CN113806995A - 一种基于ibas算法的家庭设备用能多目标优化方法及系统 - Google Patents

一种基于ibas算法的家庭设备用能多目标优化方法及系统 Download PDF

Info

Publication number
CN113806995A
CN113806995A CN202111264712.0A CN202111264712A CN113806995A CN 113806995 A CN113806995 A CN 113806995A CN 202111264712 A CN202111264712 A CN 202111264712A CN 113806995 A CN113806995 A CN 113806995A
Authority
CN
China
Prior art keywords
longicorn
user
optimization
time
household
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.)
Withdrawn
Application number
CN202111264712.0A
Other languages
English (en)
Inventor
于军琪
侯雪妍
赵安军
聂己开
王福
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202111264712.0A priority Critical patent/CN113806995A/zh
Publication of CN113806995A publication Critical patent/CN113806995A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06Q10/04—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
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于IBAS算法的家庭设备用能多目标优化方法及系统，基于可控型家居负载的分类方法对典型家用设备分为可调度可中断负载、可调度不可中断负载和不可调度负载，分别建立用户需求侧负载调度模型，根据用户需求侧负载调度模型所得出的设备各个时间段的开关状态以及相应的约束条件，以家庭用户用电成本最低、负荷峰均比最小和用户舒适度最大为目标建立家庭能量管理系统多目标优化调度模型；采用加权组合及乘除法将家庭能量管理系统多目标优化调度模型转化为单目标函数作为系统的优化函数，采用改进的IBAS算法对系统的优化函数进行求解，得到家庭次日的设备用电安排用于日前优化调度。本发明提高用户舒适度，实现家庭用能设备的多目标优化。

Description

一种基于IBAS算法的家庭设备用能多目标优化方法及系统
技术领域
本发明属于家庭能量管理系统技术领域，具体涉及一种基于IBAS(ImprovedAntennae Beetle Search)算法的家庭设备用能多目标优化方法及系统。
背景技术
近年来我国用电规模日益扩大，尤其是大数据和人工智能的到来，各设备用电时段集中，负荷峰均比(Peak-to-Average Ratio，PAR)不断增加，传统电网稳定性差，无法满足柔性用电需求。随着环境问题的日益严重，发展清洁和高效能源的需求也愈加迫切，但可再生能源发电的随机性和复杂性使得供需平衡问题突出，导致风光发电等难以并网。
需求侧用电作为电网“发、输、配、变、用”的主要环节之一，对电力系统的规划调度和经济运行具有显著的影响。与传统电网相比，智能电网环境下家庭能量管理系统(HomeManagement System,HEMS)结合分布式能源、家居负载、蓄电池和电网动态电价信息，调度家庭用能设备，能够减少电网峰值需求、最小化用能费用、提高用电效率，实现节能减排。电力需求响应(Demand Response,DR)作为需求侧家庭能量管理的重要手段，对电网移峰填谷和提升稳定性具有积极的意义。
目前，电网需求侧的居民用电量占社会总用电量的1/3以上，且仍处于快速增长阶段，节能潜力巨大。用户如何通过DR优化调度家庭用能计划，降低能源成本、实现用电舒适性和调节电网平衡成为当下亟待解决的热点问题之一。综上，根据电网情况，通过电价政策及用户的偏好等，合理安排家庭用户参与电网的互动来优化家庭用电设备的运行，对实现用户的经济效益、高效用电，电网的稳定性，以及可再生能源并网发电均有重要意义。
单一的经济性目标已经不能满足新时期下的居民生活需求，这要求家庭能量管理系统在调度策略中在考虑电力成本及PAR等优化目标的同时，也要计及用户的舒适性。因此，研究需求侧家庭用能设备的多目标优化管理具有重要意义。
传统BAS模拟天牛觅食原理，进而在全局范围内搜索最优解，算法的基本实现过程包括天牛群初始化，确定天牛左、右须的位置，天牛移动方向，更新天牛位置等，直至达到终止条件或最大迭代次数，然后终止搜索过程。同其他生物启发式算法，传统BAS在求解多目标优化问题时，天牛群的初始位置极大地影响了优化效率和优化结果，且容易陷入局部最优。标准粒子群(PSO)算法初始化为一群随机粒子，即随机解，通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个”极值”来更新自己。一是粒子本身所找到的最优解，个体极值pBest；另一极值是整个种群目前找到的最优解，全局极值gBest。虽然PSO算法的搜索性能取决于其全局探索和局部细化的平衡，在很大程度上依赖于算法的控制参数，搜索精度不够高。但PSO算法的群体优化思想能够极大提高全局搜索能力，将二者进行融合能有更多机会求解全局最优解且不容易陷入局部最优。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于IBAS算法的家庭设备用能多目标优化方法及系统，用于对家庭中的可调度用电设备及电动汽车的用电方式进行协调管理，能有效的提高用电经济性和用户舒适度，减小家庭日用电负荷波动。
本发明采用以下技术方案：
一种基于IBAS算法的家庭设备用能多目标优化方法，包括以下步骤：
S1、基于可控型家居负载的分类方法对典型家用设备分为可调度可中断负载、可调度不可中断负载和不可调度负载，分别建立用户需求侧负载调度模型，并以负载工作特性和用户用电需为约束条件；
S2、根据步骤S1所建立的用户需求侧负载调度模型所得出的设备各个时间段的开关状态以及相应的约束条件，以家庭用户用电成本最低、负荷峰均比最小和用户舒适度最大为目标建立家庭能量管理系统多目标优化调度模型；
S3、采用加权组合及乘除法将步骤S2建立的家庭能量管理系统多目标优化调度模型转化为单目标函数作为系统的优化函数，采用改进的IBAS算法对系统的优化函数进行求解，得到家庭次日的设备用电安排用于日前优化调度。
具体的，步骤S1中，可调度可中断负载的调度模型如下：
定风量空调系统夏季工况下调度模型如下：
Figure BDA0003326611590000031
其中，
Figure BDA0003326611590000032
Figure BDA0003326611590000033
为用户设定的空调使用时间，αAC(tn+1)为tn+1时刻空调设备的运行状态，hAC(tn+1)是tn+1时刻空调运行状态的决策变量，
Figure BDA0003326611590000034
和
Figure BDA0003326611590000035
代表空调可调温度的上下限，Tair(tn+1)是tn+1时刻室内温度；
空调在运行时存在与周围空气的热交换，采用冷负荷系数法得出房间温度计算模型，tn+1时刻的房间温度为：
Figure BDA0003326611590000036
ε1＝-PairαAC(tn)
Figure BDA0003326611590000037
其中，Pair是空调的额定制冷量，ρair是空气密度，CP,air是空气定压比热容，Vair是房间空气体积；Vair是tn时刻压缩机运行状态，A为固定环境下的不变系数，B为示时变系数；
热水器考虑储水式电热水器，单位时间出水量恒定，在设定温度范围内进行控制，调度模型如下：
Figure BDA0003326611590000041
其中，
Figure BDA0003326611590000042
Figure BDA0003326611590000043
是用户设定的热水器使用时间，αWH(tn+1)是tn+1时刻电热水器的运行状态，hWH(tn+1)是tn+1时刻电热水器的运行状态的决策变量，
Figure BDA0003326611590000044
和
Figure BDA0003326611590000045
是用户需求水温上下范围，TWH(tn+1)是tn+1时刻储水箱的水温；
热水器在加热时主回路供电为额定功率，不加热时通过控制回路对热水器内温度进行监测，非出水时段水温为：
Figure BDA0003326611590000046
ε2＝PheaterαWH(tn)
Figure BDA0003326611590000047
其中，Tair是房间温度，Pheater是热水器的额定功率，KF为保温性能系数，ρ是水密度，CP是水的比热容，V是电热水器储水箱的容积，αWH(tn)是tn时刻电热水器开关状态；
出水时段水温为：
Figure BDA0003326611590000048
ε3＝υoutρCP(Tout-Tin)-Pheater
其中，υout是恒流出水流量，Tout是恒温出水温度，Tin是电热水器进水温度；
蓄电类设备考虑蓄电池充电状态，动力电池的充电方式为变功率充电，其调度模型如下：
Figure BDA0003326611590000049
其中，t∈Tchg，Tchg是用户设定的充电时段，S(tn)是tn时刻的动力电池荷电状态，αEV(tn+1)是tn+1时刻用电开关状态，hEV(tn+1)是tn+1时刻EV充电的运行决策，Smin是EV蓄电池的蓄电量最低限值，Smax是蓄电池的蓄电量最大值。
具体的，步骤S1中，可调度不可中断负载的调度模型如下：
Figure BDA0003326611590000051
其中，
Figure BDA0003326611590000052
αj(tn+1)是tn+1时刻某可调度不可中断设备的开关状态，hj(tn+1)是tn+1时刻该设备的运行决策，Dj(tn)是tn时刻某可调度不可中断设备的连续工作时间，
Figure BDA0003326611590000053
是该设备完成一次工作的完整周期。
具体的，步骤S1中，不可调度负载的调度模型为负载的运行决策：
Figure BDA0003326611590000054
其中，αk(tn+1)是tn+1时刻某个不可调度负载的开关状态；hk(tn+1)是tn+1时刻该负载的运行决策，0表示关闭，1表示开启。
具体的，步骤S2中，将一个完整调度周期平均划分为N个时段，最小用电成本minf1表示为：
Figure BDA0003326611590000055
其中，pri(t)是t时刻的电价，E(t)是在时段t时室内所有电器的能耗之和；
负荷峰均比minf2表示为：
Figure BDA0003326611590000056
其中，E(t)max是各个时段中室内所有电器能耗之和的最大值；
温度舒适度为：
Figure BDA0003326611590000061
Figure BDA0003326611590000062
其中，UCAC(t)为t时刻空调设备给居住者带来的温度舒适度，lAC(t)是t时刻室温及其设定值偏差的百分比，
Figure BDA0003326611590000063
和
Figure BDA0003326611590000064
分别为用户设定的室温上、下限，
Figure BDA0003326611590000065
为t时刻室温及其设定值偏差的百分比指数，Tin(t)为t时刻的室内温度；
可调度设备λ运行在时段t时，用户时间舒适度UCλ(t)为：
Figure BDA0003326611590000066
其中，usλ和ueλ分别为设备可运行时间段的上下限，bsλ和beλ分别为设备最佳运行时间段的上下限，t为时间；
最大用户的舒适性maxf3表示为：
Figure BDA0003326611590000067
其中，
Figure BDA0003326611590000068
分别为舒适度系数，f3,1、f3,2分别为用户的时间舒适度与温度舒适度。
具体的，步骤S3中，系统的优化模型：
min F＝min[F1/(F3-F2)]
其中，F为系统目标，F1为归一化后的用电成本，F2为归一化后的负荷峰均比，F3为归一化后的用户舒适度。
具体的，步骤S3中，采用改进的IBAS算法对系统的优化函数进行求解具体为：
S301、根据所要解决的问题初始化天牛群的个体数量、天牛粒子的初始速度
Figure BDA0003326611590000071
初始位置
Figure BDA0003326611590000072
天牛移动上下限以及解空间的维度，根据优化目标函数F计算每个天牛粒子初始的个体适应度值
Figure BDA0003326611590000073
产生天牛个体的初始最优位置
Figure BDA0003326611590000074
和天牛群的初始全局最优位置
Figure BDA0003326611590000075
S302、更新步骤S301中的天牛粒子初始速度
Figure BDA0003326611590000076
初始位置
Figure BDA0003326611590000077
初始最优位置
Figure BDA0003326611590000078
和天牛群的初始全局最优位置
Figure BDA0003326611590000079
根据惯性权重调整策略得到的ω、线性递减法确定的步长因子δk，得到新的天牛粒子的速度
Figure BDA00033266115900000710
位置
Figure BDA00033266115900000711
历史最优位置
Figure BDA00033266115900000712
和天牛群的历史全局最优位置
Figure BDA00033266115900000713
S303、根据步骤S302中的天牛粒子的速度
Figure BDA00033266115900000714
和位置
Figure BDA00033266115900000715
更新步骤S301中天牛粒子初始的个体适应度值
Figure BDA00033266115900000716
得到新的天牛粒子个体适应度值
Figure BDA00033266115900000717
判断天牛群体是否搜索到全局最优值，或判断当前种群迭代次数k是否达到天牛群的最大迭代次数K，如果搜索到全局最优值或者达到天牛群的最大迭代次数，终止迭代过程，返回天牛群的最优解和适应度值；否则，进入下一次迭代搜索。
进一步的，步骤S302中，第k次迭代时，第i个天牛在第s维空间中的位置公式为：
Figure BDA00033266115900000718
其中，γ为常数，
Figure BDA00033266115900000719
代表当前天牛的速度，
Figure BDA00033266115900000720
为增量函数；
第k次迭代时，天牛个体的最优位置由初始的
Figure BDA00033266115900000721
更新为
Figure BDA00033266115900000722
天牛群的全局最优位置由初始的
Figure BDA00033266115900000723
更新为
Figure BDA00033266115900000724
第i个天牛在第s维空间维度中的速度更新公式为：
Figure BDA00033266115900000725
其中，c1与c2为学习因子，r1和r2是[0,1]范围内的随机数；ω为权重因子；
天牛粒子的左、右两须在第k+1次迭代时的空间位置
Figure BDA00033266115900000726
和
Figure BDA00033266115900000727
如下：
Figure BDA00033266115900000728
其中，
Figure BDA00033266115900000729
为天牛粒子在第k次迭代时的空间位置，
Figure BDA00033266115900000730
为天牛粒子在第k次迭代时的速度，d为天牛粒子左右两须之间的距离。
进一步的，步骤S303中，第k次迭代时，若当前位置天牛的适应度值优于天牛的历史个体最优解，天牛个体的历史最优位置
Figure BDA0003326611590000081
更新如下：
Figure BDA0003326611590000082
若当前位置天牛的适应度值优于天牛群的历史全局最优解，天牛群的历史全局最优位置
Figure BDA0003326611590000083
更新如下：
Figure BDA0003326611590000084
其中，
Figure BDA0003326611590000085
为当前位置天牛粒子的适应度值。
本发明的另一技术方案是，一种基于IBAS算法的家庭设备用能多目标优化系统，包括：
分类模块，基于可控型家居负载的分类方法对典型家用设备分为可调度可中断负载、可调度不可中断负载和不可调度负载，分别建立用户需求侧负载调度模型，并以负载工作特性和用户用电需为约束条件；
目标模块，根据分类模块建立的用户需求侧负载调度模型所得出的设备各个时间段的开关状态以及相应的约束条件，以家庭用户用电成本最低、负荷峰均比最小和用户舒适度最大为目标建立家庭能量管理系统多目标优化调度模型；
优化模块，采用加权组合及乘除法将目标模块建立的家庭能量管理系统多目标优化调度模型转化为单目标函数作为系统的优化函数，采用改进的IBAS算法对系统的优化函数进行求解，得到家庭次日的设备用电安排用于日前优化调度。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于IBAS算法的家庭设备用能多目标优化方法，采用新的IBAS算法对家庭设备用能多目标优化调度模型进行求解，其求解结果优于当前常用的单一智能化算法的求解结果，采用IBAS算法求解得到以家庭用户用电成本最低、PAR最小和用户舒适度为优化目标的次日用电安排，能比单一的BAS算法或PSO算法结果更好，即成本和PAR值都更低，实现家庭设备用能多目标优化调度。
进一步的，可调度可中断负载可随时中断或恢复工作状态，分别对该类大功率负载建立相应的精细化调度模型，同时考虑了季节、环境等影响因素，使系统具有一定的灵活性，满足用户对不同负载的用电以及舒适度需求。
进一步的，可调度不可中断负载在其运行周期内不适宜改变其运行状态，但可以调度其启动时间。对该类负载建立统一的调度模型，根据用户的不同需求进行相应的控制，方便避开用电高峰期，降低负荷峰值的同时提高了用户的时间舒适度。
进一步的，不可调度负载的使用规则由用户制定，该类负载的调度模型即为该负载的运行决策，在调度日内是确定的，方便系统对其他类负载进行调度，既满足了用户需求，又提高了系统的调度速率。
进一步的，根据家用设备的调度模型及约束条件，对用电成本、负荷峰均比以及用户舒适度分别建立相应的计算模型，方便对用电成本最小、负荷峰均比最小及用户舒适度最大这三个目标进行优化。
进一步的，为统一量纲，对用电成本、负荷峰均比及用户舒适度目标函数进行归一化处理，采用加权组合及乘除法将多目标函数转化为单目标函数作为系统的优化函数。同时考虑包含用户最小用电成本、最小PAR和最大舒适度的多优化目标，能同时满足家庭与电网的不同利益需求。
进一步的，改进的IBAS算法是在BAS算法的基础上引入粒子群算法的群体优化思想，BAS在求解多目标优化问题时，天牛群的初始位置极大地影响了优化效率和优化结果，且容易陷入局部最优。而粒子群的群体优化思想能够极大提高全局搜索能力，将其应用于BAS的改进能有更多机会求解全局最优解且不容易陷入局部最优。采用改进的IBAS算法对系统的优化函数进行求解，能够得到最接近全局最优的最优解，提高了系统调度的结果的准确性。
进一步的，由于迭代步长、惯性权重系数的衰减，算法不会过快收敛到目标点。初始迭代过程中较大的惯性权重可以加快天牛寻找新区域的速度，较小的惯性权重可以提高天牛的局部搜索能力，从而大大避免了群体陷入局部最优。通过步长机制及惯性权重调整策略，提升算法的局部搜索能力，进而提高优化效果。
进一步的，在算法迭代过程中，每迭代一次都会产生新的个体历史最优位置及种群历史最优位置，对种群最优参数进行不断更新，能够保证每次的解都是当前迭代过程中的最优解，提高了算法的准确性。
综上所述，本发明有效减少家庭用电成本以及PAR，同时提高用户舒适度，实现家庭用能设备的多目标优化。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的IBAS算法流程图；
图2为本发明方法流程图；
图3为本发明调度负荷曲线图；
图4为三种方法的收敛曲线图。
具体实施方式
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于IBAS算法的家庭设备用能多目标优化方法及系统，适用于智能电网环境下的家庭中，为用户提供家庭用电设备以及电动汽车的最佳用电方案。
基于日前优化调度策略，考虑了用户的舒适度、用电经济性和用电负荷波动三者的联动机制以及负载工作特性和用户用电需求约束，以家庭用户用电成本最低、负荷峰均比最小和用户舒适度最大为目标建立了家庭用能设备多目标优化调度模型，采用加权组合及乘除法将多目标函数转化为单目标函数作为系统的优化函数，并采用IBAS算法对家庭设备用能多目标优化调度模型进行求解，通过对典型家用设备进行分类，并建立用户需求侧负载调度模型，以负载工作特性和用户用电需求为约束条件，同时考虑家庭用户用电成本最低、PAR最小以及用户舒适度最大三个优化目标。本发明将粒子群算法的群体优化思想融入BAS算法，同时对步长机制和惯性权重调整策略进行改进提升局部和全局搜索能力，能够有效的提高用电经济性和用户舒适度，减小家庭日用电负荷波动。
请参阅图2，本发明一种基于IBAS算法的家庭设备用能多目标优化方法，研究对象为家庭中的可调度用电设备以及电动汽车(EV)，通过对可调度用电设备以及电动汽车的用电时间和用电方式的协调配合实现家庭能量多目标优化管理，包括以下步骤：
S1、根据可控型家居负载的分类方法将典型家用设备分为可调度可中断负载、可调度不可中断负载和不可调度负载。考虑用户的用电需求和舒适度，对不同种类家居可调度负载建立相应的调度模型及约束条件；
S101、该实施方式中可调度可中断负载的调度模型如下：
(1)空调系统
定风量空调系统夏季工况下调度模型：
Figure BDA0003326611590000121
其中，
Figure BDA0003326611590000122
Figure BDA0003326611590000123
为用户设定的空调使用时间。αAC(tn+1)为tn+1时刻空调设备的运行状态，0代表停止状态，1代表制冷状态；hAC(tn+1)是tn+1时刻空调运行状态的决策变量，0表示关闭动作，1表示开启动作；
Figure BDA0003326611590000124
和
Figure BDA0003326611590000125
代表空调可调温度的上下限，Tair(tn+1)是tn+1时刻室内温度。
空调在运行时存在与周围空气的热交换，采用冷负荷系数法得出房间温度计算模型，tn+1时刻的房间温度为：
Figure BDA0003326611590000126
ε1＝-PairαAC(tn)
Figure BDA0003326611590000127
其中，Pair是空调的额定制冷量，ρair是空气密度，CP,air是空气定压比热容，Vair是房间空气体积；Vair是tn时刻压缩机运行状态，1表示运行状态，0表示停止状态)；A为固定环境下的不变系数，与围护结构传热系数K及传热面积F相关，B为示时变系数，是各热源得热引起的逐时冷负荷之和。
(2)电热水器
热水器考虑储水式电热水器，单位时间出水量恒定，在设定温度范围内进行控制，调度模型：
Figure BDA0003326611590000131
其中，
Figure BDA0003326611590000132
Figure BDA0003326611590000133
是用户设定的热水器使用时间。αWH(tn+1)是tn+1时刻电热水器的运行状态，0表示保温状态，1表示加热状态。hWH(tn+1)是tn+1时刻电热水器的运行状态的决策变量，0表示关闭动作，1表示开启动作。
Figure BDA0003326611590000134
和
Figure BDA0003326611590000135
是用户需求水温上下范围，TWH(tn+1)是tn+1时刻储水箱的水温。
热水器在加热时主回路供电为额定功率，不加热时仅通过控制回路对热水器内温度进行监测，功率可忽略不计。非出水时段水温为：
Figure BDA0003326611590000136
ε2＝PheaterαWH(tn)
Figure BDA0003326611590000137
其中，Tair是房间温度，Pheater是热水器的额定功率，KF为保温性能系数，ρ是水密度，CP是水的比热容，V是电热水器储水箱的容积，αWH(tn)是tn时刻电热水器开关状态，0表示保温状态，1表示加热状态。
出水时段水温为：
Figure BDA0003326611590000141
ε3＝υoutρCP(Tout-Tin)-Pheater
其中，υout是恒流出水流量，Tout是恒温出水温度，Tin是电热水器进水温度。
(3)蓄电类设备
EV及扫地机器人这类蓄电类设备通常在使用前完成蓄电，仅考虑蓄电池充电状态，以EV为例仅考虑电网对EV的充电过程，假设其动力电池的充电方式为变功率充电。其调度模型如下：
Figure BDA0003326611590000142
其中，t∈Tchg，Tchg是用户设定的EV充电时段，S(tn)是tn时刻的动力电池荷电状态。αEV(tn+1)是tn+1时刻EV用电开关状态，0表示断开状态，1表示充电状态。hEV(tn+1)是tn+1时刻EV充电的运行决策，0表示关闭动作，1表示开启动作。Smin是EV蓄电池的蓄电量最低限值，一般为20％～30％，Smax是EV蓄电池的蓄电量最大值，一般为100％。
可调度不可中断负载的调度模型如下：
Figure BDA0003326611590000143
其中，
Figure BDA0003326611590000144
αj(tn+1)是tn+1时刻某可调度不可中断设备的开关状态，0表示断开状态，1表示启动状态。hj(tn+1)是tn+1时刻该设备的运行决策，0表示关闭动作，1表示开启动作。Dj(tn)是tn时刻某可调度不可中断设备的连续工作时间，
Figure BDA0003326611590000145
是该设备完成一次工作的完整周期。
不可调度负载的调度模型即为该负载的运行决策：
Figure BDA0003326611590000151
其中，αk(tn+1)是tn+1时刻某个不可调度负载的开关状态，0表示断开状态，1表示启动状态。hk(tn+1)是tn+1时刻该负载的运行决策，0表示关闭动作，1表示开启动作。
S102、该实施方式中有以下约束：
(1)空调制冷状态下功率及可调温度约束条件为：
Figure BDA0003326611590000152
其中，PAC(tn)是tn时刻空调的功率，
Figure BDA0003326611590000153
为空调的功率上限。
(2)电热水器工作状态下水箱水温的约束条件为：
Figure BDA0003326611590000154
(3)EV充电时的电量及充电时间约束条件为：
Figure BDA0003326611590000155
其中，Sini是用户开始充电时的EV蓄电池的蓄电量，ta是用户到家时间，ts是用户离家时间。
(4)此外还有以下三种约束：
干衣机应在洗衣机完成工作之后才能工作；吹风机应在热水器完成一次工作之后才能工作；洗碗机应在电饭煲完成一次工作之后才能工作。约束条件如下，当设备αi完成连续工作后启动设备αj，有：
Figure BDA0003326611590000156
其中，
Figure BDA0003326611590000157
是设备ai开始运行的时间，参数
Figure BDA0003326611590000158
是设备ai停止与设备aj启动之间的最小延迟，由用户确定。
S2、分别以最小用电成本、最小PAR以及最大用户舒适度作为目标建立优化模型，具体模型表达式如下：
(1)优化目标一：最小用电成本
将一个完整调度周期平均划分为N个时段，最小用电成本表示为：
Figure BDA0003326611590000161
其中，pri(t)是t时刻的电价，E(t)是在时段t时室内所有电器的能耗之和：
Figure BDA0003326611590000162
Figure BDA0003326611590000163
Figure BDA0003326611590000164
E(t)＝Ecc(t)+Ecu(t)+Eun(t)
其中，pi(t)、pj(t)和pi(t)分别为可调度可中断负载、可调度不可中断负载和不可调度负载这三类负载在t时段的功率。Ecc(t)、Ecu(t)和Eun(t)分别代表所有可调度可中断负载、可调度不可中断负载和不可调度负载在t时段的能耗。
(2)优化目标二：负荷峰均比
PAR是峰值负荷需求与日均总负荷需求之比，可用来衡量负荷曲线的波动情况，最小PAR表示为：
Figure BDA0003326611590000165
其中，E(t)max是各个时段中室内所有电器能耗之和的最大值。
(3)优化目标三：用户舒适度
1)温度舒适度
对于空调设备，用户的舒适度与室内温度直接相关，评价指标与用户设定的室温上、下限有关。在用户设定温度范围内，室温与人体最适温度偏差的百分比越大，用户的舒适度就越低。
Figure BDA0003326611590000171
Figure BDA0003326611590000172
其中，UCAC(t)为t时刻空调设备给居住者带来的温度舒适度，lAC(t)是t时刻室温及其设定值偏差的百分比，
Figure BDA0003326611590000173
和
Figure BDA0003326611590000174
分别为用户设定的室温上、下限，
Figure BDA0003326611590000175
为t时刻室温及其设定值偏差的百分比指数，Tin(t)为t时刻的室内温度。
2)时间舒适度
对于运行时间影响用户舒适度的可调度设备λ，分为可运行时段UTλ＝[usλ,ueλ]以及最佳运行时段BTλ＝[bsλ,beλ]，则可调度设备λ运行在时段t时，用户对其的舒适性为：
Figure BDA0003326611590000176
其中，usλ和ueλ分别为设备可运行时间段的上下限，bsλ和beλ分别为设备最佳运行时间段的上下限，t为时间。
最大用户的舒适性表示为：
Figure BDA0003326611590000181
Figure BDA0003326611590000182
Figure BDA0003326611590000183
其中，
Figure BDA0003326611590000184
分别为舒适度系数，取决于用户需求。hAC(t)、hλ(t)分别为空调和其他设备在调度周期内的运行决策，f3,1、f3,2分别为用户的时间舒适度与温度舒适度，preλ(t)∈{1,2,3}是可调度设备的优先级，最高为3，最低为1，该参数由用户定义。
S3、系统进行日前优化调度，针对用电成本最小、负荷峰均比最小及用户舒适度最大三层目标，采用加权组合及乘除法将多目标函数转化为单目标函数作为系统的优化函数，并采用IBAS算法对系统优化函数进行求解，得到家庭次日的设备用电安排；
为平衡多个目标对调度结果的影响，对数据进行归一化处理。将有量纲数据统一映射到[0,1]区间，1代表该分目标的效果最好，0代表效果最差。
Figure BDA0003326611590000185
其中，i∈{1,2,3}，fi是调度周期内某一时段各个目标的函数值，fi max和fi min分别为调度周期内各目标函数的最大值和最小值。
从而得到系统的优化模型：
min F＝min[F1/(F3-F2)]
其中，F为系统目标，F1为归一化后的用电成本，F2为归一化后的负荷峰均比，F3为归一化后的用户舒适度。
为了对该优化模型进行求解，本研究基于标准天牛须搜索算法和标准粒子群算法提出了一种新的混合优化算法。标准天牛须搜索算法是一种元启发式算法，模拟天牛觅食原理，进而在全局范围内搜索最优解，运算量非常小，收敛非常快，具有全局寻优能力，但个体搜索有一定的局限性，在处理高维问题时容易陷入局部最优。标准粒子群算法的本质是利用当前位置、全局极值和个体极值三个信息，指导粒子下一步迭代位置。其个体充分利用自身经验和群体经验调整自身的状态，可以求解一些连续函数的优化问题。标准粒子群优化具有相当快的逼近最优解的速度，可以有效的对系统的参数进行优化，但很大程度上依赖于算法的控制参数，收敛速度较慢、收敛精度较低。针对以上两个算法的优缺点，本发明提出了一种基于两者的混合优化算法IBAS算法。
将粒子群算法的思想融入BAS算法，同时对步长机制和惯性权重调整策略进行改进行全局搜索。请参阅图1，具体步骤如下：
S301、根据所要解决的问题初始化天牛群的个体数量、天牛的位置、速度、天牛移动上下限以及解空间的维度等，根据优化目标函数F来计算每个天牛粒子的个体适应度值，即Fit(xis)＝F，从而产生天牛个体的初始最优位置
Figure BDA0003326611590000191
和天牛群的初始全局最优位置
Figure BDA0003326611590000192
S302、引入步长机制更新天牛粒子的移动步长，引入惯性权重调整策略更新天牛速度。第k次迭代时，第i个天牛在第s维空间中的位置公式为：
Figure BDA0003326611590000193
其中，γ为常数，
Figure BDA0003326611590000194
代表当前天牛粒子的的速度，
Figure BDA0003326611590000195
为增量函数，计算方式为：
Figure BDA0003326611590000196
其中，δk为迭代次数为k时天牛粒子的步长，sign()代表符号函数，
Figure BDA0003326611590000197
与
Figure BDA0003326611590000198
分别为第k次迭代时天牛粒子左、右两须的适应度值。
步长因子δk的计算采用线性递减法：
δk＝δk-1*α
其中，衰减系数α在[0,1]区间内取值，一般取α＝0.95。
第k次迭代时，第i个天牛粒子在第s维空间维度中的速度更新公式为：
Figure BDA0003326611590000201
其中，c1与c2为学习因子，r1和r2是[0,1]范围内的随机数；
Figure BDA0003326611590000202
与
Figure BDA0003326611590000203
分别表示第k次迭代时天牛群的个体最优位置和全局最优位置，ω为权重因子，计算如下：
Figure BDA0003326611590000204
其中，K为种群最大迭代次数，ωmax和ωmin分别是惯性权重的最大和最小值，设置为0.9和0.4。则天牛粒子的左、右两须在第k+1次迭代时的空间位置
Figure BDA0003326611590000205
和
Figure BDA0003326611590000206
如下：
Figure BDA0003326611590000207
其中，
Figure BDA0003326611590000208
为天牛粒子在第k次迭代时的空间位置，
Figure BDA0003326611590000209
为天牛粒子在第k次迭代时的速度，d为天牛粒子左右两须之间的距离。
S303、更新粒子的位置和适应度值，判断天牛群体是否搜索到全局最优值，或判断当前种群迭代次数k是否达到天牛群的最大迭代次数K，如果搜索到全局最优值或者达到天牛群的最大迭代次数，终止迭代过程，返回天牛群的最优解和适应度值；否则，进入下一次迭代搜索。
第k次迭代时，若当前位置天牛的适应度值优于天牛的历史个体最优解，即
Figure BDA00033266115900002010
天牛个体的历史最优位置更新如下：
Figure BDA00033266115900002011
若当前位置天牛的适应度值优于天牛群的历史全局最优解，即
Figure BDA00033266115900002012
天牛群的历史全局最优位置更新如下：
Figure BDA00033266115900002013
其中，
Figure BDA00033266115900002014
为当前位置天牛粒子的适应度值。
本发明再一个实施例中，提供一种基于IBAS算法的家庭设备用能多目标优化系统，该系统能够用于实现上述基于IBAS算法的家庭设备用能多目标优化方法，具体的，该基于IBAS算法的家庭设备用能多目标优化系统包括分类模块、目标模块以及优化模块。
其中，分类模块，基于可控型家居负载的分类方法对典型家用设备分为可调度可中断负载、可调度不可中断负载和不可调度负载，分别建立用户需求侧负载调度模型，并以负载工作特性和用户用电需为约束条件；
目标模块，根据分类模块建立的用户需求侧负载调度模型所得出的设备各个时间段的开关状态以及相应的约束条件，以家庭用户用电成本最低、负荷峰均比最小和用户舒适度最大为目标建立家庭能量管理系统多目标优化调度模型；
优化模块，采用加权组合及乘除法将目标模块建立的家庭能量管理系统多目标优化调度模型转化为单目标函数作为系统的优化函数，采用改进的IBAS算法对系统的优化函数进行求解，得到家庭次日的设备用电安排用于日前优化调度。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于IBAS算法的家庭设备用能多目标优化方法的操作，包括：
基于可控型家居负载的分类方法对典型家用设备分为可调度可中断负载、可调度不可中断负载和不可调度负载，分别建立用户需求侧负载调度模型，并以负载工作特性和用户用电需为约束条件；根据用户需求侧负载调度模型所得出的设备各个时间段的开关状态以及相应的约束条件，以家庭用户用电成本最低、负荷峰均比最小和用户舒适度最大为目标建立家庭能量管理系统多目标优化调度模型；采用加权组合及乘除法将家庭能量管理系统多目标优化调度模型转化为单目标函数作为系统的优化函数，采用改进的IBAS算法对系统的优化函数进行求解，得到家庭次日的设备用电安排用于日前优化调度。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于IBAS算法的家庭设备用能多目标优化方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
基于可控型家居负载的分类方法对典型家用设备分为可调度可中断负载、可调度不可中断负载和不可调度负载，分别建立用户需求侧负载调度模型，并以负载工作特性和用户用电需为约束条件；根据用户需求侧负载调度模型所得出的设备各个时间段的开关状态以及相应的约束条件，以家庭用户用电成本最低、负荷峰均比最小和用户舒适度最大为目标建立家庭能量管理系统多目标优化调度模型；采用加权组合及乘除法将家庭能量管理系统多目标优化调度模型转化为单目标函数作为系统的优化函数，采用改进的IBAS算法对系统的优化函数进行求解，得到家庭次日的设备用电安排用于日前优化调度。
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以陕西省某一典型家庭的设备配置及夏季某日一天0:00-24:00的用电情况为例，电器设备的参数如表1、表2所示，暂不考虑临时电器设备的加入。
表1可调度设备说明
Table.1Description of shiftable equipment
Figure BDA0003326611590000231
Figure BDA0003326611590000241
表2不可调度设备说明
Table.2Description of non-shiftable equipment
Figure BDA0003326611590000242
Figure BDA0003326611590000251
电价以陕西省地方电力(集团)有限公司发布的陕西省居民用电峰谷TOU实施细则为例：8:00～20:00峰段电价为0.5483元/kWh，20:00～次日8:00谷段电价为0.2983元/kWh。
设备启动前的最小延迟Dij为3min，即0.2个单位调度时间间隔，舒适度系数
Figure BDA0003326611590000252
均取为1；空调房屋外墙、窗户、屋面、内墙的传热系数分别为0.7W/(m2·℃)、3.07W/(m2·℃)、0.59W/(m2·℃)、1.97W/(m2·℃)，空气定压比热容CP,air理想状态下为1004/(Kg·℃)；电热水器的恒流出水流量υout为5.833×10-5m3·s-1，保温级别为1级，储水箱的容量V为80L。
在IBAS算法中，天牛初始步长δ＝20，天牛两须之间的距离为d＝2，粒子速度上下限分别为vmax＝5.12、vmin＝-5.12，学习因子c1＝0.12，c2＝0.12，最大迭代次数为1000。
仿真时长为一天24小时，单位调度时间间隔为15min，基于MATLAB对算例进行仿真求解。
仿真及结果分析
根据实际用电需求与分时电价，分别采用标准BAS、标准PSO和本发明提出的IBAS三种算法对案例家庭次日的设备用电进行调度，算法调度负荷曲线如图3所示：
从图3中可以看出三种算法调度后的负荷曲线波动趋势相似，用电负荷均集中在0:00～8:00及20:00～24:00之间，且负荷曲线与电价曲线的整体趋势成反比，符合经济性要求；调度后的负荷曲线与未调度负荷曲线相比波动更小，8:00～12:00以及20:00～23:00的负荷明显减少，将用电高峰期的负荷转移到用电低峰期，且未形成新的负荷峰值，起到了良好的“削峰填谷”的效果。
表3算法调度结果统计
Table.3Algorithm scheduling result statistics
Figure BDA0003326611590000261
三种算法在目标函数上测试20次，调度后结果采用20次测试结果的平均值来表示，具体见表3。表中可以看出，相较于未调度负荷，三种算法调度后的用电成本至少降低了10.85％，用户舒适度增加了4.84％至14.99％，负荷峰均比的降幅均达到了40％以上。
三种算法中，采用IBAS算法调度后的电力成本和负荷峰均比的下降幅度与用户舒适度的提高程度均大于其他两种算法，达到了较好的优化调度效果。此外，IBAS算法的收敛效果也更佳。
请参阅图4，分别采用BAS、PSO和IBAS算法所得到的目标函数优化的收敛曲线，图中可以清晰地看出BAS在迭代执行的过程中，基本在迭代次数达到100代之前已经达到了收敛状态，三种算法中最早完成收敛，但不是全局最优；IBAS算法均虽然在迭代次数为140代左右时才完成收敛，与BAS算法相比收敛速度欠佳，但较于其他两种算法最接近于全局最优值。三种算法中，改进的天牛须算法的收敛效果是最好的，收敛速度略逊于标准天牛须算法是因为引入标准粒子群的信息共享机制，运算量增加。标准PSO算法和标准BAS算法的优化效果均不是很理想，两者结合的IBAS算法中的结果能够在一定程度上跳出局部最优解，且有较强的全局搜索能力，既弥补了BAS算法陷入局部最优的不足，又避免了PSO算法收敛速度慢的缺陷，无论是在收敛速度还是优化精度上都远远优于基本算法。表明了改进天牛须算法在多目标混合整数非线性规划类的问题求解的有效性。
综上所述，本发明一种基于IBAS算法的家庭设备用能多目标优化方法及系统，以家庭用户用电成本最低、负荷峰均比最小和用户舒适度最大为目标建立了HEMS-MOO调度模型；将标准天牛须搜索算法与PSO算法进行融合，并引入自适应步长机制和惯性权重调整策略进行改进，将改进后的BAS算法应用于MOO调度模型的求解。仿真算例表明，本文提出的IBAS算法提高了种群优化的快速性和准确性，能够找到较好的调度策略，对于需要快速求解的问题有着显著的优势。同时，也证明了该算法可以有效地解决HEMS-MOO调度问题，因此也可以用于其他多目标混合整数非线性规划问题的求解。在后续的研究中，希望将改进的天牛须算法应用于电力系统的优化调度问题中。
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。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于IBAS算法的家庭设备用能多目标优化方法，其特征在于，包括以下步骤：
S1、基于可控型家居负载的分类方法对典型家用设备分为可调度可中断负载、可调度不可中断负载和不可调度负载，分别建立用户需求侧负载调度模型，并以负载工作特性和用户用电需为约束条件；
S2、根据步骤S1所建立的用户需求侧负载调度模型所得出的设备各个时间段的开关状态以及相应的约束条件，以家庭用户用电成本最低、负荷峰均比最小和用户舒适度最大为目标建立家庭能量管理系统多目标优化调度模型；
S3、采用加权组合及乘除法将步骤S2建立的家庭能量管理系统多目标优化调度模型转化为单目标函数作为系统的优化函数，采用改进的IBAS算法对系统的优化函数进行求解，得到家庭次日的设备用电安排用于日前优化调度。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，可调度可中断负载的调度模型如下：
定风量空调系统夏季工况下调度模型如下：
Figure FDA0003326611580000011
其中，
Figure FDA0003326611580000012
为用户设定的空调使用时间，αAC(tn+1)为tn+1时刻空调设备的运行状态，hAC(tn+1)是tn+1时刻空调运行状态的决策变量，
Figure FDA0003326611580000013
和
Figure FDA0003326611580000014
代表空调可调温度的上下限，Tair(tn+1)是tn+1时刻室内温度；
空调在运行时存在与周围空气的热交换，采用冷负荷系数法得出房间温度计算模型，tn+1时刻的房间温度为：
Figure FDA0003326611580000021
ε1＝-PairαAC(tn)
Figure FDA0003326611580000022
其中，Pair是空调的额定制冷量，ρair是空气密度，CP,air是空气定压比热容，Vair是房间空气体积；Vair是tn时刻压缩机运行状态，A为固定环境下的不变系数，B为示时变系数；
热水器考虑储水式电热水器，单位时间出水量恒定，在设定温度范围内进行控制，调度模型如下：
Figure FDA0003326611580000023
其中，
Figure FDA0003326611580000024
是用户设定的热水器使用时间，αWH(tn+1)是tn+1时刻电热水器的运行状态，hWH(tn+1)是tn+1时刻电热水器的运行状态的决策变量，
Figure FDA0003326611580000025
和
Figure FDA0003326611580000026
是用户需求水温上下范围，TWH(tn+1)是tn+1时刻储水箱的水温；
热水器在加热时主回路供电为额定功率，不加热时通过控制回路对热水器内温度进行监测，非出水时段水温为：
Figure FDA0003326611580000027
ε2＝PheaterαWH(tn)
Figure FDA0003326611580000028
其中，Tair是房间温度，Pheater是热水器的额定功率，KF为保温性能系数，ρ是水密度，CP是水的比热容，V是电热水器储水箱的容积，αWH(tn)是tn时刻电热水器开关状态；
出水时段水温为：
Figure FDA0003326611580000031
ε3＝υoutρCP(Tout-Tin)-Pheater
其中，υout是恒流出水流量，Tout是恒温出水温度，Tin是电热水器进水温度；
蓄电类设备考虑蓄电池充电状态，动力电池的充电方式为变功率充电，其调度模型如下：
Figure FDA0003326611580000032
其中，t∈Tchg，Tchg是用户设定的充电时段，S(tn)是tn时刻的动力电池荷电状态，αEV(tn+1)是tn+1时刻用电开关状态，hEV(tn+1)是tn+1时刻EV充电的运行决策，Smin是EV蓄电池的蓄电量最低限值，Smax是蓄电池的蓄电量最大值。
3.根据权利要求1所述的方法，其特征在于，步骤S1中，可调度不可中断负载的调度模型如下：
Figure FDA0003326611580000033
其中，
Figure FDA0003326611580000034
αj(tn+1)是tn+1时刻某可调度不可中断设备的开关状态，hj(tn+1)是tn+1时刻该设备的运行决策，Dj(tn)是tn时刻某可调度不可中断设备的连续工作时间，
Figure FDA0003326611580000035
是该设备完成一次工作的完整周期。
4.根据权利要求1所述的方法，其特征在于，步骤S1中，不可调度负载的调度模型为负载的运行决策：
Figure FDA0003326611580000036
其中，αk(tn+1)是tn+1时刻某个不可调度负载的开关状态；hk(tn+1)是tn+1时刻该负载的运行决策，0表示关闭，1表示开启。
5.根据权利要求1所述的方法，其特征在于，步骤S2中，将一个完整调度周期平均划分为N个时段，最小用电成本minf1表示为：
Figure FDA0003326611580000041
其中，pri(t)是t时刻的电价，E(t)是在时段t时室内所有电器的能耗之和；
负荷峰均比minf2表示为：
Figure FDA0003326611580000042
其中，E(t)max是各个时段中室内所有电器能耗之和的最大值；
温度舒适度为：
Figure FDA0003326611580000043
Figure FDA0003326611580000044
其中，UCAC(t)为t时刻空调设备给居住者带来的温度舒适度，lAC(t)是t时刻室温及其设定值偏差的百分比，
Figure FDA0003326611580000045
和
Figure FDA0003326611580000046
分别为用户设定的室温上、下限，
Figure FDA0003326611580000047
为t时刻室温及其设定值偏差的百分比指数，Tin(t)为t时刻的室内温度；
可调度设备λ运行在时段t时，用户时间舒适度UCλ(t)为：
Figure FDA0003326611580000048
其中，usλ和ueλ分别为设备可运行时间段的上下限，bsλ和beλ分别为设备最佳运行时间段的上下限，t为时间；
最大用户的舒适性maxf3表示为：
Figure FDA0003326611580000051
其中，
Figure FDA0003326611580000052
分别为舒适度系数，f3,1、f3,2分别为用户的时间舒适度与温度舒适度。
6.根据权利要求1所述的方法，其特征在于，步骤S3中，系统的优化模型：
min F＝min[F1/(F3-F2)]
其中，F为系统目标，F1为归一化后的用电成本，F2为归一化后的负荷峰均比，F3为归一化后的用户舒适度。
7.根据权利要求1所述的方法，其特征在于，步骤S3中，采用改进的IBAS算法对系统的优化函数进行求解具体为：
S301、根据所要解决的问题初始化天牛群的个体数量、天牛粒子的初始速度
Figure FDA0003326611580000053
初始位置
Figure FDA0003326611580000054
天牛移动上下限以及解空间的维度，根据优化目标函数F计算每个天牛粒子初始的个体适应度值
Figure FDA0003326611580000055
产生天牛个体的初始最优位置
Figure FDA0003326611580000056
和天牛群的初始全局最优位置
Figure FDA0003326611580000057
S302、更新步骤S301中的天牛粒子初始速度
Figure FDA0003326611580000058
初始位置
Figure FDA0003326611580000059
初始最优位置
Figure FDA00033266115800000510
和天牛群的初始全局最优位置
Figure FDA00033266115800000511
根据惯性权重调整策略得到的ω、线性递减法确定的步长因子δk，得到新的天牛粒子的速度
Figure FDA00033266115800000512
位置
Figure FDA00033266115800000513
历史最优位置
Figure FDA00033266115800000514
和天牛群的历史全局最优位置
Figure FDA00033266115800000515
S303、根据步骤S302中的天牛粒子的速度
Figure FDA00033266115800000516
和位置
Figure FDA00033266115800000517
更新步骤S301中天牛粒子初始的个体适应度值
Figure FDA00033266115800000518
得到新的天牛粒子个体适应度值
Figure FDA00033266115800000519
判断天牛群体是否搜索到全局最优值，或判断当前种群迭代次数k是否达到天牛群的最大迭代次数K，如果搜索到全局最优值或者达到天牛群的最大迭代次数，终止迭代过程，返回天牛群的最优解和适应度值；否则，进入下一次迭代搜索。
8.根据权利要求7所述的方法，其特征在于，步骤S302中，第k次迭代时，第i个天牛在第s维空间中的位置公式为：
Figure FDA0003326611580000061
其中，γ为常数，
Figure FDA0003326611580000062
代表当前天牛的速度，
Figure FDA0003326611580000063
为增量函数；
第k次迭代时，天牛个体的最优位置由初始的
Figure FDA0003326611580000064
更新为
Figure FDA0003326611580000065
天牛群的全局最优位置由初始的
Figure FDA0003326611580000066
更新为
Figure FDA0003326611580000067
第i个天牛在第s维空间维度中的速度更新公式为：
Figure FDA0003326611580000068
其中，c1与c2为学习因子，r1和r2是[0,1]范围内的随机数；ω为权重因子；
天牛粒子的左、右两须在第k+1次迭代时的空间位置
Figure FDA0003326611580000069
和
Figure FDA00033266115800000610
如下：
Figure FDA00033266115800000611
其中，
Figure FDA00033266115800000612
为天牛粒子在第k次迭代时的空间位置，
Figure FDA00033266115800000613
为天牛粒子在第k次迭代时的速度，d为天牛粒子左右两须之间的距离。
9.根据权利要求7所述的方法，其特征在于，步骤S303中，第k次迭代时，若当前位置天牛的适应度值优于天牛的历史个体最优解，天牛个体的历史最优位置
Figure FDA00033266115800000614
更新如下：
Figure FDA00033266115800000615
若当前位置天牛的适应度值优于天牛群的历史全局最优解，天牛群的历史全局最优位置
Figure FDA00033266115800000616
更新如下：
Figure FDA00033266115800000617
其中，
Figure FDA00033266115800000618
为当前位置天牛粒子的适应度值。
10.一种基于IBAS算法的家庭设备用能多目标优化系统，其特征在于，包括：
分类模块，基于可控型家居负载的分类方法对典型家用设备分为可调度可中断负载、可调度不可中断负载和不可调度负载，分别建立用户需求侧负载调度模型，并以负载工作特性和用户用电需为约束条件；
目标模块，根据分类模块建立的用户需求侧负载调度模型所得出的设备各个时间段的开关状态以及相应的约束条件，以家庭用户用电成本最低、负荷峰均比最小和用户舒适度最大为目标建立家庭能量管理系统多目标优化调度模型；
优化模块，采用加权组合及乘除法将目标模块建立的家庭能量管理系统多目标优化调度模型转化为单目标函数作为系统的优化函数，采用改进的IBAS算法对系统的优化函数进行求解，得到家庭次日的设备用电安排用于日前优化调度。
CN202111264712.0A 2021-10-28 2021-10-28 一种基于ibas算法的家庭设备用能多目标优化方法及系统 Withdrawn CN113806995A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111264712.0A CN113806995A (zh) 2021-10-28 2021-10-28 一种基于ibas算法的家庭设备用能多目标优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111264712.0A CN113806995A (zh) 2021-10-28 2021-10-28 一种基于ibas算法的家庭设备用能多目标优化方法及系统

Publications (1)

Publication Number Publication Date
CN113806995A true CN113806995A (zh) 2021-12-17

Family

ID=78938267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111264712.0A Withdrawn CN113806995A (zh) 2021-10-28 2021-10-28 一种基于ibas算法的家庭设备用能多目标优化方法及系统

Country Status (1)

Country Link
CN (1) CN113806995A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114221348A (zh) * 2021-12-20 2022-03-22 上海电力大学 一种兼顾成本与舒适度的家庭能源管理系统优化运行方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114221348A (zh) * 2021-12-20 2022-03-22 上海电力大学 一种兼顾成本与舒适度的家庭能源管理系统优化运行方法
CN114221348B (zh) * 2021-12-20 2024-03-29 上海电力大学 一种兼顾成本与舒适度的家庭能源管理系统优化运行方法

Similar Documents

Publication Publication Date Title
CN110866641B (zh) 计及源储荷协同的多能互补系统两级优化调度方法及系统
Luo et al. A multistage home energy management system with residential photovoltaic penetration
CN110619425B (zh) 一种考虑源网荷储差异特性的多功能区综合能源系统协同规划方法
CN108287477B (zh) 基于模型预测和多尺度优先级的集群温控负荷控制方法
CN109711080A (zh) 一种冷热电联供系统多时间尺度优化运行方法
Cole et al. Use of model predictive control to enhance the flexibility of thermal energy storage cooling systems
CN113203187B (zh) 基于部分线性模型的建筑暖通空调负荷优化控制方法
CN108131722A (zh) 一种面向电网调峰的终端用户制冷行为自适应调控
CN113809755A (zh) 一种基于需求响应的智慧楼宇节能优化控制方法
Cheng et al. A day-ahead scheduling of large-scale thermostatically controlled loads model considering second-order equivalent thermal parameters model
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
CN114841409A (zh) 联合lstm和深度强化学习的家庭能源管理方法及介质
CN113806995A (zh) 一种基于ibas算法的家庭设备用能多目标优化方法及系统
CN113131519B (zh) 一种基于混合整数线性规划的家庭能量管理优化方法
CN108151242B (zh) 一种面向集群需求响应的中央空调控制方法
CN109343461A (zh) 一种楼宇自动化控制系统的节能控制方法
Javaid et al. Optimizing energy consumption of air-conditioning systems with the fuzzy logic controllers in residential buildings: Optimizing energy consumption of air-conditioning systems in residential buildings
CN115115145B (zh) 分布式光伏智能住宅的需求响应调度方法及系统
CN116972521A (zh) 基于商业楼宇太阳能光伏中央空调系统控制方法
CN114936529A (zh) 一种温控负荷群聚合模型及建模方法、温控负荷群可调节潜力评估方法
Fan et al. Energy flexibility of space-heating or cooling in Spain based on Developed Wildebeest Herd Optimization algorithm
CN110376897B (zh) 一种基于ga-bfo的家庭能量多目标优化方法
CN111815159A (zh) 一种基于bpso和综合储能策略的hems调度方法
Dai et al. Joint virtual energy storage modeling with electric vehicle participation in energy local area smart grid
Zhihan et al. Research on the implementation architecture and demand response controlling strategy for adjustable load

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20211217

WW01 Invention patent application withdrawn after publication