CN110535142B - 基于改进离散型pso算法的用电智能控制方法及计算机可读存储介质 - Google Patents

Abstract

本发明涉及用电智能控制技术应用领域，特别涉及一种计算机可读存储介质，其存储有计算机程序，计算机程序被控制器执行时实现基于改进离散型PSO算法的用电智能控制方法。从智能电网系统中获取空调数量、空调调节参数和分时电价信息等信息，从而构建空调负荷集群系统模型。在该模型中，以电网调度性指标和用户经济性指标经加权后得到优化目标函数G，使得空调负荷集群系统模型具有最大化需求响应能力，保证电网侧的削峰优化，并保证用户侧的用电经济性。对室内温度的约束条件和优化目标函数G的计算是将其连续量离散后再进行求解，并且减少了对速度和位置公式的修改，更加准确与方便，能够对空调负荷进行快速反应并进行负荷用电控制。

Description

基于改进离散型PSO算法的用电智能控制方法及计算机可读 存储介质

技术领域

本发明涉及用电智能控制技术应用领域，特别涉及一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被控制器执行时实现基于改进离散型PSO算法的用电智能控制方法。

背景技术

随着我国经济总量的不断攀升，全社会电力消费持续增加，电力工业呈现新的特点，发电装机容量快速增长，电力供应总体富余。虽然当前电力增速整体放缓，但是随着用户侧电气化水平的提升以及大城市的人口集聚效应不断增强，城市核心区域的用电负荷在年年持续攀升、连创新高，同时峰谷差拉大，局部供需矛盾进一步深化。在电力负荷高峰时段由于运行方式的调整裕度小，电网运行压力大，输变电设备的长期重载和过载问题严重。而城市核心区人口稠密、供电可靠性要求高、线路走廊紧张，电网改扩建工程在选址、征地、拆迁补偿等方面成本不断攀升，电网建设及改造难度逐年增大，城市核心区电力供需矛盾日益加深。

目前，电力企业主要采取各类需求响应手段对城市核心区电力供应进行调控。直接负荷控制属于激励型需求响应，通过对居民或商业用户的空调等电器资源进行DLC控制以达到削减负荷的目的，来解决夏季用电短缺和能耗的问题。以空调为代表的柔性负荷资源是智能电网框架下的重要互动资源，尽管单一负荷资源不是任意时间都可控的，但大量负荷聚合在一起将呈现一定的总体可控性。在变电站扩容及线路改造受限的情况下，日益丰富的可调度空调负荷资源成为缓解电网供需矛盾和调度压力的有效手段。空调作为最具需求响应潜力的负荷，将大量分散的空调负荷聚合起来将是一种非常可观的可控负荷和需求响应资源。将空调负荷作为需求侧资源实时响应电网需求并参与电力供需平衡，使得空调负荷资源既能够参与省网级日前发电调度调峰、调频等辅助服务，又能够有效参与地区电网调度运行以缓解高峰时段线路设备重载和越限等问题，通过对空调负荷的聚合可以实现用电经济控制和电网削峰填谷的效果，从而提高电力系统运行的安全性、可靠性和经济性。但是，目前对空调负荷的调控还存在反应速度慢等问题，导致电网对空调等负荷资源的控制受到限制。

发明内容

本发明的目的在于：避免上述现有技术中的不足之处而提供一种能够对空调负荷进行快速反应并进行负荷用电控制的方法。

本发明的目的通过以下技术方案实现，提供基于改进离散型PSO算法的用电智能控制方法，包括如下步骤：

P1.参数获取步骤，获取空调群的空调数量、空调调节参数和分时电价；

P2.聚合模型构建步骤，获取空调群的运行状态

n为空调数量，s_i为每台空调的开关状态；所述空调调节参数包括空调群各台空调的制冷功率P_i＝[P₁,P₂,P₃,...,P_n]，据此计算空调群的实时功率

P3.目标确认步骤，分别以

作为电网调度性目标G₁和经济性目标G₂的权重系数，构建优化目标函数，

其中，P_LA.max为空调群在t时刻响应后的实时功率上限，prc(t)_max为响应时的分时电价的最大值，P_base(t)为空调群在t时刻响应前的功率；

P4.参数初始化步骤，初始化各个空调的空调功率P_i和对应的开关状态s_i；

P5.粒子群初始化步骤，对所述优化目标函数G通过空间粒子群初始化，把目标函数中各个连续变量r分别随机选择ceil(r)进行向上取整或者随机选择floor(r)进行向下取整，得到对应的整数变量M，

其中，rand()表示一个[0，1]之间的随机数；

P6.粒子群更新步骤，计算所述粒子群响应后的个体速度v_id和位置x_id；

v_id＝ω×v_id+c₁×r₁(pbest_id-x_id)+c₂×r₂(gbest_id-x_id)，

其中，ω是惯性系数，c1和c2是取值大于等于0的学习因子，r1和r2是[0，1]之间的随机数，pbest_id表示粒子个体最优位置，gbest_id表示每一次迭代后粒子群的最优位置；

其中，1+exp(-v_id))为使得x_id的每一个分量都限制在[0，1]之间的转换限制函数；

P7.求解步骤，以所述优化目标函数G作为适应度函数对所述聚合模型进行适应度评价，从而更新局部与全局最优解。

P8.迭代判断步骤，判断是否达到最大迭代次数，如果达到，则结束计算并输出最优空调聚合群实时功率，否则，返回执行所述粒子群更新步骤。

优选地，在所述参数获取步骤中，获取室温调节参数，其包括：室外温度T_o，室内温度T_i，房间等效热阻R_i，房间等效热容C_i和室内温度上限T_max、室内温度下限T_min；所述空调调节参数还包括空调群的能效比η_i＝[η₁,η₂,η₃,...,η_n]，则空调群的总制冷能量Q_i＝η_iP_i。

优选地，包括在所述参数获取步骤后执行的空调状态调节步骤，其根据室内温度来确认空调开关状态，

计算t+1时刻的室内温度T^t+1，

约束条件为T_min≤T≤T_max，

其中，T_i ^t表示第i个房间内t时刻的室内温度；

表示t+1时刻的室外温度；s为空调开关状态，1表示空调开启，0表示空调关闭；Δt为时间间隔确认空调开关状态；

计算t+1时刻空调的运行状态s(t+1)，

优选地，在所述聚合模型构建步骤中，定义控制周期T_c包括空调连续开启时间T_on和连续关闭时间T_off，由室内温度计算公式可知，

则空调连续开启时间T_on和连续关闭时间T_off为：

优选地，根据T_c＝T_on+T_off，t时刻单台空调处于开机状态的概率P_on＝T_on/T_c；定义所述空调群的聚合模型的功率P_LA在功率下限P_LA.min和功率上限P_LA.max之间，则：

其中，n为空调数量，η_i为各个空调的能效比。

优选地，在所述目标确认步骤中，以最小化参与需求响应的聚合空调的负荷削减量紧跟电网功率调度指令为目标确认电网调度性目标G₁：

G₁＝(|P_base(t)-P_LA(t)|-P_target)²，

其中，P_target为电网发布的功率指令的目标值。

优选地，在所述目标确认步骤中，以最小化总体用户在需求响应时段的用电价格作为经济性指标，从而确认经济性目标G₂：

G₂＝prc(t)*P_LA(t)*t，

其中，t为需求响应持续时间。

优选地，在所述目标确认步骤中，权重系数取

优选地，还包括在空调启闭步骤，对所有空调房间的实时温度从高到低进行排序，开启前n台空调使求解步骤中得到的实时功率P_i小于等于电网发布的功率指令的目标值，并关闭剩余的空调。

还提供一种计算机可读存储介质，该存储介质存储有可执行计算机程序，计算机程序被控制器执行时能够实现上述基于改进离散型PSO算法的用电智能控制方法。

本发明的有益效果：该基于改进离散型PSO算法的用电智能控制方法，从智能电网系统中获取空调数量、空调调节参数和分时电价信息等信息，从而构建空调负荷集群系统模型。在该模型中，以电网调度性指标和用户经济性指标经加权后得到优化目标函数G，使得空调负荷集群系统模型具有最大化需求响应能力，保证电网侧的削峰优化，并保证用户侧的用电经济性。对室内温度的约束条件和优化目标函数G的计算是将其连续量离散后再进行求解，并且减少了对速度和位置公式的修改，更加准确与方便，能够对空调负荷进行快速反应并进行负荷用电控制。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1为该基于改进离散型PSO算法的用电智能控制方法的流程图；

图2为电网的分时电价信息示意图；

图3为该基于改进离散型PSO算法的用电智能控制方法中空调群的负荷基线的控制示意图。

具体实施方式

结合以下实施例对本发明作进一步描述。

在智能电网中选取多台智能可调的空调组成空调群，监测空调群中各个单体空调的运行状态和工作效果，通过如下步骤(如图1所示)执行该基于改进离散型PSO算法的用电智能控制方法，实现对该空调群的单体空调的状态控制，从而以空调负荷作为需求侧资源来响应电网的调度需求，解决电力供需平衡问题。

步骤S110作为参数获取步骤，从智能电网系统中获取构建空调负荷集群系统模型所需要的空调数量、空调调节参数、室温调节参数和分时电价信息(见图2)。空调调节参数具体包括：空调群的能效比η_i＝[η₁,η₂,η₃,...,η_n]，空调群的制冷功率P_i＝[P₁,P₂,P₃,...,P_n]，以及空调群的总制冷能量Q_i＝η_iP_i；室温调节参数具体包括：室外温度T_o，室内温度T_i，房间等效热阻R_i，房间等效热容C_i，以及用户设定的最舒适室内温度上限T_max＝28，下限T_min＝22。

步骤S120作为空调状态调节步骤，以参数获取步骤S110中获取的空调调节参数和室温调节参数确定空调群用电控制的基本控制模型，来控制空调开关状态。

具体的，室内温度T_i ^t+1的计算公式为：

式中，以室温调节参数中的最舒适室内温度上下限作为约束条件：T_min≤T≤T_max，

其中，T_i ^t表示第i个房间内空调t时刻的室内温度；

表示t+1时刻的室外温度(℃)，在一定时间段内认为其恒定不变；R为等效热阻，C为等效热容；s为空调开关状态，1表示空调开启，0表示空调关闭，s_i(t+1)表示t+1时刻第i个空调的运行状态；Δt为时间间隔。

根据步骤S110中得到的人体舒适度把室内温度控制在[T_min，T_max]间，在控制周期T_c内，定义空调开启时间为T_on，关闭时间为T_off，则：

由此得到空调连续开启时间T_on和连续关闭时间T_off的计算公式：

T_c＝T_on+T_off。

在空调开启时间T_on内，控制房间内的空调保持打开状态，在空调关闭时间T_on内，控制空调保持关闭状态。

步骤S130作为聚合模型构建步骤，由空调调节参数确定空调群的空调负荷数据，再结合开关状态确定空调群全部空调负荷的聚合模型。空调均为定频空调，空调负荷的聚合模型的实时功率P_LA(t)以及运行状态s(t)为：

其中，n为空调数量，s_i为空调开关状态，P_i为每台空调的功率。

聚合模型的功率与目前处于开机状态的空调有关，t时刻单台空调处于开机状态的概率P_on，基于上述S120步骤中空调连续开启时间T_on和连续关闭时间T_off的计算公式，根据概率论可得P_on＝T_on/T_c，则把空调聚合模型的功率P_LA约束在[P_LA.min,P_LA.max]之间，其功率下限P_LA.min和功率上限P_LA.max分别为：

其中，n为空调数量，η_i为各个空调的能效比。

步骤S140作为目标确认步骤，分别考虑电网调度性指标和用户经济性指标，把这两者加权后得到空调负荷集群系统模型的优化目标函数G。

具体的，对聚合模型构建步骤S130中得到的空调负荷集群，根据电网侧需求，以最小化参与需求响应的聚合空调的负荷削减量紧跟电网功率调度指令为目标，建立电网调度性目标函数：

G₁＝(|P_base(t)-P_LA(t)|-P_target)²；

以最小化总体用户在需求响应时段的用电价格作为经济性指标，建立经济性目标函数：

G₂＝prc(t)*P_LA(t)*t。

其中，P_base(t)表示t时刻空调群的负荷基线(见图3)，即需求响应之前的负荷功率；P_LA(t)表示t时刻空调群的实时功率，即需求响应之后的负荷的功率，两者相减即为空调群的实际负荷削减量，即空调负荷的调整容量；P_target表示电网发布功率指令的目标值；prc(t)表示分时电价曲线，即每个时刻的用户电价(见图2)；t为需求响应持续时间。

分别以

作为电网调度性目标G₁和经济性目标G₂的权重系数，构建加权适应度函数作为优化目标函数G：

其中，P_LA.max表示空调群的实时功率上限；prc(t)_max表示响应时段里最高电价值，即该时段分时电价最大值。

通过电网调度性目标G₁使得空调负荷集群系统模型具有最大化需求响应能力，保证电网侧的削峰优化；通过用户经济性目标G₂保证用户侧的用电经济性。为保证上述两个目标得到兼顾，将G1、G2进行标准化处理，故权重系数取

步骤S150作为参数初始化步骤，在聚合模型构建步骤S130得到的空调负荷集群系统模型中，先根据模型参数初始化可控变量，所初始化变量包括空调功率P_i和单体空调对应的开关状态s_i。

随机生成初始变量分别为：

P_i＝[P_i(1),P_i(2),P_i(3),...,P_i(24)]；0≤P_i(h)≤P_i·U，

s_i＝[s_i(1),s_i(2),s_i(3),...,s_i(24)]；s_i(n)∈{0,1}。

步骤S160作为粒子群初始化步骤，对空调负荷集群系统模型的目标函数和约束条件通过空间粒子群初始化，采用随机近似的方法来处理空调负荷集群中各个单体的离散变量，实现随机生成的粒子离散化处理。

具体的，将连续变量r随机选择一个ceil(r)进行向上取整或者随机选择一个floor(r)进行向下取整，得到对应的整数变量M，从而用对应的整数变量来计算。将这一操作记为INT操作，则：

上述INT操作在保留经典粒子群算法速度更新规则的基础上，减少了对速度和位置公式的修改，即减少了计算的次数；同时使得目标函数以及约束条件用到的是离散值，得到的结果就是最终结果，不需要对其近似取值，从而防止粒子群算法的早熟，提高了对离散变量的局部搜索能力。

步骤S170作为粒子群更新步骤，对参数优化步骤S160中经过空间粒子群初始化的参数或者上一轮迭代中的目标函数和约束条件的参数，更新粒子群个体速度v_id和位置x_id。

v_id＝ω×v_id+c₁×r₁(pbest_id-x_id)+c₂×r₂(gbest_id-x_id)，

其中，ω是惯性系数，用于产生扰动。c1和c2是学习因子，取值大于等于0，表示粒子速度转向偏好的取值大小。r1和r2是[0，1]之间的随机数。pbest_id表示粒子个体最优位置。gbest_id表示每一次迭代后粒子群的最优位置。

其中，rand()表示一个[0，1]之间的随机数。1+exp(-v_id))为转换限制函数，保证x_id的每一个分量都限制在[0，1]之间。粒子的位置x_id只有{0，1}两种状态，v_id值越大，则“1”作为粒子位置的概率比较大，v_id值越小，则“0”作为粒子的位置的概率比较大。

经过上述粒子群初始化S160和粒子群更新步骤S170，对室内温度的约束条件和优化目标函数G的计算是将其连续量离散后再进行求解，在原本的连续变量上进行优化，解决了空调群中离散的单体参数需要不断重新定义粒子的位置和速度所带来的矛盾，实现了对连续空间的离散粒子群算法的改进，形成改进离散型PSO算法。相对于传统的粒子群算法、遗传算法等智能方法，该改进离散型PSO算法既保留经典粒子群算法在速度更新中的连续运算规则，又减少了对速度和位置公式的修改；同时，改进后目标函数和约束条件的计算用的是离散值，得到的结果就是最终结果，不需要取近似值，更加准确与方便。

步骤S180作为求解步骤，对经过粒子群更新步骤S170调整参数后的空调负荷集群系统模型，根据适应度函数进行适应度评价，即计算目标函数，从而更新局部与全局最优解。经过改进离散型PSO算法利用连续变量来寻优，从而更加快速准确的找到最优解，加快了对空调负荷的调控反应速度。

步骤S190作为迭代判断步骤，判断是否达到最大迭代次数，如果达到，则结束计算并输出最优空调聚合群实时功率，否则，返回粒子群更新步骤S170，更新粒子群个体速度v_id和位置x_id，再进行一次参数优化。

步骤S200作为空调启闭步骤，对所有空调房间实时温度从高到低进行排序，以求解步骤S180中得到的优化后的实时功率P_i＝[P₁,P₂,P₃,...,P_n]作为指标，开启前n台空调使其功率为指定的功率指标，然后关闭剩余的空调，得出所有空调的状态矩阵S。其中，空调负荷的聚合模型的实时功率P_LA＝P_i·S。该基于改进离散型PSO算法的用电智能控制方法，通过空调启闭步骤对空调进行了温度排序，在进行削峰填谷与保证用户经济性的同时，尽可能地降低用户的不舒适程度，使得空调开关在一天各时段合理分配，达到经济和削峰填谷的目标。

通过以上步骤就可以确定空调状态，从而作为空调用电管理的参考，控制空调根据状态矩阵运行，从而根据实际的需要获得较好的经济性和舒适性。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (10)

1.基于改进离散型PSO算法的用电智能控制方法，其特征在于，包括如下步骤：

P1.参数获取步骤，获取空调群的空调数量、空调调节参数和分时电价；

P2.聚合模型构建步骤，获取空调群的运行状态

n为空调数量，s_i为每台空调的开关状态；所述空调调节参数包括空调群各台空调的制冷功率P_i＝[P₁,P₂,P₃,...,P_n]，据此计算空调群的实时功率

P3.目标确认步骤，分别以

作为电网调度性目标G₁和经济性目标G₂的权重系数，构建优化目标函数，

其中，P_LA.max为空调群在t时刻响应后的实时功率上限，prc(t)_max为响应时的分时电价的最大值，P_base(t)为空调群在t时刻响应前的功率；

P4.参数初始化步骤，初始化各个空调的空调功率P_i和对应的开关状态s_i；

P5.粒子群初始化步骤，对所述优化目标函数G通过空间粒子群初始化，把目标函数中各个连续变量r分别随机选择ceil(r)进行向上取整或者随机选择floor(r)进行向下取整，得到对应的整数变量M，

其中，rand()表示一个[0，1]之间的随机数；

P6.粒子群更新步骤，计算所述粒子群响应后的个体速度v_id和位置x_id；

v_id＝ω×v_id+c₁×r₁(pbest_id-x_id)+c₂×r₂(gbest_id-x_id)，

其中，ω是惯性系数，c1和c2是取值大于等于0的学习因子，r1和r2是[0，1]之间的随机数，pbest_id表示粒子个体最优位置，gbest_id表示每一次迭代后粒子群的最优位置；

其中，1+exp(-v_id))为使得x_id的每一个分量都限制在[0，1]之间的转换限制函数；

P7.求解步骤，以所述优化目标函数G作为适应度函数对所述聚合模型进行适应度评价，从而更新局部与全局最优解；

P8.迭代判断步骤，判断是否达到最大迭代次数，如果达到，则结束计算并输出最优空调聚合群实时功率，否则，返回执行所述粒子群更新步骤。

2.如权利要求1所述的基于改进离散型PSO算法的用电智能控制方法，其特征在于，在所述参数获取步骤中，获取室温调节参数，其包括：室外温度T_o，室内温度T_i，房间等效热阻R_i，房间等效热容C_i和室内温度上限T_max、室内温度下限T_min；所述空调调节参数还包括空调群的能效比η_i＝[η₁,η₂,η₃,...,η_n]，则空调群的总制冷能量Q_i＝η_iP_i。

3.如权利要求2所述的基于改进离散型PSO算法的用电智能控制方法，其特征在于，包括在所述参数获取步骤后执行的空调状态调节步骤，其根据室内温度来确认空调开关状态，

计算t+1时刻的室内温度T^t+1，

约束条件为T_min≤T≤T_max，

其中，T_i ^t表示第i个房间内t时刻的室内温度；

表示t+1时刻的室外温度；s为空调开关状态，1表示空调开启，0表示空调关闭；Δt为时间间隔确认空调开关状态；

计算t+1时刻空调的运行状态s(t+1)，

4.如权利要求3所述的基于改进离散型PSO算法的用电智能控制方法，其特征在于，在所述聚合模型构建步骤中，定义控制周期T_c包括空调连续开启时间T_on和连续关闭时间T_off，由室内温度计算公式可知，

则空调连续开启时间T_on和连续关闭时间T_off为：

5.如权利要求4所述的基于改进离散型PSO算法的用电智能控制方法，其特征在于，根据T_c＝T_on+T_off，t时刻单台空调处于开机状态的概率P_on＝T_on/T_c；定义所述空调群的聚合模型的功率P_LA在功率下限P_LA.min和功率上限P_LA.max之间，则：

其中，n为空调数量，η_i为各个空调的能效比。

6.如权利要求1所述的基于改进离散型PSO算法的用电智能控制方法，其特征在于，在所述目标确认步骤中，以最小化参与需求响应的聚合空调的负荷削减量紧跟电网功率调度指令为目标确认电网调度性目标G₁：

G₁＝(|P_base(t)-P_LA(t)|-P_target)²，

其中，P_target为电网发布的功率指令的目标值。

7.如权利要求1或6所述的基于改进离散型PSO算法的用电智能控制方法，其特征在于，在所述目标确认步骤中，以最小化总体用户在需求响应时段的用电价格作为经济性指标，从而确认经济性目标G₂：

G₂＝prc(t)*P_LA(t)*t，

其中，t为需求响应持续时间。

8.如权利要求1所述的基于改进离散型PSO算法的用电智能控制方法，其特征在于，在所述目标确认步骤中，权重系数取

9.如权利要求1所述的基于改进离散型PSO算法的用电智能控制方法，其特征在于，还包括在空调启闭步骤，对所有空调房间的实时温度从高到低进行排序，开启前n台空调使求解步骤中得到的实时功率P_i小于等于电网发布的功率指令的目标值，并关闭剩余的空调。

10.计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被控制器执行时能够实现权利要求1～9中任一项所述的方法。

Images