CN110543969B - 一种家庭用电行为优化算法 - Google Patents

Abstract

本发明公开了一种家庭用电行为优化算法，包括：将家庭负荷划分为温控负荷和非温控负荷；由温控负荷确定用户温度舒适度指数，由非温控负荷确定用户用电计划调整指数，根据用户温度舒适度指数、用户用电计划调整指数构建用户舒适度模型；基于分时电价构建电费支出模型；根据用户舒适度模型、电费支出模型构建目标函数；采用粒子群优化算法寻求所述目标函数的最优解。本申请能够在保障用户用电舒适度的同时，又能让用户减少电费的使用。

Description

一种家庭用电行为优化算法

技术领域

本发明涉及一种家庭用电行为优化算法，属于技术领域。

背景技术

近年来，我国面临着电力供应紧张的局面，存在间歇式可再生能源大规模接入的问题，以及系统调峰调频的巨大压力。除了从电源侧寻求解决方案之外，更应该进一步发掘用户侧的资源，特别是由于我国电力市场的特殊性，用户侧的资源潜力尚未得到充分的发挥。而随着人民水平的提高，大功率电器使用率不断上涨，同时用户侧需求响应资源潜力不断上升。因此，电力用户日益成为需求侧管理的重要存在方式，在保证用户用电舒适性的前提下，对家庭智能用电行为进行合理安排和优化，降低电力消费成本，有效减少用电费用是当前研究重点。

针对家庭用户行为的分析，已有一些学者开展了相关研究，主要包括：利用云计算并行K-means聚类算法对分类后的用户进行用电分析，但忽视了对分类后的用户进行用电行为的优化；研究分时电价下用户的响应行为，考虑削峰填谷以及电能成本；提出用电行为相关性网络化分析方法，挖掘出短时间尺度下多用户间用电行为相关关系及其连续变化特性；但上述研究对用户用电行为进行分析时，均未涉及用户使用舒适度及经济性。此外，也有学者提出下述利用电价机制，引导用户参与家电负荷的优化调度以达到减少电费的目的、构建在需求响应下不同类的家电设备的调度优化策略模型，但这两种策略均没有考虑用户家电负荷的分类及用电舒适性。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种家庭用电行为优化算法，能够在保障用户用电舒适度的同时，又能让用户减少电费的使用。

为达到上述目的，本发明是采用下述技术方案实现的：

一种家庭用电行为优化算法，包括如下步骤：

将家庭负荷划分为温控负荷和非温控负荷；

由温控负荷确定用户温度舒适度指数，由非温控负荷确定用户用电计划调整指数，根据用户温度舒适度指数、用户用电计划调整指数构建用户舒适度模型；

基于分时电价构建电费支出模型；

根据用户舒适度模型、电费支出模型构建目标函数；

采用粒子群优化算法寻求所述目标函数的最优解。

进一步的，所述温控负荷包括电动机型温控负荷、电阻性温控负荷。

进一步的，所述非温控负荷包括开关型负荷、分档型负荷和调节型负荷。

进一步的，所述用户温度舒适度指数采用公式(1)计算获取：

式中：C_i,c,t为用户温度舒适度指数；C_j,c,t为第j个温控家电的用户舒适度指数,

C_c,t为空调负荷的当前温度，C_T,t为用户设置的空调负荷的目标温度；n为温控家电的数量，a_j为用户对第j个温控家电的敏感系数，

进一步的，所述用户用电计划调整指数采用公式(2)计算获取：

式中：E_c为用户用电计划调整指数；

为非温控负荷i在t时刻优化前的功率；p_i(t)为非温控负荷i在t时刻优化后的功率；

为非温控负荷i在t时刻优化前的用电计划；l_i(t)为非温控负荷i在t时刻优化后的用电计划；非温控负荷i工作时用电计划取值为1，不工作时用电计划取值为0；m表示非温控家电的数量。

进一步的，所构建的用户舒适度模型如公式(3)所示：

进一步的，所构建的电费支出模型如公式(4)所示：

式中：C_E表示电费支出；R_P(t)表示t时刻的电价；A表示用户所有家庭负荷；Δt表示家庭负荷运行相应时段；P_ω,t表示家庭负荷ω在t时刻的功率；R表示未实施分时电价之前的电价。

进一步的，所构建的目标函数如公式(5)所示：

G＝C_E+C_A (5)。

与现有技术相比，本发明所达到的有益效果是：

基于粒子群算法寻求用户用电舒适性与用电经济性最优方案，根据粒子粒子群算法的特点，能够进行高效率的寻找最优值，在保障用户一定用电舒适度的同时，又能让用户减少电费的使用，极大的激励了用户参与需求响应项目的行动。

附图说明

图1是电冰箱随环境温度变化的需求响应特性仿真曲线；

图2是电热水器的水温和功率特性曲线；

图3是采用粒子群优化算法寻求所述目标函数的最优解的方法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明实施例提供的一种家庭用电行为优化算法，主要包括如下步骤：

步骤一，根据负荷特性对用户家庭负荷分为温控负荷和非温控负荷；

从用户舒适度出发，因为温度对人体舒适度影响最大，所以将家庭负荷分为两大类：温控负荷，非温控负荷。

1)温控负荷响应特性

温控负荷从其负荷类型构成进行分类，可分为电动机型温控负荷和电阻型温控负荷。

对于电冰箱、空调、热泵等以感应电动机为主要负荷成分的温控负荷，从其负荷特性来看，在系统正常运行情况下，可采用负荷的静态模型进行分析。电冰箱、热泵等温控负荷一般由占主体的感应电动机负荷和占少数的电阻型热负荷组合而成，如电冰箱的静态模型可表示为

式中，P、Q为电冰箱的有功功率和无功功率，P₀为冰箱初始功率，U为初始电压，U₀为负荷节点初始电压，Δf为频率偏差，电冰箱由80％的感应电动机和20％的电阻负荷构成，功率因数为0.84。

对于价格型需求响应，一般可忽略电压偏移和频率变差，作为恒功率负荷考虑。但在激励型需求响应中，由于其压缩机为电动机构成的，对系统电压稳定有较大的负面影响。一般情况下，电网中易发生电压崩溃事故的地区，往往存在密集的电动机负荷，该类负荷在事故时，会加剧系统电压失稳。在这种情况下，恒功率模型、感应电动机模型以及感应电动机模型+ZIP模型等静态模型无法体现负荷的响应特性，而采用非线性的输入输出负荷模型更为合理。

在温控负荷的需求响应特性分析中，由于电压变化的影响大于频率变化的影响，故采用考虑了电压响应特性的Karlsson-Hill模型，其模型表达式为

其中，P为负荷功率值，P_u为状态变量，P_t1(U)为暂态函数，P_s(U)为静态函数，T_p为时间常数，p_u为静态电压指数，p_t为暂态电压指数，P₀为有功功率初始值，U₀为电压初始值，U为负荷电压，f为系统频率，f₀为频率初始值，P_f为静态频率指数。将(2)中所有的符号P替换为Q即为无功模型。在实际中需求响应分析中，频率偏差参数作用较小，可省略计算，典型的冰箱和空调负荷模型参数如表1所示。

表1电动机型温控负荷的Karlsson-Hill模型典型参数

此外，电冰箱、空调、热泵等含有电动机的温控负荷的运行特性存在周期性特征，主要受环境温度影响，因此对其运行特性的分析还需要建立热力学模型以描述其与外部环境的能量交换。其热力学模型可采用简化等效热参数模型，表示为

T(t+1)＝εT(t)+(1-ε)(T_out(t)-ηP_eR)withε＝exp[-τ/(RC)] (3)

式中，T(t)为t时刻冰箱内的温度或空调所在房间的室内温度(℃)，T(t+1)为下一时刻温度，T_out为外部环境温度(℃)，ε为惯性系数，由时间步长τ，温控负荷的等效热电阻R(kW/℃)和等效热电容C(kWh/℃)决定。η为负荷的能效比，P为运行功率(kW)，在响应特性研究中认为当负荷压缩机运行时，温控负荷功率为额定功率P_e，停止则P等于0，则ηP即为温控负荷的制冷/制热量。表2给出了电冰箱和空调的典型模型参数。根据该参数，则电冰箱随环境温度变化的需求响应特性仿真结果如图1所示。

表2电冰箱、空调的热力学模型参数

除了电动机型温控负荷外，电阻型温控负荷如电热水器、电炉灶、电暖气也在用户的用电量中占有很大比重。一般情况下，通常将电阻型温控负荷视为恒定电阻负荷，功率因数为1，其数学模型可表示为

P＝P₀(U/U₀)² (4)

式中，P为负荷有功功率，P₀为负荷初始功率，U为负荷节点电压，U₀为负荷节点初始电压。

与电动机型温控负荷相同，需要对电阻型温控负荷建立其热力学模型用以描述热能交换过程。以电热水器为例，当电热水器水箱中水温小于其设定温度下限时，电热水器工作在加热状态，电热水器功率值大于零，温度上升；当电热水器水箱内水温大于设定温度上限时，电热水器工作在关闭状态，功率值为零，温度下降；当热水水温处于设定温度范围内，电热水器保持原有工作状态不变，当使用热水后，电热水器进水口补充冷水，内部水温骤降，其水温和功率特性曲线如图所示。其中实线表示电热水器水箱内水温，虚线表示电热水器功率。如表3所示，为电热水器的热力学模型参数。

表3电热水器的热力学模型参数

单台电热水器热力学模型也可采用简化等效热参数模型，表示为

当电热水器中注入冷水，电热水器水温可表示为

式中，

为t_n时电热水器内水的温度(℃)，

为下一时刻水的温度，τ为时间步长，T_out注入电热水器水的温度(℃)，T_now为电热水器当前水温(℃)，m_n为电热水器在t_n时注入冷水量(gal)，u_n为电热水器的开关状态，1代表开，0代表关，M为电热水器容积(gal)，R为电热水器的等效热电阻(℃/kW)，C为等效热电容(kWh/℃)，Q为热功率(kW)。。

表3给出单个电热水器的典型模型参数。

2)非温控负荷响应特性

非温控负荷根据负荷开关特性，又可以分为以下三类：

(1)开关型负荷

开关型负荷只有开和关两种状态，用0表示关，1表示开，当负荷状态为开时，负荷的实际功率为其额定功率，当负荷状态为关时，负荷的实际功率为0；如：微波炉、节能灯等。开关型负荷的参数为其开关状态，忽略电压、频率的影响，其输出功率可以用下式表示：

式中，P₁(t)为这一类负荷输出功率，P_e为这一类负荷的额定功率，x(t)为这一类负荷的开关状态，0表示关，1表示开。

(2)分档型负荷

分档型负荷包括分为不同工作状态的开关型负荷和可进行档位调节的多级分段负荷，如洗衣机、电风扇等。参数包括额定功率和总档位数，其涉及的控制量不仅有开关状态，还有档位数，其输出功率与这两者之间的关系如下式所示：

P₂(t)＝D(t)P_e (8)

式中，P₂(t)为电风扇在第t个时间段内输出功率，P_e为分档型负荷在档位数为1时的功率，D(t)为分档性负荷在第t个时间段内的实际档位数。

(3)调节型负荷

调节型负荷可以工作在不同的工作状态上，且负荷的工作状态与温度和照度等环境参数有关，如白炽灯、加湿器等。调节型负荷涉及的控制量包括开关状态和相关的调节参数。例如，白炽灯的调节参数为光照强度。其功率可由下式表示：

P₃(t)＝f(x(t),x₀(t)) (9)

式中，P₃(t)为白炽灯在第t个时间段内输出功率，x(t)为第t个时间段内的白炽灯实际光照强度；x₀(t)为第t个时间段内白炽灯自然光照强度。对于不同品牌型号的这一类负荷所消耗的功率与状态参数的关系有很大区别，因此这里没有给出明确的函数关系，在优化控制过程中可以通过实验方法得到。

步骤二，构建用户舒适度模型：

用电舒适度是由多方面因素综合决定的，在家庭负荷中最能影响感官舒适度的主要是指加热通风冷却装置，即温控负荷。温度舒适程度是影响用户满意度的最大因素。同时，非温控负荷的调整改变了用户的用电习惯，故用户的舒适度指数通过温度舒适度指数与用户用电计划调整指数来进行表征，温度舒适度指数C_i,c,t可表示为

式中：C_i,c,t为用户温度舒适度指数；C_j,c,t为第j个温控家电的用户舒适度指数,

C_c,t为空调负荷的当前温度，C_T,t为用户设置的空调负荷的目标温度；n为温控家电的数量，a_j为用户对第j个温控家电的敏感系数，

用户用电计划调整指数E_c可表示为

式中：E_c为用户用电计划调整指数；

为非温控负荷i在t时刻优化前的功率；p_i(t)为非温控负荷i在t时刻优化后的功率；

为非温控负荷i在t时刻优化前的用电计划；l_i(t)为非温控负荷i在t时刻优化后的用电计划；非温控负荷i工作时用电计划取值为1，不工作时用电计划取值为0；m表示非温控家电的数量。在优化前后电器的用电计划不改变时，

与l_i(t)相等，即

为0，此时E_c达到最大值1。

两者均为无量纲，则用户舒适度指数C_A可表示为

步骤三，基于分时电价构建电费支出模型：

基于分时电价构建电费支出模型，电费支出C_E可表示为：

式中：R_P(t)为t时刻的电价；A表示所有的家庭负荷；Δt表示家庭负荷运行的某一个时段；P_ω,t表示家庭负荷ω在t时刻的功率；R为未实施分时电价之前的电价。

步骤四，根据用户舒适度模型、电费支出模型构建目标函数；

对于用户来说，进行负荷优化的目标就是减少用电费用支出，以节约的电费量以及舒适度指数最小为目标建立目标函数，两者均为无量纲：

G＝C_E+C_A (14)。

步骤五，采用粒子群优化算法寻求所述目标函数的最优解。

粒子群算法通过初始化一群随机粒子(每个粒子代表着一个潜在的解)，并利用迭代方式，使每个粒子向自身找到的最好位置和群体中最好粒子靠近，从而搜索最优解。粒子根据如下公式来更新自己的速度和在解空间的位置：

式中：k为迭代次数；w为惯性权重因子；r₁和r₂为(0，1)之间的随机数；c₁和c₂为学习因子，也称加速因子；

分别为第i个粒子第k次迭代时的速度和位置；p_best为粒子自身找到的最优解；g_best为粒子群找到的最优解。

算法的流程如下：

①初始化粒子群，包括群体规模N，每个粒子的位置

和速度

②计算每个粒子的适应度值F_it；

③对每个粒子，用它的适应度值F_it和个体极值p_best比较，如果F_it>p_best，则用F_it替换掉p_best；

④对每个粒子，用它的适应度值F_it和全局极值g_best比较，如果F_it>p_best则用F_it替g_best；

⑤根据公式(13)，(14)更新粒子的速度

和位置

⑥如果满足结束条件(误差足够好或到达最大循环次数)退出，否则返②。

基于粒子群算法求解用电行为最优方案的基本思想是，通过这些粒子来模拟接入的各种可能性，即家电的用电计划，包括如下步骤：

1)根据配电网包括的节点选取配电网区间建立粒子群。

2)初始化一群随机粒子位置

即输入各个家电的使用时刻和功率初始化参数。初始化粒子速度

即粒子初始寻求最优解的方向速度，粒子维度为家电个数，群体规模大小为N。

3)设定单粒子进行加速因子c₁和c₂，本实施例中取2；惯性权重因子w的范围，本实施例中取0.8；粒子的速度范围Vm，本实施例中取100；和最大迭代次数，本实施例中取1000。

4)迭代计算每个粒子的适应度F_it，即目标函数G＝C_E+C_A，生成优化的粒子群。

5)优化的粒子群中每个粒子分别代表一种家电的调度计划，对每个粒子的适应度值与个体极值F_it及全局极值g_best比较，更新粒子的速度

和位置

6)持续更新粒子位置一直达到最大迭代次数终止，并在满足约束条件的基础下选取粒子位置，及最优方案。

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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (3)

1.一种家庭用电行为优化算法，其特征在于，包括如下步骤：

将家庭负荷划分为温控负荷和非温控负荷；

由温控负荷确定用户温度舒适度指数，由非温控负荷确定用户用电计划调整指数，根据用户温度舒适度指数、用户用电计划调整指数构建用户舒适度模型；

基于分时电价构建电费支出模型；

根据用户舒适度模型、电费支出模型构建目标函数；

采用粒子群优化算法寻求所述目标函数的最优解；

所述用户温度舒适度指数采用公式(1)计算获取：

式中：C_i,c,t为用户温度舒适度指数；C_j,c,t为第j个温控家电的用户舒适度指数,

C_c,t为空调负荷的当前温度，C_T,t为用户设置的空调负荷的目标温度；n为温控家电的数量，a_j为用户对第j个温控家电的敏感系数，

所述用户用电计划调整指数采用公式(2)计算获取：

式中：E_c为用户用电计划调整指数；

为非温控负荷i在t时刻优化前的功率；p_i(t)为非温控负荷i在t时刻优化后的功率；

为非温控负荷i在t时刻优化前的用电计划；l_i(t)为非温控负荷i在t时刻优化后的用电计划；非温控负荷i工作时用电计划取值为1，不工作时用电计划取值为0，m表示非温控家电的数量；

所构建的用户舒适度模型如公式(3)所示：

所构建的电费支出模型如公式(4)所示：

式中：C_E表示电费支出；R_P(t)表示t时刻的电价；A表示用户所有家庭负荷；Δt表示家庭负荷运行相应时段；P_ω,t表示家庭负荷ω在t时刻的功率；R表示未实施分时电价之前的电价；

所构建的目标函数如公式(5)所示：

G＝C_E+C_A (5)。

2.根据权利要求1所述的家庭用电行为优化算法，其特征在于，所述温控负荷包括电动机型温控负荷、电阻性温控负荷。

3.根据权利要求1所述的家庭用电行为优化算法，其特征在于，所述非温控负荷包括开关型负荷、分档型负荷和调节型负荷。

Images