模型采用自适应遗传算法进行寻优。

具体包括以下步骤：

步骤1：收集构造优化模型的相关数据信息；

步骤2：对空调负荷与室内外温度进行建模；

步骤3：建立空调运行优化目标模型；

步骤4：对空调运行优化目标模型采用非支配遗传算法进行求解；

步骤5：建立可转移负荷优化目标模型；

步骤6：基于遗传算法可转移负荷优化及优化结果分析。

所述的步骤1，构建可控负荷优化模型，所收集的相关数据信息包括：空调耗电数据信息，室内外温度信息，实时电价信息，可转移负荷功率大小，原定可转移负荷运行时间，可转移负荷转移时限范围。

所述的步骤2，采用如下表达式表达室内外气温与空调负荷之间的关系，

${\hat{x}}^{in}\&lsqb;t+1\&rsqb;=x^{in}\&lsqb;t\&rsqb;+{\mathrm{\&alpha;}}_f\left(x^{out}\&lsqb;t\&rsqb;-x^{in}\&lsqb;t\&rsqb;\right)+g_f{P}_{HVAV}\&lsqb;t\&rsqb;+c_f;$

其中，xⁱⁿ[t]表示t时刻室内温度，x^out[t]表示t时刻室外温度，P_HVAV表示空调负荷，a_f表示室内外热量的交换参数，g_f表示空调制冷效率，c_f表示由于人流量、干燥程度等所引起的温度偏差。

室内温度模型参数根据人们活动类型、房屋所处位置和房屋材料不同而不同，需通过历史数据确定参数数值。利用微粒群优化算法对模型参数进行寻优。微粒群优化算法维持了一个微粒种群，每一个微粒在其多维搜索空间代表一个位置。各微粒开始于随机位置，在搜索空间内移动搜索给定目标最小值。这样的过程称为微粒群优化算法。

其目标函数为：

$\min f\left({\mathrm{\&alpha;}}_f,g_f,c_f\right)=\underset{i=1}{\overset{14}{\&Sigma;}}{(x^{in}\&lsqb;t+1\&rsqb;-x^{in}\&lsqb;t\&rsqb;-{\mathrm{\&alpha;}}_f(x^{out}\&lsqb;t\&rsqb;-x^{in}\&lsqb;t\&rsqb;)-g_f{P}_{HVAV}\&lsqb;t\&rsqb;-c_f)}^2;$

温度结果可由下式表示：

${\hat{x}}^{in}\&lsqb;t+1\&rsqb;=x^{in}\&lsqb;t\&rsqb;+{\mathrm{\&alpha;}}_f\left(x^{out}\&lsqb;t\&rsqb;-x^{in}\&lsqb;t\&rsqb;\right)+g_f{P}_{HVAV}\&lsqb;t\&rsqb;+c_f.$

所述的步骤3，以最小化能源花费和室内最适温度为目标：

$min\underset{t=1}{\overset{14}{\&Sigma;}}\left|V\left(t\right)*P_{HVAV}\left(t\right)\right|;$

$min\underset{t=1}{\overset{14}{\&Sigma;}}{\left(x^{in}\right(t)-26)}^2;$

约束条件为空调温度负荷模型等式：

${\hat{x}}^{in}\&lsqb;t+1\&rsqb;=x^{in}\&lsqb;t\&rsqb;+{\mathrm{\&alpha;}}_f\left(x^{out}\&lsqb;t\&rsqb;-x^{in}\&lsqb;t\&rsqb;\right)+g_f{P}_{HVAV}\&lsqb;t\&rsqb;+c_f;$

并限制最大功率输出：

P_HVAV(t)≤P_HVAV ^MAX；

其中：V(t)为当日实时电价数据，xⁱⁿ为室内温度，x^out为室外温度，P_HVAV为空调负荷，P_HVAV ^MAX为空调负荷上限，a_f，g_f，c_f为前文介绍的温度负荷模型参数。

基于粒子群优化算法确定空调运行优化目标模型，步骤为：

1)随机初始化种群中各个微粒的位置和速度；

2)评价每个微粒的适应度，将当前各个微粒的位置和适应值储存在各个微粒的个体极值pBest中，将所有个体极值pBest中适应值最优个体的位置和适应值储存于个体极值pBest中；

3)更新微粒的位移和速度；

4)对每个微粒，将其适应值与其经历过的最好位置做比较，如果较好，则将其作为当前的最好位置；

5)比较当前所有的个体极值pBest和全局极值gBest值，更新全局极值gBest；

6)若满足停止条件，搜索停止，输出结果，否则返回步骤3)继续搜索。

所述的步骤4，优化算法首先产生种群P，对种群P进行遗传操作得到种群Q，再将种群P和种群Q进行合并后进行非劣排序和拥挤排序，形成新种群P，反复进行直至结束。

所述步骤5中，可转移负荷通常考虑为可对其运行时间段进行调整的负荷，如洗衣机、热水器、咖啡机等。通常我们将一天分为m个时间段，每个时间段有不同的电费价格，用电设备的使用可以看作一次单独的任务插入到这些时间段中，可转移设备运行状态如矩阵表示：

$\left(\begin{array}{cccc}{C}_{1,1}& C_{1,2}& ......& C_{1,t}......C_{1,m}\\ C_{2,1}& P_{2,2}& ......& C_{2,t}......C_{2,m}\\ ......& ......& ......& ............C_{i,m}\\ C_{n,1}& C_{n,2}& ......& C_{n,t}......C_{n,m}\end{array}\right);$

表示设备n在时间t时刻工作情况，为1表示设备进行工作，为0表示设备不工作。

同时考虑使用者用电舒适程度，限定负荷转移控制时限。T_E、T_D为设备提前和推迟开始运行时限，即电器只在时间范围T_E、T_D内工作，其他时间范围内不工作，对于只允许提前或推迟的用电设备可使为1或为0。因此转移负荷调度问题可以被表述为：

$C_{i,T_{i,E}}+C_{i,T_{i,E}+1}+......+C_{i,T_{,D}}=1;$

C_1,t*W₁+C_2,t*W₂+……+C_n,tW_n≤W_max；

其中：表示设备i在T_i,E时刻工作情况，为1表示设备进行工作，为0表示设备不工作；T_i,E为设备i提前运行时限，T_i,D为设备_i推迟运行时限；W_i为各设备耗电量，W_MAX为单位时间可转移负荷电量上限。

以用电成本最小化，确定其目标函数：

$min\underset{t=1}{\overset{n}{\&Sigma;}}W\left|\left(t\right)*V\left(t\right)\right|.$

用户根据自身喜好设定各电器i运行时间范围T_E、T_D，并限制可转移负荷总功率上限：

W(t)＝C_1,t*W₁+C_2,t*W₂+……C_n,t*W_n；

$C_{i,T_{i,E}}+C_{i,T_{i,E}+1}+......+C_{i,T_{,D}}=1;$

C_1,t*W₁+C_2,t*W₂+……+C_n,tW_n≤W_max；

T_D-T_E≥1；

其中，T_i,E、T_i,D为设备提前和推迟开始运行时限，V(t)为t时刻电价，n为可转移设备数量，W(t)为某时刻可转移负荷总负荷，C_n,t表示设备n在时间t时刻工作情况。W_i为可转移负荷耗电量大小。

所述的步骤5，采用遗传算法对可转移负荷优化进行求解。

对空调运行优化目标模型采用非支配排序遗传算法进行优化的步骤包括：

1)产生初始种群；

2)通过锦标赛选择、交叉、变异产生子种群；

3)将父代和子代种群进行合并；

4)将父代、子代合并产生的种群进行排序，通过比较支配情况进行非支配排序，在对前端内的每个个体进行拥挤距离排序；

5)对种群进行修剪，在两倍于种群的个体中修剪出个数等于种群大小的个体；

6)判断终止条件是否达到。

编码方式采用实数编码，分为状态1，状态2，状态3，状态4，状态5。

状态1表示设备提前2h工作；

状态2表示设备提前1h工作；

状态3表示设备保持原工作时间；

状态4表示设备推迟1h工作；

状态5表示设备推迟2h工作。

染色体即由各设备工作状态组成，染色体长度为设备数量，染色体位数排序按设备编号进行，如设备1提前1h为状态2，设备2推迟2h为状态5，设备3保持原工作时间为状态3，可表示为[253]。

遗传算法适应度函数为总电费支出最小值，可表示为各时刻总负荷*各时刻电价。

采用自适应遗传算法的方法进行操作，当种群适应度趋于一致时，增加交叉概率和变异概率，当种群适应度分散时，减少交叉概率和变异概率。同时，对于适应度高于平均适应度的个体采用较低的交叉和变异概率，对适应度较低的个体，采用较高的变异和交叉概率。

对可转移负荷优化目标模型采用自适应遗传算法进行寻优的步骤包括：

1)随机产生初始种群，个体数目一定，每个个体表示为染色体的基因编码；

2)计算个体的适应度，并判断是否符合优化准则，若负荷，输出最佳个体及其代表的最优解，并结束计算，否则转向步骤3)；

3)依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰；

4)按照下式确定交叉概率，并通过交叉生成新的个体：

$P_C=\left\{\begin{array}{c}\frac{k_1\left(f_{\max }-f\right)}{f_{\max }-f_{avg}},f\&GreaterEqual;f_{avg}\\ k_2,f<f_{avg}\end{array}\right.;$

5)按照下式确定变异概率，并通过变异生成新的个体：

$P_m=\left\{\begin{array}{c}\frac{k_3\left(f_{\max }-f^{\&prime;}\right)}{f_{\max }-f_{avg}},f^{\&prime;}\&GreaterEqual;f_{avg}\\ k_4,f^{\&prime;}<f_{avg}\end{array}\right.;$

其中，f_max为群体中的最大适应值，f_avg为群体平均适应值，f为要交叉的两个个体中较大的适应度值，f'为要变异个体的适应度值，k₁、k₂、k₃、k₄为常数；

6)由交叉和变异产生新的种群，返回步骤2)。

本实例中，对办公区域内空调及各类可转移负荷应用本文提到的方法采用MATLAB进行仿真。

(1)空调温度负荷模型

参数取值：af分别为0.0587和0.08，gf分别为-0.0806和-0.099，cf分别为-0.0016和0.0203

温度仿真结果与实际值比较图中可见图1，图2。可见仿真温度较好的跟踪了实际温度的走势。

(2)空调优化用电结果

空调优化用电结果如图3，图4所示，可见在很好的实现了功率优化分配的同时满足了用户用电舒适度的要求，室内温度舒适度达到了满意的效果。

(3)可转移负荷优化结果

图5为1h转移时限2.5kW转移功率上限负荷优化结果，图6为2h转移时限2.5kW转移功率上限负荷优化结果，图7为2h转移时限4kW转移功率上限负荷优化结果。表1中列出了各负荷转移前原运行时间和不同约束范围下的优化结果，表2为原始负荷和优化后高于0.7元/kWh尖峰电价负荷对比及电价对比。结果表明优化起到了很好的转移负荷效果，降低了尖峰电价负荷，节约了电费。

表1各负荷优化情况

表2优化后峰值负荷、电费对比

上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。

Claims (10)

1.一种对包括空调负荷的可控负荷进行用电优化调度的方法，其特征在于，可控负荷包括可调功率的空调负荷，以及可转移负荷；对空调负荷建立空调运行优化目标模型，对可转移负荷建立可转移负荷优化目标模型；对空调运行优化目标模型采用非支配排序遗传算法进行优化；对可转移负荷优化目标模型采用自适应遗传算法进行寻优。

2.根据权利要求1所述的对包括空调负荷的可控负荷进行用电优化调度的方法，其特征在于，空调运行优化目标模型的约束条件为空调温度负荷模型等式：

${\hat{x}}^{in}\&lsqb;t+1\&rsqb;=x^{in}\&lsqb;t\&rsqb;+{\mathrm{\&alpha;}}_f(x^{out}\&lsqb;t\&rsqb;-x^{in}\&lsqb;t\&rsqb;)+g_f{P}_{HVAV}\&lsqb;t\&rsqb;+c_f;$

其中，xⁱⁿ[t]表示t时刻室内温度，x^out[t]表示t时刻室外温度，P_HVAV[t]表示t时刻空调负荷，a_f表示室内外热量的交换参数，g_f表示空调制冷效率，c_f表示温度偏差；

并限制最大功率输出：

P_HVAV(t)≤P_HVAV ^MAX；

其中，P_HVAV为空调负荷，P_HVAV ^MAX为空调负荷上限。

3.根据权利要求2所述的对包括空调负荷的可控负荷进行用电优化调度的方法，其特征在于，空调运行优化目标模型以最小化能源花费和室内最适温度为目标：

$min\underset{t=1}{\overset{14}{\&Sigma;}}|V\left(t\right)*P_{HVAV}\left(t\right)|;$

$min\underset{t=1}{\overset{14}{\&Sigma;}}{\left(x^{in}\right(t)-26)}^2;$

其中，V(t)为当日实时电价数据，xⁱⁿ为室内温度，P_HVAV为空调负荷。

4.根据权利要求2所述的对包括空调负荷的可控负荷进行用电优化调度的方法，其特征在于，基于粒子群优化算法确定空调运行优化目标模型，步骤为：

1)随机初始化种群中各个微粒的位置和速度；

2)评价每个微粒的适应度，将当前各个微粒的位置和适应值储存在各个微粒的个体极值pBest中，将所有个体极值pBest中适应值最优个体的位置和适应值储存于个体极值pBest中；

3)更新微粒的位移和速度；

4)对每个微粒，将其适应值与其经历过的最好位置做比较，如果较好，则将其作为当前的最好位置；

5)比较当前所有的个体极值pBest和全局极值gBest值，更新全局极值gBest；

6)若满足停止条件，搜索停止，输出结果，否则返回步骤3)继续搜索。

5.根据权利要求1所述的对包括空调负荷的可控负荷进行用电优化调度的方法，其特征在于，可转移负荷优化目标模型的矩阵为：

$\left(\begin{array}{cccc}{C}_{1,1}& C_{1,2}& ......& C_{1,t}......C_{1,m}\\ C_{2,1}& P_{2,2}& ......& C_{2,t}......C_{2,m}\\ ......& ......& ......& ............C_{i,m}\\ C_{n,1}& C_{n,2}& ......& C_{n,t}......C_{n,m}\end{array}\right);$

其中，C_n,t表示设备n在时间t时刻工作情况，可转移负荷的用电设备工作时，C_n,t＝1，否则C_n,t＝0。

6.根据权利要求5所述的对包括空调负荷的可控负荷进行用电优化调度的方法，其特征在于，预设可转移负荷的用电设备提前和推迟开始运行时限T_E、T_D，限定可转移负荷转移时间的控制时限，可转移负荷的调度表述为：

$C_{i,T_{i,E}}+C_{i,T_{i,E}+1}+......+C_{i,T_{i,D}}=1;$

$C_{1,t}*W_1+C_{2,t}*W_2+......+C_{n,t}{W}_n\&le;W_{max};$

其中，表示设备i在T_i,E时刻工作情况，为1表示设备进行工作，为0表示设备不工作；T_i,E为设备i提前运行时限，T_i,D为设备i推迟运行时限；W_i为各设备耗电量，W_MAX为单位时间可转移负荷电量上限。

7.根据权利要求6所述的对包括空调负荷的可控负荷进行用电优化调度的方法，其特征在于，可转移负荷优化目标模型以用电成本最小化，确定其目标函数：

$min\underset{t=1}{\overset{n}{\&Sigma;}}|W\left(t\right)*V\left(t\right)|;$

其中，V(t)为t时刻电价，W(t)为t时刻可转移负荷总负荷。

8.根据权利要求6所述的对包括空调负荷的可控负荷进行用电优化调度的方法，其特征在于，可转移负荷优化目标模型的约束条件为各电器i运行时间范围为T_E、T_D：

W(t)＝C_1,t*W₁+C_2,t*W₂+……C_n,t*W_n；

$C_{i,T_{i,E}}+C_{i,T_{i,E}+1}+......+C_{i,T_{i,D}}=1;$

C_1,t*W₁+C_2,t*W₂+……+C_n,tW_n≤W_max；

并限制可转移负荷总功率上限：

T_D-T_E≥1。

9.根据权利要求1所述的对包括空调负荷的可控负荷进行用电优化调度的方法，其特征在于，对空调运行优化目标模型采用非支配排序遗传算法进行优化的步骤包括：

1)产生初始种群；

2)通过锦标赛选择、交叉、变异产生子种群；

3)将父代和子代种群进行合并；

4)将父代、子代合并产生的种群进行排序，通过比较支配情况进行非支配排序，在对前端内的每个个体进行拥挤距离排序；

5)对种群进行修剪，在两倍于种群的个体中修剪出个数等于种群大小的个体；

6)判断终止条件是否达到。

10.根据权利要求1所述的对包括空调负荷的可控负荷进行用电优化调度的方法，其特征在于，对可转移负荷优化目标模型采用自适应遗传算法进行寻优的步骤包括：

1)随机产生初始种群，个体数目一定，每个个体表示为染色体的基因编码；

2)计算个体的适应度，并判断是否符合优化准则，若负荷，输出最佳个体及其代表的最优解，并结束计算，否则转向步骤3)；

3)依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰；

4)按照下式确定交叉概率，并通过交叉生成新的个体：

$P_C=\left\{\begin{array}{c}\frac{k_1(f_{max}-f)}{f_{max}-f_{avg}},f\&GreaterEqual;f_{avg}\\ k_2,f<f_{avg}\end{array}\right.;$

5)按照下式确定变异概率，并通过变异生成新的个体：

$P_m=\left\{\begin{array}{c}\frac{k_3(f_{max}-f^{\&prime;})}{f_{max}-f_{avg}},f^{\&prime;}\&GreaterEqual;f_{avg}\\ k_4,f^{\&prime;}<f_{avg}\end{array}\right.;$

其中，f_max为群体中的最大适应值，f_avg为群体平均适应值，f为要交叉的两个个体中较大的适应度值，f'为要变异个体的适应度值，k₁、k₂、k₃、k₄为常数；

6)由交叉和变异产生新的种群，返回步骤2)。