CN108334985A - 基于粒子群算法求解的居民用户智能用电优化模型 - Google Patents

Abstract

本发明公开了一种基于粒子群算法求解的居民用户智能用电优化模型，从目标函数和约束条件两方面讨论居民用户智能用电优化模型，居民用户智能用电优化模型的目标函数由两部分组成，经济性目标和舒适性目标，其中经济性目标是指居民用户一天的用电费用，舒适性目标是指各个用电设备设定值与实际值之间的差距；约束条件包括有功功率平衡约束、最大功率限制约束，蓄电池荷电状态约束，采用带约束的粒子群算法求解本模型，能够较好的避免陷入局部最优的情况。

Description

基于粒子群算法求解的居民用户智能用电优化模型

技术领域

本发明属于电力领域，具体涉及基于粒子群算法求解的居民用户智能用电优化模型。

背景技术

在对家庭用电设备的分析并对用电设备负荷建模后，接下来对居民用户参与需求侧管理的优化控制技术进行研究，设计智能家电控制系统架构，提出智能家电的优化控制模型，并运用粒子群算法对模型进行求解。

需求响应需要智能控制技术的支持，当用户收到响应信号，通过智能控制技术可以根据用户和电力公司的协议或者用户设定的价格和使用时间等其他条件，自动削减家庭用电负荷，这能给用户的家用电器调度带来极大的便利。对于参与需求响应项目的用户来说，当接收到系统发来的需求响应信号时，便可使用智能控制技术通过程序的设定自动削减负荷获得收益，这可以提高用户参与需求响应的积极性。目前家庭区域网络(Home AreaNetwork HAN)是发展最快的智能控制技术，HAN原本是为了增强数字设备之间的互动和交流发展出来的，现在HAN也逐渐成为了智能电网的一部分，参与到了家庭用电负荷的自动调度当中。HAN为广域网和局域网两个部分，局域网除了发送和接收电价信息还包含设备控制功能，广域网则负责连接各HAN局域网和电价等信息的传输。HAN的智能控制功能使得用户通过实现设定的程序控制他们的电视、电脑以及分散式空调、热水器等用电设备。

智能家电控制系统的通用架构如图1所示，包含调控中心的控制器和负荷代理机构。每一个控制器在它的管理域中都有一组智能家用电器。负荷聚合商作为协调大量中小规模柔性负荷和电网控制中心的中间机构，这些智能家用电器中的智能单元就是一个负荷代理机构。这些电器与智能电表/执行器相连接。它们形成了一个家庭局域网(HAN)。每一个智能电表可以实时监控重要的数据，比如实时的电力负荷，环境信息以及与代理之间的传输数据。负荷代理机构的功能是汇集数据并将数据传送给控制器。通常是使用一个双向的TCP/IP通信链路。目的是在网络中提供命令流根据给定的目标来控制用电设备。

发明内容

本发明的目的在于提供一种基于粒子群算法求解的居民用户智能用电优化模型，从而针对可控性负荷进行智能用电优化策略的建模。

下面将从目标函数和约束条件两方面讨论居民用户智能用电优化模型。

1、目标函数

居民用户智能用电优化模型的目标函数由两部分组成，经济性目标和舒适性目标，其中经济性目标是指居民用户一天的用电费用，舒适性目标是指各个用电设备设定值与实际值之间的差距。

①经济性目标函数

设C₁为经济性目标函数，为t时到t+1时的用电费用，K为模型中一天内的总时间段数，则经济性目标可表示为：

式中，满足：

式中：C'^(t)为第t个小时用户分布式发电回送电网的上网电价，是已知参数；为第t个小时总的负荷，是决策变量；为第t个小时分布式发电(或蓄电池)产生的总功率，是已知参数，Δt指每个时间段持续的时间。

②舒适性目标函数

为了描述用户的舒适性，引入负荷价值的概念。其定义如下：用户宁愿在某个想要使用某负荷的一个小时内不再使用该负荷以换取等于负荷价值的经济补偿。其单位是：元/小时。从00:00开始，在第t个小时内，对于三种负荷，其舒适性目标表示如下：

a)开关型负荷。对于开关型负荷，其舒适性目标函数可由式表示：

式中：为开关型负荷的总负荷价值；L为开关型负荷的数量；为第j个开关型负荷的设定工作状态，1表示开，0表示关；为第j个开关型负荷的实际工作状态；1表示开，0表示关；f_1j为第j个开关型负荷的负荷价值。式中为决策变量，其余参数为已知参数。

b)分档型负荷。对于分档型负荷，舒适性目标函数可表示为：

式中：为开关型负荷的总负荷价值；M为分档型负荷数量；为第j个分档型负荷的设定工作状态，数值表示所在档位；为第j个分档型负荷的实际工作状态，数值表示所在档位；f_2j为第j个分档型负荷的负荷价值；D为分档性负荷总档位数。式中为决策变量，其余参数为已知参数。

c)调节型负荷。对于调节型负荷，当实际的调节变量与设定值相差不大时，用户的舒适度不会受到太大影响，但当实际的调节变量与设定值之间的差距继续增大时，用户的舒适度会急剧下降。比如当用户设定温度为20℃时，如果实际温度为21℃，用户不会感到不适，但当实际温度为30℃时，用户感到不适的程度要远高于21℃时的十倍。因此，用户的舒适度下降的程度与调节变量与设定值之间的差距是一个凹形递增的关系。

所以，调节型负荷舒适性目标可以用一个二次函数表示，其中二次函数的顶点横坐标为用户设定的状态，负荷实际工作状态与设定工作状态一致是，惩罚函数为0。因此，调节型负荷惩罚函数可表示为：

式中，为调节型负荷总价值，a_j为待定系数；N为调节型负荷总数，为第j个调节型负荷的设定工作状态；为第j个调节型负荷的实际工作状态。

当用户放弃使用第j个调节型负荷时，设该调节型负荷实际工作状态与设定工作状态偏差为d_j，其负荷价值为f_3j，因此可得：

式中，为决策变量，其余参数为已知参数。

因此，舒适性目标函数C₂，

③综合满意度目标函数

用户综合满意度函数C考虑到用户的可以表示为：

minC＝min(C₁+C₂) (8)

2、约束条件

①有功功率平衡约束

设P_grid为电网供给系统的功率；P_DGi为第i个分布式发电(或蓄电池)发出的有功功率；P_loadi为第i个负荷消耗的有功功率；G为分布式发电总数；R为负荷总数。则有：

式中，P_loadi为决策变量，P_DGi为已知参数。

②最大功率限制约束

设P_i为第i个分布式发电有功功率出力为，P_imin，P_imax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，P_grid为电网供给系统的功率；P_lim为电网向家居系统传输的有功功率限制，则有：

P_imin＜P_i＜P_imax (10)

P_grid＜P_lim (11)

式中，P_i，P_grid为决策变量，其余参数为已知参数。

③蓄电池荷电状态约束

设SOC是蓄电池的荷电状态；SOC_min是蓄电池荷电状态下限；SOC_max是蓄电池荷电状态上限，则有

SOC_min<SOC<SOC_max (12)

式中，SOC为决策变量，其余参数为已知参数。

3、模型求解算法

由居民用户智能用电优化模型可知，其用电优化问题实质上是一个带约束的非线性整数优化问题。因此采用带约束的离散粒子群算法作为居民用户参与需求响应的智能用电优化算法。

①粒子群算法原理

基本粒子群算法的核心思想如下：

设y_i和v_i分别为D维空间中第i个粒子的位置和速度，w为惯性权因子；c₁和c₂为正的学习因子；r₁和r₂为0到1之间均匀分布的随机数则每个粒子通过式(13)和式(14)更新各自的速度和位置：

v_i,j(t+1)＝c₁r₁[p_i,j-y_i,j(t)]+c₂r₂[p_g,j-y_i,j(t)]+wv_i,j(t) (13)

y_i,j(t+1)＝y_i,j(t)+v_i,j(t+1) (14)

上式中位置是指智能用电系统中，各个用电设备的开关状态及可调节参数，速度是指每次迭代这些参数的变化。

本发明采用带约束的粒子群算法，在更新粒子的速度和位置时，先通过约束条件判断粒子的当前位置是否是可行的。如果粒子的当前位置可行，则仍通过上式更新粒子的速度；如果粒子的当前位置不可行，则改用下式更新粒子的速度：

v_i,j(t+1)＝c₁r₁[p_i,j-y_i,j(t)]+c₂r₂[p_g,j-y_i,j(t)] (15)

以上三式中的y在居民用户智能用电优化模型中为有开关型负荷的开关状态、分档型负荷的开关档位以及调节型负荷的可调节量组成的向量。

②粒子群算法基本流程

系统采用算法来实现带约束的离散粒子群优化。具体的算法步骤如下：

a)随机初始化粒子种群中各微粒的位置和速度，其中位置是指智能用电系统的各元件开关状态及调节变量，速度是指智能用电系统每次迭代各个用电设备开关状态及调节变量的变化；

b)评价每个微粒的适应度，将当前各微粒的位置和适应值存储在各微粒的pbest中，将所有pbest中适应值最优个体的位置和适应值存储于gbest中，其中适应度是指由经济性目标和舒适性目标组成的目标函数，gbest是指全局的最优解；

c)判断粒子的当前位置是否满足约束条件，如满足则用式(13)更新粒子的速度；如不满足则用式(14)更新粒子的速度。而后用式(15)更新粒子的位置；

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

e)比较当前所有pbest和gbest的值，更新gbest；将gbest这一位置向量的浮点数元素转化为其最靠近的整数；

f)若满足停止条件(通常为预设的运算精度或迭代次数)，搜索停止，输出结果；否则返回步骤3)继续搜索。

本发明的技术效果：本发明针对可控性负荷进行智能用电优化策略的建模，方便用电优化调控，带约束的粒子群算法能够较好的避免陷入局部最优的情况，因此粒子群算法适用于求解本发明所构建的模型。

附图说明

图1是智能家电控制系统通用结构。

图2是带约束的粒子群算法流程图。

具体实施方式

下面结合实施例对本发明作详细说明。

下面将从目标函数和约束条件两方面讨论居民用户智能用电优化模型。

1、目标函数

居民用户智能用电优化模型的目标函数由两部分组成，经济性目标和舒适性目标，其中经济性目标是指居民用户一天的用电费用，舒适性目标是指各个用电设备设定值与实际值之间的差距。

①经济性目标函数

设C₁为经济性目标函数，为t时到t+1时的用电费用，K为模型中一天内的总时间段数，则经济性目标可表示为：

式中，满足：

式中：C'^(t)为第t个小时用户分布式发电回送电网的上网电价，是已知参数；为第t个小时总的负荷，是决策变量；为第t个小时分布式发电(或蓄电池)产生的总功率，是已知参数，Δt指每个时间段持续的时间。

②舒适性目标函数

为了描述用户的舒适性，引入负荷价值的概念。其定义如下：用户宁愿在某个想要使用某负荷的一个小时内不再使用该负荷以换取等于负荷价值的经济补偿。其单位是：元/小时。从00:00开始，在第t个小时内，对于三种负荷，其舒适性目标表示如下：

a)开关型负荷。对于开关型负荷，其舒适性目标函数可由式表示：

式中：为开关型负荷的总负荷价值；L为开关型负荷的数量；为第j个开关型负荷的设定工作状态，1表示开，0表示关；为第j个开关型负荷的实际工作状态；1表示开，0表示关；f_1j为第j个开关型负荷的负荷价值。式中为决策变量，其余参数为已知参数。

b)分档型负荷。对于分档型负荷，舒适性目标函数可表示为：

式中：为开关型负荷的总负荷价值；M为分档型负荷数量；为第j个分档型负荷的设定工作状态，数值表示所在档位；为第j个分档型负荷的实际工作状态，数值表示所在档位；f_2j为第j个分档型负荷的负荷价值；D为分档性负荷总档位数。式中为决策变量，其余参数为已知参数。

c)调节型负荷。对于调节型负荷，当实际的调节变量与设定值相差不大时，用户的舒适度不会受到太大影响，但当实际的调节变量与设定值之间的差距继续增大时，用户的舒适度会急剧下降。比如当用户设定温度为20℃时，如果实际温度为21℃，用户不会感到不适，但当实际温度为30℃时，用户感到不适的程度要远高于21℃时的十倍。因此，用户的舒适度下降的程度与调节变量与设定值之间的差距是一个凹形递增的关系。

所以，调节型负荷舒适性目标可以用一个二次函数表示，其中二次函数的顶点横坐标为用户设定的状态，负荷实际工作状态与设定工作状态一致是，惩罚函数为0。因此，调节型负荷惩罚函数可表示为：

式中，为调节型负荷总价值，a_j为待定系数；N为调节型负荷总数，为第j个调节型负荷的设定工作状态；为第j个调节型负荷的实际工作状态。

当用户放弃使用第j个调节型负荷时，设该调节型负荷实际工作状态与设定工作状态偏差为d_j，其负荷价值为f_3j，因此可得：

式中，为决策变量，其余参数为已知参数。

因此，舒适性目标函数C₂，

③综合满意度目标函数

用户综合满意度函数C考虑到用户的可以表示为：

minC＝min(C₁+C₂) (8)

2、约束条件

①有功功率平衡约束

设P_grid为电网供给系统的功率；P_DGi为第i个分布式发电(或蓄电池)发出的有功功率；P_loadi为第i个负荷消耗的有功功率；G为分布式发电总数；R为负荷总数。则有：

式中，P_loadi为决策变量，P_DGi为已知参数。

②最大功率限制约束

设P_i为第i个分布式发电有功功率出力为，P_imin，P_imax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，P_grid为电网供给系统的功率；P_lim为电网向家居系统传输的有功功率限制，则有：

P_imin＜P_i＜P_imax (10)

P_grid＜P_lim (11)

式中，P_i，P_grid为决策变量，其余参数为已知参数。

③蓄电池荷电状态约束

设SOC是蓄电池的荷电状态；SOC_min是蓄电池荷电状态下限；SOC_max是蓄电池荷电状态上限，则有

SOC_min<SOC<SOC_max (12)

式中，SOC为决策变量，其余参数为已知参数。

3、模型求解算法

由居民用户智能用电优化模型可知，其用电优化问题实质上是一个带约束的非线性整数优化问题。因此采用带约束的离散粒子群算法作为居民用户参与需求响应的智能用电优化算法。

①粒子群算法原理

基本粒子群算法的核心思想如下：

设y_i和v_i分别为D维空间中第i个粒子的位置和速度，w为惯性权因子；c₁和c₂为正的学习因子；r₁和r₂为0到1之间均匀分布的随机数则每个粒子通过式(13)和式(14)更新各自的速度和位置：

v_i,j(t+1)＝c₁r₁[p_i,j-y_i,j(t)]+c₂r₂[p_g,j-y_i,j(t)]+wv_i,j(t) (13)

y_i,j(t+1)＝y_i,j(t)+v_i,j(t+1) (14)

上式中位置是指智能用电系统中，各个用电设备的开关状态及可调节参数，速度是指每次迭代这些参数的变化。

本发明采用带约束的粒子群算法，在更新粒子的速度和位置时，先通过约束条件判断粒子的当前位置是否是可行的。如果粒子的当前位置可行，则仍通过上式更新粒子的速度；如果粒子的当前位置不可行，则改用下式更新粒子的速度：

v_i,j(t+1)＝c₁r₁[p_i,j-y_i,j(t)]+c₂r₂[p_g,j-y_i,j(t)] (15)

以上三式中的y在居民用户智能用电优化模型中为有开关型负荷的开关状态、分档型负荷的开关档位以及调节型负荷的可调节量组成的向量。

②粒子群算法基本流程

系统采用带约束的粒子群算法来实现带约束的离散粒子群优化。具体的算法步骤如下：

a)随机初始化粒子种群中各微粒的位置和速度，其中位置是指智能用电系统的各元件开关状态及调节变量，速度是指智能用电系统每次迭代各个用电设备开关状态及调节变量的变化；

b)评价每个微粒的适应度，将当前各微粒的位置和适应值存储在各微粒的pbest中，将所有pbest中适应值最优个体的位置和适应值存储于gbest中，其中适应度是指由经济性目标和舒适性目标组成的目标函数，gbest是指全局的最优解；

c)判断粒子的当前位置是否满足约束条件，如满足则用式(13)更新粒子的速度；如不满足则用式(14)更新粒子的速度。而后用式(15)更新粒子的位置；

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

e)比较当前所有pbest和gbest的值，更新gbest；将gbest这一位置向量的浮点数元素转化为其最靠近的整数；

f)若满足停止条件(通常为预设的运算精度或迭代次数)，搜索停止，输出结果；否则返回步骤3)继续搜索。带约束的粒子群算法流程图2所示。粒子群算法能够较好的避免陷入局部最优的情况，因此粒子群算法适用于求解本发明所构建的模型。

以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (1)

1.一种基于粒子群算法求解的居民用户智能用电优化模型，其特征是：

1)、目标函数

居民用户智能用电优化模型的目标函数由两部分组成，经济性目标和舒适性目标，其中经济性目标是指居民用户一天的用电费用，舒适性目标是指各个用电设备设定值与实际值之间的差距；

①经济性目标函数

设C₁为经济性目标函数，为t时到t+1时的用电费用，K为模型中一天内的总时间段数，则经济性目标可表示为：

式中，满足：

式中：C'^(t)为第t个小时用户分布式发电回送电网的上网电价，是已知参数；为第t个小时总的负荷，是决策变量；为第t个小时分布式发电(或蓄电池)产生的总功率，是已知参数，Δt指每个时间段持续的时间；

②舒适性目标函数

从00:00开始，在第t个小时内，对于三种负荷，其舒适性目标表示如下：

a)开关型负荷：对于开关型负荷，其舒适性目标函数可由式表示：

式中：为开关型负荷的总负荷价值；L为开关型负荷的数量；为第j个开关型负荷的设定工作状态，1表示开，0表示关；为第j个开关型负荷的实际工作状态；1表示开，0表示关；f_1j为第j个开关型负荷的负荷价值，式中为决策变量，其余参数为已知参数。

b)分档型负荷：对于分档型负荷，舒适性目标函数可表示为：

式中：为开关型负荷的总负荷价值；M为分档型负荷数量；为第j个分档型负荷的设定工作状态，数值表示所在档位；为第j个分档型负荷的实际工作状态，数值表示所在档位；f_2j为第j个分档型负荷的负荷价值；D为分档性负荷总档位数，式中为决策变量，其余参数为已知参数。

c)调节型负荷：

调节型负荷舒适性目标可以用一个二次函数表示，其中二次函数的顶点横坐标为用户设定的状态，负荷实际工作状态与设定工作状态一致是，惩罚函数为0；因此，调节型负荷惩罚函数可表示为：

式中，为调节型负荷总价值，a_j为待定系数；N为调节型负荷总数，为第j个调节型负荷的设定工作状态；为第j个调节型负荷的实际工作状态；

当用户放弃使用第j个调节型负荷时，设该调节型负荷实际工作状态与设定工作状态偏差为d_j，其负荷价值为f_3j，因此可得：

式中，为决策变量，其余参数为已知参数；

因此，舒适性目标函数C₂，

③综合满意度目标函数

用户综合满意度函数C考虑到用户的可以表示为：

minC＝min(C₁+C₂) (8)

2)、约束条件

①有功功率平衡约束

设P_grid为电网供给系统的功率；P_DGi为第i个分布式发电(或蓄电池)发出的有功功率；P_loadi为第i个负荷消耗的有功功率；G为分布式发电总数；R为负荷总数；则有：

式中，P_loadi为决策变量，P_DGi为已知参数；

②最大功率限制约束

设P_i为第i个分布式发电有功功率出力为，P_imin，P_imax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，P_grid为电网供给系统的功率；P_lim为电网向家居系统传输的有功功率限制，则有：

P_imin＜P_i＜P_imax (10)

P_grid＜P_lim (11)

式中，P_i，P_grid为决策变量，其余参数为已知参数；

③蓄电池荷电状态约束

设SOC是蓄电池的荷电状态；SOC_min是蓄电池荷电状态下限；SOC_max是蓄电池荷电状态上限，则有

SOC_min<SOC<SOC_max (12)

式中，SOC为决策变量，其余参数为已知参数；

3)、模型求解算法

①粒子群算法原理

设y_i和v_i分别为D维空间中第i个粒子的位置和速度，w为惯性权因子；c₁和c₂为正的学习因子；r₁和r₂为0到1之间均匀分布的随机数则每个粒子通过式(13)和式(14)更新各自的速度和位置：

v_i,j(t+1)＝c₁r₁[p_i,j-y_i,j(t)]+c₂r₂[p_g,j-y_i,j(t)]+wv_i,j(t) (13)

y_i,j(t+1)＝y_i,j(t)+v_i,j(t+1) (14)

上式中位置是指智能用电系统中，各个用电设备的开关状态及可调节参数，速度是指每次迭代这些参数的变化；

在更新粒子的速度和位置时，先通过约束条件判断粒子的当前位置是否是可行的；如果粒子的当前位置可行，则仍通过上式更新粒子的速度；如果粒子的当前位置不可行，则改用下式更新粒子的速度：

v_i,j(t+1)＝c₁r₁[p_i,j-y_i,j(t)]+c₂r₂[p_g,j-y_i,j(t)] (15)

以上三式中的y在居民用户智能用电优化模型中为有开关型负荷的开关状态、分档型负荷的开关档位以及调节型负荷的可调节量组成的向量；

②粒子群算法基本流程

采用粒子群算法来实现带约束的离散粒子群优化，具体的算法步骤如下：

a)随机初始化粒子种群中各微粒的位置和速度，其中位置是指智能用电系统的各元件开关状态及调节变量，速度是指智能用电系统每次迭代各个用电设备开关状态及调节变量的变化；

b)评价每个微粒的适应度，将当前各微粒的位置和适应值存储在各微粒的pbest中，将所有pbest中适应值最优个体的位置和适应值存储于gbest中，其中适应度是指由经济性目标和舒适性目标组成的目标函数，gbest是指全局的最优解；

c)判断粒子的当前位置是否满足约束条件，如满足则用式(13)更新粒子的速度；如不满足则用式(14)更新粒子的速度，而后用式(15)更新粒子的位置；

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

e)比较当前所有pbest和gbest的值，更新gbest；将gbest这一位置向量的浮点数元素转化为其最靠近的整数；

f)若满足停止条件(通常为预设的运算精度或迭代次数)，搜索停止，输出结果；否则返回步骤3)继续搜索。