一种基于灰狼算法的楼宇用电优化方法与流程

本发明涉及用电负荷优化调度领域，具体是基于多目标灰狼算法的楼宇多用户用电优化。

背景技术：

随着中国人口的增加和经济水平的提高，居民用电量占全社会用电量的比重逐年增加。据统计我国的居民用电占全社会用电量的13％，对全社会用电增长的贡献率约为17％，并且居民生活用电在全社会用电中的占比具有逐年增加的趋势。在当前倡导节能减排的背景下，改善居民用电习惯，优化居民用电结构显得尤为必要。智能楼宇作为智能电网用户侧的延伸，有着控制灵活，双向互动的特性，是优化居民用电结构的重要载体，能为稳定电网运行状况、消纳可再生能源、满足用户用电需求提供有力支持。

自动需求响应(automaticdemandresponse，adr)指用户对价格或者激励信号做出响应，并改变正常电力消费模式，从而实现用电优化和系统资源的综合优化配置。作为是需求侧管理的关键技术，是实现电网信息化、自动化、互动化的重要方式。家庭能源管理系统(homeenergymanagementsystem，hems)能在adr技术的支持下替代用户对电价做出响应、进行设备协调优化决策。

技术实现要素：

本发明的目的就是为了改善居民用电习惯，优化居民用电结构，稳定电网运行状况。通过楼宇系统的用电优化调度以降低用电消费，降低用电功率峰谷差。

本发明主要是通过如下方案所实现：

一种基于灰狼算法的楼宇用电优化方法；

本发明将hems运用至智能楼宇中，对用电设备特性描述并分类，以每日总电费、用户不适度、用电功率峰谷为优化目标，考虑了可再生能源，家用电动汽车的储能性，建立了分时电价环境下的楼宇负荷优化模型；采用基于按维审查的模糊拥挤判定的多目标改进灰狼优化算法对模型求解，最后利用算例仿真验证其有效性。

本发明的技术效果在于：(1)根据不同负荷运行时的功率特点以及用户对不同负荷的使用习惯，将负荷分为6类并对其特性进行描述，根据用户的用电习惯与用电需求将用户分为4类，对需求侧的考虑详细全面，具有较强适用性。(2)将hems的思想运用至智能楼宇，针对用电经济性、用户舒适性以及电网稳定性的问题，搭建楼宇用电优化模型。(3)对灰狼算法进行多目标改进，采用按维审查的模糊拥挤判定，提高了算法的优化速度、增加了种群分布性。对模型的求解达到了预期，并提供一组最优解集供选择。

附图说明

图1为各类用户每日用电特征曲线；

图1(a)(b)(c)(d)分别是均衡型、早晚高峰型、午间尖峰型、空置型用电特征图

图2为拥挤判定的具体流程；

图3为实时电价曲线；

图4为优化前后楼宇负荷用电情况对比

图4(a)为优化前功率图，图4(b)为优化后功率图

具体实施方式

下面结合附图，对本发明做进一步的详细说明。

步骤1：对楼宇用户进行分类。通常一栋居民楼宇中包含的用户类型是多样的，不同类型的用户对电价的敏感程度不同，对电力需求也明显不同。本文根据用户的用电习惯与用电需求大致将用户分为居家型、上班上学型、商业型和空置型。通过图1展示的4类用户的每日用电特征图可以明显的看出他们的区别。

(1)均衡型

均衡型用户日常主要的时间是在家庭室内的，他们昼间对负荷有一定程度的需求，夜间的需求量会有所降低。该类用户对电价比较敏感，将会根据电价的变动来调整用电习惯。

(2)早晚高峰型

早晚高峰型用户昼间时间主要待在工作单位和学校，家庭的负荷需求较低。他们的用电时段集中在早晚。

(3)午间尖峰型

午间尖峰型用户的用电需求很高，主要是通过储能设备来减少其在用电高峰是对主电网的用电需求。

(4)空置型

空置型用户指室内长期无人居住的家庭，此类几乎无用电需求。

步骤2：设备负荷特性分类。可以根据不同负荷运行时的功率特点以及用户对不同负荷的使用习惯，将负荷分为不可控负荷、可中断负荷、可转移负荷、充电负荷、储能负荷、发电负荷6类。

(1)不可控负荷

不可控负荷是用户在固定时段使用的负荷，用户对其的需求是必要的，对该类不需要进行调度优化。该类负荷包含了照明和满足用户生活娱乐的用电设备，对这类负荷的改变将会极大的影响用户满意度和舒适性。并且不可控负荷不具备储能特性，对电价的变化不敏感，运行功率稳定。在优化模型中不可控负荷的用电需求与其产生电费按固定值给出。

(2)可中断负荷

可中断负荷在运行过程中可按照电价和实际需要短暂断电，且不对用户使用造成影响，如空调、热水器、电冰箱等。可中断负荷需要在用户认为的最佳时间完成通断电操作，否则会引起用户的排斥，产生用户不适度，其计算见下式：

ui＝∑ui,t+∑u′i,t(3)

其中ui,t′和u′i,t分别表示可中断负荷在每次通电和断电时产生的用户不适度；t和t′分别表示通电和断电时长；ti,min、ti,best分别为负荷最短运行时间和最佳运行时间；t′i,best、t′i,max分别表示最佳断电时间和最长断电时间；ui表示可中断负荷一天内产生的用户不适度。

(3)可转移负荷

可转移负荷在一定的时间范围内用户能随意选择其运行时段，该类负荷具有固定的运行时间且其运行时间远比规定时间范围短。如洗碗机，用户可在两次用餐之间较长的一段时间选择它的运行时段，而它的运行时间远短于这些时段，类似的用电设备有洗衣机，电水壶等。

可转移负荷每次运行时引起的用户不适度计算见下式：

uj＝∑uj,t(5)

其中，uj,t表示可转移负荷产生的用户不适度；tj,best表示最佳启动时间；tj,on和tj,off表示负荷启动时刻与终止时刻；uj表示可转移负荷一天内产生的用户不适度。

(4)充电负荷

充电负荷是需要先从电网充电后，用户再进行使用的负荷。典型的充电负荷是电动汽车，接入充电桩后几乎可以随时暂停充电又随时继续充电，前提是要在用户使用时间前完成要求容量的充电任务，这样可以安排充电负荷在电价较低时充电。

充电负荷要求在规定时间内达到预定容量，否则会引起用户排斥，其计算见下式：

uk＝∑uk,t(7)

其中，uj,t表示充电负荷产生的用户不适度；capk表示充电负荷的容量；capk,t表示t时段内所储点能；uj表示储能负荷一天内产生的用户不适度。

(5)储能负荷

储能设备拥有良好的储备和释放电能的能力，在负荷优化中可以有效地起到能量缓存作用。

(6)发电负荷

发电负荷是小规模的分散建立于用户端，以其他清洁能源转化为电能的发电装置，主要以太阳能光伏、小型风力发电为主。发电装置在满足一定的物理条件下就能输出电能。

步骤3：建立优化模型。

优化目标：本发明模拟的用电场景为一普通小区楼宇，由同一电力公司按照实时电价的收费标准供电用电数据由智能电表、智能插座、智能交互终端提供。

在对用户舒适度影响最小的前提下，达到合理用电，节能减排，稳定电网的目的，优化的目标由每日总电费、用户不适度、用电功率峰谷差3项组成，并且3个目标都是向着尽量小的方向优化。数学表述的优化目标见下式：

minf＝[c，u，d](8)

其中，c、u、d分别表示每日总电费、用户不适度、用电功率峰谷差；n为用电负荷的总数，h指将一天的24小时分为h个时段，j表示每个时段，即24/h小时；cj为j时段的实时电价，pi,j为负荷i第j个时段的功率；ui,k为负荷i第k次动作引起的用户不适度。

约束条件：

(1)可中断负荷

可中断负荷的约束主要来自通电时长和断电时长，如下式：

t≥ti,min(12)

t′≤t′i,max(13)

(2)可转移负荷

可转移负荷的约束主要来自用户使用它的时间，即负荷运行的启动与停止时间，如下式：

tj,on≥tj,onear(14)

tj,on≤tj,onlat(15)

tj,off-tj,on≥tj,on,std(16)

其中，tj,onear和tj,onlat表示负荷最早启动运行时间和最晚启动运行时间；tj,on,std表示负荷实际连续工作时长。

(3)充电负荷

充电负荷的约束主要来自其充放电的时间，如下式：

tk,on≥tk,cha(17)

tk,off≤tk,dis(18)

其中，tk,on、tk,off分别表示负荷k开始运行时刻和停止运行时刻；tk,cha、tk,dis分别表示负荷k充电开始时刻和充电结束时刻；capk,pre为充电负荷k初始电量，ηch,k为负荷k的充电效率，pk,h为负荷k第h个时段的充电功率，capk为电池最大容量；xk,h表示负荷k第h个时段是否充电，充电时值为1，不充电时值为0。

(4)储能负荷

储能负荷要受电池容量和充放电程度的约束，如下式：

βi,maxcapi≥capi,p≥βi,mincapi(21)

其中，capi,p表示储能负荷i在第p个时段时的电量,capi,pre表示当天零点时刻的电量；λch、λdis分别指负荷i的充电效率，放电效率；pi,j指j时段充放电功率，xi,j为运行状态，充电时值为1，放电时值为-1，不充电也不放电时值为0；capi为电池容量，βi,max、βi,min分别表示最大、最小充放电程度。

步骤4：算法的改进。

灰狼优化算法是根据自然界中灰狼群体的社会等级和捕猎过程提出的群体智能优化算法。将最适合的解决方案视为alpha(α)。因此，第二和第三最佳解决方案分别被命名为beta(β)和delta(δ)。其余的候选解决方案被假定为omega(ω)。在灰狼算法中，搜索(优化)由α,β和δ引导。狼ω跟随这三头狼^[13]。

灰狼在狩猎间环绕猎物，数学上模拟环绕行为见下式：

其中：t表示当前迭代，和是系数向量，是猎物的位置向量，表示灰狼的位置向量。

向量和计算见下式：

其中的分量在迭代过程中从2线性减少到0，和是[0,1]中的随机向量。

灰狼有能力识别猎物的位置并包围它们。狩猎通常由α引导，β和δ也可能偶尔参与狩猎。但是，在抽象搜索空间中，我们不知道最优解(猎物)的位置。为了在数学上模拟灰狼的狩猎行为，我们假设α(最佳候选解)β和δ对猎物的潜在位置有更好的了解。因此，我们保存到目前为止获得的前三个最佳解决方案，并迫使其他搜索代理(包括ω)根据最佳搜索代理的位置更新其位置。位置更新见下式：

灰狼群的狩猎运动代表着解空间解的改变。每匹灰狼在α、β和δ的引导下向着猎物的方向聚集。算法中表现为灰狼群代表的解逐渐趋近于全局最优解。

灰狼算法最初是针对单目标优化问题提出。本文进行求解的楼宇用电优化是多目标优化问题，具有多个优化目标和约束条件，所以用多目标灰狼优化算法更加适合现在的求解环境。

通常对于拥有m个决策变量，n个优化目标的多目标优化问题的数学关系表示为式(12)：

其中，f(x)决策向量，x＝(x1,x2,…,xm)∈e，e是m维决策空间；gi(x)为j个不等式约束条件，hi(x)为k个等式约束条件。

多目标优化算法优化过程是通过种群的进化，根据种群中个体的适应度挑选出一群相对优秀的个体，最终得到最好的帕累托前沿和帕累托最优解。非支配排序遗传算法(non-dominatedsortinggeneticalgorithm-ii,nsga-ii)中进行的非支配排序是根据种群中个体支配其他个体的数量多少，距离最优前沿越近被支配数越少，支配程度越强。

对灰狼算法的改进依据着帕累托相关定义：

(1)帕累托支配：对于任意两个解向量p,q∈e，p支配q，记作p＞q，当且仅当：

(2)帕累托最优：如果解p是帕累托最优，当且仅当

(3)帕累托最优解集：集合中的所有解构成了帕累托最优解集。

(4)帕累托前沿：解集ps中的所有个体对应的目标函数值构成的集合pf＝{f(x)＝[f1(x),f2(x),…,fn(x)]|x∈ps}为帕累托前沿。

(5)帕累托等价：如果两个解p,q∈e等价，当且仅当：

在算法优化过程中会出现若干个优秀等价个体都非常靠近帕累托前沿，依照非支配排序法将会使这一簇优秀等价个体在进化中淘汰，从而降低优化结果。根据(5)帕累托等价的定义，在算法中加入等价簇去重法则：选择并保留一簇等价个体中的最适个体，淘汰其他个体。

多目标优化要求在优化问题的解空间维持相对均匀的一群非劣解，在优化前沿种群分布性上，本文依据基于纬度距离判定法则，采用按维审查的模糊拥挤判定。

对于一个n个目标的多目标优化问题，将优化目标用一个n维的向量表示为下式：

f＝(f1,f2,…,fn)(32)

则两个不同个体a和b的适应度距离(优化目标向量之间的距离)可以表示为下式：

在一个有n个个体的种群中，随机的一个个体a与其他个体适应度距离为下式：

拥挤判定的具体流程为图2。

步骤5：模型的求解。求解过程如下：

1：系统初始化，加载用户负荷模型和实时电价数据

2：初始化算法参数配置，生成随机初始种群

3：计算目标函数，即个体适应度函数

4：等价簇去重

5：非支配排序，种群去重后，按照帕累托最优解集和帕累托前沿的定义计算个体支配数，按支配数排序各级帕累托前沿f1，f2，f3，…

6：拥挤判定，计算5中得到的f1最优解集ps1的模糊拥挤判定结果，剔除拥挤个体后得ps1*

7：维持种群个体数稳定，将ps1*加入种群，若此时个体数量小于种群规模n，则加上f2经过6处理得的ps2*，以此类推

8：计算每个搜索代理的适应度

9：按公式(28)更新当前搜索代理位置

10：更新a，a,和c；更新xα，xβ，和xδ

11：判断是否满足终止条件，若不满足，将此代种群与上代种群合并返回3；若满足，则算法优化终止，输出最后一代帕累托最优解集和帕累托前沿

步骤6：算例仿真。参照图3的实时电价曲线，从楼宇负荷优化前的用电情况(图4)可以看出，用户主要根据自己的用电习惯来用电，对用电经济性和电力系统的稳定性考虑不多。在10点到17点的电价高峰期的用电量较大，而在2点到6点的低电价时段用电量较小，但是在这种用电方式的用户满意度和舒适度是最高的。

经过多目标灰狼算法的优化后，在电价高峰期的用电量有所降低，保证了用电经济性；并且优化后用电更加均匀，峰谷差减小，保证了电力系统的稳定性；由于改变了负荷的使用时间，不可避免的降低了用户的舒适度，但算法优化中也尽量减小了用户产生的不适度。