CN111679573A - 一种居民家庭用能优化方法及装置 - Google Patents

Abstract

本发明涉及一种居民家庭用能优化方法及装置，其将随机分形搜索算法引入模型的优化求解中，并对算法中的第一次更新与第二次更新过程进行改进。在第一次扩散过程中，通过引入轮盘赌来增加扩散的不确定性，加强算法的全局搜索能力；在第二次更新过程中，引入差分进化算法中的自适应的变异算子，变异算子公式的参数可以根据生成差分向量的两个个体自适应变化，有利于克服算法在迭代后期陷入局部最优的问题。

Description

一种居民家庭用能优化方法及装置

技术领域

本发明属于综合能源计量领域，涉及一种居民家庭用能优化方法及装置。

背景技术

随着智能电网的发展，居民家庭等电力用户将作为可调度单元参与电网的优化运行和安全供电。其中，为了缓解电网峰时供电压力，通过改善居民家庭的用电行为，可达到高效用能的目的。此外，随着分时电价的推进，在家庭用电方面，需要家庭用电能够及时针对电价进行相应调整。居民家庭用能优化系统能积极地响应了灵活电价机制，帮助用户管理家用电气设备，优化家庭负荷调度,实现用电经济、环保、舒适的目的。

居民家庭用能优化系统需要对家庭用户的每一个用电器进行用电感知，而传统智能电表只能采集到一户的用电信息，无法获得具体某个用电器用电信息，但非侵入式设备提供了家庭各个用电器用电信息采集的手段，为家庭能量管理提供了数据支撑。本发明就是基于非侵入式量测表数据进行家庭智慧用能的优化。

居民家庭用能的优化调度可视为一种最优决策问题，即是利用时变电价对用户用电行为进行经济优化决策。目前，国内外研究学者围绕用户经济性最优、用户舒适度最优、需求响应最佳、用电环保性最佳等多种优化目标研究了电气设备的优化调度，但大多数没有形成一个家庭用能优化调度系统来辅助家庭用电行为的调整，并且大多数较少考虑实际的不确定性环境，尤其是用户用电行为的不确定性。在模型的求解方面，目前针对这种约束优化模型求解一般使用遗传算法，粒子群算法等求解方法，这些算法在部分情况下求解效果理想，但家庭用能的优化问题更加复杂，具有非线性、不确定性、多目标等特征，这些算法也相继暴露出一些固有缺陷，如易陷入局部极值和收敛速度慢等特性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种居民家庭用能优化方法及装置。

本发明解决其技术问题是采取以下技术方案实现的：

一种居民家庭用能优化方法，包括如下步骤：

步骤一，构建家庭用电负荷模型；

步骤二，通过构建的家庭用电负荷模型构建家庭用电负荷优化模型；

步骤三，根据优化模型提取用户家用电器使用习惯数据，或用户自行设置家用电器的启动与停止时间段；

步骤四，利用所提取的家用电器使用习惯数据，通过改进的随机分形算法对预先构建的家庭用电负荷优化模型进行优化求解；

步骤五，根据优化结果，通过智能终端对家用电器进行优化控制。

而且，所述构建的家庭用电负荷模型包括用电时段可转移型负荷用电模型、用电时段可短时转移型负荷用电模型、负荷功率可调节型负荷用电模型以及不可转移型负荷用电模型，

所述用电时段可转移型负荷用电模型为：

L_TL,i＝P_TL,i·T_TL,i

式中，P_TL,i＝diag(p_TL,i1,p_TL,i2,L,p_TL,in)表示家用电器的使用功率矩阵，T_TL,i＝[t_TL,i1,t_TL,i2,L,t_TL,in]^T表示家用电器的使用时间向量，L_TL,i是i用电器的用电量向量，t_TL,i1取值满足：

所述用电时段可短时转移型负荷用电模型为：

L_STL,i＝P_STL,i·T_STL,i

式中，P_STL,i＝diag(p_STL,i1,p_STL,i2,L,p_STL,in)表示家用电器的使用功率矩阵，T_STL,i＝[t_STL,i1,t_STL,i2,L,t_STL,in]^T表示家用电器的使用时间向量，L_STL,i是i用电器的用电量向量，t_STL,i1取值满足：

所述负荷功率可调节型负荷用电模型为：

L_APL,i＝P_APL,i·T_APL,i

式中，P_APL,i＝diag(p_APL,i1,p_APL,i2,L,p_APL,in)表示家用电器的使用功率矩阵T_APL,i＝[t_APL,i1,t_APL,i2,L,t_APL,in]^T表示家用电器的使用时间向量，L_APL,i是i用电器的用电量向量；

所述不可转移型负荷用电模型：

L_UTL,i＝P_UTL,i·T_UTL,i

式中，P_UTL,i＝diag(p_UTL,i1,p_UTL,i2,L,p_UTL,in)表示家用电器的使用功率矩阵，T_UTL,i＝[t_UTL,i1,t_UTL,i2,L,t_UTL,in]^T表示家用电器的使用时间向量，L_UTL,i是i用电器的用电量向量。

而且，所述用电时段可转移型负荷用电模型的约束条件为：

该式表示(k,s)时间段内用户的使用习惯是用电器不作间断。

而且，所述用电时段可短时转移型负荷用电模型的约束条件为：

该式表示(k,s)时间段内，只允许短时断电m个时间段。

而且，所述负荷功率可调节型负荷用电模型的约束条件为：

p_APL,imin≤P_APL,i(t)≤p_APL,imax

该式中p_APL,imi_n，p_APL,i_max分别表示用户可接受的最大最小功率。

而且，所述构建的家庭用电负荷优化模型为：

目标函数为：

min c_cost＝∑C_d ^T(L_UTL+L_TL+L_STL+L_APL) (1)

优化约束条件为(2)～(5)：

t_TL,imin≤t_TL,i≤t_TL,imax (5)

式(1)中，c_cost表示用户一天的电费，C_d为分时电价向量，L_UTL为不可转移型负荷的日用电量，L_TL为用电时段可转移型负荷的日用电量，L_STL为用电时段可短时转移型负荷的日用电量，L_APL为负荷功率可调节型负荷的日用电量，式(2)中L_max表示家庭线路最大容量，L_UTL(t)表示在t时刻的不可转移型负荷的瞬时用电量，L_TL(t)表示在t时刻的可转移型负荷的瞬时用电量L_STL(t)表示在t时刻的可短时转移型负荷的瞬时用电量，L_APL(t)表示在t时刻的负荷功率可调节型负荷的瞬时用电量；式(3)表示优化前后可转移型家用电器的任务量不发生改变，式(4)

表示异或运算，s_max表示用户能接受的可短时转移型用电器的最大断电次数，T_STL,i和T′_STL,i分别表示优化前后的家用电器使用序列，序列中1表示该用电器处于使用状态，0表示未使用状态；式(5)t_TL,i表示用电器的启动时刻，t_TL,imin，t_TL,imax分别表示用电器i用户设置或可接受的最早最晚启动时刻。

而且，所述对预先构建的家庭用电负荷优化模型进行优化求解的方法为：

步骤1，将一组家用电器使用时间序列和使用功率矩阵作为种群个体，初始化该种群个体，并对该初始化后的种群个体利用高斯分布执行随机分形搜索算法的扩散过程，得到扩散后的种群，在该种群内选择一组家用电器使用时间序列和使用功率矩阵作为最佳个体；

步骤2，对选择的最佳个体引入遗传算法中的轮盘赌策略来判断是否更新节点位置，并进行第一次节点位置的更新，判断是否需要调整家用电器使用时间序列和使用功率矩阵的解，得到最优个体；

步骤3，对得到的最优个体利用任意其他三个节点的位置，通过自适应的差分进化算法进行第二次节点位置的更新；

步骤4，对第二次节点位置更新得到的结果进行验证，若扩散到某点的值满足输出设定要求，立即结束程序，输出结果；否则回到步骤2，若迭代次数超过设置的最大限值，则不再进行迭代输出结果。

而且，所述步骤1初始化种群，并利用高斯分布执行算法的扩散过程，具体步骤包括：

步骤1，初始化种群：

初始化种群X＝{X₁,X₂,…,X_N}，其中N为种群大小，假设该优化模型是一个D维优化模型，则种群中的每个个体为一个D维向量；

初始化第j个个体位置：

X_j＝LB+ε×(UB-LB)

式中，LB和UB分别是求解问题的向量的上下边界，ε是在区间[0,1]上的服从均匀分布的随机数；

步骤2，根据步骤1得到的种群X，计算其适应度函数值f_j＝f(X_j)，其中j＝1,2,…,n，f是适应度函数；

步骤3，根据步骤2中得到的适应度函数值，选择最佳个体BP，设置迭代计数器g＝1，进行循环迭代，所有个体都根据当前位置扩散，分形扩散的方式选择高斯游走，产生新的种群X，

GW₁＝Gaussian(μ_BP,σ)+(ε×BP-ε′×X_i)

GW₂＝Gaussian(μ_P,σ)

其中：μ_BP＝|maxf(X_i)|，u_P＝|X_i|，

分别是高斯游走参数的计算公式，ε和ε′是在区间[0,1]上服从均匀分布的随机数；BP和X_i分别表示群体中的最佳个体和第i个个体的位置，

表示高斯跳跃的步长，随着迭代次数g的增加，高斯跳跃步长将减小，从而增加了算法的局部搜索能力，

对高斯游走获得的新种群X，计算其适应度f_i＝f(X_i)。

而且，所述步骤2对步骤1选择的最佳个体引入遗传算法中的轮盘赌策略来判断是否更新节点位置，并进行第一次节点位置的更新，具体包括：

(1)基于上一步得到的适应度函数值，计算出该种群每个个体的概率值；

(2)根据(1)的结果，计算出个体的累计概率

(3)根据(2)的结果判断p_i＜ε是否成立，若成立则根据公式

X′_i(j)＝X_r(j)-ξ×(X_t(j)-X_i(j))更新该节点位置，否则选择个体k使得p_k-1＜ε＜p_k成立，其中ε是在区间[0,1]上服从均匀分布的随机数。

而且，所述步骤3对步骤2得到的最优个体利用任意其他三个节点的位置，通过自适应的差分进化算法进行第二次节点位置的更新，具体步骤包括：

(1)基于上一步得到的结果，根据公式

计算出各个个体的概率值；

(2)引入自适应的差分进化算子，在第二次更新阶段中随机选择两个个体，并与X′_i一起组成差分变异的三个个体，并从优到劣进行排序，得到X′_b，X′_m，X′_ω，并计算他们对应的适应度函数分别为f′_b，f′_m，f′_ω；

(3)判断Pa′_i＜ε是否满足，若满足则继续更新个体位置；

X″_i(j)＝X′_i(j)+F_i×(X′_t(j)-BP)(ε≤0.5)

X″_i(j)＝X′_b(j)+F_i×(X′_m(j)-X′_ω(j))(ε＞0.5)

其中，

F_l，F_u为[0,1]之间的常数，满足F_l+F_u＝1，一般可取F_l＝0.1，F_u＝0.9，X′_i是第一次更新阶段中随机选择的个体。

一种居民家庭用能优化装置，包括家庭内部用电器信息采集系统、含光伏储能家庭信息采集系统、非电气量信息采集系统以及智能终端决策与控制系统。

所述的家庭内部用电器信息采集系统用于通过非侵入式表计或智能插座对家庭内部各个用电器的用能信息进行采集与控制；

所述的含光伏储能家庭信息采集系统用于通过光伏与储能系统的计量表计对用能信息进行采集与控制；

所述的非电气量信息采集系统用于通过无线网络将获得的非电气量信息传送到智能终端，便于智能终端进行用能优化分析；

所述的智能终端决策与控制系统，包含智能终端和量测与控制设备；所述的智能终端用于通过引入的改进随机分形搜索算法对模型进行求解优化，向量测与控制设备发送优化任务；所述的量测与控制设备用于将各类用能信息采集传送给智能终端，并响应终端下发的优化任务对智能插座进行控制。

本发明的优点和积极效果是：

1.本发明根据不同家庭用电负荷用电特性，考虑用户实际用电习惯与用电器使用特性，对家庭用电器用电建模，并以电价最低为优化目标建立家庭用电优化模型，该优化模型通过考虑用户的使用习惯来间接考虑用户在优化前后的舒适度的问题，解决了优化前后用户舒适度降低过多的问题。

2.本发明通过在随机分形搜索算法的第一次更新阶段引入遗传算法中的轮盘赌决策方法，增加了算法第一次更新的随机性，相比之前直接判断是否需要进行更新具有更多的随机性，有效提升了算法的全局搜索能力。在第二次更新阶段，为了解决算法后期易陷入局部最优的问题，引入自适应的差分进化算法，使得算法的第二次更新过程考虑了其他节点的位置来进行更新，通过群体中的其他节点位置对节点进行校正，相比原来的只利用边界的或设定的值进行更新，具备更多的随机性，因此可以避免算法陷入局部最优。

3.本发明设计了一种基于改进随机分形搜索的居民家庭用能优化系统，该系统通过对数据采集与控制任务下发策略的方案设计，明确了家庭用能优化系统的框架。整个用能优化系统的核心是通过智能终端对采集到的用能数据与传感器信息进行处理，并在计算优化后进行控制任务的下发，能有效的对家庭用能进行控制优化。

附图说明

图1为本发明居民家庭智慧用能优化模型流程图；

图2为本发明改进随机分形搜索算法流程图；

图3为本发明居民家庭智慧用能优化系统框架图。

具体实施方式

以下结合附图对本发明的实施例做进一步详述：

一种居民家庭用能优化方法，其创新之处在于：首先要建立家庭用能优化模型，具体包括：构建家庭用电负荷模型，构建家庭用电优化模型。

一、构建家庭用电负荷模型

根据家庭负荷的特征与用户的行为习惯将家庭用电负荷分为不可转移型(UTL)，用电时段可转移型(TL)，用电时段可短时转移型(STL)，负荷功率可调节型(APL)四类负荷，分别构建家庭用电负荷模型；

将一天的时间分段成n等份，用电时段可转移型负荷用电模型为：

L_TL,i＝P_TL,i·T_TL,i (1)

式(1)中P_TL,i＝diag(p_TL,i1,p_TL,i2,L,p_TL,in)表示家用电器的使用功率矩阵，一般来说是一个恒定的对角矩阵，每一个元素表示该时刻用电器的使用功率值，T_TL,i＝[t_TL,i1,t_TL,i2,L,t_TL,in]^T表示家用电器的使用时间向量，L_TL,i是i用电器的用电量向量，t_TL,i1取值满足：

对电力用户来说，负荷使用具有部分的连续性，即满足：

式(2)表示(k,s)时间段内用户的使用习惯是用电器不作间断。

用电时段可短时转移型负荷用电模型为：

L_STL,i＝P_STL,i·T_STL,i (3)

式(3)中P_STL,i＝diag(p_STL,i1,p_STL,i2,L,p_STL,in)表示家用电器的使用功率矩阵，一般来说是一个恒定的对角矩阵，T_STL,i＝[t_STL,i1,t_STL,i2,L,t_STL,in]^T表示家用电器的使用时间向量，L_STL,i是i用电器的用电量向量，t_STL,i1取值满足：

对电力用户来说，可短时转移型负荷的使用具有长时间性与离散性，但是其中断或转移时间不可过长，故有约束条件为：

式(4)表示(k,s)时间段内，只允许短时断电m个时间段。

对于负荷功率可调节型用电器，其用电模型为：

L_APL,i＝P_APL,i·T_APL,i (5)

式(5)中P_APL,i＝diag(p_APL,i1,p_APL,i2,L,p_APL,in)表示家用电器的使用功率矩阵，一般来说是一个参数变化的对角矩阵，T_APL,i＝[t_APL,i1,t_APL,i2,L,t_APL,in]^T表示家用电器的使用时间向量，一般来说是一个不变的向量，L_APL,i是i用电器的用电量向量。

为满足用户的实际需求，功率可调节型用电器的功率也并非随意可调节，一般满足约束：

p_APL,imin≤P_APL,i(t)≤p_APL,imax (6)

式(6)中p_APL,imin，p_APL,imax分别表示用户可接受的最大最小功率。

对不可转移型负荷，其用电功率和用电时间都是不可调节转移的，否则将影响用户的工作生活，所以其用电模型为：

L_UTL,i＝P_UTL,i·T_UTL,i (7)

式(7)中P_UTL,i＝diag(p_UTL,i1,p_UTL,i2,L,p_UTL,in)表示家用电器的使用功率矩阵，是一个恒定的对角矩阵，T_UTL,i＝[t_UTL,i1,t_UTL,i2,L,t_UTL,in]^T表示家用电器的使用时间向量，是不可调节的，L_UTL,i是i用电器的用电量向量

二、构建家庭用电负荷优化模型

以用户电费最低，建立家庭用电优化模型：

min c_cost＝∑C_d ^T(L_UTL+L_TL+L_STL+L_APL) (8)

t_TL,imin≤t_TL,i≤t_TL,imax (12)

式(8)中，c_cost表示用户一天的电费，C_d为分时电价向量，L_UTL为不可转移型负荷的日用电量，L_TL为用电时段可转移型负荷的日用电量，L_STL为用电时段可短时转移型负荷的日用电量，L_APL为负荷功率可调节型负荷的日用电量，式(9)中L_max表示家庭线路最大容量，L_UTL(t)表示在t时刻的不可转移型负荷的瞬时用电量，L_TL(t)表示在t时刻的可转移型负荷的瞬时用电量L_STL(t)表示在t时刻的可短时转移型负荷的瞬时用电量，L_APL(t)表示在t时刻的负荷功率可调节型负荷的瞬时用电量；式(10)表示优化前后可转移型家用电器的任务量不发生改变，式(11)

表示异或运算，s_max表示用户能接受的可短时转移型用电器的最大断电次数，T_STL,i和T′_STL,i分别表示优化前后的家用电器使用序列，序列中1表示该用电器处于使用状态，0表示未使用状态；式(12)t_TL,i表示用电器的启动时刻，t_TL,imin，t_TL,imax分别表示用电器i用户设置(或可接受)的最早最晚启动时刻。

一种基于改进随机分形搜索算法的居民家庭用能优化方法，其优化求解计算，具体包括以下步骤：

步骤1，将一组家用电器使用时间序列和使用功率矩阵作为种群个体，初始化该种群个体，并对该初始化后的种群个体利用高斯分布执行随机分形搜索算法的扩散过程，得到扩散后的种群，在该种群内选择一组家用电器使用时间序列和使用功率矩阵作为最佳个体；

步骤2，对选择的最佳个体引入遗传算法中的轮盘赌策略来判断是否更新节点位置，并进行第一次节点位置的更新，判断是否需要调整家用电器使用时间序列和使用功率矩阵的解，得到最优个体；

步骤3，对得到的最优个体利用任意其他三个节点的位置，通过自适应的差分进化算法进行第二次节点位置的更新；

步骤4，对第二次节点位置更新得到的结果进行验证，若扩散到某点的值满足输出设定要求，立即结束程序，输出结果；否则回到步骤2，若迭代次数超过设置的最大限值，则不再进行迭代输出结果。

所述步骤1初始化种群，并利用高斯分布执行算法的扩散过程，具体步骤包括：

(1)初始化种群。

初始化种群X＝{X₁,X₂,…,X_N}，其中N为种群大小,假设该优化模型是一个D维优化模型，则种群中的每个个体为一个D维向量。

初始化第j个个体：

X_j＝LB+ε×(UB-LB) (13)

式(13)中LB和UB分别是求解问题的向量的上下边界，ε是在区间[0,1]上的服从均匀分布的随机数。

计算该种群X的适应度函数值f_j＝f(X_j)，其中j＝1,2,…,n，f是适应度函数。

(2)分形扩散过程。

设置迭代计数器g＝1，进行循环迭代，分形扩散的方式选择高斯游走，产生新的种群X。

GW₁＝Gaussian(μ_BP,σ)+(ε×BP-ε′×X_i) (14)

GW₂＝Gaussian(μ_P,σ) (15)

这两个公式就是高斯游走的公式，在原有的扩散粒子基础上，向外进行扩散搜索，优点是避免局部最优,而达到全局最优。其中：μ_BP＝|maxf(X_i)|，u_P＝|X_i|，

分别是高斯游走参数的计算公式，ε和ε′是在区间[0,1]上服从均匀分布的随机数；BP和X_i分别表示群体中的最佳个体和第i个个体的位置。

表示高斯跳跃的步长，随着迭代次数g的增加，高斯跳跃步长将减小，从而增加了算法的局部搜索能力。

对高斯游走获得的新种群，计算X的适应度f_i＝f(X_i)。

所述步骤2在随机分形搜索算法的第一次更新阶段，引入遗传算法中的轮盘赌策略来判断是否更新节点位置，并第一次更新节点，具体包括：

(1)基于上一步得到的适应度函数值，计算出该种群每个个体的概率值；

(2)根据(1)的结果，计算出个体的累计概率：

(3)根据(2)的结果判断p_i＜ε是否成立，若成立则根据公式(18)更新该节点位置，否则选择个体k使得p_k-1＜ε＜p_k成立，其中ε是在区间[0,1]上服从均匀分布的随机数。

X′_i(j)＝X_r(j)-ξ×(X_t(j)-X_i(j)) (18)

所述步骤3在算法的第二次更新阶段，利用任意其他三个节点的位置，通过自适应的差分进化算法，来更新节点位置，具体步骤包括：

(1)基于上一步得到的结果，根据公式

计算出各个个体的概率值；

(2)引入自适应的差分进化算子，在第一次更新阶段中随机选择两个个体，并与X′_i个体一起组成差分变异的三个个体，并从优到劣进行排序，得到X′_b，X′_m，X′_ω，并计算他们对应的适应度函数分别为f′_b，f′_m，f′_ω；

(3)判断Pa′_i＜ε是否满足，若满足则继续更新个体位置；

X″_i(j)＝X′_i(j)+F_i×(X′_t(j)-BP) (ε≤0.5) (19)

X″_i(j)＝X′_b(j)+F_i×(X′_m(j)-X′_ω(j)) (ε＞0.5) (20)

其中，

F_l，F_u为[0,1]之间的常数，满足F_l+F_u＝1，一般可取F_l＝0.1，F_u＝0.9，X′_i是第一次更新阶段中随机选择的个体。

一种基于改进随机分形搜索的居民家庭用能优化系统，其创新之处在于：具体包括：家庭内部用电器信息采集系统，含光伏储能家庭信息采集系统，非电气量信息采集系统，智能终端决策与控制系统。

家庭内部用电器信息采集系统，主要是通过非侵入式表计或智能插座对家庭内部各个用电器的用能信息进行采集与控制。

含光伏储能家庭信息采集系统，通过光伏与储能系统的计量表计对用能信息进行采集与控制。

非电气量信息采集系统，在室内与关键位置处安装需要的传感器，再通过无线网络将获得的温度、湿度等非电气量信息传送到智能终端，便于智能终端进行用能优化分析。

智能终端决策与控制系统，包含智能终端和量测与控制设备，智能终端作为用能信息处理与优化的端口，通过引入的改进随机分形搜索算法对模型进行求解优化，智能终端可向量测与控制设备发送优化任务；量测与控制设备主要是将各类用能信息采集传送给智能终端，并能够响应终端下发的优化任务对智能插座进行控制，进而实现家用电器等的控制。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

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其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种居民家庭用能优化方法，其特征在于：包括如下步骤：

提取用户家用电器使用习惯数据；

利用所提取的家用电器使用习惯数据，通过改进的随机分形算法对预先构建的家庭用电负荷优化模型进行优化求解；

根据优化结果，通过智能终端对家用电器进行优化控制。

2.根据权利要求1所述的一种居民家庭用能优化方法，其特征在于：所述构建的家庭用电负荷优化模型为：

min c_cost＝∑C_d ^T(L_UTL+L_TL+L_STL+L_APL) (1)

式(1)中，c_cost表示用户一天的电费，C_d为分时电价向量，L_UTL为不可转移型负荷的日用电量，L_TL为用电时段可转移型负荷的日用电量，L_STL为用电时段可短时转移型负荷的日用电量，L_APL为负荷功率可调节型负荷的日用电量。

3.根据权利要求2所述的一种居民家庭用能优化方法，其特征在于：所述构建的家庭用电负荷优化模型的优化约束条件为：

t_TL,imin≤t_TL,i≤t_TL,imax (5)

式(2)中L_max表示家庭线路最大容量，L_UTL(t)表示在t时刻的不可转移型负荷的瞬时用电量，L_TL(t)表示在t时刻的可转移型负荷的瞬时用电量L_STL(t)表示在t时刻的可短时转移型负荷的瞬时用电量，L_APL(t)表示在t时刻的负荷功率可调节型负荷的瞬时用电量；式(3)表示优化前后可转移型家用电器的任务量不发生改变，式(4)

表示异或运算，s_max表示用户能接受的可短时转移型用电器的最大断电次数，T_STL,i和T′_STL,i分别表示优化前后的家用电器使用序列，序列中1表示该用电器处于使用状态，0表示未使用状态；式(5)t_TL,i表示用电器的启动时刻，t_TL,imin，t_TL,imax分别表示用电器i用户设置或可接受的最早最晚启动时刻。

4.根据权利要求1所述的一种居民家庭用能优化方法，其特征在于：所述利用所提取的家用电器使用习惯数据，通过改进的随机分形算法对预先构建的家庭用电负荷优化模型进行优化求解的方法为：

步骤1，将一组家用电器使用时间序列和使用功率矩阵作为种群个体，初始化该种群个体，并对该初始化后的种群个体利用高斯分布执行随机分形搜索算法的扩散过程，得到扩散后的种群，在该种群内选择一组家用电器使用时间序列和使用功率矩阵作为最佳个体；

步骤2，对选择的最佳个体引入遗传算法中的轮盘赌策略来判断是否更新节点位置，并进行第一次节点位置的更新，判断是否需要调整家用电器使用时间序列和使用功率矩阵的解，得到最优个体；

步骤3，对得到的最优个体利用任意其他三个节点的位置，通过自适应的差分进化算法进行第二次节点位置的更新；

步骤4，对第二次节点位置更新得到的结果进行验证，若扩散到某点的值满足输出设定要求，立即结束程序，输出结果；否则回到步骤2，若迭代次数超过设置的最大限值，则不再进行迭代输出结果。

5.根据权利要求4所述的一种居民家庭用能优化方法，其特征在于：将一组家用电器使用时间序列和使用功率矩阵作为种群个体，初始化该种群个体，并对该初始化后的种群个体利用高斯分布执行随机分形搜索算法的扩散过程，得到扩散后的种群，在该种群内选择一组家用电器使用时间序列和使用功率矩阵作为最佳个体的方法为：

步骤1，初始化种群：

初始化种群X＝{X₁,X₂,…,X_N}，其中N为种群大小；

初始化第j个个体位置：

X_j＝LB+ε×(UB-LB)

式中，LB和UB分别是求解问题的向量的上下边界，ε是在区间[0,1]上的服从均匀分布的随机数；

步骤2，根据得到的种群X，计算其适应度函数值f_j＝f(X_j)，其中j＝1,2,…,n；f是适应度函数；

步骤3，根据得到的适应度函数值，选择最佳个体BP，设置迭代计数器g＝1，进行循环迭代，所有个体都根据当前位置扩散，分形扩散的方式根据下面两个高斯游走的公式进行，产生新的种群X，

GW₁＝Gaussian(μ_BP,σ)+(ε×BP-ε′×X_i)

GW₂＝Gaussian(μ_P,σ)

其中：μ_BP＝|maxf(X_i)|，u_P＝|X_i|，

分别是高斯游走参数的计算公式，ε和ε′是在区间[0,1]上服从均匀分布的随机数；BP和X_i分别表示群体中的最佳个体和第i个个体的位置，

表示高斯跳跃的步长；

对高斯游走获得的新种群X，计算其适应度f_i＝f(X_i)。

6.根据权利要求4所述的一种居民家庭用能优化方法，其特征在于：对选择的最佳个体引入遗传算法中的轮盘赌策略来判断是否更新节点位置，并进行第一次节点位置的更新，判断是否需要调整家用电器使用时间序列和使用功率矩阵的解，得到最优个体的方法为：

(1)基于上一步得到的适应度函数值，计算出该种群每个个体的概率值；

(2)根据(1)的结果，计算出个体的累计概率

(3)根据(2)的结果判断p_i＜ε是否成立，若成立则根据公式X_i′(j)＝X_r(j)-ξ×(X_t(j)-X_i(j))更新该节点位置，否则选择个体k使得p_k-1＜ε＜p_k成立，其中ε是在区间[0,1]上服从均匀分布的随机数。

7.根据权利要求4所述的一种居民家庭用能优化方法，其特征在于：所述对得到的最优个体利用任意其他三个节点的位置，通过自适应的差分进化算法进行第二次节点位置的更新，具体步骤包括：

(1)基于上一步得到的结果，根据公式

计算出各个个体的概率值；

(2)引入自适应的差分进化算子，在第二次更新阶段中随机选择两个个体，并与X_i′一起组成差分变异的三个个体，并从优到劣进行排序，得到X_b′，X_m′，X_ω′，并计算他们对应的适应度函数分别为f_b′，f_m′，f_ω′；

(3)判断Pa_i′＜ε是否满足，若满足则继续更新个体位置；

X″_i(j)＝X′_i(j)+F_i×(X_t′(j)-BP)(ε≤0.5)

X″_i(j)＝X′_b(j)+F_i×(X_m′(j)-X_ω′(j))(ε＞0.5)

其中，

F_l，F_u为[0,1]之间的常数，满足F_l+F_u＝1，X_i′是第一次更新阶段中随机选择的个体。

8.一种居民家庭用能优化装置，其特征在于：包括用户家用电器使用习惯数据提取模块、居民家庭用能优化求解模块以及优化控制模块；

所述的用户家用电器使用习惯数据提取模块用于提取用户家用电器使用习惯数据；

所述的居民家庭用能优化求解模块用于利用所提取的家用电器使用习惯数据，通过改进的随机分形算法对居民家庭用能进行优化求解；

所述的优化控制模块用于根据优化结果，通过智能终端对家用电器进行优化控制。

9.根据权利要求8所述的一种居民家庭用能优化装置，其特征在于：所述的用户家用电器使用习惯数据提取模块用于提取用户家用电器使用习惯数据，其方法为通过构建的家庭用电负荷模型获取，所述构建的家庭用电负荷模型根据用电时段可转移型负荷用电模型、用电时段可短时转移型负荷用电模型、负荷功率可调节型负荷用电模型以及不可转移型负荷用电模型构建得到，

所述用电时段可转移型负荷用电模型为：

L_TL,i＝P_TL,i·T_TL,i

式中，P_TL,i＝diag(p_TL,i1,p_TL,i2,L,p_TL,in)表示家用电器的使用功率矩阵，T_TL,i＝[t_TL,i1,t_TL,i2,L,t_TL,in]^T表示家用电器的使用时间向量，L_TL,i是i用电器的用电量向量，t_TL,i1取值满足：

所述用电时段可短时转移型负荷用电模型为：

L_STL,i＝P_STL,i·T_STL,i

式中，P_STL,i＝diag(p_STL,i1,p_STL,i2,L,p_STL,in)表示家用电器的使用功率矩阵，T_STL,i＝[t_STL,i1,t_STL,i2,L,t_STL,in]^T表示家用电器的使用时间向量，L_STL,i是i用电器的用电量向量，t_STL,i1取值满足：

所述负荷功率可调节型负荷用电模型为：

L_APL,i＝P_APL,i·T_APL,i

式中，P_APL,i＝diag(p_APL,i1,p_APL,i2,L,p_APL,in)表示家用电器的使用功率矩阵T_APL,i＝[t_APL,i1,t_APL,i2,L,t_APL,in]^T表示家用电器的使用时间向量，L_APL,i是i用电器的用电量向量；

所述不可转移型负荷用电模型：

L_UTL,i＝P_UTL,i·T_UTL,i

式中，P_UTL,i＝diag(p_UTL,i1,p_UTL,i2,L,p_UTL,in)表示家用电器的使用功率矩阵，T_UTL,i＝[t_UTL,i1,t_UTL,i2,L,t_UTL,in]^T表示家用电器的使用时间向量，L_UTL,i是i用电器的用电量向量；

所述用电时段可转移型负荷用电模型的约束条件为：

该式表示(k,s)时间段内用户的使用习惯是用电器不作间断；

所述用电时段可短时转移型负荷用电模型的约束条件为：

该式表示(k,s)时间段内，只允许短时断电m个时间段；

所述负荷功率可调节型负荷用电模型的约束条件为：

p_APL,imin≤P_APL,i(t)≤p_APL,imax

该式中p_APL,imin，p_APL,imax分别表示用户可接受的最大最小功率。

10.根据权利要求8所述的一种居民家庭用能优化装置，其特征在于：所述的居民家庭用能优化求解模块用于利用所提取的家用电器使用习惯数据，通过改进的随机分形算法对居民家庭用能进行优化求解，该方法通过构建的家庭用电负荷优化模型实现，

所述构建的家庭用电负荷优化模型为：

min c_cost＝∑C_d ^T(L_UTL+L_TL+L_STL+L_APL) (1)

式(1)中，c_cost表示用户一天的电费，C_d为分时电价向量，L_UTL为不可转移型负荷的日用电量，L_TL为用电时段可转移型负荷的日用电量，L_STL为用电时段可短时转移型负荷的日用电量，L_APL为负荷功率可调节型负荷的日用电量；

所述构建的家庭用电负荷优化模型的优化约束条件为：

t_TL,imin≤t_TL,i≤t_TL,imax (5)

式(2)中L_max表示家庭线路最大容量，L_UTL(t)表示在t时刻的不可转移型负荷的瞬时用电量，L_TL(t)表示在t时刻的可转移型负荷的瞬时用电量L_STL(t)表示在t时刻的可短时转移型负荷的瞬时用电量，L_APL(t)表示在t时刻的负荷功率可调节型负荷的瞬时用电量；式(3)表示优化前后可转移型家用电器的任务量不发生改变，式(4)

表示异或运算，s_max表示用户能接受的可短时转移型用电器的最大断电次数，T_STL,i和T′_STL,i分别表示优化前后的家用电器使用序列，序列中1表示该用电器处于使用状态，0表示未使用状态；式(5)t_TL,i表示用电器的启动时刻，t_TL,imin，t_TL,imax分别表示用电器i用户设置或可接受的最早最晚启动时刻。

Images