本发明涉及家庭能量管理领域，特别是涉及一种基于多目标灰狼优化算法的大规模家庭能量管理方法。
背景技术：
当下全球能源陷入了短缺的境地，煤炭和石油资源不断被消耗。但随着一系列新能源的挖掘使用，比如太阳能、风能以及天然气等能源不断被投入电力行业中。由其构成了众多的分布式能源，给传统电网的结构带来很大的冲击，为了应对这样一个局面，主动配电网是一个有效解决该问题的措施。
而在主动配电网的众多类型用户中，家庭用户占了很大的比例，其负荷特点就有单体量小但总量大，并随着光伏与电动汽车等分布式设备接入家庭，其具有十分可观的可调度潜力。为了进行需求侧响应，构建一个家庭能量管理框架能够促进家庭用户参与电力市场的调度机制中。同时，市场中普遍存在的利益博弈问题在电网与家庭用户之间同样存在，因此寻找一个有效的方法来对双方进行博弈求解是一个亟待解决的问题。
技术实现要素：
(一)解决的技术问题
基于此，本申请提出一种基于多目标灰狼优化算法的大规模家庭能量管理方法，其通过家庭中光伏电源与蓄电池的协调配合来达到用户与电网的利益需求，从而满足用户的经济性目标和电网的负荷曲线优化目标。
(二)技术方案
基于此，本申请提出一种基于多目标灰狼优化算法的大规模家庭能量管理方法，包括以下步骤：
根据家庭中是否有光伏电源将大规模家庭用户分成两类：有光伏家庭和无光伏家庭；
从家庭的历史数据中获得家庭基本负荷和光伏出力的预测数据，从电网获得分时电价信息，由蓄电池参数及约束条件确定其充放电控制模型；
根据家庭基本负荷和光伏出力的预测数据，制定根据不同类型家庭考虑光伏自发自用以及削峰填谷的蓄电池充放电策略；
根据家庭侧以及电网侧的需求，建立家庭侧的经济性目标函数和电网侧的负荷曲线优化目标函数；
根据模型参数及约束条件初始化蓄电池充放电功率，即多目标灰狼优化算法中的初始种群；
根据初始化种群计算每个目标函数值，找出其中的非支配解形成初始精英库，并从中选择出最优的三个解作为头狼，分别为Alpha(α)狼、Beta(β)狼和Delta(δ)狼，其余狼群则作为Omega(ω)狼；
根据多目标灰狼优化算法的狼群捕猎机制和头狼选择机制来更新精英库；
判断是否达到最大迭代次数，若达到最大迭代次数，则结束计算并输出帕累托解集，否则，返回用多目标灰狼优化算法的狼群捕猎机制和头狼选择机制来更新精英库的步骤；
得出帕累托解集后，根据基于灰色关联度的决策机制来选出一个最优折中解作为家庭能量管理的最优方案。
在其中一个实施例中，所述大规模家庭均具备一定容量的蓄电池，且部分家庭具有光伏电源；根据家庭中是否有光伏电源可将大规模家庭用户分有光伏家庭和无光伏家庭。
在其中一个实施例中，所述蓄电池参数包括：蓄电池容量、蓄电池荷电状态下限、充放电功率上限、充放电效率上下限。
在其中一个实施例中，所述制定根据不同类型家庭考虑光伏自发自用以及削峰填谷的蓄电池充放电策略为：(1)光伏自发自用模式：在满足蓄电池约束条件下，若有光伏出力，则优先储存光伏电量；(2)蓄电池充放电模式：在满足蓄电池约束条件下，综合考虑电价和当前负荷信息，以家庭经济性和电网负荷曲线优化为目标进行充放电控制；(3)蓄电池待机模式：当超出蓄电池约束条件或当前充放电不符合优化目标则蓄电池停止充放电。
在其中一个实施例中，所述根据家庭侧以及电网侧的需求，建立家庭侧的经济性目标函数考虑用户的电费支出最小，电网侧的负荷曲线优化目标函数考虑总负荷曲线的标准差最小。
(三)有益效果
与现有技术相比，本发明提供了一种基于多目标灰狼优化算法的大规模家庭能量管理方法，具备以下有益效果：
上述基于多目标灰狼优化算法的大规模家庭能量管理方法通过采用多目标灰狼优化算法对大规模家庭进行能量管理优化。首先通过家庭电气设备的不同将大规模家庭分为有光伏家庭和无光伏家庭两类，然后通过蓄电池的使用实现光伏的自发自用和负荷转移来获得较好的经济性和负荷曲线优化的效果。另外，所采用多目标灰狼优化算法是一种较新的多目标优化算法，该算法能够有效解决大规模家庭能量管理的多目标问题，从而满足家庭与电网的不同利益需求。
附图说明
图1为本发明的基于多目标灰狼优化算法的大规模家庭能量管理方法的方法流程图；
图2为家庭负荷预测数据示意图；
图3为光伏发电日前预测数据示意图；
图4为分时电价曲线示意图。
具体实施方式
请参考图1、图2、图3和图4，本发明的一个实施方式提供一种基于多目标灰狼优化算法的大规模家庭能量管理方法。该实施方式主要以家庭中光伏电源和蓄电池为研究对象，将大规模家庭用户进行分类，通过对光伏电源与蓄电池的协调配合进行家庭能量管理。该基于多目标灰狼优化算法的大规模家庭能量管理方法包括以下步骤：
步骤S110，根据家庭中是否有光伏电源将大规模家庭用户分成两类：有光伏家庭和无光伏家庭。上述大规模家庭均具备一定容量的蓄电池，部分家庭具备光伏电源。因此根据家庭是否具备光伏电源可将家庭用户分为有光伏家庭和无光伏家庭。
步骤S120，从家庭的历史数据中获得家庭基本负荷和光伏出力的预测数据，从电网获得分时电价信息，由蓄电池参数及约束条件确定其充放电控制模型。家庭基本负荷和光伏出力预测数据如图2和图3所示，分时电价信息如图4所示。蓄电池的参数包括：蓄电池容量、蓄电池荷电状态下限、充放电功率上限、充放电效率上下限。具体如下。
蓄电池容量：5.9kW·h
蓄电池荷电状态下限：30％
充放电功率上限：3kW
充放电效率上下限：90％/90％
由蓄电池参数及约束条件确定其充放电控制模型具体如下。
SOC(t)＝SOC(t-1)+(δch*Pch(t)-1/δdch*Pdch(t))/BkW
其中，SOC(t)为蓄电池荷电状态；Pch(t)和Pdch(t)分别为充放电功率；δch和δdch分别为充放电效率；BkW为蓄电池容量。
步骤S130，根据家庭基本负荷和光伏出力的预测数据，制定根据不同类型家庭考虑光伏自发自用以及削峰填谷的蓄电池充放电策略。充放电策略主要分为：(1)光伏自发自用模式：在满足蓄电池约束条件下，若有光伏出力，则优先储存光伏电量；(2)蓄电池充放电模式：在满足蓄电池约束条件下，综合考虑电价和当前负荷信息，以家庭经济性和电网负荷曲线优化为目标进行充放电控制；(3)蓄电池待机模式：当超出蓄电池约束条件或当前充放电不符合优化目标则蓄电池停止充放电。具体描述如下：
(1)光伏自发自用模式
当PPV(t)>0并且蓄电池可充电，则蓄电池的充电策略为：
Pch(t)＝min[PPV(t),(SOCU-SOC(t))*TC]
Pdis(t)＝0
Pexch(t)＝Ppre(t)
(2)蓄电池充电模式
当Ppre(t)<Pave并且蓄电池可充电，则蓄电池的充电策略为：
Pch(t)＝min[PBatt(t),(SOCU-SOC(t))*TC]
Pdis(t)＝0
Pexch(t)＝Pch(t)+Ppre(t)
(3)蓄电池放电模式
当Ppre(t)>Pave并且蓄电池可放电，则蓄电池的放电策略为：
Pch(t)＝0
Pdis(t)＝min[PBatt(t),(SOC(t)-SOCL)*TD]
Pexch(t)＝Ppre(t)-Pdis(t)
(4)蓄电池待机模式
当PBatt(t)＝0则蓄电池无充放电动作：
Pch(t)＝0
Pdis(t)＝0
Pexch(t)＝Ppre(t)
其中，PPV(t)为光伏电源出力；Pbatt(t)蓄电池充放电功率；SOCL和SOCU分别为蓄电池的上下限；TC和TD蓄电池每小时的最大充放电功率比例；Pexch(t)为电网与家庭用户的交换功率；Ppre(t)家庭负荷预测数据。
步骤S140，根据家庭侧以及电网侧的需求，建立家庭侧的经济性目标函数和电网侧的负荷曲线优化目标函数。家庭侧的经济性目标函数考虑用户的电费支出最小，电网侧的负荷曲线优化目标函数考虑总负荷曲线的标准差最小。具体描述如下：
其中F为经济性目标和负荷曲线优化目标；Nh是家庭数量；TOU(t)是分时电价信息；Pgrid(i,t)是交换功率；μ家庭负荷曲线平均值。
步骤S150，根据模型参数及约束条件初始化蓄电池充放电功率，即多目标灰狼优化算法中的初始种群。由蓄电池充放电功率上下限，随机一组变量为：
PBatt＝[PBatt(1),PBatt(2),PBatt(3),...,PBatt(24)]；0＜PBatt(h)＜3kW
步骤S160，根据初始化种群计算每个目标函数值，找出其中的非支配解形成初始精英库，并从中选择出最优的三个解作为头狼，分别为Alpha(α)狼、Beta(β)狼和Delta(δ)狼，其余狼群则作为Omega(ω)狼。
步骤S170，根据多目标灰狼优化算法的狼群捕猎机制和头狼选择机制来更新精英库。狼群捕猎机制可描述如下：
D＝|C·Xp(t)-X(t)|
X(t+1)＝Xp(t)-A·D
其中，Xp为猎物的位置；X为灰狼的位置；D是狼群向猎物进攻步长；A和C为两个随机因素。
精英库保存了目前为止的最优非支配解，而多目标的头狼选择机制为在精英库的最疏分段中，根据轮盘法选择出α狼、β狼和δ狼，若该分段中不足三个非支配解，则在次疏分段中选取剩余头狼。在狼群捕猎过程中，若精英库已满，则比较下一个解与精英库中的非支配解。若该解被精英库中至少一个解所支配，则该解不允许置入精英库；若该解支配一个或多个精英库中的解，则该解加入精英库，并移除被支配的解；如果精英库中没有解能够支配该解，则重新对精英库排序，从最拥挤的分段剔除一个解，并将该解置入最疏分段中。
步骤S180，判断是否达到最大迭代次数，若达到最大迭代次数，则结束计算并输出帕累托解集，否则，返回用多目标灰狼优化算法的狼群捕猎机制和头狼选择机制来更新精英库的步骤S170。
步骤S190，得出帕累托解集后，根据基于灰色关联度的决策机制来选出一个最优折中解作为家庭能量管理的最优方案。其中灰色关联度的决策机制可具体描述如下：
(1)决策矩阵初始化。根据下式进行归一化：
其中，rij为归一化后参数，fjmax和fjmin分别为第j个目标函数的最大值和最小值，fij为第j个目标函数的第i个值；N0和Mobj分别为每个目标函数值得数目和目标函数的数目。
(2)方案的灰色关联度计算。设理想方案(r01，r02,…,r0M)为母向量，待评价方案为子向量，则方案i与理想方案在j维目标上的关联度系数为：
其中，aij为每个方案关联度系数；ρ为分辨率系数，通常取0.5。
(3)目标权重的确定。灰色关联度法用各方案到理想方案的关联度之和作为综合评价准则，为确定各目标权重，构造如下线性规划模型：
其中，Z为关联度之和；ω为权重系数。
(4)计算加权灰色关联度。最后，得到方案i和理想方案的加权灰色关联度为：
其中，W为方案i和理想方案的加权灰色关联度；W越大，则方案与理想方案越接近，方案越好。
通过以上步骤就可以得到一组符合大规模家庭与电网利益需求的用电计划，通过该用电计划的实施，能够达到家庭用户的经济性目标和电网负荷曲线优化的目标。
本发明的基于多目标灰狼优化算法的大规模家庭能量管理方法相对于现有技术具有如下的优点及效果：
(1)本发明设计的基于多目标灰狼优化算法的大规模家庭能量管理方法，考虑了大规模家庭与电网的互动的能量管理优化，而不是以往单纯的只做一个家庭的能量管理。
(2)本发明设计的基于多目标灰狼优化算法的大规模家庭能量管理方法，考虑家庭用户与电网的利益需求，并通过灰色关联度来达到双方利益的一致性。
(3)本发明设计的基于多目标灰狼优化算法的大规模家庭能量管理方法，采用多目标灰狼优化算法，这是一种较新的多目标优化算法，相对于其他非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm)、MOPSO(Multi-objective Particle Swarm Optimization，粒子群优化)算法的求解方法，具有收敛速度快，帕累托前沿搜索更均匀、分布更广等优点。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。