CN112288161A - 一种居民错峰用电优化方法和装置 - Google Patents
一种居民错峰用电优化方法和装置 Download PDFInfo
- Publication number
- CN112288161A CN112288161A CN202011180656.8A CN202011180656A CN112288161A CN 112288161 A CN112288161 A CN 112288161A CN 202011180656 A CN202011180656 A CN 202011180656A CN 112288161 A CN112288161 A CN 112288161A
- Authority
- CN
- China
- Prior art keywords
- objective function
- particle
- optimal
- function value
- value
- 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.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000002245 particle Substances 0.000 claims abstract description 163
- 238000005457 optimization Methods 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000013178 mathematical model Methods 0.000 claims abstract description 25
- 238000002922 simulated annealing Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 102
- 238000004146 energy storage Methods 0.000 claims description 33
- 238000000137 annealing Methods 0.000 claims description 10
- 238000001816 cooling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 5
- 230000001149 cognitive effect Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 208000011597 CGF1 Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000004039 social cognition Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种居民错峰用电优化方法和装置,包括:获取居民用电设备的用电负荷;以居民电能总花费为目标函数,所述用电负荷为变量搭建优化策略数学模型;采用模拟退火粒子群算法求解所述优化策略数学模型,得到最优解;根据所述最优解确定居民错峰用电优化方案。通过本发明,避免了居民电能总花费陷入局部最优的问题,降低了总的峰值需求,将部分高峰负荷转移到低谷时期,平滑负荷曲线,从而实现错峰用电,提高电网可靠性。
Description
技术领域
本发明涉及电能分配技术领域,尤其涉及一种居民错峰用电优化方法和装置。
背景技术
居民能源管理系统可实现以用户自行合理规划的智慧用电方式取代传统用电方式的目的。在电网峰值负荷时段,电网的续航能力有限,供电压力过大时需要较高成本去增添小型应急的发电机组,在电网低谷负荷时期,储能较难导致浪费能源,故希望能将部分高峰负荷转移到低谷时期。
在居民智能用电领域的研究,目前大多将实现用电成本最低作为调度目标,激励用户主动改变用电习惯。已有的一些技术方案包括:提出购电开支最低模型,通过确定负荷的实际工作开始时间以最大程度在低电价时段多完成用电任务;研究动态电价机制下对空调系统的用电费用实现最小化;提出在分时电价的不同时段,监测居民负荷的用电量以激励用户改变高耗能的用电行为;将一天划分为24个时间片并对各类家用负荷进行分类,以减少购电开支。
利用二进制粒子群算法的居民能源调度策略是对分布式发电模块、家电优化调度模块和储能模块所组成的三种智能模块进行优化调度。分别采用非线性最小二乘法算法、动态规划算法和禁忌搜索算法对HEMS(家庭能源管理系统)进行优化,达到最大化用户舒适度和最小化购电成本的目的,但这些算法对既有离散值又有连续值的混合目标优化效果不佳。采用分支界定调度算法在HEMS中收敛速度快,但存在早熟收敛且难以跳出局部最优的缺陷。同样地在HEMS中应用广泛的粒子群算法,往往也存在早熟收敛问题,若某粒子发现一个当前最优位置且为局部最优解,其它粒子将向其靠拢并难以重新进行搜索。
发明内容
本发明提供了一种居民错峰用电优化方法和装置,用于解决传统粒子群算法易使居民电能总花费陷入局部最优,导致错峰用电方案优化效果较差的技术问题。
本发明提供了一种居民错峰用电优化方法,包括:
获取居民用电设备的用电负荷;
以居民电能总花费为目标函数,所述用电负荷为变量搭建优化策略数学模型;
采用模拟退火粒子群算法求解所述优化策略数学模型,得到最优解;
根据所述最优解确定居民错峰用电优化方案。
可选地,所述采用模拟退火粒子群算法求解所述优化策略数学模型,得到最优解的步骤,包括:
初始化粒子群中粒子的位置和速度,并设置初始退火温度;
计算所述粒子群中每个粒子的目标函数值,初始化最优个体和全局最优目标值;
根据所述粒子群中每个粒子的目标函数值更新所述最优个体和所述全局最优目标值;
确定更新后的所述粒子群中粒子的最小目标函数值;
计算每个所述粒子的目标函数值与所述最小目标函数值的差值;
判断所述差值是否满足第一预设条件;
若是,则根据更新的所述最优个体和所述全局最优目标值更新所述粒子的位置和速度;
执行降温操作,并判断当前迭代次数是否满足预设阈值;
若否,则重新执行计算所述粒子群中每个粒子的目标函数值,初始化最优个体和全局最优目标值的步骤;
若所述当前迭代次数满足所述预设阈值,则输出最优个体作为最优解。
可选地,所述根据所述粒子群中每个粒子的目标函数值更新所述最优个体和所述全局最优目标值的步骤,包括:
依次判断所述粒子群中每个所述粒子的目标函数值是否大于所述最优个体的目标函数值;
当所述粒子的目标函数值大于所述最优个体的目标函数值时,采用所述粒子更新所述最优个体;
当更新后的所述最优个体的目标函数值大于所述全局最优目标值时,采用更新后的所述最优个体的目标函数值更新所述全局最优目标值。
可选地,所述居民用电设备包括无储能不可控设备、无储能可控设备、直接储能设备、间接储能设备。
本发明还提供了一种居民错峰用电优化装置,包括:
用电负荷获取模块,用于获取居民用电设备的用电负荷;
模型搭建模块,用于以居民电能总花费为目标函数,所述用电负荷为变量搭建优化策略数学模型;
求解模块,用于采用模拟退火粒子群算法求解所述优化策略数学模型,得到最优解;
方案确定模块,用于根据所述最优解确定居民错峰用电优化方案。
可选地,所述求解模块,包括:
初始化子模块,用于初始化粒子群中粒子的位置和速度,并设置初始退火温度;
目标函数值计算子模块,用于计算所述粒子群中每个粒子的目标函数值,初始化最优个体和全局最优目标值;
更新子模块,用于根据所述粒子群中每个粒子的目标函数值更新所述最优个体和所述全局最优目标值;
最小目标函数值确定子模块,用于确定更新后的所述粒子群中粒子的最小目标函数值;
差值计算子模块,用于计算每个所述粒子的目标函数值与所述最小目标函数值的差值;
判断子模块,用于判断所述差值是否满足第一预设条件;
位置和速度更新子模块,用于若是,则根据更新的所述最优个体和所述全局最优目标值更新所述粒子的位置和速度;
迭代次数判断子模块,用于执行降温操作,并判断当前迭代次数是否满足预设阈值;
迭代子模块,用于若否,则重新执行计算所述粒子群中每个粒子的目标函数值,初始化最优个体和全局最优目标值的步骤;
最优解输出子模块,用于若所述当前迭代次数满足所述预设阈值,则输出最优个体作为最优解。
可选地,所述更新子模块,包括:
判断单元,用于依次判断所述粒子群中每个所述粒子的目标函数值是否大于所述最优个体的目标函数值;
最优个体更新单元,用于当所述粒子的目标函数值大于所述最优个体的目标函数值时,采用所述粒子更新所述最优个体;
全局最优目标值更新单元,用于当更新后的所述最优个体的目标函数值大于所述全局最优目标值时,采用更新后的所述最优个体的目标函数值更新所述全局最优目标值。
可选地,所述居民用电设备包括无储能不可控设备、无储能可控设备、直接储能设备、间接储能设备。
本发明还提供了一种居民错峰用电优化设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的居民错峰用电优化方法。
本发明还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行如上任一项所述的居民错峰用电优化方法。
从以上技术方案可以看出,本发明具有以下优点:本发明通过获取居民用电设备的用电负荷;以居民电能总花费为目标函数,采用用电负荷搭建优化策略数学模型;采用模拟退火粒子群算法求解优化策略数学模型,得到最优解;根据最优解生成居民错峰用电优化方案。避免了居民电能总花费陷入局部最优的问题,降低了总的峰值需求,将部分高峰负荷转移到低谷时期,平滑负荷曲线,从而实现错峰用电,提高电网可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种居民错峰用电优化方法的步骤流程图;
图2为本发明另一实施例提供的一种居民错峰用电优化方法的步骤流程图;
图3为本发明实施例提供的一种模拟退火粒子群算法的优化流程示意图;
图4a为无优化处理下的错峰用电效果图;
图4b为本发明优化后的错峰用电效果图;
图5为本发明实施例提供的一种居民错峰用电优化装置的结构框图。
具体实施方式
本发明实施例提供了一种居民错峰用电优化方法和装置,用于解决传统粒子群算法易使居民电能总花费陷入局部最优,导致错峰用电方案优化效果较差的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例提供的一种居民错峰用电优化方法的步骤流程图。
本发明提供的一种居民错峰用电优化方法,包括:
步骤101,获取居民用电设备的用电负荷;
在本发明实施例中,居民用电设备分为无储能不可控设备、无储能可控设备、直接储能设备、间接储能设备四种类型。
步骤102,以居民电能总花费为目标函数,用电负荷为变量搭建优化策略数学模型;
居民电能总花费为目标函数,等于购买电能开支与舒适度成本分别在一定权重因子、比例下的总和。其中,购买电能开支与分时电价有关;舒适度成本的值越低表明用户舒适度越高,但一旦超出允许范围则成本很高。
为了达到使购买电能开支和舒适度成本最低的居民能源效益优化目标,本发明搭建的优化策略数学模型为:t时段居民与电网的交互电能+风力发电系统的输出功=无储能不可控设备耗能+无储能可控设备耗能+直接储能设备耗能+间接储能设备耗能。
步骤103,采用模拟退火粒子群算法求解优化策略数学模型,得到最优解;
本模型的目标函数同时考虑了用电和舒适度,通过优化控制使购买电能开支和舒适度成本共同构成的多目标函数实现最小化。对居民电能总花费F中的权重因子选取不同比例,采用模拟退火粒子群算法分别进行仿真,可以得到不同权重因子下最优解,即不同用电设备的用电负荷,进而得到不同权重因子下的电能总花费仿真结果。
粒子群算法模拟鸟群的捕食行为。一群鸟在随机搜索食物,在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻离食物最近的鸟的周围区域。
粒子群算法从这种模型中得到启示并用于解决优化问题。粒子群算法中,每个优化问题的解都是搜索空间中的一只鸟,称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值,每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。根据自己的速度来决定搜索。
步骤104,根据最优解确定居民错峰用电优化方案。
根据不同权重因子下的仿真结果可以得到不同的居民错峰用电方案,比较不同方案所产生的电能总花费,可以得到电能总花费最小的居民错峰用电优化方案。
本发明通过获取居民用电设备的用电负荷;以居民电能总花费为目标函数,采用用电负荷搭建优化策略数学模型;采用模拟退火粒子群算法求解优化策略数学模型,得到最优解;根据最优解生成居民错峰用电优化方案。避免了居民电能总花费陷入局部最优的问题,降低了总的峰值需求,将部分高峰负荷转移到低谷时期,平滑负荷曲线,从而实现错峰用电,提高电网可靠性。
请参阅图2,图2为本发明另一实施例提供的一种居民错峰用电优化方法的步骤流程图,具体可以包括以下步骤:
步骤201,获取居民用电设备的用电负荷;
在本发明实施例中,居民用电设备分为无储能不可控设备、无储能可控设备、直接储能设备、间接储能设备四种类型。
其中,无储能不可控设备包括:常见的有照明类、娱乐类、烹饪类等设备。不参与优化控制,作为固定负荷值纳入用电需求。
无储能可控设备包括:常见的有洗衣机等清洗类设备。运行时功率为定值,不运行时功率为0;用户只关心工作在规定时间范围内完成,故可选取最优的工作时段。
直接储能设备包括:在一定时间范围内可调节电能的吸收消耗,在实际应用时需要储能设备如储能蓄电池,所输出的电能主要供用户自己使用。本发明以带有恒定充放电功率的储能蓄电池的居民风力发电系统为研究对象。
间接储能设备包括:本发明中主要指将电能转化为室内空气冷热量的空调,以室内温度、室温调节功率、室外温度这三个指标进行量化。
步骤202,以居民电能总花费为目标函数,用电负荷为变量搭建优化策略数学模型;
居民电能总花费为目标函数,等于购买电能开支与舒适度成本分别在一定权重因子、比例下的总和。其中,购买电能开支与分时电价有关;舒适度成本的值越低表明用户舒适度越高,但一旦超出允许范围则成本很高。
为了达到使购买电能开支和舒适度成本最低的居民能源效益优化目标,本发明搭建的优化策略数学模型为:t时段居民与电网的交互电能+风力发电系统的输出功=无储能不可控设备+无储能可控设备+直接储能设备+间接储能设备。
步骤203,初始化粒子群中粒子的位置和速度,并设置初始退火温度;
具体地,在21维解空间中随机产生250个粒子,初始化每个粒子的初始速度和初始位置。本节设定惯性权重,个体认知因子,社会认知因子,最大迭代次数。
惯性权重:表示前一次速度对当前速度的影响,可灵活调整粒子的飞行速度,取值大时全局搜索能力强,取值小时局部搜索能力强。
个体认知因子、社会认知因子:都是非负的常数,分别表示每个粒子向个体的历史最优位置以及群体的全局最优位置运动的权重,较小的值意味着粒子能在被拉回之前在目标区域之外进行徘徊,而大的值则意味着粒子会突然地冲向或越过目标区域。如果某些粒子群算法本身收敛速度很慢,需加强社会认知经验在粒子运动中所起的作用,则可通过调大社会认知因子来加快找到邻域最优解。
步骤204,计算粒子群中每个粒子的目标函数值,初始化最优个体和全局最优目标值;
具体地,可以通过以下公式初始化退火温度:
其中,F(xi(t))为每个粒子当前位置的目标函数值,F(xi(t))min、F(xi(t))max分别粒子群中目标函数值的最小值和最大值。λ为退火速率,在本发明实施例中,λ=0.95。
初始化最优个体pbest,并将其最优目标值存储于中全局最优目标值gbest中。
步骤205,根据粒子群中每个粒子的目标函数值更新最优个体和全局最优目标值;
在本发明实施例中,步骤205为升温操作的相关流程,用于根据目标函数值更新pbest和gbest,具体可以包括:
依次判断粒子群中每个粒子的目标函数值是否大于最优个体的目标函数值;
当粒子的目标函数值大于最优个体的目标函数值时,采用粒子更新最优个体;
当更新后的最优个体的目标函数值大于全局最优目标值时,采用更新后的最优个体的目标函数值更新全局最优目标值。
具体地,对最优个体和全局最优目标值的更新过程如下:
更新最优个体pbest:若F(xi(t))>F(pbest),则pbest=xi(t)。
更新全局最优目标值:对于所有250个粒子,若F(pbest)>F(gbest),则gbest=pbest。
其中,xi(t)为粒子的当前位置,F(pbest)为最优个体的目标函数值。
步骤206,确定更新后的粒子群中粒子的最小目标函数值;
步骤207,计算每个粒子的目标函数值与最小目标函数值的差值;
步骤208,判断差值是否满足第一预设条件;
步骤209,若是,则根据更新的最优个体和全局最优目标值更新粒子的位置和速度;
步骤206-209目的在于通过退火操作,以一定概率接收非可行解。在实际实现中,在所有经过升温的粒子的目标值中,取最小值记为Fmin,令ΔF=Fmin-F(xi(t)),如果ΔF<0,或者则替换粒子,接受新的速度和位置。
在一个示例中,可以根据粒子的速度和位置更新公式分别对vi(t)和xi(t)进行更新。
在第t次迭代时,设第i个粒子的速度表示为vi(t),粒子在解空间中搜寻,则粒子i的空间速度表示为
vi=(vi1,vi2,...,vi21),i=1,2,...250
粒子的速度更新公式为:
vi(t+1)=ω·vi(t)+c1r1(t)[pbest(t)-xi(t)]+c2r2(t)[lbest(t)-xi(t)]
粒子的位置更新公式为:
xi(t+1)=xi(t)+vi(t+1)
其中,vi(t+1)和xi(t+1)分别为粒子进行第t次迭代更新后的速度和位置,pbest(t)和lbest(t)分别为粒子i在第t次迭代时个体和邻域内的历史最优位置。r1(t)和r2(t)是在区间[0 1]的两个随机数。
步骤210,执行降温操作,并判断当前迭代次数是否满足预设阈值;
具体地,降温操作按照以下公式执行:T'=τ·T
其中,降温操作使温度值单调下降直至趋于零。T为当前迭代温度,T'为执行降温后的温度,本发明中取值温度冷却系数τ=0.5。
步骤211,若否,则重新执行计算粒子群中每个粒子的目标函数值,初始化最优个体和全局最优目标值的步骤;
步骤212,若当前迭代次数满足预设阈值,则输出最优个体作为最优解;
若当前迭代次数t小于1000次,则返回步骤204进行下一次迭代。若当前迭代次数等于1000次,则停止搜索,输出最优个体最为最优解。
为便于理解,请参阅图3,图3为本发明实施例提供的一种模拟退火粒子群算法的优化流程示意图。
在开始模拟退火粒子群算法进行优化时的流程如下:
1、粒子编码;
2、初始化粒子群;
3、初始化退火温度;
4、计算每个粒子的目标函数值;
5、升温操作:根据目标值更新全局最优目标值gbest和最优个体pbest;
6、退火操作:以一定概率接受非可行解;
7、根据gbest和pbest更新个体速度vi(t)和位置xi(t);
8、降温操作;
9、判断是否达到最大迭代次数,若否,返回步骤4;若是,输出最优个体。
步骤213,根据最优解确定居民错峰用电优化方案。
根据不同权重因子下的仿真结果可以得到不同的居民错峰用电方案,比较不同方案所产生的电能总花费,可以得到电能总花费最小的居民错峰用电优化方案。
表1
进一步地,在本发明实施例中,还可以分成高峰、平常、低谷三个时段对比不同算法下的电费,不同算法下分时段电费对比如表2所示。以高峰时段电费来评估错峰用电效果,无优化处理时为2.685元,模拟退火粒子群算法为2.102元,数值上大幅减少21.70%,大大平抑了高峰期负荷。高峰时段电费占居民用电总费用的比重也由24.85%下降到21.30%。在低谷时段电费减少率上也效果不错为45.47%。
表2
为便于理解,请参阅图4a和4b,图4a为无优化处理下的错峰用电效果图;图4b为本发明优化后的错峰用电效果图。由图4a和图4b可知,相比于无优化方案,本发明将部分高峰负荷转移到低谷时期,平滑负荷曲线,从而实现错峰用电,提高了电网可靠性。
本发明通过获取居民用电设备的用电负荷;以居民电能总花费为目标函数,采用用电负荷搭建优化策略数学模型;采用模拟退火粒子群算法求解优化策略数学模型,得到最优解;根据最优解生成居民错峰用电优化方案。避免了居民电能总花费陷入局部最优的问题,降低了总的峰值需求,将部分高峰负荷转移到低谷时期,平滑负荷曲线,从而实现错峰用电,提高电网可靠性。
请参阅图5,图5为本发明实施例提供的一种居民错峰用电优化装置的结构框图。
本发明提供了一种居民错峰用电优化装置,包括:
用电负荷获取模块501,用于获取居民用电设备的用电负荷;
模型搭建模块502,用于以居民电能总花费为目标函数,用电负荷为变量搭建优化策略数学模型;
求解模块503,用于采用模拟退火粒子群算法求解优化策略数学模型,得到最优解;
方案确定模块504,用于根据最优解确定居民错峰用电优化方案。
在本发明实施例中,求解模块503,包括:
初始化子模块,用于初始化粒子群中粒子的位置和速度,并设置初始退火温度;
目标函数值计算子模块,用于计算粒子群中每个粒子的目标函数值,初始化最优个体和全局最优目标值;
更新子模块,用于根据粒子群中每个粒子的目标函数值更新最优个体和全局最优目标值;
最小目标函数值确定子模块,用于确定更新后的粒子群中粒子的最小目标函数值;
差值计算子模块,用于计算每个粒子的目标函数值与最小目标函数值的差值;
判断子模块,用于判断差值是否满足第一预设条件;
位置和速度更新子模块,用于若是,则根据更新的最优个体和全局最优目标值更新粒子的位置和速度;
迭代次数判断子模块,用于执行降温操作,并判断当前迭代次数是否满足预设阈值;
迭代子模块,用于若否,则重新执行计算粒子群中每个粒子的目标函数值,初始化最优个体和全局最优目标值的步骤;
最优解输出子模块,用于若当前迭代次数满足预设阈值,则输出最优个体作为最优解。
在本发明实施例中,更新子模块,包括:
判断单元,用于依次判断粒子群中每个粒子的目标函数值是否大于最优个体的目标函数值;
最优个体更新单元,用于当粒子的目标函数值大于最优个体的目标函数值时,采用粒子更新最优个体;
全局最优目标值更新单元,用于当更新后的最优个体的目标函数值大于全局最优目标值时,采用更新后的最优个体的目标函数值更新全局最优目标值。
在本发明实施例中,居民用电设备包括无储能不可控设备、无储能可控设备、直接储能设备、间接储能设备。
本发明还提供了一种居民错峰用电优化设备,设备包括处理器以及存储器:
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行本发明实施例的居民错峰用电优化方法。
本发明还提供了一种计算机可读存储介质,其特征在于,计算机可读存储介质用于存储程序代码,程序代码用于执行本发明实施例的居民错峰用电优化方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来达到实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种居民错峰用电优化方法,其特征在于,包括:
获取居民用电设备的用电负荷;
以居民电能总花费为目标函数,所述用电负荷为变量搭建优化策略数学模型;
采用模拟退火粒子群算法求解所述优化策略数学模型,得到最优解;
根据所述最优解确定居民错峰用电优化方案。
2.根据权利要求1所述的方法,其特征在于,所述采用模拟退火粒子群算法求解所述优化策略数学模型,得到最优解的步骤,包括:
初始化粒子群中粒子的位置和速度,并设置初始退火温度;
计算所述粒子群中每个粒子的目标函数值,初始化最优个体和全局最优目标值;
根据所述粒子群中每个粒子的目标函数值更新所述最优个体和所述全局最优目标值;
确定更新后的所述粒子群中粒子的最小目标函数值;
计算每个所述粒子的目标函数值与所述最小目标函数值的差值;
判断所述差值是否满足第一预设条件;
若是,则根据更新的所述最优个体和所述全局最优目标值更新所述粒子的位置和速度;
执行降温操作,并判断当前迭代次数是否满足预设阈值;
若否,则重新执行计算所述粒子群中每个粒子的目标函数值,初始化最优个体和全局最优目标值的步骤;
若所述当前迭代次数满足所述预设阈值,则输出最优个体作为最优解。
3.根据权利要求2所述的方法,其特征在于,所述根据所述粒子群中每个粒子的目标函数值更新所述最优个体和所述全局最优目标值的步骤,包括:
依次判断所述粒子群中每个所述粒子的目标函数值是否大于所述最优个体的目标函数值;
当所述粒子的目标函数值大于所述最优个体的目标函数值时,采用所述粒子更新所述最优个体;
当更新后的所述最优个体的目标函数值大于所述全局最优目标值时,采用更新后的所述最优个体的目标函数值更新所述全局最优目标值。
4.根据权利要求1所述的方法,其特征在于,所述居民用电设备包括无储能不可控设备、无储能可控设备、直接储能设备、间接储能设备。
5.一种居民错峰用电优化装置,其特征在于,包括:
用电负荷获取模块,用于获取居民用电设备的用电负荷;
模型搭建模块,用于以居民电能总花费为目标函数,所述用电负荷为变量搭建优化策略数学模型;
求解模块,用于采用模拟退火粒子群算法求解所述优化策略数学模型,得到最优解;
方案确定模块,用于根据所述最优解确定居民错峰用电优化方案。
6.根据权利要求5所述的装置,其特征在于,所述求解模块,包括:
初始化子模块,用于初始化粒子群中粒子的位置和速度,并设置初始退火温度;
目标函数值计算子模块,用于计算所述粒子群中每个粒子的目标函数值,初始化最优个体和全局最优目标值;
更新子模块,用于根据所述粒子群中每个粒子的目标函数值更新所述最优个体和所述全局最优目标值;
最小目标函数值确定子模块,用于确定更新后的所述粒子群中粒子的最小目标函数值;
差值计算子模块,用于计算每个所述粒子的目标函数值与所述最小目标函数值的差值;
判断子模块,用于判断所述差值是否满足第一预设条件;
位置和速度更新子模块,用于若是,则根据更新的所述最优个体和所述全局最优目标值更新所述粒子的位置和速度;
迭代次数判断子模块,用于执行降温操作,并判断当前迭代次数是否满足预设阈值;
迭代子模块,用于若否,则重新执行计算所述粒子群中每个粒子的目标函数值,初始化最优个体和全局最优目标值的步骤;
最优解输出子模块,用于若所述当前迭代次数满足所述预设阈值,则输出最优个体作为最优解。
7.根据权利要求6所述的装置,其特征在于,所述更新子模块,包括:
判断单元,用于依次判断所述粒子群中每个所述粒子的目标函数值是否大于所述最优个体的目标函数值;
最优个体更新单元,用于当所述粒子的目标函数值大于所述最优个体的目标函数值时,采用所述粒子更新所述最优个体;
全局最优目标值更新单元,用于当更新后的所述最优个体的目标函数值大于所述全局最优目标值时,采用更新后的所述最优个体的目标函数值更新所述全局最优目标值。
8.根据权利要求5所述的装置,其特征在于,所述居民用电设备包括无储能不可控设备、无储能可控设备、直接储能设备、间接储能设备。
9.一种居民错峰用电优化设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的居民错峰用电优化方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-4任一项所述的居民错峰用电优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180656.8A CN112288161A (zh) | 2020-10-29 | 2020-10-29 | 一种居民错峰用电优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180656.8A CN112288161A (zh) | 2020-10-29 | 2020-10-29 | 一种居民错峰用电优化方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288161A true CN112288161A (zh) | 2021-01-29 |
Family
ID=74373894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011180656.8A Pending CN112288161A (zh) | 2020-10-29 | 2020-10-29 | 一种居民错峰用电优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288161A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113872215A (zh) * | 2021-09-26 | 2021-12-31 | 国网电力科学研究院武汉能效测评有限公司 | 基于需求响应的家用电器负荷优化控制系统及控制方法 |
CN115659228A (zh) * | 2022-12-26 | 2023-01-31 | 国网浙江省电力有限公司宁波供电公司 | 一种用户用电激励方法、系统及可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108899936A (zh) * | 2018-08-31 | 2018-11-27 | 广东工业大学 | 一种基于模拟退火粒子群算法的波浪发电方法 |
-
2020
- 2020-10-29 CN CN202011180656.8A patent/CN112288161A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108899936A (zh) * | 2018-08-31 | 2018-11-27 | 广东工业大学 | 一种基于模拟退火粒子群算法的波浪发电方法 |
Non-Patent Citations (1)
Title |
---|
吴丹琦: "基于电力市场的家庭能源效益优化研究", 《中国优秀硕士论文电子期刊网》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113872215A (zh) * | 2021-09-26 | 2021-12-31 | 国网电力科学研究院武汉能效测评有限公司 | 基于需求响应的家用电器负荷优化控制系统及控制方法 |
CN113872215B (zh) * | 2021-09-26 | 2024-01-09 | 国网电力科学研究院武汉能效测评有限公司 | 基于需求响应的家用电器负荷优化控制系统及控制方法 |
CN115659228A (zh) * | 2022-12-26 | 2023-01-31 | 国网浙江省电力有限公司宁波供电公司 | 一种用户用电激励方法、系统及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458443B (zh) | 一种基于深度强化学习的智慧家庭能量管理方法及系统 | |
Pedrasa et al. | Coordinated scheduling of residential distributed energy resources to optimize smart home energy services | |
CN109799851B (zh) | 一种基于负荷簇温度调控的用户侧负荷响应方法 | |
CN110044020B (zh) | 计及空调用户舒适度的需求侧响应方法 | |
CN112561728B (zh) | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 | |
Wei et al. | Coordination optimization of multiple thermostatically controlled load groups in distribution network with renewable energy | |
CN112288161A (zh) | 一种居民错峰用电优化方法和装置 | |
Zhang et al. | A cyber-physical-social system with parallel learning for distributed energy management of a microgrid | |
CN107608218A (zh) | 家用电器智能用电控制方法 | |
CN113991655A (zh) | 定频空调负荷聚合需求响应潜力评估方法、装置及介质 | |
Lu et al. | Optimization scheduling of home appliances in smart home: A model based on a niche technology with sharing mechanism | |
CN111027747A (zh) | 一种考虑用户舒适度风险偏好的家庭能量控制方法 | |
CN111598478A (zh) | 一种综合能源需求响应量计算方法 | |
CN113191086A (zh) | 一种基于遗传算法的电采暖热负荷需求优化方法及系统 | |
CN110535142B (zh) | 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 | |
CN111478349A (zh) | 基于用电设备智能网络调控物联网的电力三相平衡策略方法 | |
Qin et al. | Energy-efficient heating control for nearly zero energy residential buildings with deep reinforcement learning | |
CN111737857A (zh) | 一种基于互动能力曲线的暖通空调集群协调控制方法 | |
CN113344273B (zh) | 基于建筑用能的区域配电网峰谷差调节优化方法及系统 | |
Gomes et al. | Contextual intelligent load management with ANN adaptive learning module | |
CN109343461A (zh) | 一种楼宇自动化控制系统的节能控制方法 | |
Zhang et al. | Multi-objective optimal control algorithm for HVAC based on particle swarm optimization | |
CN117151308A (zh) | 基于联邦强化学习的综合能源系统优化调度方法及系统 | |
Kyriakou et al. | Optimal frequency support method for urban microgrids of building prosumers | |
CN116485044A (zh) | 一种电网交互型高效商业建筑智能运行优化方法 |
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 |