CN107038535A - 一种改进万有引力搜索的智能微网楼宇负荷用电调度方法 - Google Patents

Abstract

本发明公开了一种改进万有引力搜索的智能微网楼宇负荷用电调度方法。首先将智能微网楼宇中所有用电负荷进行分类，明确楼宇负荷调度目标函数和约束条件，搭建负荷用电调度模型，然后对万有引力搜索算法进行二进制离散化处理，并建立寄生群和宿主群两个种群，同时引入粒子群算法中粒子具有的记忆和群体信息共享能力，模拟生物寄生行为，通过两个种群的协同进化，加快算法的收敛速度和搜索精度，提高了种群的多样性和全局搜索能力，克服原万有引力搜索算法存在的早熟收敛、寻优精度不高等缺点。本发明综合考虑楼宇居民经济性、舒适性以及电网稳定性的目标，采用改进万有引力搜索算法对其进行多目标优化，使居民同时达到用电费用最少、舒适度最高、对电网造成的影响最小等目的。

Description

一种改进万有引力搜索的智能微网楼宇负荷用电调度方法

技术领域

本发明涉及智能电网用电自动需求响应领域，具体是一种改进万有引力搜索的智能微网楼宇负荷用电调度方法。

背景技术

21世纪以来，随着全球经济和社会的快速发展，城乡居民用电量日益增加。据统计，2013年我国居民用电量占全社会总用电量的13.2%，对全社会用电量增长的贡献率为17.1%，这也引起了各国政府、企业以及电力公司的高度关注，同时，人们对以居民设备自动化、智能化为代表的智能楼宇的期待也越来越高。智能电网是一种新型电力智能化服务网络,它能监控、保护和自动优化其内部互联元件的运行，其中互联元件是指从集中的和分布式的发电机，通过输、配电系统，到工业用户、楼宇自动化系统、储能装置、终端用户及其温控装置、电动汽车及电器设施等。智能电网需求侧是智能电网的重要部分，电力需求响应就是通过激励用户侧根据电网供需情况改变原有用电方式，从而达到节约电能并优化资源均衡配置的目的。因此，随着智能电网技术的不断发展，需求响应将得到逐步的应用和发展。

智能楼宇能源的管理是以智能电网和楼宇用电设备为基础，在智能电表这样的工具下将楼宇中所有发、用电及蓄电等设备结合为一体的楼宇智能化网络控制系统。智能楼宇能源管理系统与自动需求响应技术结合可以实现对楼宇用电设备的自动调度，即当用户终端获取电网公司的价格和激励信息后，智能楼宇根据自动需求响应技术的优化结果制定符合自身经济性和舒适性目标的用电策略，从而优化用户侧用电，达到节能减排和削峰填谷的目的。

万有引力搜索算法结构简单，可用于解决智能优化问题，较其他算法的收敛性方面有一定的优势，但存在着早熟收敛及局部搜索能力差等缺点。对其加入记忆和群体信息共享能力，从而增加种群多样性，克服早熟收敛；通过将种群分成寄生群和宿主群两个种群，模拟生物寄生行为，体现优胜劣汰和协同进化的思想，从而提高全局和局部搜索能力。将改进后的万有引力搜索算法用于楼宇负荷用电调度的优化中，实现楼宇居民用电费用少，舒适度高，并对电网影响较小这样的目标具有一定的现实意义。

发明内容

本发明针对现阶段由于对楼宇用电一体化的管理没有得到重视，造成居民用电量大，用电高峰期对电网造成的波动影响较大的问题，公开了一种改进万有引力搜索的智能微网楼宇负荷用电调度方法，在考虑用户舒适度的前提下，降低用电费用、稳定用电功率。

本发明在分析了楼宇用户所有负荷的不同特征以及用户的不同使用习惯，将负荷进行分类，并建立了用电负荷调度模型；将粒子的记忆和群体信息共享能力以及生物寄生行为的双种群思想引入万有引力搜索算法，改进后的算法能弥补原万有引力搜索算法的不足，具有更强的优化能力；将改进万有引力搜索算法用于楼宇用电负荷的调度优化中，达到了很好的预期效果。

为解决上述技术问题，本发明采用如下技术方案，包括以下步骤：

(1) 根据楼宇各个负荷的不同特征和使用习惯，将所有可调度负荷分为可短时断电负荷、运行时段可调负荷、分布式负荷、可储能负荷；

(2) 明确负荷调度目标函数和约束条件，搭建楼宇负荷用电调度模型；

(3) 对万有引力搜索算法进行二进制离散化处理，并建立寄生群和宿主群两个种群，同时引入粒子群算法中粒子具有的记忆和群体信息共享能力，模拟生物寄生行为，并将此基于生物寄生行为的双种群万有引力搜索算法用于优化楼宇负荷用电调度的问题；

(4) 得出结论，并对其进行分析。

上述的一种改进万有引力搜索的智能微网楼宇负荷用电调度方法，步骤(1)中，像空调、热水器等家电设备在运行过程中，短时间中断不会对用户造成太大影响，称为可短时断电负荷；运行时段可调负荷是指洗衣机、消毒柜等家电设备开启后需连续运行一段时间，但运行时段可调整；分布式负荷是指光伏或风力发电等可发电设备；像电动汽车这类负荷属于可储能负荷。

上述的一种改进万有引力搜索的智能微网楼宇负荷用电调度方法，步骤(2)中，搭建楼宇负荷用电调度模型，包括目标函数和约束条件，具体如下：

a.明确用电调度优化的目标函数

优化的目标主要包括经济性目标、舒适性目标和电网稳定性目标，分别用日用电费E、用户舒适度C和用电功率平稳度S表示，即：

(1)

将一天24h分成T个时段，假设用户负荷总数为M，则用户日总电费E为：

(2)

其中：e _t 为t时段电网的实时电价，P _i,t 为t时段负荷i的实际电能。

用户舒适度C可表示如下：

(3)

其中：c _i,t 为t时段负荷i运行引起的用户舒适度。

用电功率平稳度S可用用电功率最大值最小值表示为：

(4)

其中：p _i,t 为t时段负荷i的功率。

若用户舒适度和用电功率平稳度可用用电费用衡量，通过引入折算因子α和β，可将上述多目标问题转化为单目标问题，即优化调度目标函数又可表示为：

(5)

b. 明确用电调度优化的约束条件

各类用电负荷的约束条件如下：

可短时断电负荷约束(主要受通断电时间的影响)：

(6)

其中：t ₁表示通电连续运行时间；t ₂表示连续断电时间；T _on 和T _off 分别表示最短通电时间和最长断电时间。

运行时段可调负荷约束(主要由负荷运行时间及启动时间起终点决定)：

(7)

其中：t ₃是运行时段可调负荷j开始启动的时刻；T _j,low 和T _j,up 分别是启动时间起点和启动时间终点；T _on,j,t 与T _on 分别表示负荷j在允许运行时间内连续运行时长与负荷实际运行时间。

可储能负荷约束：

（8）

其中：I表示电池电量；I _low 和I _up 分别表示可储能负荷最低电池电量和最高电池电量。

上述的一种改进万有引力搜索的智能微网楼宇负荷用电调度方法，步骤(3)中，对万有引力搜索算法进行改进并将其用于楼宇负荷用电调度的优化，具体步骤如下：

(1) 明确目标函数和约束条件为步骤2中的目标函数和约束条件；明确搜索空间维度，即各个时段所有负荷的运行情况共M*T个以及空间上下限范围up和low；设定种群规模，最大迭代次数G；

(2) 随机初始化种群中每个粒子的位置X和速度V，将X限制为0或1，将V看做粒子的位置接近1的概率，对万有引力搜索搜索算法进行二进制改进；

(3) 根据目标函数，计算各个粒子的适应度值，选出当前最优个体位置p _best ；

(4) 将种群中各个粒子按适应度大小进行排序，每隔K代，将种群分为寄生群和宿主群两个种群，即对于最小值优化问题，适应度值小的粒子归为寄生群，适应度值大的归类到宿主群，对于最大值优化问题，与之相反，上述过程也就是发生一次寄生行为；

(5) 分别选出寄生群和宿主群的群体最优位置g _p 和g _h ；

(6) 淘汰宿主群中适应度较差的50%的个体，并用重新初始化的相同数量的粒子代替；

(7) 对整个种群中的个体执行精英保留操作；

(8) 计算两个种群中每个粒子的质量M’和加速度a：

（9）

其中：计算粒子质量的中间变量,fitness _i (t)是粒子i在t时刻的适应度值，对于最小值优化问题，有：

（10）

粒子加速度a的计算公式为：

（11）

其中，粒子i在t时刻所受引力为：

（12）

其中，rand _j 为随机数，F _ij (t)为粒子i和j之间的引力，即：

（13）

其中：G(t)为万有引力常数，M _i (t)和M _j (t)分别表示粒子i和j的质量；R _ij (t)是粒子i和j之间的欧式距离；ε表示一个非常小的常量；x _i (t)和x _j (t)分别是粒子i和j的位置；

(9) 更新粒子的速度v和位置x：

为了增加种群多样性，克服原万有引力搜索算法早熟收敛等缺点，引入记忆和群体信息共享能力来解决，寄生群的速度更新公式变为：

（14）

其中：rand、rand ₁、rand ₂均表示[0,1]之间的随机数；v _i (t)表示粒子在t时刻的速度；c ₁、c ₂为[0,1]之间的常数；p _best 及g _best 分别表示粒子i及群体中所有粒子经历过的最优位置；λ为压缩因子，主要是用来研究万有引力搜索算法的收敛性，其计算公式为：

（15）

一般当Φ=c ₁+c ₂=4.1，即λ=0.729时，算法取得较好的收敛效果。

由于发生寄生行为时，如果宿主群中的最优粒子比寄生群中的最优粒子适应度差时，宿主群中的粒子向个体最优和寄生群最优粒子的方向进化，则其速度更新公式可表示为：

其中：c ₁₁,c ₂₁,c ₁₂,c ₂₂,c ₂₃均是常数系数；rand ₃为[0,1]之间的随机数；宿主群和寄生群的群体最优位置分别和表示；和分别为宿主群和寄生群中的最优个体适应度。

粒子的位置移动公式为：

（17）

(10) 判断是否达到最大迭代次数，若满足则终止循环并输出最终结果，否则返回步骤(3)。

本发明的改进万有引力搜索的智能微网楼宇负荷用电调度方法的有益效果为：本发明通过分析楼宇用户所有用电负荷的特征以及用户的使用习惯，将楼宇用电负荷进行分类，并搭建楼宇用电设备调度模型，在不影响用电居民舒适度的前提下，重在降低用户电费，保障电网稳定性，实现削峰填谷以及节能减排的目的；对万有引力搜索算法引入记忆和群体信息共享能力，并用生物寄生行为的双种群思想改进万有引力搜索算法，弥补原算法早熟收敛、易陷入局部最优等缺点，用改进后的万有引力搜索算法对楼宇用电负荷调度进行多目标优化，同时达到用电费用低，舒适度好以及对电网的影响较小的目的；本发明有益于呼吁楼宇居民参与用电自动需求响应，达到节约电能，削峰填谷的目的。

附图说明

图1为本发明的使用流程图。

图2为改进万有引力搜索算法的流程图。

具体实施方式

下面通过一个具体实施例对本发明作进一步的说明。

本实施例中，如图1，一种改进万有引力搜索的智能微网楼宇负荷用电调度方法，具体包括以下步骤：

(1) 根据楼宇各个负荷的不同特征和用户使用习惯，将所有可调度负荷分为可短时断电负荷、运行时段可调负荷、分布式负荷、可储能负荷等；其中像空调、热水器等家电设备在运行过程中，短时间中断不会对用户造成太大影响，称为可短时断电负荷；运行时段可调负荷是指洗衣机、消毒柜等家电设备开启后需连续运行一段时间，但运行时段可调整；分布式负荷是指光伏或风力发电等可发电设备；像电动汽车这类负荷属于可储能负荷。

(2) 搭建楼宇负荷用电调度模型，包括目标函数和约束条件，具体步骤如下：

a. 明确用电调度优化的目标函数

优化的目标主要包括经济性目标、舒适性目标和电网稳定性目标，分别用日用电费E、用户舒适度C和用电功率平稳度S表示，即：

(1)

将一天24h分成T个时段，假设用户负荷总数为M，则用户日总电费E为：

(2)

其中：e _t 为t时段电网的实时电价，P _i,t 为t时段负荷i的实际电能。

用户舒适度C可表示如下：

(3)

其中：c _i,t 为t时段负荷i运行引起的用户舒适度。

用电功率平稳度S可用用电功率最大值最小值表示为：

(4)

其中：p _i,t 为t时段负荷i的功率。

若用户舒适度和用电功率平稳度可用用电费用衡量，通过引入折算因子α和β，可将上述多目标问题转化为单目标问题，即优化调度目标函数又可表示为：

(5)

b. 明确用电调度优化的约束条件

各类用电负荷的约束条件如下：

可短时断电负荷约束(主要受通断电时间的影响)：

(6)

其中：t ₁表示通电连续运行时间；t ₂表示连续断电时间；T _on 和T _off 分别表示最短通电时间和最长断电时间。

运行时段可调负荷约束(主要由负荷运行时间及启动时间起终点决定)：

(7)

其中：t ₃是运行时段可调负荷j开始启动的时刻；T _j,low 和T _j,up 分别是启动时间起点和启动时间终点；T _on,j,t 与T _on 分别表示负荷j在允许运行时间内连续运行时长与负荷实际运行时间。

可储能负荷约束：

（8）

其中：I表示电池电量；I _low 和I _up 分别表示可储能负荷最低电池电量和最高电池电量。

(3)对万有引力搜索算法进行改进并将其用于楼宇负荷用电调度的优化，具体步骤如下：

1) 明确目标函数和约束条件为步骤2中的目标函数和约束条件；明确搜索空间维度，即各个时段所有负荷的运行情况共M*T个以及空间上下限范围up和low；设定种群规模，最大迭代次数G；

2) 随机初始化种群中每个粒子的位置X和速度V，将X限制为0或1，将V看做粒子的位置接近1的概率，对万有引力搜索搜索算法进行二进制改进；

3) 根据目标函数，计算各个粒子的适应度值，选出当前最优个体位置p _best ；

4) 将种群中各个粒子按适应度大小进行排序，每隔K代，将种群分为寄生群和宿主群两个种群，即对于最小值优化问题，适应度值小的粒子归为寄生群，适应度值大的归类到宿主群，对于最大值优化问题，与之相反，上述过程也就是发生一次寄生行为；

5) 分别选出寄生群和宿主群的群体最优位置g _p 和g _h ；

6) 淘汰宿主群中适应度较差的50%的个体，并用重新初始化的相同数量的粒子代替；

7) 对整个种群中的个体执行精英保留操作；

8) 计算两个种群中每个粒子的质量M’和加速度a：

（9）

其中：计算粒子质量的中间变量,fitness _i (t)是粒子i在t时刻的适应度值，对于最小值优化问题，有：

（10）

粒子加速度a的计算公式为：

（11）

其中，粒子i在t时刻所受引力为：

（12）

其中，rand _j 为随机数，F _ij (t)为粒子i和j之间的引力，即：

（13）

其中：G(t)为万有引力常数，M _i (t)和M _j (t)分别表示粒子i和j的质量；R _ij (t)是粒子i和j之间的欧式距离；ε表示一个非常小的常量；x _i (t)和x _j (t)分别是粒子i和j的位置；

9) 更新粒子的速度v和位置x：

为了增加种群多样性，克服原万有引力搜索算法早熟收敛等缺点，引入记忆和群体信息共享能力来解决，寄生群的速度更新公式变为：

（14）

其中：rand、rand ₁、rand ₂均表示[0,1]之间的随机数；v _i (t)表示粒子在t时刻的速度；c ₁、c ₂为[0,1]之间的常数；p _best 及g _best 分别表示粒子i及群体中所有粒子经历过的最优位置；λ为压缩因子，主要是用来研究万有引力搜索算法的收敛性，其计算公式为：

（15）

一般当Φ=c ₁+c ₂=4.1，即λ=0.729时，算法取得较好的收敛效果。

由于发生寄生行为时，如果宿主群中的最优粒子比寄生群中的最优粒子适应度差时，宿主群中的粒子向个体最优和寄生群最优粒子的方向进化，则其速度更新公式可表示为：

其中：c ₁₁,c ₂₁,c ₁₂,c ₂₂,c ₂₃均是常数系数；rand ₃为[0,1]之间的随机数；宿主群和寄生群的群体最优位置分别和表示；和分别为宿主群和寄生群中的最优个体适应度。

粒子的位置移动公式为：

（17）

10) 判断是否达到最大迭代次数，若满足则终止循环并输出最终结果，否则返回步骤3)。

(4) 得出结论，并对其进行分析。

实施例：

本实例是对负荷进行一天24h的调度，以10min为一个时间片段，共分成了144段。以楼宇居民100户共900个用电负荷的用电为例，统计的内容包括所有居民各个负荷电气参数以及用户的使用习惯、光伏或风力发电数据、该地区的实时电价数据。实施步骤如下：

(1) 对楼宇用户所有可调度用电负荷进行分类，即可短时断电负荷、运行时段可调负荷、分布式负荷以及可充电负荷等。先对楼宇用户进行编号，即1~100户，其中负荷按顺序依次进行编号，实时电价数据参考国际最新标准。

(2) 搭建该楼宇用户用电负荷调度模型，包括目标函数和约束条件，具体如下：

优化的目标函数包括日用电费、用户舒适度和用电功率平稳度三个目标，即：

(18)

其中：E为日用电费；C表示用户舒适度；S表示用电功率平稳度；α和β为引入的折算因子；本实例中α、β分别取0.5、0.6。

约束条件：

对于可短时断电负荷，主要受通断电时间的影响，则有:

(19)

其中：t ₁表示通电连续运行时间；t ₂表示连续断电时间；T _on 和T _off 分别表示最短通电时间和最长断电时间。

对于运行时段可调负荷，主要由负荷运行时间及启动时间起终点决定：

(20)

其中：t ₃是运行时段可调负荷j开始启动的时刻；T _j,low 和T _j,up 分别是启动时间起点和启动时间终点；T _on,j,t 与T _on 分别表示负荷j在允许运行时间内连续运行时长与负荷实际运行时间。

对于可储能负荷，有：

（21）

其中：I表示电池电量；I _low和I _up分别表示可储能负荷最低电池电量和最高电池电量。

(3) 用改进万有引力搜索算法对上述楼宇用电负荷进行优化调度，如图2所示。相关参数设置如下：搜索空间维度为900*96=86400；种群规模L=80，最大迭代次数G=3000；寄生群和宿主群种群规模分别设置为40 ，间隔迭代次数K=20。

(4) 得出结论，并对结论进行分析。

上述实施例仅仅是本发明的一个实施方案，并不是用来限制本发明的实施与权力范围，凡是与本发明权利要求的内容相同的技术方案，均应在本发明的保护范围内。

Claims (4)

1.一种改进万有引力搜索的智能微网楼宇负荷调度方法，其特征在于：

(1) 根据楼宇各负荷的不同特征和用电习惯，将所有可调度负荷分为可短时断电负荷、运行时段可调负荷、分布式负荷以及可充电负荷等；

(2) 明确楼宇负荷调度目标函数和约束条件，搭建楼宇负荷用电调度模型；

(3) 基于楼宇负荷用电特征，对万有引力搜索算法进行二进制离散化处理，并建立寄生群和宿主群两个种群，同时引入粒子群算法中粒子具有的记忆和群体信息共享能力，模拟生物寄生行为，并将此基于生物寄生行为的双种群万有引力搜索算法用于优化楼宇负荷用电调度的问题。

2.根据权利要求1所述的一种改进万有引力搜索的智能微网楼宇负荷调度方法，其特征在于：所述步骤1中，像空调、热水器等家电设备在运行过程中，短时间中断不会对用户造成太大影响，称为可短时断电负荷；运行时段可调负荷是指洗衣机、消毒柜等家电设备开启后需连续运行一段时间，但运行时段可调整；分布式负荷是指光伏或风力发电等可发电设备；像电动汽车这类负荷属于可储能负荷。

3.根据权利要求1所述的一种改进万有引力搜索的智能微网楼宇负荷用电调度方法，其特征在于：所述步骤2中，搭建楼宇负荷用电调度模型，包括目标函数和约束条件。

4.根据权利要求1所述的一种改进万有引力搜索的智能微网楼宇负荷用电调度方法，其特征在于：所述步骤3中，对万有引力搜索算法进行改进并将其用于楼宇负荷用电调度的优化，具体步骤如下：

(1) 明确目标函数和约束条件为步骤2中的目标函数和约束条件；明确搜索空间维度，即各个时段所有负荷的运行情况共M*T个以及空间上下限范围up和low；设定种群规模，最大迭代次数G；

(2) 随机初始化种群中每个粒子的位置X和速度V，将X限制为0或1，将V看做粒子的位置接近1的概率，对万有引力搜索算法进行二进制改进；

(3) 根据目标函数，计算各个粒子的适应度值，选出当前最优个体位置p _best ；

(4) 将种群中各个粒子按适应度大小进行排序，每隔K代，将种群分为寄生群和宿主群两个种群，即对于最小值优化问题，适应度值小的粒子归为寄生群，适应度值大的归类到宿主群，对于最大值优化问题，与之相反，上述过程也就是发生一次寄生行为；

(5) 分别选出寄生群和宿主群的群体最优位置g _p 和g _h ；

(6) 淘汰宿主群中适应度较差的50%的个体，并用重新初始化的相同数量的粒子代替；

(7) 对整个种群中的个体执行精英保留操作；

(8) 计算两个种群中每个粒子的质量M’和加速度a；

(9) 更新粒子的速度v和位置x：

(10) 判断是否达到最大迭代次数，若满足则终止循环并输出最终结果，否则返回步骤(3)。