基于實時電價預測的智能家居器具優化調度

劉 真，李文竹，任丹萍，劉 心

(河北工程大學 信息與電氣工程學院，河北 邯鄲056038)

基于實時電價預測的智能家居器具優化調度

劉 真，李文竹，任丹萍，劉 心

(河北工程大學 信息與電氣工程學院，河北 邯鄲056038)

針對家庭器具優化調度中電價預測誤差高和用戶舒適度衡量偏差大的問題，提出了一種基于小波、微粒子群和自適應神經網絡模糊推理系統(Wavelet-PSO-ANFIS，WPA)電價預測的家庭器具優化調度算法。并在該算法中針對器具運行時長不同的問題，提出了一種新穎的相對量化舒適度的方法。仿真結果表明，此電價預測方法在不犧牲計算復雜度的基礎上提高了預測精度，不僅可以權衡用戶的用戶支付和不滿意度，還可以降低系統的峰均比。

實時電價預測；WPA；器具優化調度；相對量化舒適度

1 家庭器具調度系統

需求響應(DR)作為智能電網的重要組成部分，為用戶和供應商提供了更多選擇，是解決能源價格浮動和能源消耗上漲的一種有效方法[1-2]。DR是通過用戶響應電價變化或激勵支付，改變其固有的消費模式，減少了用戶電力支付，并且保證了系統穩定性[3-5]。用戶使用的平均電價模式并不能反應實際的消耗價格，因此，針對平均電價的這種不足，提出了實時電價(RTP)、分時電價(TOU)和尖峰電價(CPP)[6-7]。分時電價和尖峰電價一個季度進行一次管理，電價值是提前設定，但為了真實地反映用戶實際消耗和公共事業單位的電價水平，需要每小時進行電價的更新與管理，實時電價具有更高的靈活性，每小時對電價進行更新，符合智能家居[8-9]中通過電價的高低進行器具調度的要求。因此，本文中以實時電價為基礎，對家庭器具進行優化調度，家庭器具調度系統如圖1所示。

優化調度的前提是預測提前一天的實時電價。電價預測的方法有很多種，主要包括時間序列法，神經網絡法和組合方法[10-11]。在文獻[12-13]中，采用時間序列法(ARIMA)對電價進行了預測，這種方法需要的歷史數據少，計算速度快，但是相比于其他方法預測誤差較大；在文獻[14]采用神經網絡(NN)對實時電價進行電價預測，雖然神經網絡方法相比于時間序列法預測精度得到了提高，但是當每個小時電價值的變化相差較小時，仍會影響預測效果。本文為了更加精確地預測實時電價，以西班牙的歷史電價為基礎[15]，采用小波、微粒子群和自適應神經網絡模糊推理系統(Wavelet-PSO-ANFIS，WPA)組合的方法預測實時電價。通過與其他電價預測的方法(ARIMA， W-ARIMA， NN)比較，表明了本文采用的這種電價預測方法在不犧牲計算復雜度的前提下，大大提高了電價預測精度。

圖1 智能家居系統

其次，關于家庭器具的優化調度，學者也在不斷的研究。文獻[16-17]中通過不同的優化調度方法，減少了用戶的電力支付，把保證了系統的穩定性，但是忽略了對用戶舒適度的考慮；文獻[18]中通過結合可再生能源的可用性預測和市場電價預測技術，為家用電器分配動態優先權，實現智能家居能源消耗的有效管理和調度，但是缺乏節能與體驗質量的均衡性考慮與分析；文獻[5，19]提出的優化調度算法權衡了用戶的電力支付與用戶的舒適度。但是以上的研究中均沒有考慮器具的特殊性，沒有針對家庭中不同器具的特性，考慮用戶對不同器具延遲或者提前的影響。

針對器具的工作時長不同，文中提出了一種相對量化用戶舒適度的方法，采用該方法解決了用戶對不同器具延遲或者提前產生不同敏感度的問題，應用數學方法衡量了用戶對不同器具的滿意度。本文建立了關于用戶電力支付和用戶舒適的線性規劃模型，通過優化調度有效地權衡了用戶的電力支付與用戶的舒適度，降低了系統的峰均比，保證了供電方系統的穩定性。

2 實時電價預測

準確的電價預測對于供應商和用戶都存在重大意義。供應商利用預測的電價來策略投標，風險評估和制作投資計劃等；用戶則根據預測的電價重新安排器具。

2.1 利用WPA進行實時電價的一般步驟

WPA方法是一種混合方法，在電價預測中小波、PSO和ANFIS對于提高預測精度各有不同的用途。其中，小波轉換將價格序列轉換為一系列基本序列，這些基本序列比原始的價格序列表現出更好的性質，因此，可以更加精確地預測。它用在電價預測的第一階段和最后一階段。ANFIS結合了NN的自我學習能力和模糊推理的語言表達能力，應用于非線性預測，利用過去的樣本來預測未來的樣本，而PSO用于提高ANFIS的性能，調整隸屬函數來實現低的錯誤。電價預測的具體步驟如圖2所示。

圖2 WPA電價預測流程圖

第一步：價格序列的分解。對價格序列按照小波分析法進行分解，得到高頻序列和低頻序列。

第二步：高頻和低頻序列的預測。對每個序列進行預測時，首先確定PSO的種群大小，用初始化的種群代替ANFIS的前件參數，根據前件參數計算后件參數的值，從而計算網絡誤差，將該網絡誤差作為粒子群的適應度值。接著更新粒子的速度和位置從而得到ANFIS的各參數。最后利用ANFIS對這些序列逐步訓練以確定最佳模型，通過該模型預測所有序列。

第三步：將預測的序列重構為原來序列的預測值。

2.2 利用WPA預測西班牙的實時電價

本節選取西班牙2013年3月到5月的電價作為訓練數據，預測出2013年6月1日07：00到6月2日06：00的24小時的電價。PSO的參數設置如表1所示。圖3是利用文中提出WPA方法預測的電價與實際電價的對比圖。

表1 PSO的參數設置

PSO參數數值種群大小20加速常數C1和C22迭代次數800初始慣性權重1最終慣性權重05

圖3 2013年6月1日的實時電價和預測電價

2.3 不同的實時電價預測方法

根據式(1)計算了ARIMA、W-ARIMA、NN和WPA的平均絕對百分比誤差(MAPE)。由表2數據可知，文中提出的WPA的預測效果優于其他幾種方法。

(1)

表2MAPE計算結果

預測方法MAPEARIMA667Wavelet-ARIMA611NN591WPA437

2.4 電價模式

為了防止用戶在低電價時段開啟大量器具，本文中采用實時電價與斜坡塊率(IBR)結合的電價模型

(2)

3 優化調度模型

根據器具自身特性和用戶的行為習慣，將家庭器具進行分類：非實時器具和實時器具。為了滿足用戶需求器具運行時間不能延時，當器具到達運行時間后必須馬上開啟，這類器具被指定為實時器具，例如：電視、電腦、電燈等；而熱水壺、洗衣機、電飯煲等家庭器具可以根據所接收到的電價信息調度操作時間，減少電力支付，這類器具被稱為非實時器具。將家庭器具的優化調度范圍設定為一天(2013年6月1日07：00到6月2日06：00)，利用H表示優化調度空間，則調度時隙 h∈[1，2，…， H]。A表示非實時器具，對于每個器具a∈A，在時隙h的能耗是ea，h。

3.1 目標函數

目標函數的目的是最小化用戶的支付成本，包括電力成本和用戶舒適度成本。

3.1.1 用戶電力支付

在所預測的實時電價基礎上，用戶的電力成本被公式化為

(3)

3.1.2 用戶不滿意度

由于家庭中不同器具的工作時長不同，為了權衡用戶對不同器具的滿意度問題，我們提出了一個量化舒適度的方法，即在用戶可以容忍器具的工作時段內，利用優化調度后器具的工作時隙和用戶最滿意器具的工作時隙的相對距離與用戶可容忍器具工作時隙總數之比來表示用戶的滿意度

(4)

(5)

式中：ψa是器具a優化調度后的實際開啟時隙；γa是用戶最滿意器具a的開啟時隙；la是器具a工作完成需要的總時隙數；λa是器具a在舒適度成本中所占的權重，λa=w/la；Za表示用戶對器具a的不滿意度；Z表示用戶的不滿意度。

3.2 約束條件

為了滿足目標函數，達到最小的用戶電力支付成本與用戶的舒適度成本，需要滿足以下約束條件。

3.2.1 能耗約束

在調度過程中為了保證器具a可以完成操作，所需的能源是

(6)

式中：αa和βa分別表示用戶能夠容忍的器具a運行的開始時隙和結束時隙；Ea表示器具a完成操作需要的總能耗。

為了保證系統的穩定，每個時隙器具的能耗有限，假設Emax，h為時隙h的最大能耗上限

(7)

3.2.2 舒適度約束

為了保證用戶的舒適度，每個器具的不滿意度需要小于用戶對該器具的最大不滿意值m

Za≤m

(8)

3.3 線型規劃模型

結合式(3)和式(5)，本文中提出的用戶支付的目標函數為

(9)

由于式(9)是不可微分的，所以將目標函數(9)進行優化。結合式(2)，每個時隙的電力支付被重新公式化：

當h時隙家庭器具的能耗0 ≤lh≤Emax，h時，用戶的電力支付Pa為

(10)

(11)

因此

(12)

引入二進制決策變量xa，h，當xa，h= 0表示器具a在時隙h開啟；xa，h= 1表示器具a在時隙h關閉。則式(11)被重新公式化為

(13)

通過上述變換，所提出的最小支付的調度問題被公式化為如下整數線性規劃模型

(14)

式中：w1，w2分別為電力成本與舒適度在成本支付中的權值，w1+w2=1。

4 仿真驗證

這一部分，利用計算機軟件MATLAB和CPLEX仿真驗證來評估提出的基于電價預測的家庭器具優化調度方法的性能。假設住宅在仿真過程中器具的參數設定如表3所示。時隙長度為10min，則時隙t∈T=[1，2，3，…，144]。假設本文中所有器具的運行時間均為用戶能夠容忍的器具的工作范圍。

表3 各種器具開始時間的參數

L器具a器具可容忍的工作時隙γapa/kmlaL<1h(A1)電熱水壺11～123171熱水器272～9078155洗衣機378～9084054電飯煲460～7866133L<1h(A2)加濕器596～126990112電動汽車6102～1381022224抽水泵796～13296218

4.1 電力成本與不滿意度的關系

通過表4中的3種案例來說明用戶不滿意度與電力成本的關系。案例1：首先假設用戶對器具的不滿意度上限m=2，考慮用戶的電力成本，即w1=1，w2=0時，對家庭器具進行優化調度。圖4是經過優化調度后器具的實際操作時隙。然后將表3與圖4中數據帶入式(4)可以得出每個器具的不滿意度值，如表5所示。此時，用戶的不滿意度Z=3.072，用戶的電力支付Pa=50.95 cents；案例2：只考慮用戶的最小電力成本，不考慮其他兩個因素，即w1=1，w2=0時，m可以無限大，則用戶不滿意度Z=5.357，用戶的電力支付Pa=41.39 cents；案例3：不考慮m與Pa，只考慮用戶的不滿意度，即w1=0，w2=1，此時不滿意度Z=0，用戶的電力支付為65.89 cents。

表4 案例研究總結

案例mPaZ1√√—2—√—3——√

圖4 優化調度后器具的工作時隙

器具aZa電熱水壺2熱水器7/5洗衣機0電飯煲2加濕器1/4電動汽車3/4抽水泵4/3

通過比較以上3種案例，發現用戶的電力支付與用戶的不滿意度成反比。因此，可以通過對器具的優化調度來權衡用戶的電力支付與用戶的不滿意度。

4.2 量化舒適度的影響

以上一節中案例1為對象說明本文中所提出的相對量化舒適度的性能。根據表 3中的數據可知，電飯煲的實際開啟時間比用戶最滿意的開始時間提前了6個時隙，而電動汽車的實際開啟時間比用戶最滿意的開啟時間延后了18個時隙。通過文獻[5]中的方法，單從時隙方面來看，電動汽車對用戶造成的影響較大。但是，電動汽車的工作時長相比于電飯煲要長，只采用這種方法無法準確衡量用戶的滿意度。所以采用本文中提出的相對量化方法，可以得出電動汽車的不滿意度是3/4，而電飯煲的不滿意度為2，如表 5所示。因此，電飯煲開啟時間的改變相比于電動汽車對用戶的影響較大。

這種針對不同的器具特性，采用相對量化的方法，可以更加準確的衡量出器具延遲或者提前對用戶造成的影響，提高用戶的舒適度。

4.3 用戶的支付成本

以上一節中案例1為例，說明優化調度對系統性能的影響。本節通過用戶的電力支付評估文中提出的優化調度方案的性能。圖5中顯示出優化調度前與優化調度后用戶的電力支付從65.89美分降低到50.95美分，降低了22.67%。圖6中表明了一個月內用戶每天優化調度前與優化調度后的電力支付，一個月內用戶的電力支付從20.32美元降低到 15.98美元。

利用式(15)計算系統的分均比可知，通過使用優化調度算法系統的平均PAR從5.65降低到4.57，降低了19.1%。

(15)

仿真結果表明利用文中所提出的優化調度算法不僅可以減少用戶的電力支付，還可以降低系統的峰均比，保證系統的穩定性。

圖5 優化調度前與優化調度后用戶的電力支付

圖6 一個月中用戶每天的電力支付

5 結束語

本文將WPA電價預測方法應用到智能家居中的實時電價預測。這種方法不僅保證了電價預測的預測精度，還保證了所預測電價的實時性。在預測的實時電價基礎上，提出了一種家庭器具的優化調度算法，權衡了用戶的電力支付與用戶的舒適度問題，并且在文中提出了一種相對量化舒適度的方法，解決了器具由于工作時長不同，造成的用戶對不同器具延遲或者提前工作產生不同影響的問題。

[1] TRIPLET M. The market for demand response-the DR maturity model perspective[J]. Power Engineering， 2013， 117(5)： 14-14.

[2] Smart Grid[EB/OL].[2015-04-12].http：//energy.gov/oe/technology-development/smart-grid.

[3] YI P， IWAYEMI A. Real-time opportunistic scheduling for residential demand response[J]. IEEE Trans. Smart Grid，2013，4(1)：227-234.

[4] PALENSKY P， DIETRICH D. Demand side management： demand response， intelligent energy systems， and smart loads[J]. IEEE Trans. Industrial Informatics， 2011， 7(3)： 381-388.

[5] SETLHOLO D， XIA XiaoHua， ZHANG JiangFeng. Optimal scheduling of household appliances for demand response[J]. Electric Power Systems Research， 2014(116)：24-28.

[6] 田世明，王培培，張晶.智能電網下的需求響應關鍵技術[J].中國電機工程學報，2014，34(22)：3576-3589.

[7] 羅達， 付蔚， 蔡林沁，等. 一種智能家居系統的集群識別調度的研究[J].電視技術， 2012， 36(19)： 8-10.

[8] 朱敏玲，李寧. 智能家居發展現狀及未來淺析[J].電視技術，2015，39(4)：82-96.

[9] 馬曉檳.智能家居，智慧生活[J].電視技術，2014，38(SI)：54-66.

[10] 張顯，王錫凡.短期電價預測綜述[J].電力系統自動化，2006，3(3)：92-101.

[11] 鄧佳佳，黃元生，宋高峰.基于非參數GARCH的時間序列模型在日前電價預測中的應用[J].電網技術，2012，36(4)：190-196.

[12] NOGALES F J， CONTRERAS J， CONEJO A J. Forecasting next-day electricity prices by time series models[J]. IEEE Trans. Power Systems， 2002， 17(2)：342-348.

[13] CONEJO A J， PLAZAS M A， ESPINOLA R. Day-ahead electricity price forecasting using the wavelet transform and ARIMA models[J].IEEE Trans. Power Systems， 2005， 20(2)：1035-1042.

[14] CATALAO J P S， MARIANO S J P， MENDES V M F. Short-term electricity prices forecasting in a competitive market： a neural network approach[J]. Electric Power Systems Research， 2007， 8(6)：1297-1304.

[15] Market operator of the electricity market of mainland spain[EB/OL].[2015-04-12]. http：//www.omel.es/.

[16] CHAVALI P，YANG P，NEHORAI A. A distributed algorithm of appliance scheduling for home energy management system[J]. IEEE Trans. Smart Grid， 2014，5(1)：282-290.

[17] LIU Xin， IVANESCU L， KANG R， et al. Real-time household load priority scheduling algorithm based on prediction of renewable source availability[J]. IEEE Trans. Consumer Electronics， 2012， 58(2)：318-326.

[18] MOHSENIAN-RAD A H， WONG V W S， JATSKEVICH J. Autonomous demand side management based on game theoretic energy consumption scheduling for the future smart grid[J]. IEEE Trans. Smart Grid， 2010， 1(3)：320-331.

[19] MOHSENIAN-RAD A H， GARCIA A L. An optimal power scheduling method for demand response in home energy management system[J]. IEEE Trans. Smart Grid， 2013， 4(3)：1391-1400.

責任編輯：時 雯

Optimal Scheduling Method of Appliances Based on Real-time Electricity Price Forecasting in Smart Home

LIU Zhen，LI Wenzhu，REN Danping， LIU Xin

(School of Information and Electric Engineering， Hebei University of Engineering，Hebei Handan 056038， China)

Aiming at the problem of the high error of price forecasting and the low accuracy of user satisfaction in optimal scheduling of appliances， an optimal scheduling algorithm of appliances based on a novel hybrid approach is presented， combining wavelet transform， particle swarm optimization， and adaptive-network-based fuzzy inference (Wavelet-PSO-ANFIS， WPA) system. In addition， according to appliances’ different length of operation time， a relative quantitative method of user comfort is proposed to measure user satisfaction of different appliances. Simulation results show that the proposed electricity price forecasting method presents better forecasting accuracy with an acceptable computation time. The proposed optimal scheduling method of household appliances can benefit both users， by balancing their electricity cost and user satisfaction， and utility companies， by reducing the peak-to-average ratio.

real-time electricity price forecasting； WPA； optimal appliances scheduling； relative quantitative method of user’s comfort

國家自然科學基金項目(61440001)；教育部新世紀優秀人才支持計劃項目(NCET-13-0770)；河北省高等學校高層次人才科學研究項目(GCC2014062)；河北省高等學?？茖W技術研究項目(ZH2012020；QN20131064)

TP273

A

10.16280/j.videoe.2015.20.011

劉 真(1990— )，女，碩士生，主要研究方向為智能電網；

李文竹(1979— )，女，碩士，助教，主要研究方向為智能電網、寬帶接入；

任丹萍(1984— )，女，講師，博士，主要研究方向為光纖無線混合接入網絡；

劉 心(1980— )，教授，博士后，主要研究方向為智能電網、下一代光網絡與寬帶接入。

2015-05-15

【本文獻信息】劉真，李文竹，任丹萍，等.基于實時電價預測的智能家居器具優化調度[J].電視技術,2015，39(20).