需求側管理下智能家庭用電多目標優化控制

鮑毅，樓鳳丹，王萬良

（1. 杭州天麗科技有限公司，浙江 杭州 310051; 2. 國網浙江省電力公司信息通信分公司，浙江 杭州 310073; 3. 浙江工業大學 計算機科學與技術學院，浙江 杭州 310023）

家庭用電系統作為需求側的重要組成部分，其規律性明顯，用戶數目眾多，用電總量龐大，也是電網負荷管理的重要部分。因此，需求側響應概念被越來越多地引入到平衡電網負載中[1]。現階段需求響應操作主要可劃分為基于價格的方式和基于激勵的方式[2]。基于價格的需求響應主要依靠分時電價策略，依靠需求側的主觀調節方式來減少電網高峰負荷。基于激勵的需求響應是指供電側制定響應，策略，激勵需求側在電網負荷較大時及時響應，如削減一定的負荷[3]。然而，現有需求響應尚存在諸多問題：1)由于電量計量方式的誤差，數據傳輸滯后，需求側與供電側所統計結果存在差異；2)缺乏合理的激勵機制，進一步導致需求側主觀積極性下降；3)缺乏有效的響應交互機制，不利于供電側對電能資源進行再分配[4-6]。故將智能電網引入需求響應有重要實際意義。

隨著物聯網的快速發展，智能電網作為智能化的電能服務網絡，提高了供電側與用電側的交互性，有利于整體電能的資源合理優化和高效利用，進一步有利于穩定電網負荷。智能電網在傳統供電側到需求側的傳輸基礎上，集合了傳感測量技術、網絡通信技術、智能計算技術和自動控制技術[7]。引入智能電網可以有效地提高計量方式的準確性，提高電能資源的分配效率。通過引入智能電網的實時交互策略，調動需求側參與響應或通過提前簽訂協議，對需求側直接進行遠程的需求響應，可以有效地實現電網負荷的柔性化管理[8]。

隨著分時電價、峰值電價等策略的提出，需求側管理更需要保證實時性。針對需求側大規模的家庭用電，單一的優化算法已不能滿足電網實時性的需求。現有針對需求響應的算法大多應用于處理單個目標優化問題，或簡單地將多目標加權之后轉化為單目標來進行優化[9]。這種算法在增加了需求側用電器數量之后，算法延時時間也會相應地增加。本文提出采用多目標進化算法，以最小化電能消耗和最小化延時時間為目標，應用于需求響應控制。供電側可以通過提前與用戶簽訂協議，在家庭中布置智能控制器，對家用電器進行實時控制，以便在電網高峰時期減小電網負荷。

1 智能電網環境下家電系統運行方式

智能電網領域有各種通信架構，而在互聯網等公共領域，合適架構的選擇問題是至關重要的。適合的架構可以使用戶便捷地參與到需求響應的過程中，并且保證了系統的實時性[10]。針對家庭常用電器，如冰箱、空調、熱水器、飲水機、電視機、電腦、洗衣機及照明電路等，這些負載可分為保障型負載和附加型負載。保障型負載(如照明電路等)作為居民生活條件的基本保障，且由于其功率相對較低，因此不作為家庭用電優化控制的對象。圖1所示的智能電網下的家庭用電管理系統，只顯示出附加型負載，而不包括對保障型負載的控制，以實現在需求側管理過程中，對需求側居民生活所造成的影響降到最小。智能電網下的家庭用電管理系統結構圖如圖1所示。智能家庭用電管理系統中，多項附加型負載均通過控制器再接入電路中。供電側可從控制器中獲取用戶家庭耗電量，如某一家電的單位時間電能消耗情況，并對統計信息進行優化計算，將計算結果返回控制器，進一步對家庭中的附加型負載進行控制，以減弱高峰時刻的電網負荷。

圖 1 智能家庭用電管理系統Fig. 1 Diagram of home energy management system

圖1中所示控制器采用交互式通信平臺，集成用電量計量技術，除獲取電網負荷數據并對管理家庭用電量進行管理的功能之外，其還可以對用戶提供電價的分時段計量，減少用戶的用電費用。并通過控制器內置的光線傳感器和溫度傳感器，獲取家庭內的環境信息以進一步對家庭中電器做出多級調整，在盡可能保證用戶舒適度的同時實現電網平衡。控制器系統結構圖如圖2所示。

圖 2 控制器系統結構Fig. 2 Chart of control system structure

2 多目標算法在需求側管理中的應用

需求側管理下的家庭用電響應模式是指家庭用戶依據自己的經濟和舒適型要求采取的負荷響應方式，為了使供電側(如電力公司等)具有即時管理能力，需要用戶與供電側簽訂合同，使供電側可以通過智能控制器，直接控制用戶家中的部分附加型負載。并且用戶可以根據本家庭負載情況，自主對家庭中多種大功率附加型負載進行權值設置[11]，權值大的優先級高，在用電高峰時期到來之前，供電側可以對權值較小的負載進行優先降負荷處理。

2.1 附加型負載系統模型

根據家庭用電負載的特點，選取空調、熱水器等附加型負載作為優化控制對象，設置空調權重為αk，熱水器權重為 αr。

附加型負載耗電模型[12-14]為式中：Pk為空調功率，Pr為熱水器功率，i為空調數量，j為熱水器數量，qt為時隙 t內電價，βd和 βe均為負載的工作指數，Qt為時隙t內附加型負載的耗電所產生的用電費用。該模型同樣可以應用到電網系統集中控制中，對多個家庭的用電負荷進行計量與優化，同時也便于擴展其他類型的家用電器進行優化運算。其中，用戶家庭中當前用電功率為

式中Wt為時隙t內用戶的附加型負載總功率。

由于需求側管理機制直接操作了用戶家庭電器情況，在一定程度上影響了用戶體驗，引入最小操作量函數Z：

式中：Wt為控制器監測到時隙t內，電網負荷逼近高峰時刻需要進行需求管理時的家庭內負荷總功率，Wx為用戶端響應后，對附加型負載進行調節后的家庭內負荷總功率；T為響應總時間，即在響應過程中對用戶造成的總影響的時間；Z為響應過程中，供電側為了削峰保護而對需求側做出的管理后所節約的電能總量，單位是kW·h。

2.2 多目標蜻蜓算法

目前，在家庭用電優化控制[15]中主要采用的方法有粒子群算法[16]和遺傳算法[17]等，主要思想均是明確目標函數與約束條件信息，在全局范圍內尋求概率最大的解，適合解決復雜的非線性尋優問題。但是考慮到需求響應的即時性，即為了防止電網負荷達到峰頂，需要在負荷增長的過程中就開始對協議用戶進行一定量的響應控制。而粒子群算法和遺傳算法均需要較長時間的初始化和迭代過程，很難達到所要求分鐘級別的響應時間，因此需要計算時間更短、反應速度更快的多目標優化算法。

多目標蜻蜓算法是近年來新提出的一種進化算法，其主要靈感來自于蜻蜓在哺食與避敵過程中通過對路徑的規劃與探索來完成預定目標的特性，在兩者均需要達到最佳的時候選取最近的路徑，在此將捕食與避敵過程分別看成用戶總耗電量和所受影響時間兩個目標。在算法中，將一系列過程抽象化為3個特征，即分散、同步、匯聚，并以數學方式建模。

將上述算法引入系統優化控制模型中，將附加型負載的數量視為蜻蜓的數量，耗電量和響應延時時間視為捕食與避敵過程，設定優化個體數量為m，m表示為家庭總數。針對系統負載影響最大的空調和熱水器等附加型負載進行試驗，目標為耗電量最小和高峰時段需求響應時間最短。根據某用電監管平臺數據，對全天多戶家庭負載功率數的平均值進行了統計。為了清晰描述出優化控制過程中的最小化負載數和最小化響應延時時間這兩個目標參數，本文將用式(5)～(11)來對其進行模擬，其表達式如下[18-19]。

1) 分散行為：

式中：X表示當前個體的位置, Xj表示第j個相鄰個體的位置，n為相鄰個體的總數。在本控制過程中，Xj為j時隙過程中系統的耗電量。

2) 同步行為：

式中：Vj表示第j個相鄰個體的速度, n為相鄰個體的總數，N為個體總數。在本控制過程中，將其視為響應時的速度，即智能控制器調節負載過程的行為。

3) 匯聚行為：

式中：X表示當前個體的位置，Xj表示第j個相鄰個體的位置，n為相鄰個體的總數，N為個體總數。匯聚行為即表示優化過程中算法的收斂過程。

4) 優化過程：

蜻蜓在捕食過程中，趨向于食物的定義為

式中：X表示當前個體的位置， 表示食物源的位置。在本控制過程中，將Fi視為響應延時時間，為目標函數之一。

5) 避敵行為：

另一方面，蜻蜓規避天敵的定義為

式中：s表示分散行為的權重，Si表示第i個個體行進分散行為，a表示同步行為的權重，Ai表示第i個個體行進同步行為，c表示匯聚行為的權重，Ci表示第i個個體行進匯聚行為，f表示食物特征系數，Fi表示第i個個體的食物源，e表示天敵特征系數，Ei表示第i個個體天敵的位置，w為迭代權重，t為迭代計數。此外，位置向量定義為

綜上，該算法可同時以兩個目標為收斂條件，比傳統優化算法收斂速度快，可以達到及時響應的效果。

具體算法步驟：

1) 算法讀取當前系統耗電量，Si=Qt；

2) 讀取當前系統響應時間，Ei=Z；

3) 輸入待優化數目，初始設為m，設置空調和熱水器權值相等，αk=αr；

4) 根據式(10)(位置和加速度)對系統的耗電量和響應時間進行迭代計算，初始化迭代步數為30；

5) 進行響應管理時刻，優先對權值較小的負載進行處理；

6) 選取收斂標準，當系統整體耗電量降為歷史數據的80%時，即認為算法運行有效，選取所受影響時間最短的值作為輸出結果。

3 仿真實驗結果分析

通過對某小區內500余戶家庭的家電負荷進行實地調查，排除照明設施等保障性負載，僅考慮空調和熱水器兩種負荷較大的家電。現有參數信息如表1，表1展示了某小區主要家電負荷信息統計，從中可以看出，雖然空調熱水器作為附加型負載，但是居民的日常使用頻率依然很高，且電器數量也超過了家庭總數。表2展示了該小區的分時電價信息。

表 1 某小區主要家電負荷信息統計Table 1 Home appliance load information

表 2 分時電價信息Table 2 Time-sharing electricity price

針對電網運行高峰時段，展示出對比響應前后的家庭附加型負載總功率數，如圖3所示。從圖3可明顯看出，應用了本算法之后，相較于優化前和遺傳算法情況，用戶用電量的平均功率數有了明顯下降。圖3中“o”型曲線所顯示的為優化前的500戶用戶的平均功率數，其分布較散，且均值較大。應用了遺傳算法進行優化之后，用戶的平均功率數下降了20.6%，如圖中“*”型曲線所示，而本算法則有較好的處理效果，如圖3中“+”型曲線所示。同時從用戶角度出發，本文計算了高峰時刻用戶用電所花費的情況，其對比結果如圖4所示，圖4展示了多目標優化后的用戶平均花費情況。類似于圖3，圖4中“o”型曲線為優化前高峰時段用戶用電平均花費，“Δ”型曲線為應用遺傳算法之后的效果，“+”型曲線為本算法的應用效果，結果顯示本算法也幫助用戶節約了一定費用。為了展示本算法的運算過程，本文對遺傳算法與本算法的延時時間進行了實驗并統計了結果，平均延時時間如圖5所示。

圖 3 優化前后平均功率數對比Fig. 3 Comparison of average power

圖 4 優化前后用戶用電花費對比Fig. 4 Comparison of user electricity consumption

圖 5 平均延時時間對比Fig. 5 Comparison of average delay times

從響應的延時時間角度可明顯看出，傳統遺傳算法其響應時間長且波動較大，上下浮動在10～40 min ，而實施本文算法之后，由于算法收斂速度快，計算結果迅速，其整體的響應時間在4.5 min上下波動，可以達到及時響應的效果。

針對一天內的高峰時刻電量消耗變化量，本文進行了500戶家庭一天內各個時間段的電量消耗量的統計，結果如圖6所示。圖6顯示了500戶家庭在一天內各個時刻的平均電能消耗量與應用了遺傳算法和本算法之后的效果對比。從圖6中優化前的數據可以看出，每小時的平均電能消耗量(kW·h)在6:00之后有了明顯的上升趨勢，并且在12:00～13:00維持了較高的消耗量，一直持續到晚上21:00開始有了下降趨勢。本算法的結果如圖6中“+”形曲線所示，可以看出本算法在高峰時期的每小時耗電量較為平穩，且相較于遺傳算法優化結果和未優化前結果，本算法在高峰時期有較好的降負載效果。

圖 6 一天內電量消耗情況Fig. 6 Power consumption during one day

4 結束語

需求側管理作為一種緩解電網高峰負荷的有效手段，一直以來面對著需求側用戶數量眾多、單一耗電量低、應用困難的問題。在智能電網的環境下，在對需求側眾多用戶應用了多目標優化算法之后，可以在較短的時間內得出計算結果并通過智能控制器對家庭用電器進行需求側管理。實驗結果顯示，對小規模群體用戶施行需求側管理操作可以有效地降低其功率平均數，同時降低了用戶的用電費用，進一步可以降低電網負荷，保障電網的穩定性。優化控制過程中引入多目標蜻蜓算法，在約束了系統耗電量降低的最低標準后，實驗中算法收斂速度快，可以達到分鐘級別的響應效果，適合在實際生活中應用。本實驗尚存在一些不足，如尚未對多數小區同時進行需求響應的集中控制，下一階段的主要目標是針對中大規模的家庭群進行需求響應優化控制。

[1]中國電力企業聯合會規劃發展部. 2016年電力供需形勢分析預測與建議[J]. 中國電力企業管理, 2016(4): 27–29.China federation of electric power enterprise planning and development. 2016 Analysis and forecast of electricity supply demand and the suggestion[J]. China electric power enterprise management, 2016(4): 27–29.

[2]SIANO P. Demand response and smart grids—a survey[J].Renewable and sustainable energy reviews, 2014, 30:461–478.

[3]薛晨, 黎燦兵, 曹一家, 等. 智能電網中的電網友好技術概述及展望[J]. 電力系統自動化, 2011, 35(15): 102–107.XUE Chen, LI Canbing, CAO Yijia, et al. An overview and prospects of grid friendly technology in smart grid[J]. Automation of electric power systems, 2011, 35(15): 102–107.

[4]GUNGOR V C, SAHIN D, KOCAK T, et al. Smart grid technologies: communication technologies and standards[J]. IEEE transactions on industrial informatics, 2011, 7(4):529–539.

[5]GKATZIKIS L, KOUTSOPOULOS I, SALONIDIS T. The role of aggregators in smart grid demand response markets[J]. IEEE journal on selected areas in communications, 2013, 31(7): 1247–1257.

[6]IWAYEMI A, YI Peizhong, DONG Xihua, et al. Knowing when to act: an optimal stopping method for smart grid demand response[J]. IEEE network, 2011, 25(5): 44–49.

[7]劉壯志, 許柏婷, 牛東曉. 智能電網需求響應與均衡分析發展趨勢[J]. 電網技術, 2013, 37(6): 1555–1561.LIU Zhuangzhi, XU Baiting, NIU Dongxiao. Development tendency of equilibrium analysis and demand response for smart grid[J]. Power system technology, 2013, 37(6):1555–1561.

[8]王丹, 范孟華, 賈宏杰. 考慮用戶舒適約束的家居溫控負荷需求響應和能效電廠建模[J]. 中國電機工程學報, 2014,34(13): 2071–2077.WANG Dan, FAN Menghua, JIA Hongjie. User comfort constraint demand response for residential thermostaticallycontrolled loads and efficient power plant modeling[J]. Proceedings of the CSEE, 2014, 34(13): 2071–2077.

[9]SAELE H, GRANDE O S. Demand response from household customers: experiences from a pilot study in norway[J]. IEEE transactions on smart grid, 2011, 2(1): 102–109.

[10]陸蘇青, 唐楠, 王蓓蓓, 等. 美國需求響應技術和思考(下)[J]. 電力需求側管理, 2016(1): 60–64.LU Suqing, TANG Nan, WANG Beibei, et al. Demand response technology and thinking in America[J]. Power demand side management, 2016(1): 60–64.

[11]NORRIS S, PENDAKUR K. Imputing rent in consumption measures, with an application to consumption poverty in Canada, 1997–2009[J]. Canadian journal of economics/revue canadienne d'économique, 2013, 46(4): 1537–1570.

[12]CONSTANTOPOULOS P, SCHWEPPE F C, LARSON R C. Estia: a real-time consumer control scheme for space conditioning usage under spot electricity pricing[J]. Computers and operations research, 1991, 18(8): 751–765.

[13]LEE J, PARK G L, KIM S W, et al. Power consumption scheduling for peak load reduction in smart grid homes[C]//Proceedings of 2011 ACM Symposium on Applied Computing. TaiChung, China, 2011: 584–588.

[14]NASIRAGHDAM H, JADID S. Load model effect assessment on optimal distributed generation (DG) sizing and allocation using improved harmony search algorithm[C]//Proceedings of 2013 Smart Grid Conference. Tehran, Iran,2013: 210–218.

[15]張延宇, 曾鵬, 李忠文, 等. 智能電網環境下空調系統多目標優化控制算法[J]. 電網技術, 2014, 38(7): 1819–1826.ZHANG Yanyu, ZENG Peng, LI Zhongwen, et al. A multi-objective optimal control algorithm for air Conditioning system in smart grid[J]. Power system technology,2014, 38(7): 1819–1826.

[16]XIONG Gang, CHEN Chen, KISHORE S, et al. Smart (inhome) power scheduling for demand response on the smart grid[C]//Proceedings of 2011 IEEE PES Innovative Smart Grid Technologies. Anaheim, CA, USA, 2011: 1–7.

[17]MOHSENIAN-RAD A H, WONG V W S, JATSKEVICH J, et al. Optimal and autonomous incentive-based energy consumption scheduling algorithm for smart grid[C]//Proceedings of 2010 Innovative Smart Grid Technologies.Gaithersburg, MD, USA, 2010: 1–6.

[18]BASU B, MAHANTI G K. Thinning of concentric tworing circular array antenna using fire fly algorithm[J]. Scientia iranica, 2012, 19(6): 1802–1809.

[19]REYNOLDS C W. Flocks, herds and schools: a distributed behavioral model[C]//Proceedings of the 14th Annual Conference on Computer Graphics and Interactive Techniques. New York, NY, USA, 1987: 25–34.