CN112101632A - 基于分布式估计算法楼宇负荷优化调度方法 - Google Patents

基于分布式估计算法楼宇负荷优化调度方法 Download PDF

Info

Publication number
CN112101632A
CN112101632A CN202010846291.1A CN202010846291A CN112101632A CN 112101632 A CN112101632 A CN 112101632A CN 202010846291 A CN202010846291 A CN 202010846291A CN 112101632 A CN112101632 A CN 112101632A
Authority
CN
China
Prior art keywords
load
time
building
estimation algorithm
distributed estimation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010846291.1A
Other languages
English (en)
Other versions
CN112101632B (zh
Inventor
易灵芝
刘建康
刘江永
林佳豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN202010846291.1A priority Critical patent/CN112101632B/zh
Publication of CN112101632A publication Critical patent/CN112101632A/zh
Application granted granted Critical
Publication of CN112101632B publication Critical patent/CN112101632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于分布式估计算法的楼宇负荷优化调度方法。首先对楼宇住户负荷分类并建立各类负荷与新能源数学模型和约束条件，进一步明确楼宇渡河优化调度的目标函数为降低住户总用电费用、总用电峰谷差和新能源丢弃率。通过分支配改进分布式算法应用于多目标优化，多目标分布式估计算法应用在非线性离散化的楼宇住户负荷模型中易陷入局部最优，因此根据分时电价建立分时电价概率模型改进多目标分布式估计法，增强种群的多样性和全局收敛能力。采用改进后多目标分布式估计算法对楼宇负荷用电进行优化调度，在保证住户用电的一定舒适度的条件下，降低楼宇住户总用电费用、总用电峰谷差和新能源丢弃率。

Description

基于分布式估计算法楼宇负荷优化调度方法
技术领域
本发明关于智能楼宇负荷用电自动需求响应领域，更准确的说是基于分布式估计算法楼宇负荷优化调度方法。
背景技术
随着社会经济快速发展，我国已进入大量消耗能源阶段，而自身能源又贫乏，我们必须重视用电节能和支持可再生能源的发展，才能实现能源消耗的可持续。为了充分发挥电价引导节能减排的作用,调动电力用户避峰就谷和合理用电积极性,保障电网和发电机组稳定运行，制定分时电价(Time-of-use pricing，TOU)。我国支持可再生能源发展消耗了大量人力物力，然而忽视了新能源的利用，出现了大量弃风弃光现象，因此急需增加风能和光能的消纳，才能提高新能源的利用率。基于峰谷分时电价，鼓励用电客户合理安排用电时间，削峰填谷，提高电力资源的利用效率。基于楼宇住户负荷用电调度，增加新能源的消纳，提高新能源的利用率，降低电网端的压力。
现阶段针对楼宇住户负荷模型的研究，从模型上对楼宇住户进行建模和负荷用电进行编码，设计了不同的多目标优化函数，采用粒子群优化算法、遗传算法、群智能优化算法和进化优化算法等对负荷模型进行优化寻找最优解；这些进化计算的算法对种群的分布具备强连续性，在负荷优化调度中最后需要二进制编码，导致二进制的优个体出现误差，并非全局最优解集。因此，对智能楼宇负荷编码需要采用二进制算法进行优化，在进化计算法算法中分布式估计算法对二进制编码种群优化效果好。
分布式估计算法是现阶段研究最新优化算法，分布式估计算法是进化计算特殊的一种算法，将其应用在楼宇负荷用电的编码中十分符合负荷用电行为编码，该算法基于遗传算法改进的一种算法，将原遗传算法中的交叉和变异剔除，建立了概率模型替换了交叉步骤，该算法中的概率模型为一种离散化选择规则，每一个变量中包含多个编码；该算法不断更新种群变量中每一个编码的概率模型，进而选出最优个体的过程。
分布式估计算法主要应用在离散化问题中，非线性高维度楼宇住户负荷用电模型为离散化二进制问题，应用该算法相对于群智能算法应用在该模型中不需要面对二进制编码问题，进而加快算法迭代过程中的速度。
发明内容
为了克服经典算法的二进制编码误差和非全局最优解问题，本发明利用二进制编码算法优化楼宇住户负荷用电调度，提出了基于分时电价差概率模型的分布式估计算法的优化调度方案，将智能楼宇用户负荷建模和用电数据导入模型进行优化调度分析，实现对用户负荷用电量的自动响应估算，实现下一次用户用电的优化调度，保证用户用电满意的前提下，提高用户用电的最优化调度。
为达到上述目的，本发明采用如下技术方案，包括以下步骤：
步骤1：加载楼宇住户负荷用电数据。识别各类负荷类型，将楼宇住户负荷用电数据导入到相应的负荷模型中。
步骤2：算法参数设置和种群初始化。设置种群规模X＝100和迭代次数300，种群个体变量中的子变量进行二进制编码。
步骤3：计算楼宇住户负荷模型目标函数。根据楼宇住户负荷模型的目标函数minF＝[C,V,U]计算三维目标函数值。
步骤4：非支配排序改进分布式估计算法为多目标分布式估计算法，结合基于分时电价差概率模型改进多目标分布式估计算法。基于庄家法则非支配方法计算三维目标函数的支配系数，对支配系数进行由小到大排序。
步骤5：建立概率模型。选择非支配排序支配数最小的优秀个体，通过计算优秀个体各子变量的二进制编码为1的概率，建立变量编码的概率模型。
步骤6：计算分时电价差概率模型并更新概率模型。通过分时电价差概率模型α更新优秀个体的概率模型，分时电价概率模型能够增加种群多样性和全局收敛能力。
步骤7：基于概率模型种群初始化。通过最新概率模型对种群进行初始化，产生随机数χ大于概率模型中子变量的概率，则个体子变量取值为1，反之为0。
步骤8：判断是否满足输出条件。若不满足，返回到步骤3中继续种群迭代，若满足优化条件，则算法终止迭代，输出最后一代优化结果。
上述的基于分布式估计算法楼宇负荷优化调度方法，步骤1中，。
1.可平移负荷模型
可平移负荷在一定时间Δt内进行负荷用电转移，第i时间段对某可平移负荷Lshiftable，其参与调度前后的时间分布
Figure BDA0002643148450000021
如下：
Figure BDA0002643148450000022
其中，Pi表示可平移负荷在第i时间段运行，Ti,start,Ti,end分别为可平移负荷在i时间段内最早开始运行时间和最晚开始运行时间；Ti.turn表示可平移负荷在i工作时间段内的连续运作时间；Ti,on表示可平移负荷住户用电启动时刻。
可平移负荷在i时间内开始运行时间Ti,on作为寻优求解的约束条件：
Ti,start≤Ti,on≤Ti,end (2)
2.可中断负荷模型
可中断负荷在短时间Δt内停电，某可中断负荷LInterruptible，其参与调度前后的时间分布
Figure BDA0002643148450000023
如下：
Figure BDA0002643148450000024
其中，Tonstart和Tonend分别表示某一段时间内可中断负荷运行时间开始和运行时间结束；Ton,min和Ton,best分别表示可中断负荷最小运行时间和初始运行时间；Toff,min、Toff,best和Toff,max分别表示可中断负荷最小、最佳和最大可中断时间。
可中断负荷的运行时间Ton,t和允许中断时间Toff,t作为寻优求解时的约束条件：
Figure BDA0002643148450000031
3.充电负荷模型
充电负荷可以一定时间Δt内提前充电，某充电负荷Linout，其参与调度前后的时间分布
Figure BDA0002643148450000032
如式：
Figure BDA0002643148450000033
充电负荷开始充电Tonbeg时刻和结束充电Toffend时刻作为寻优求解的约束条件：
Figure BDA0002643148450000034
针对充电负荷用电对负荷电池需增加约束：
Figure BDA0002643148450000035
其中，Cappre、ηch、Pj和Cap分别表示充电负荷初始电量、充电效率、充电功率和最大可充电量，Ton和Toff分别表示充电开始时刻和结束时刻。
4.新能源发电设备和附加储能负荷模型
新能源发电设备包含风力和光伏新能源装置，可直接将电能应用于楼宇住户中消纳，也可多余电量储存在设备附加蓄电池中，新能源不发电时蓄电池将储存电能供给楼宇住户使用，新能源应用于楼宇住户中电价和电网侧峰谷电价一致。
新能源发电装置在一定时间Δt内进行发电，对新能源装置Lnew，其参与调度前后的时间分布
Figure BDA0002643148450000036
如式：
Figure BDA0002643148450000037
其中，P表示新能源设备发电功率，Toutstart、Toutend分别表示发电开始时刻和结束时刻，Tinstart、Tinend分别表示新能源发电储存在附加蓄电池开始时刻和结束时刻，Toutstart、Toutend分别表示新能源发电直接供给楼宇住户使用开始时刻和结束时刻。
新能源附加储能负荷一天中可进行蓄电和供电，其余时间挂起不进行任何操作，对新能源附加储能负荷Lstorage，其参与调度前后的时间分布
Figure BDA0002643148450000041
如式：
Figure BDA0002643148450000042
其中，P表示附加储能负荷充电和供电功率，Tbeg、Tend分别表示附加储能负荷运行的开始时刻和结束时刻，Tinstart、Tinend分别表示附加储能负荷蓄电开始时刻和结束时刻，Toutstart、Toutend分别表示供电开始时刻和结束时刻，Thangstart、Thangend分别表示挂起开始时刻和结束时刻。
新能源附加储能负荷需要考虑设备电池的使用问题，为了保证电池寿命问题，附加储能负荷在第h时刻电池电量Caph和最大、最小充放电程度αmax、αmin约束条件：
Figure BDA0002643148450000043
其中，capi为新能源附加储能负荷在h时刻的电量,
Figure BDA0002643148450000044
为一天中初始电量，ηch、ηdis、xj和pj分别为充电效率、放电效率、j时刻运行状态和充电功率。
上述的基于分布式估计算法楼宇负荷优化调度方法，步骤3中，根据楼宇负荷模型考虑用户端、电网端和新能源，针对楼宇住户模型以总电费、总用电峰谷差和新能源丢弃率为优化调度目标，满足节约成本、绿色消费和电力可靠性的需求建立了三维优化调度的目标函数：
minF＝[C,V,U] (11)
Figure BDA0002643148450000051
Figure BDA0002643148450000052
Figure BDA0002643148450000053
其中，C、V、U分别为所有住户一天时间的用电总费用、总用电最大峰谷差和新能源丢弃率；Ti,j、Pi,j和ci,j分别表示负荷i第j用电时间段、功率和分时电价，n为负荷的总数量，H为24小时划分的时间段数，wj,gen、wj,exp分别表示新能源装置第j时段产生的电量和消纳的电量。
上述的基于分布式估计算法楼宇负荷优化调度方法，步骤5中，分布式估计算法(Estimation of Distribution Algorithm，EDA)应用于离散化模型，该算法应用在本文的离散化模型中十分切合，并且使用庄家法则的非支配机制实现该算法的多目标优化，实现多目标分布式估计算法(Multi-objective Estimation of Distribution Algorithm，MOEDA)，应用多目标分布式估计算法对高维度非线性楼宇住户模型进行优化。
建立MOEDA算法概率模型主要采用高斯分布概率模型如下：
Figure BDA0002643148450000054
其中，μj表示变量j出现1的概率，X[i][j,k]表示个体i变量j中子变量k出现1的个体，N表示种群数量。
上述的基于分布式估计算法楼宇负荷优化调度方法，步骤6中，应用分时电价在不同时间段对住户用电费用进行计算，提出一种分时电价差概率模型方法降低电价高峰时段用电量和增加电价低谷或平时段用电量。将一天24小时分为n个时间段，各个时段分时电价差的数学模型如下：
Figure BDA0002643148450000061
Figure BDA0002643148450000062
其中，α表示峰谷电价差概率模型；pi、pj、pβ分别为i、j、β时刻电价。αij表示i时刻与j时刻的分时电价差概率影响因子。
高斯分布概率模型主要应用在线性函数收敛计算中，应用在非线性模型中容易陷入局部最优，为了防止MOEDA算法在迭代过程中陷入局部最优，提出了一种分时电价差概率模型来更新概率模型，增加种群的多样性。
更新后的概率模型如下：
Figure BDA0002643148450000063
其中，ηj,k、μj,k和αj,k为变量j中子变量k更新后的概率、初始概率和分时电价差概率，αij表示负荷变量j从m到n时间段的概率影响因子。
MOEDA算法包含优秀种群、分时电价差和更新后的概率模型，算法中的变量j表示楼宇住户模型中的负荷，子变量k表示负荷可控时间，更新后的概率模型ηj,k表示负荷j在k可控时间工作的概率。
本发明基于EDA算法的楼宇住户负荷优化调度的有益效果为：在楼宇住户模型中增加新能源直接供电和多余电量在高峰用电量使用，设计了分时电价差概率模型改进了MOEDA算法，增加了MOEDA算法的全局收敛能力和收敛速度。解决了楼宇住户对新能源利用效率低问题，保证用户一定舒适度情况下降低住户总电费和总峰谷差
附图说明
图1为本发明的使用流程图。
图2为改进分布式算法的流程图。
具体实施方式
接下来通过一个生活具体实施例子对本发明进一步详细的分析说明
本具体实施案例中，如图1，基于分布式估计算法的楼宇住户负荷用电优化调度方法，具体包括以下步骤：
Step1：根据用户负荷用电信息的类别，将用户负荷分为2大类，分别为可调度负荷和不可调度负荷。其中可调度负荷包括可平移负荷、可中断负荷、充电负荷和新能源附加蓄电池。从时间方面考虑，可以将一天中的24小时划分为96个时段，划分的每个时间段长度为15分钟，即为所有的负荷运作时间的最小单位时间段，系统调度方案中这个时间片段也是系统调度的最小单位时间段。
Step2：为了搭建楼宇负荷用电调度模型、目标函数和约束条件，具体如下：
1.可平移负荷模型
可平移负荷在一定时间Δt内进行负荷用电转移，第i时间段对某可平移负荷Lshiftable，其参与调度前后的时间分布
Figure BDA0002643148450000071
如下：
Figure BDA0002643148450000072
其中，Pi表示可平移负荷在第i时间段运行，Ti,start,Ti,end分别为可平移负荷在i时间段内最早开始运行时间和最晚开始运行时间；Ti.turn表示可平移负荷在i工作时间段内的连续运作时间；Ti,on表示可平移负荷住户用电启动时刻。
可平移负荷在i时间内开始运行时间Ti,on作为寻优求解的约束条件：
Ti,start≤Ti,on≤Ti,end (2)
2.可中断负荷模型
可中断负荷在短时间Δt内停电，某可中断负荷LInterruptible，其参与调度前后的时间分布
Figure BDA0002643148450000073
如下：
Figure BDA0002643148450000074
其中，Tonstart和Tonend分别表示某一段时间内可中断负荷运行时间开始和运行时间结束；Ton,min和Ton,best分别表示可中断负荷最小运行时间和初始运行时间；Toff,min、Toff,best和Toff,max分别表示可中断负荷最小、最佳和最大可中断时间。
可中断负荷的运行时间Ton,t和允许中断时间Toff,t作为寻优求解时的约束条件：
Figure BDA0002643148450000075
3.充电负荷模型
充电负荷可以一定时间Δt内提前充电，某充电负荷Linout，其参与调度前后的时间分布
Figure BDA0002643148450000081
如式：
Figure BDA0002643148450000082
充电负荷开始充电Tonbeg时刻和结束充电Toffend时刻作为寻优求解的约束条件：
Figure BDA0002643148450000083
针对充电负荷用电对负荷电池需增加约束：
Figure BDA0002643148450000084
其中，Cappre、ηch、Pj和Cap分别表示充电负荷初始电量、充电效率、充电功率和最大可充电量，Ton和Toff分别表示充电开始时刻和结束时刻。
4.新能源发电设备和附加储能负荷模型
新能源发电设备包含风力和光伏新能源装置，可直接将电能应用于楼宇住户中消纳，也可多余电量储存在设备附加蓄电池中，新能源不发电时蓄电池将储存电能供给楼宇住户使用，新能源应用于楼宇住户中电价和电网侧峰谷电价一致。
新能源发电装置在一定时间Δt内进行发电，对新能源装置Lnew，其参与调度前后的时间分布
Figure BDA0002643148450000085
如式：
Figure BDA0002643148450000086
其中，P表示新能源设备发电功率，Toutstart、Toutend分别表示发电开始时刻和结束时刻，Tinstart、Tinend分别表示新能源发电储存在附加蓄电池开始时刻和结束时刻，Toutstart、Toutend分别表示新能源发电直接供给楼宇住户使用开始时刻和结束时刻。
新能源附加储能负荷一天中可进行蓄电和供电，其余时间挂起不进行任何操作，对新能源附加储能负荷Lstorage，其参与调度前后的时间分布
Figure BDA0002643148450000091
如式：
Figure BDA0002643148450000092
其中，P表示附加储能负荷充电和供电功率，Tbeg、Tend分别表示附加储能负荷运行的开始时刻和结束时刻，Tinstart、Tinend分别表示附加储能负荷蓄电开始时刻和结束时刻，Toutstart、Toutend分别表示供电开始时刻和结束时刻，Thangstart、Thangend分别表示挂起开始时刻和结束时刻。
新能源附加储能负荷需要考虑设备电池的使用问题，为了保证电池寿命问题，附加储能负荷在第h时刻电池电量Caph和最大、最小充放电程度αmax、αmin约束条件：
Figure BDA0002643148450000093
其中，capi为新能源附加储能负荷在h时刻的电量,
Figure BDA0002643148450000094
为一天中初始电量，ηch、ηdis、xj和pj分别为充电效率、放电效率、j时刻运行状态和充电功率。
Step3：根据楼宇负荷模型考虑用户端、电网端和新能源，建立了三维优化调度的目标函数：若用户体验反感度和电网用电电功率峰谷差值可以用电费的标准进行衡量，那么通过折算因子a和b将上述多目标问题转化为单目标问题，即优化调度目标函数又可表示为：
针对楼宇住户模型以总电费、总用电峰谷差和新能源丢弃率为优化调度目标，满足节约成本、绿色消费和电力可靠性的需求，数学模型公式如下：
minF＝[C,V,U] (11)
Figure BDA0002643148450000095
Figure BDA0002643148450000101
Figure BDA0002643148450000102
其中，C、V、U分别为所有住户一天时间的用电总费用、总用电最大峰谷差和新能源丢弃率；Ti,j、Pi,j和ci,j分别表示负荷i第j用电时间段、功率和分时电价，n为负荷的总数量，H为24小时划分的时间段数，wj,gen、wj,exp分别表示新能源装置第j时段产生的电量和消纳的电量。
Step4：建立每一代种群概率模型和基于分时电价差的概率模型，具体实现如下:
分布式估计算法(Estimation of Distribution Algorithm，EDA)应用于离散化模型，该算法应用在本文的离散化模型中十分切合，并且使用庄家法则的非支配机制实现该算法的多目标优化，实现多目标分布式估计算法(Multi-objective Estimation ofDistribution Algorithm，MOEDA)，应用多目标分布式估计算法对高维度非线性楼宇住户模型进行优化。负荷编码为二进制编码，其中0表示负荷不用电，1表示负荷用电，统计负荷用电时间段，如果编码为1，则统计一次，计算出在该时刻负荷用电的概率。
建立MOEDA算法概率模型主要采用高斯分布概率模型如下：
Figure BDA0002643148450000103
其中，μj表示变量j出现1的概率，X[i][j,k]表示个体i变量j中子变量k出现1的个体，N表示种群数量。
上述的基于分布式估计算法楼宇负荷优化调度方法，步骤5中，应用分时电价在不同时间段对住户用电费用进行计算，提出一种分时电价差概率模型方法降低电价高峰时段用电量和增加电价低谷或平时段用电量。将一天24小时分为n个时间段，各个时段分时电价差的数学模型如下：
Figure BDA0002643148450000104
Figure BDA0002643148450000111
其中，α表示峰谷电价差概率模型；pi、pj、pβ分别为i、j、β时刻电价。αij表示i时刻与j时刻的分时电价差概率影响因子。
Step5：建立种群500，迭代次数1000次，初始化种群。
Step6：计算每个个体3目标适应度，应用非支配对个体排序，选出非支配数最小的个体。使用基于分时电价差对优秀个体建立的概率模型进行更新。
更新后的概率模型如下：
Figure BDA0002643148450000112
其中，ηj,k、μj,k和αj,k为变量j中子变量k更新后的概率、初始概率和分时电价差概率，αij表示负荷变量j从m到n时间段的概率影响因子。
MOEDA算法包含优秀种群、分时电价差和更新后的概率模型，算法中的变量j表示楼宇住户模型中的负荷，子变量k表示负荷可控时间，更新后的概率模型ηj,k表示负荷j在k可控时间工作的概率。
Step7：基于更新后的概率模型重新初始化种群，当随机数i小于该时刻概率为1，反之为0，进行下一次循环迭代，返回步骤2。
Step8：满足迭代条件后输出结果，并对合适的调度方案。

Claims (4)

1.基于分布式估计算法楼宇负荷优化调度方法，其特征在于：
(1)根据楼宇住户负荷用电信息类别，将楼宇住户负荷划分为可调度和不可调度负荷2大类，可调度包括某时段可平移负荷、某时段可中断负荷、充电负荷和新能源附加蓄电池负荷等4类；
(2)对分布式估计算法进行非支配处理变为多目标分布式估计算法，通过优秀个体建立概率模型；基于分时电价差概率模型改进多目标分布式估计算法，建立分时电价差概率模型更新多目标分布式估计算法的概率模型，通过改进后多目标分布式估计算对楼宇负荷用电进行优化调度。
2.根据权利要求1中基于分布式估计算法楼宇负荷优化调度方法，其特征在于：所叙述步骤1中，像洗碗机、电水壶等用电设备，可以进行调整其运行时间段，成为在某时段类可改变初始运行时间的可平移负荷；像空调、电风扇和电冰箱等家用设备在运行过程中，在工作一段时间后短时间断电不会对用户导致太大的影响，成为某时段可中断负荷；像电动汽车充电类负荷，能够在闲时对设备进行充电，称为可充电负荷；像小型的太阳能和风能发电设备，可以直接将电能供给用户直接使用，多余电能储存在设备附加蓄电池里面，蓄电池电量可在用电高峰阶段给用户供电，各类负荷的数学模型。
3.根据权利要求1中基于分布式估计算法楼宇负荷优化调度方法，所叙述步骤3中，针对楼宇住户模型以总电费、总用电峰谷差和新能源丢弃率为优化调度目标，满足节约成本、绿色消费和电力可靠性的需求建立了三维优化调度的目标函数：
min F＝[C,V,U]
Figure FDA0002643148440000011
Figure FDA0002643148440000012
Figure FDA0002643148440000013
4.根据权利要求1中基于分布式估计算法楼宇负荷优化调度方法，所叙述步骤6中，应用分时电价在不同时间段对住户用电费用进行计算，提出一种分时电价差概率模型方法降低电价高峰时段用电量和增加电价低谷或平时段用电量。将一天24小时分为n个时间段，各个时段分时电价差的数学模型如下：
Figure FDA0002643148440000014
Figure FDA0002643148440000021
高斯分布概率模型主要应用在线性函数收敛计算中，应用在非线性模型中容易陷入局部最优，为了防止MOEDA算法在迭代过程中陷入局部最优，提出了一种分时电价差概率模型来更新概率模型，增加种群的多样性。更新后的概率模型如下：
ηj,k＝μj,k+αj,k,
Figure FDA0002643148440000022
CN202010846291.1A 2020-08-21 2020-08-21 基于分布式估计算法楼宇负荷优化调度方法 Active CN112101632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010846291.1A CN112101632B (zh) 2020-08-21 2020-08-21 基于分布式估计算法楼宇负荷优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010846291.1A CN112101632B (zh) 2020-08-21 2020-08-21 基于分布式估计算法楼宇负荷优化调度方法

Publications (2)

Publication Number Publication Date
CN112101632A true CN112101632A (zh) 2020-12-18
CN112101632B CN112101632B (zh) 2022-07-05

Family

ID=73753199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010846291.1A Active CN112101632B (zh) 2020-08-21 2020-08-21 基于分布式估计算法楼宇负荷优化调度方法

Country Status (1)

Country Link
CN (1) CN112101632B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949093A (zh) * 2021-04-08 2021-06-11 湘潭大学 面向智能楼宇可调度负荷模型
CN113887832A (zh) * 2021-10-28 2022-01-04 广东电网有限责任公司 楼宇负荷预测方法、装置、设备及介质
CN113887083A (zh) * 2021-10-29 2022-01-04 北京明略软件系统有限公司 一种空调调度优化方法、系统、计算机设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894188A (zh) * 2016-03-31 2016-08-24 湘潭大学 一种家庭用电的调度方法
CN107038535A (zh) * 2017-04-27 2017-08-11 湘潭大学 一种改进万有引力搜索的智能微网楼宇负荷用电调度方法
CN109740846A (zh) * 2018-11-30 2019-05-10 国网江苏省电力有限公司电力科学研究院 智能小区需求响应调度方法和系统
CN109787262A (zh) * 2018-12-26 2019-05-21 湘潭大学 一种居民楼宇系统主动响应微电网优化调度方法
CN110391655A (zh) * 2018-04-20 2019-10-29 中国电力科学研究院有限公司 一种含多能源耦合的微能源网经济优化调度方法及装置
CN110490429A (zh) * 2019-07-29 2019-11-22 湘潭大学 基于ssa算法智能楼宇微电网家用负荷快速调度方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894188A (zh) * 2016-03-31 2016-08-24 湘潭大学 一种家庭用电的调度方法
CN107038535A (zh) * 2017-04-27 2017-08-11 湘潭大学 一种改进万有引力搜索的智能微网楼宇负荷用电调度方法
CN110391655A (zh) * 2018-04-20 2019-10-29 中国电力科学研究院有限公司 一种含多能源耦合的微能源网经济优化调度方法及装置
CN109740846A (zh) * 2018-11-30 2019-05-10 国网江苏省电力有限公司电力科学研究院 智能小区需求响应调度方法和系统
CN109787262A (zh) * 2018-12-26 2019-05-21 湘潭大学 一种居民楼宇系统主动响应微电网优化调度方法
CN110490429A (zh) * 2019-07-29 2019-11-22 湘潭大学 基于ssa算法智能楼宇微电网家用负荷快速调度方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HEMMATI R: "Stochastic optimal battery storage sizing and scheduling in home energy management systems equipped with solar photovoltaic panels", 《ENERGY AND BUILDINGS》 *
YI LINGZHI: "Multi-objective kinetic-molecular theory optimization algorithm with application to automatic demand response", 《2015 5TH INTERNATIONAL CONFERENCE ON ELECTRIC UTILITY DEREGULATION AND RESTRUCTURING AND POWER TECHNOLOGIES》 *
孟雪辰: "主动配电网的多源协同优化调度研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
谭胜敏: "考虑能源服务商响应的电力系统协调调度与风险研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 *
贾艳芳: "基于多目标分子动理论的楼宇负荷用电调度优化", 《电网技术》 *
韩笑: "考虑多源协同的主动配电网优化调度研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949093A (zh) * 2021-04-08 2021-06-11 湘潭大学 面向智能楼宇可调度负荷模型
CN113887832A (zh) * 2021-10-28 2022-01-04 广东电网有限责任公司 楼宇负荷预测方法、装置、设备及介质
CN113887083A (zh) * 2021-10-29 2022-01-04 北京明略软件系统有限公司 一种空调调度优化方法、系统、计算机设备和存储介质

Also Published As

Publication number Publication date
CN112101632B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN104200297B (zh) 实时电价环境下的家居混合供电系统能量优化调度方法
CN106228258B (zh) 一种计及需求侧管理的家庭能源局域网能量优化控制方法
CN107039975B (zh) 一种分布式能源系统能量管理方法
CN108964050A (zh) 基于需求侧响应的微电网双层优化调度方法
CN112101632B (zh) 基于分布式估计算法楼宇负荷优化调度方法
CN108321796B (zh) 家庭能量管理系统与方法
CN103795079A (zh) 离网并网混合光伏发电控制系统及其经济性运行优化方法
CN106532764A (zh) 一种就地消纳光伏发电的电动汽车充电负荷调控方法
CN116151486B (zh) 含储能系统的光伏充电站多时间尺度随机优化方法及装置
CN111626527A (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN111224393A (zh) 智能家居电能调度优化方法、装置及存储介质
CN115115130A (zh) 一种基于模拟退火算法的风光储制氢系统日前调度方法
CN114725930B (zh) 一种自适应电力系统调度方法及装置
CN115459359A (zh) 一种基于多智能体深度强化学习的5g基站光储微电网系统调度方法
CN112836849A (zh) 一种考虑风电不确定性的虚拟电厂调度方法
CN116470543A (zh) 一种虚拟电厂的运行控制方法、装置、设备及介质
CN116811628A (zh) 一种含电动汽车充电的综合能源系统及有序充电方法
Yi et al. Research of building load optimal scheduling based on multi-objective estimation of distributed algorithm
CN104112168B (zh) 一种基于多代理系统的智能家居优化方法
CN113988471A (zh) 一种微电网运行多目标优化方法
TWI639962B (zh) 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法
CN117196233A (zh) 考虑多目标优化和需求响应的虚拟电厂能量调度方法
CN111967646A (zh) 一种虚拟电厂可再生能源优化配置方法
CN109119988B (zh) 基于动态批发市价的光伏-电池微电网能量调度管理方法
CN112949093B (zh) 面向智能楼宇负荷的优化调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant