計及差異化用戶偏好的光儲充一體化家庭用能系統多目標優化調度

李濮如, 吳瓊, 任洪波, 李琦芬, 楊涌文

(上海電力大學能源與機械工程學院, 上海 201306)

中國家庭居民用電量約占全社會總用電量的14.21%[1]。隨著城市化進程的加速推進和居民生活水平的不斷提升,住宅能耗總量還將持續增長。在“雙碳”目標下,有必要對家庭用能設備進行智能控制和精細化管理,從而緩解住宅能耗持續增長壓力。家庭能源管理系統(home energy management system, HEMS)應運而生[2],可通過需求響應、負荷靈活調節深度挖掘用戶節能潛力。

現階段,中外學者已針對HEMS優化策略開展了大量卓有成效的研究,大都以用能費用最低為優化目標[3-4]。文獻[5]建立了一種柔性負荷運行模型,以家庭用電費用最優為目標,制定了動態電價下的家庭負荷優化策略。隨著用戶舒適性需求日益提升,綜合考慮經濟性和舒適性的家庭用能多目標優化調度越發受到關注。文獻[6]引入預計平均熱感覺指數PMV(predicted mean vote),通過計算PMV指標與溫度之間的關系,得出 24.8～27.3 ℃為最優舒適溫度區間,進而利用簡化的熱負荷模型得出溫度與冷/熱負荷的關系,對家庭能源中心進行優化調度。文獻[7]以溫度舒適度違反率對用戶不確定行為進行量化,綜合考慮用戶用能經濟性和舒適性。文獻[8]針對3種家庭典型大功率可控負荷,提出考慮節能和溫度舒適度的能源管理策略。然而,上述研究大多僅圍繞用戶溫度舒適性展開,忽略了因設備使用時間遷移而引起的用能舒適性。同時,不同用戶用能行為和習慣存在較大差異,現有研究缺乏不同經濟性和舒適性偏好下的多類型用戶差異性分析。

此外,家庭能源系統正不斷更新迭代,尤其是光儲充一體化技術的滲透對HEMS管理策略帶來新的挑戰。一方面,光伏發電具有較大波動性和不確定性,其發電量的準確預測直接影響HEMS優化策略。基于人工智能的光伏出力預測方法是當前研究熱點,其中,長短期記憶網絡LSTM因其時間序列數據處理效果好、預測精度高而被廣泛應用[9-10]。文獻[11]采用小梯度下降算法優化LSTM模型,降低了模型訓練難度。文獻[12]使用超參數影響分析設置LSTM參數,提高了預測精度。如何將LSTM與已有算法結合,通過組合模型實現預測效果的進一步提升是未來研究重點。另一方面,作為一種新型電力負荷,電動汽車正不斷涌入家庭[13-15]。文獻[16]提出了一種基于精英反向學習的改進灰狼算法,并應用于電動汽車充電調度。文獻[17]提出了一種考慮電動汽車接入隨機性的有序充放電策略。然而,上述研究大多將電動汽車作為純負荷考慮,忽略了其反向供能(vehicle to home,V2H)特性及與其他儲能設備的協同作用,同時缺乏對電動汽車不同使用習慣的個性化分析。

針對上述問題,現耦合改進慣性權重混沌粒子群算法(integer coded particle swarm optimization, ICPSO)和長短期記憶神經網絡,構建一種ICPSO-LSTM組合預測模型,對光伏出力進行精準預測;將家庭負荷分為不可調度、可中斷、可轉移3種類型,結合電動汽車短途、中途、長途3種出行方式及V2H模式,對負荷進行精細化建模;設置不同偏好參數,將用戶分為經濟型、標準型和舒適型,綜合考慮用戶用能成本、溫度舒適性和用能舒適性,采用ICPSO算法對多目標優化模型進行求解,分析三類用戶的不同供用能策略。

1 家庭多類別負荷建模

光儲充一體化家庭能源系統如圖1所示,主要由光伏發電、儲能設備、智能電表、用電負荷等組成。優先使用光伏出力,不足部分從電網購電。

圖1 家庭能源系統示意圖Fig.1 Diagram of home energy management system

1.1 可調度負荷模型

將家庭主要用電負荷分為可調度和不可調度兩類。其中,根據可調度負荷在運行期間是否能隨時停機,又分為可中斷負荷和可轉移負荷。

1.1.1 可中斷負荷模型

可中斷負荷指用電時間及功率可調整,主要指空調、蓄電池、電動汽車等[18]。

1)空調設備

假設在一段時間內,空調可多次啟停,其平均功率可以是零功率和額定功率之間的任何值。室內溫度與空調功率的關系為

(1)

2)蓄電池設備

家用蓄電池設備某一時刻的電池電量與前一時刻的電池電量、充放電功率和自然損耗有關,電池充放電模型分別為

(2)

(3)

(4)

考慮到過充和過放會對電池壽命造成危害,電池的充放電狀態應有一定限制。蓄電池的荷電狀態限制如式(5)所示,充放電功率限制如式(6)所示。

SOCmin

(5)

(6)

式中:SOCmin為避免過度放電的最小狀態值;SOCmax為避免過度充電的最大狀態值;Pch,max和Pdisch,max為蓄電池最大充放電功率。

3)電動汽車

電動汽車在充放電時的數學模型與蓄電池類似,但有其特有的負荷使用特性,需要額外約束條件,即

(7)

此外,電動汽車出行與家庭生活習慣密切相關[16],本文研究將電動汽車出行計劃分為3種情形[17]:短途出行(10～40 km)、中途出行(40～80 km)和長途出行(80～120 km)。不同出行計劃表如圖2所示。

圖2 電動汽車出行計劃表Fig.2 Drive patterns of vehicle

1.1.2 可轉移負荷模型

可轉移負荷指電能消耗不能削減或中斷,但可以平移至其他時段[19],主要包括:洗衣機、洗碗機、掃地機等。為便于建模,假定所有可轉移負荷均處于恒功率模式,可表示為

(8)

1.2 不可調度負荷模型

不可調度負荷指負荷不能進行平移或中斷,無法參與需求響應,主要包括電燈、電視、個人電腦、冰箱等,其模型為

(9)

2 多目標優化函數

為構建家庭能源管理系統多目標優化調度模型,在降低用戶經濟成本[20]的同時,兼顧溫度舒適度和用能舒適度,目標函數為

(10)

式(10)中:Fcost為總支出;Fcomfort為用戶舒適度;Fcost,min為只考慮經濟性情況下,用戶最小總支出;Fcomfort,min為只考慮舒適度情況下,用戶最小舒適度;k1、k2分別為經濟偏好和舒適偏好權重,滿足0≤k1、k2≤1,且k1+k2=1。用戶可分為:經濟型、標準型和舒適型,如表1所示。

表1 3種類型用戶及其主要特征Table 1 Main characteristics of three types of users

2.1 用戶用電成本模型

在一個調度周期內,用電成本可表示為

Fcost=Ftotal-FDR

(11)

(12)

(13)

FDR=CDRPreΔt

(14)

2.2 用戶舒適度模型

在使用 HEMS 進行調度優化時,空調等可中斷負荷會對用戶溫度舒適度產生影響,而設備運行時間改變時會對用能舒適度產生影響。因此,對用戶舒適度從兩方面進行建模。

Fcomfort=λp+λs

(15)

(16)

式中:λp和λs分別為用戶溫度舒適度、用能舒適度,室溫越接近最舒適溫度,λp越小,用戶的熱舒適度越高;Tset為最舒適溫度值;γp為t時溫度舒適度的相對重要性,房間內無人時設置γp為0。

用戶舒適度指數設置為室內溫度,滿足

(17)

式(17)中:TL、TM分別為室內舒適允許最低和最高溫度,由人體舒適性氣象指標計算得出TL=23 ℃,TM=26 ℃[20]。

由于負荷響應確定的設備工作時間與用戶偏好間存在偏差,用能滿意度將會降低,為此,用能舒適度表示為實際優化后的設備工作時間與用戶最期望工作時間之間的線性距離,即

(18)

本文研究采用一種基于改進慣性權重的混沌粒子群優化算法ICPSO對整體模型進行求解。

3 光伏出力預測模型

如前所述,為合理確定預測模型的最佳參數,提高光伏出力的預測精度,本文研究提出一種基于ICPSO-LSTM的組合預測模型。

3.1 LSTM神經網絡

LSTM神經網絡是一種改良的循環神經網絡 (recurrent neural network, RNN),對計算節點進行了重新設計,增加了1個記憶單元和3個門控單元:輸入門、輸出門和遺忘門,使其僅保留重要信息,避免梯度爆炸現象。典型結構如圖3所示。

xt為當前輸入值;ht-1為上個輸出值;gt為輸入門激發輸出結果;ft為遺忘門激發輸出結果;ct為記憶單元激發輸出結果;ht為當前輸出值圖3 LSTM網絡結構Fig.3 LSTM network structure

3.2 ICPSO-LSTM組合預測模型

本文提出的ICPSO-LSTM組合預測流程如圖4所示。通過ICPSO算法的尋優能力對LSTM神經網絡的權值和參數進行優化[21]。ICPSO算法在每次迭代過程中,將更好的粒子存儲在精英庫中,并采用最速下降法快速找到接近最優解的值,避免算法的早熟收斂。在此算法中,任何粒子的位置Xk=[xk1,xk2,…,xkj,…,xkJ]T代表了一個優化問題的可能解,K粒子形成一個總體來搜索問題的解空間。在迭代過程中,通過式(19)和式(20)更新每個粒子的位置。

圖4 基于ICPSO-LSTM的預測流程圖Fig.4 Prediction flow chart based on ICPSO-LSTM

Vk=ωVk+c1rand1(Pbest,k-Xk)+

c2rand2(Gbest,k-Xk)

(19)

Xk=Vk+Xk

(20)

式中:Xk為第k個粒子在空間中的位置;Vk為粒子k的速度;Pbest,k為個體最佳位置;Gbest,k為全局最優位置;rand1和rand2為均勻分布在區間[0,1]內的獨立隨機數;c1和c2為加速度常數;ω為慣性權重因子。

為防止粒子在局部極值附近聚集,陷入局部最優,ICPSO算法通過改變慣性權重來平衡粒子的全局和局部搜索能力。

ω(n)=

(21)

(22)

式中:ω(n)為當前迭代次數下的慣性權重值;S(n)為當前迭代次數下Sigmoid函數值;λi為第i個粒子此時的混沌擾動變量值;δ為種群適應度方差;ε為方差臨界值;Nmax為最大迭代次數;n為當前迭代次數;ωmax、ωmin為慣性權重最大值和最小值。

在慣性權重變換中引入種群適應度方差和混沌擾動策略。利用種群適應度方差(粒子之間的熵)來判斷粒子的聚集程度,即式(21)中的δ2。當δ2大于臨界值時,無擾動;當δ2小于臨界值時,粒子越收斂,種群的多樣性越差。此時,采用混沌擾動策略調整粒子的運動,增強種群的多樣性,使粒子及時跳出局部最優:

λi+1=4.0λi(1-λi)

(23)

式(23)中:λi+1為第i+1個粒子的混沌擾動變量值;初始值λ0為區間(0,1)的隨機值。

總體來說,ICPSO-LSTM組合預測分為以下步驟:①將實驗數據分為訓練數據、驗證數據和測試數據;②初始化自適應ICPSO算法,以各粒子對應參數構建初始LSTM模型,確定優化對象,通過訓練數據進行訓練,通過驗證數據評價模型預測精度,將預測結果的平均絕對百分比誤差作為各粒子的適應度值;③通過ICPSO算法,對粒子位置進行更新,將更新后得到的最優位置值存入精英庫中,取30 %的精英粒子采用最速下降法進行尋優,將尋優結果重新更新精英庫,若滿足迭代次數,則將結果代入LSTM模型進行預測,反之,則繼續尋優;④輸出最終預測結果。

4 算例分析

為驗證所構建模型的有效性,本文以上海某典型家庭用戶為例進行案例分析[22],常住人口數為3,面積100 m2,主要用電設備包括空調、洗衣機、洗碗機、電動汽車、儲能、電飯煲、掃地機、飲水機、消毒柜等。優化調度周期為1 d,調度時間間隔為0.5 h,共48個時段。

4.1 可調度負荷參數設定

4.1.1 電動汽車和家用蓄電池參數設定

電動汽車和家用蓄電池參數設定如表2所示。本文全面考慮了電動汽車[23]短途、中途、長途3種出行模式,日耗電量分別為15.17、37.76和55.52 kW·h[19]。考慮電池壽命、充放電損耗、放電深度等因素,電動汽車電池荷電狀態允許范圍設為額定容量的10%～90%,家用蓄電池設為額定容量的20%～90%。

表2 電池參數設定Table 2 Battery parameters setting

4.1.2 其他可調度負荷參數設定

其他可調度負荷設備功率及工作時間設定如表3所示[24]。其中,工作時間范圍指該設備在此時間段內工作,其余時間不工作;正常工作時間指該設備的正常運行時長,最低工作時間指該設備運行需滿足的最低工作時長。

表3 可調度負荷參數設置Table 3 Parameters setting of adjustable load

4.2 不可調度負荷參數設定

不可調度負荷的電器設備參數如表4所示。為方便建模[25-27],假設各設備每時刻功率恒定。

表4 不可調度負荷參數設置Table 4 Parameters setting of non-schedulable load

4.3 光伏出力預測結果

利用前述ICPSO-LSTM組合預測模型,輸入歷史數據,對光伏出力進行預測[28],預測結果如圖5所示,可見峰值出現在12:00—13:00。

圖5 光伏發電功率預測Fig.5 Photovoltaic power generation prediction

4.4 居民電價參數

電價參照上海地區居民用分時電價,峰時電價為0.617元/(k·Wh),平時電價為0.307元/(k·Wh),如表5所示。

表5 分時電價方案Table 5 Time of use price

4.5 結果討論和分析

三類典型用戶中,標準型用戶占比最高。首先以標準型用戶為例,比較了4種情景下的能源管理優化策略,然后對不同偏好用戶的用能成本和舒適度進行對比分析。

4.5.1 標準型用戶用能策略情景分析

針對標準型用戶,本文設置了4種情景進行對比分析[29],如表6所示。情景1為基準情景,各設備按原計劃使用,且不考慮儲能設備和電動汽車;情景2在情景1的基礎上對各家庭用能設備進行優化調度;在情景3中,考慮了蓄電池和電動汽車,但電動汽車只作為負載考慮;情景4在情景3的基礎上,考慮了電動汽車V2H運行模式。

表6 情景設置情況Table 6 Scenarios setting

通過計算求解,4種情景下的用電成本、舒適度及負荷峰谷差如表7所示。由情景1和2可以看出,通過優化調度,可明顯提升用戶經濟性和舒適性,并降低峰谷差。在情景3加入儲能設備后,系統峰谷差進一步降低。此外,通過比較情景3和4,可以看出,以中途出行方式為例,相比于純粹作為負荷使用,綜合考慮電動汽車的V2H模式可顯著提升系統各方面性能。

表7 情景對比分析Table 7 Comparison of different scenarios

1)逐時供需平衡策略

以情景4為例對家庭逐時電力供需平衡策略、室內溫度變化趨勢、負荷優化調度結果等進行具體分析。圖6為考慮儲能和電動汽車V2H模式的家庭電力逐時供需平衡圖。可看出,由于光伏安裝容量較高,可滿足大部分電力需求,并在白天將多余發電儲存在電池里供夜間使用[30];電動汽車一般在夜間低谷時充電以減少能源費用,主要由蓄電池提供電力,不足部分從電網購買。此外,由于考慮了電動汽車V2H模式,出行結束后若汽車蓄電池有多余電力可反向滿足家庭其他負荷需求。其中,短途出行反向放電量最多,中途次之,長途出行由于到家時放電深度已達到極限不能再反向放電。

圖6 情景4逐時供需平衡策略 Fig.6 Hourly supply and demand balance in Scenario 4

2)可轉移負荷優化調度結果

可轉移負荷調度優化后的運行結果如表8所示。可以看出,洗碗機和熱水器部分運行時間往后適當推遲,通過將負荷移至電價低谷時期降低運行成本。除此之外,其他設備均在原先設定的允許時〗間范圍內,以盡量保證用戶的用能舒適度[31]。同時,部分負荷運行時間也適當降低,從而進一步節約成本。此外,可以看出經優化后,負荷盡量工作在光伏出力高峰時段,這是降低成本的有效手段。

表8 可轉移負荷優化運行結果Table 8 Optimal operation results of household appliances

3)可中斷負荷優化調度結果

根據出行模式的不同,短途、中途和長途下電動汽車荷電狀態如圖7所示。從圖7可以看出,電動汽車容量在整個調度期均在設定允許范圍內。汽車在短途和中途出行回家后繼續放電滿足家庭其他負荷需求,當荷電狀態到達0.4左右時,在夜間低谷時開始充電,直到容量滿足第二天出行需求。

圖7 電動汽車與蓄電池的協同供能狀態Fig.7 State of electric vehicle and battery

由于光伏安裝容量較高,蓄電池在白天陽光充足時可持續充電,其他時間段均處于放電模式,以滿足家庭負荷需求。而長途車由于白天耗電較多、回家時間較晚,無反向放電過程,需要立即充電。

空調優化調度結果由室內溫度變化體現,如圖8所示。可見經優化調度后,室內溫度保持在人體舒適度上下限范圍內(23～26 ℃),可滿足人體基本舒適性需求。室內溫度與室外溫度相同代表空調處于非工作狀態(人員外出)。

圖8 溫度模擬圖Fig.8 Simulation diagram of indoor temperature

4.5.2 不同算法對比分析

為驗證ICPSO算法求解本模型的優越性,采用基本PSO算法進行對比分析。每個算法的最大迭代次數為100次,函數維度d=30,粒子個數為50。基本PSO算法中,ω=0.5,c1=c2=2。ICPSO算法中,ωmin=0.4,ωmax=0.9,c1=c2=2,ε=0.000 1。兩種算法所得目標函數的優化適應度曲線如圖9所示。可見,ICPSO算法在初始階段能顯著提升粒子搜索能力,在迭代14次左右達到全局最優。基本PSO算法迭代6次后得到局部最優解,在迭代88次后才達到全局最優。ICPSO算法無論是在收斂速度還是優化精度上均遠遠優于基本PSO算法。

圖9 算法比較分析Fig.9 Algorithm comparison and analysis

4.5.3 不同偏好用戶用能策略對比分析

不同偏好用戶(經濟型、標準型、舒適型)用能策略對比分析結果如表9所示。可以看出,經濟型用戶用電成本最低,相較于方案1降低16.31%,但舒適度下降16.75%,適合低收入人群;舒適型用戶用電成本最高,相較于方案1僅降低3.28%,但舒適度提高53.53%,適合高收入人群;標準型用戶兼顧了用電成本和舒適性,這類用戶占家庭用戶較大比例,相較于方案1,用電成本降低11.71%,舒適度提高33.58%。

表9 不同用戶對比分析Table 9 Comparison of different households

5 結論

以光儲充一體化家庭能源系統為研究對象,考慮經濟型、標準型和舒適型3種典型家庭,結合電動汽車短途、中途、長途3種出行方式,進行多目標優化調度。可得出以下結論。

(1)本文提出的ICPSO-LSTM組合預測模型可對光伏出力進行高精度預測;在求解本模型時,相較于基本PSO算法,ICPSO算法收斂速度和計算精度均表現更優。

(2)本文提出的家庭能源管理系統多目標優化調度模型可適用于不同類型家庭用戶,在滿足不同偏好用戶個性化用能成本和舒適度要求的同時,實現可中斷、可轉移等各類型負荷的優化調度。

(3)相比于單純作為負荷使用,綜合考慮電動汽車的V2H模式可降低成本3.5%,提升舒適度4.4%,降低峰谷差12.9%。同時,短途和中途出行方式可實現電動汽車V2H模式,而長途出行由于電量耗盡不易實現。

本文研究可為智能家居的功耗優化提供一定的理論支撐,在設備智能化發展趨勢下,合理引導用戶適應峰谷電價、調整各設備用電時間,以實現用能最優。在后續研究中,將結合負荷的不確定性,耦合負荷預測相關理論,進一步提升HEMS優化調度水平。