CN109654742A - 一种自学习用户行为的电热水器负荷优化及控制方法 - Google Patents

Abstract

本发明公开了一种自学习用户行为的电热水器负荷优化及控制方法，通过智能插座去管理一台普通型电热水器的供电电源，提高用户体验。同时利用后台主站和移动APP增强其应用价值，结合用户的用水习惯，综合考虑电价及使用舒适度，实现电热水器的优化运行，有效解决了电热水器使用过程中舒适度与电能损耗相互制约的问题。对于客户而言，不仅满足了用水需求、提高了用户体验，更直观地也降低了用电成本。同时本发明还能够引导广大居民用户参与电网友好互动，形成规模化的居民需求响应资源参与电网平衡调节，有效降低能源消耗，进一步促进智能家庭用电与智能电网建设。

Description

一种自学习用户行为的电热水器负荷优化及控制方法

技术领域

本发明涉及一种自学习用户行为的电热水器负荷优化及控制方法，属于智能用电设备控制技术领域。

背景技术

目前，随着中国经济的快速发展和人民生活水平的日益改善，大功率智能电器的使用量不断增长，家庭用电量在社会总用电量中所占比重逐步增加，同时人们也不得不面对愈发凸显的能源紧缺态势。因此，合理用电，优化用能过程，减少能源消耗就显得越发重要。

我们日常大量使用的普通电热水器，通常需要用户主动去控制通断，但电热水器加热需要一段时间，如果在要用热水前去打开电热水器，则总是需要等待。所以许多用户选择24小时开着，让热水器连续地加热和保温，势必造成了能量浪费。后来有些热水器自带了定时器，允许用户设置启停时间，但经常调整时间对用户也是一件麻烦的事。

电热水器的用能属于可转移负荷，若能根据用户的用水习惯，如果能合理设置热水器的运行参数，自动管理热水器的工作状态，将能在满足用户需求、降低能源消耗的同时，提高用户体验。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种自学习用户行为的电热水器负荷优化及控制方法，提高电热水器使用过程中用的能源使用效率。实现根据用户的用水习惯，以提高舒适度和降低用电成本为目标，合理设置热水器的运行参数，实现对热水器工作状态的自动管理，帮助用户降低用电成本，为用户提供舒适、便利、安全的智能用电体验，提高人们的生活质量。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种自学习用户行为的电热水器负荷优化及控制方法，包括如下步骤：

步骤1：通过智能插座获取电热水器各时刻的负荷数据，每日的通断时间记录，监测环境温度，通过无线网络将数据发送给后台主站。

步骤2：主站结合季节、节假日因素的影响，并结合气象数据和电价机制，进行电热水器使用模式训练及优化。

步骤3：后台主站通过无线网络将训练及优化后的电热水器使用模式中的运行模式参数下发给智能插座。

步骤4：智能插座接收优化后的热水器运行模式参数，用户通过智能终端内设置的移动APP对电热水器运行模式参数进行远程自定义设定。

所述步骤5：用户自定义设定具有优先级，自定义设定数据通过智能插座发送给后台主站。

所述步骤6：后台主站结合自定义设定数据对电热水器使用模式进一步训练及优化。

所述步骤7：步骤7：在日常长期运行过程中，后台主站会周期重复执行步骤1-6对电热水器使用模式进行训练及优化。

所述步骤8：用户通过移动APP的用户界面监视当前热水器的运行状态及负荷信息。

有益效果：本发明提供的一种自学习用户行为的电热水器负荷优化及控制方法，通过智能插座去管理一台普通型电热水器的供电电源，提高用户体验。同时利用后台主站和移动APP增强其应用价值，结合用户的用水习惯，综合考虑电价及使用舒适度，实现电热水器的优化运行，有效解决了电热水器使用过程中舒适度与电能损耗相互制约的问题。对于客户而言，不仅满足了用水需求、提高了用户体验，更直观地也降低了用电成本。同时本发明还能够引导广大居民用户参与电网友好互动，形成规模化的居民需求响应资源参与电网平衡调节，有效降低能源消耗，进一步促进智能家庭用电与智能电网建设。

附图说明

图1为电热水器负荷优化及控制方法的物理拓扑结构图；

图2为本发明方法流程图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，本发明拓扑结构除了电热水器本体及智能插座外，拓展了后台主站和设置有移动APP的智能终端，以增强其应用价值。

如图2所示，一种自学习用户行为的电热水器负荷优化及控制方法，具体步骤如下：

步骤1：通过智能插座获取电热水器各时刻的负荷数据，每日的通断时间记录，监测环境温度，通过无线网络将数据发送给后台主站。

步骤2：主站结合季节、节假日因素的影响，并结合气象数据和电价机制，进行电热水器使用模式训练及优化。

步骤3：后台主站通过无线网络将训练及优化后的电热水器使用模式中的运行模式参数下发给智能插座。

步骤4：智能插座接收优化后的热水器运行模式参数，用户通过智能终端内设置的移动APP对电热水器运行模式参数进行远程自定义设定。

步骤5：用户自定义设定具有优先级，自定义设定数据通过智能插座发送给后台主站。

步骤6：后台主站结合自定义设定数据对电热水器使用模式进一步训练及优化。

步骤7：在日常长期运行过程中，后台主站会周期重复执行步骤1-6对电热水器使用模式进行训练及优化，最终获得越来越贴近用户需求的使用模式。

步骤8：用户通过移动APP的用户界面监视当前热水器的运行状态及负荷信息。

所述电热水器使用模式训练及优化过程如下：

步骤1：负荷优化：

1-1：负荷优化时，需考虑价格因素，令P(t)和P₀(t)分别为第t时间段用户的实际用电负荷和原始用电需求，A(t)表示第t时间段的用电单价，B(t)表示第t时间段的激励补偿，计算该时段的用电价格：L(t)＝A(t)*P(t)-B(t)*(P₀(t)-P(t))，总电价L：

1-2：负荷优化时，需考虑用户的舒适度，假设某一时段用户用水的最佳温度为T_m，实际水温为T_t，C_t表示该时段用户的舒适度，C_t＝|T_t-T_m|；用户一天内的整体舒适度C:C值越小，舒适度越高；

1-3：综合考虑电价和用户使用舒适度，整体的负荷优化模型为：M＝α·L+(1-α)·C，求解M的最小值，其中α为权重因子。

步骤2：确定用户的价格敏感度：

2-1：时间段价格敏感度通过价格变动点前后一段时间内平均用电负荷的增量比与电价的增量比的比值来体现：其中Q_t和A_t为某一时间段t用户的平均负荷及价格，ΔQ_t和ΔA_t为该时间段内平均负荷及价格的增量。

2-2：综合价格敏感度为该用户每个时间段价格敏感度的加权价格敏感度：

2-3：根据综合价格敏感度，设置一个值为负的阈值，若用户的综合敏感度小于该值，则认为用户对价格的敏感度较高，将其判定为价格敏感型用户；反之，则认为该用户对价格的敏感度不明显，将其判定为非价格敏感型用户。区分价格敏感型和非价格敏感型用户。通常情况下，某段时间用电价格上升时，若用户对价格敏感性较高，则会减少该段时间的用电。

步骤3：当用户为价格敏感型用户，其负荷优化模型主要考虑价格因素，此时权重因子α设置为一个0.5到1之间的数，且综合价格敏感度越高，α越大；当用户为非价格敏感型用户，其负荷优化模型主要考虑舒适度因素，此时权重因子α设置为一个0到0.5之间的数，且综合价格敏感度越低，α越小。

步骤4：设置约束条件：

4-1：根据智能插座监测的热水器工作特征，确定最小连续工作时间T；

4-2：根据电热水器本身的参数信息及负荷曲线，确定转移负荷的功率区间；

4.3：水箱水温下降的速度与环境温度和水箱里的水温有关，夏季下降的速度很慢，一般1-2个小时下降一度，冬季大约每20-30分钟下降一度。因此根据用户使用热水的时间、环境温度和热水器的参数，确定负荷可转移的时间区间。

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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种自学习用户行为的电热水器负荷优化及控制方法，其特征在于：包括如下步骤：

步骤1：通过智能插座获取电热水器各时刻的负荷数据，每日的通断时间记录，监测环境温度，通过无线网络将数据发送给后台主站；

步骤2：主站结合季节、节假日因素的影响，并结合气象数据和电价机制，进行电热水器使用模式训练及优化；

步骤3：后台主站通过无线网络将训练及优化后的电热水器使用模式中的运行模式参数下发给智能插座；

步骤4：智能插座接收优化后的热水器运行模式参数，用户通过智能终端内设置的移动APP对电热水器运行模式参数进行远程自定义设定。

2.根据权利要求1所述的一种自学习用户行为的电热水器负荷优化及控制方法，其特征在于：还包括步骤5，所述步骤5：用户自定义设定具有优先级，自定义设定数据通过智能插座发送给后台主站。

3.根据权利要求2所述的一种自学习用户行为的电热水器负荷优化及控制方法，其特征在于：还包括步骤6，所述步骤6：后台主站结合自定义设定数据对电热水器使用模式进一步训练及优化。

4.根据权利要求3所述的一种自学习用户行为的电热水器负荷优化及控制方法，其特征在于：还包括步骤7，所述步骤7：步骤7：在日常长期运行过程中，后台主站会周期重复执行步骤1-6对电热水器使用模式进行训练及优化。

5.根据权利要求4所述的一种自学习用户行为的电热水器负荷优化及控制方法，其特征在于：还包括步骤8，所述步骤8：用户通过移动APP的用户界面监视当前热水器的运行状态及负荷信息。

6.根据权利要求1-5任一项所述的一种自学习用户行为的电热水器负荷优化及控制方法，其特征在于：所述电热水器使用模式训练及优化过程如下：

步骤1：负荷优化：

1-1：负荷优化时，需考虑价格因素，令P(t)和P₀(t)分别为第t时间段用户的实际用电负荷和原始用电需求，A(t)表示第t时间段的用电单价，B(t)表示第t时间段的激励补偿，计算该时段的用电价格：L(t)＝A(t)*P(t)-B(t)*(P₀(t)-P(t))，总电价L：

1-2：负荷优化时，需考虑用户的舒适度，假设某一时段用户用水的最佳温度为T_m，实际水温为T_t，C_t表示该时段用户的舒适度，C_t＝|T_t-T_m|；用户一天内的整体舒适度C:C值越小，舒适度越高；

1-3：综合考虑电价和用户使用舒适度，整体的负荷优化模型为：M＝α·L+(1-α)·C，求解M的最小值，其中α为权重因子；

步骤2：确定用户的价格敏感度：

2-1：时间段价格敏感度通过价格变动点前后一段时间内平均用电负荷的增量比与电价的增量比的比值来体现：其中Q_t和A_t为某一时间段t用户的平均负荷及价格，ΔQ_t和ΔA_t为该时间段内平均负荷及价格的增量；

2-2：综合价格敏感度为该用户每个时间段价格敏感度的加权价格敏感度：

2-3：根据综合价格敏感度，设置一个值为负的阈值，若用户的综合敏感度小于该值，则认为用户对价格的敏感度较高，将其判定为价格敏感型用户；反之，则认为该用户对价格的敏感度不明显，将其判定为非价格敏感型用户；

步骤3：当用户为价格敏感型用户，其负荷优化模型主要考虑价格因素，此时权重因子α设置为一个0.5到1之间的数，且综合价格敏感度越高，α越大；当用户为非价格敏感型用户，其负荷优化模型主要考虑舒适度因素，此时权重因子α设置为一个0到0.5之间的数，且综合价格敏感度越低，α越小。

7.根据权利要求6所述的一种自学习用户行为的电热水器负荷优化及控制方法，其特征在于：还包括步骤4，所述步骤4：设置约束条件：

4-1：根据智能插座监测的热水器工作特征，确定最小连续工作时间T；

4-2：根据电热水器本身的参数信息及负荷曲线，确定转移负荷的功率区间；

4.3：根据用户使用热水的时间、环境温度和热水器的参数，确定负荷可转移的时间区间。