本发明涉及智能家庭用电调度领域，尤其是涉及一种基于实时滚动窗口的家庭用电调度优化方法。
背景技术：
在实时电价背景下，用户可以根据电价波动情况自行安排用电，使用户的生产成本最小化，而且起到削峰填谷的作用，实现用户节省成本和电力系统稳定运行的双赢。
目前，家庭用电调度优化策略主要是日前调度优化方法。日前调度优化方法是在每天的开始就制定好当天的用电调度。用户用电信息的预测都会存在误差，这将会导致日前调度优化方法在实际环境中难于执行。特别地，当用电信息突然变化时，如果用户没有及时响应将会造成用电成本和电力系统不稳定风险的大大提高。为此，提出了家庭用电实时调度方法。不同于很多日前调度优化方法，我们设计的实时调度方法可以减少用电信息不确定性对调度造成的影响。
技术实现要素：
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于实时滚动窗口的家庭用电调度优化方法。
本发明的目的可以通过以下技术方案来实现：
一种基于实时滚动窗口的家庭用电调度优化方法，包括以下步骤：
s1将一天划分为48个等间距的时间段；
s2自动更新当前时间段并且自动更新滚动窗口所包含的时间范围；
s3人机更新滚动窗口内智能用电器的用电允许范围和用电量；
s4更新滚动窗口内电价；
s5生成以最小化购电峰均比和最小化用电成本为目标的调度优化模型；
s6求解调度优化模型得到最优解；
s7用户根据最优解操作当前时间段的用电调度，并且重复步骤s2-s7。
所述的步骤s1中，将一天划分为48个等间距的时间段，每个时间段长度为0.5小时，一天的实时电价为当天∶00:00到24:00的电价数据。
所述的步骤s2中，当前时间段为当前时刻所对应48个时间段中的一个时间段，滚动窗口的长度为24个小时，所包含的时间范围为当前时刻到将来的24小时之间。
所述的步骤s3中，智能用电器包括可延迟负荷和不可延迟负荷，所述的可延迟负荷包括可中断和不可中断负荷两类，不可延迟负荷不参与用电调度，可延迟负荷参与用电调度，用电任务包括可延迟用电任务和不可延迟用电任务，用电任务的允许工作时间范围可能会处在滚动窗口之外，对于处在滚动窗口左侧之外的用电任务，总共需要工作时间段数da减去过去完成的部分任务，更新总共需要工作时间段数da为剩余的工作量，更新用电器的允许开始工作时间段αa为1；对于处在滚动窗口右侧之外的用电任务，采用优先完成的策略，即当总的剩余工作量da小于在滚动窗口内的允许工作范围，则更新用电器的允许结束工作时间段βa为αa+da-1，否则更新用电器的允许结束工作时间段βa为48，更新总共需要工作时间段数da为48-αa+1。
所述的步骤s3中，可延迟用电任务a在允许的工作范围[αa，βa]内能够提前或者延迟完成，可延迟负荷模型为：
其中，h为时间窗口内的时间段序号，h为一天划分的时间段总数，sa(h)＝1表示设备处于工作状态，sa(h)＝0表示设备处于空闲状态，da为用电任务总共需要工作时间段数。
所述的步骤s4中，实时电价信息通过智能电表获取。
所述的步骤s5中，最小化购电峰均比par的计算公式如下：
其中，a为用户所有可延迟的用电任务总数，pa为可延迟用电任务a的统计平均功率，pndef为不可延迟用电任务的总用电功率，h为一天划分的时间段总数，pgrid，buy(h)为用户从电网购买电能的功率；
所述的步骤s5中，最小化购电成本costpay的计算公式如下：
其中，rtpbuy为获取的实时电价，δh为相邻两个时间段的间隔时间，
所述的步骤s5中，以最小化购电峰均比和最小化用电成本为目标的调度优化模型如下：
min{ε1costpay+ε2par}
sa(h)＝0，
sa(h)＝0or1，ifh∈[αa，βa]，当a属于可中断任务
其中，ε1和ε2分别为用电成本和购电峰均比的权重因子。
所述的步骤s6中，调度优化模型属于0-1整数规划问题，采用遗传算法进行求解最优解，
采用遗传算法求解最优解时，染色体的编码的方式为二进制编码，用户拥有m个不可中断用电任务和n个可中断用电任务，对所有用电任务的染色体x可以表示为：
所述的遗传算法求解过程中的适应度fitness定义为：
其中，c为常数阈值，用于避免适应度变成负值。
与现有技术相比，本发明具有以下优点：
本发明提供了一种减少信息预测的误差采用实时用电调度策略的方法，在实时用电调度优化方法中，每间隔一个时间段调度系统都会信息进行一次更新，信息更新过后，调度中心再次优化得到当前信息下的最优解，用户只需要采纳最优解的第一个时间段的操作就可以实现全天的最优调度，本发明为用户提供一种家庭用电实时调度优化方法，该方法不仅可以使用户可以及时响应用电信息的变化，降低由于调度系统输入信息预测误差大所造成的高用电成本，还具有提高电力系统稳定性的功能。
附图说明
图1为一个智能家庭系统。
图2为滚动窗口示意图。
图3为本发明的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，在智能电网环境下，一个智能家庭系统包括智能用电器、智能电表、调度中心、控制器等。其中电网实行的是实时电价收费。
如图3所示，一种基于实时滚动窗口的家庭用电调度优化方法，包括一下步骤：
(s1)把一天划分为48个等间距的时间段；一天的实时电价为当天00：00到24：00的电价数据，把一天划分为48个等间距的时间段，每个时间段间隔0.5个小时。
(s2)自动更新当前时间段，自动更新滚动窗口所包含的时间范围；当前时间段是指当前时刻所对应48个时间段中的一个时间段。滚动窗口的长度为24个小时，时间范围为当前时刻到将来的24小时之间。
(s3)人机更新滚动窗口内智能用电器的用电允许范围和用电量；智能用电器通常分为两类：可延迟负荷和不可延迟负荷，其中可延迟负荷又分为可中断和不可中断负荷两类。不可延迟负荷不参与用电调度，当用户需要操作这类负荷时无条件执行。参与用电调度的主要任务由可延迟负荷产生，用电任务实际工作的工作时间范围都需要转换成滚动窗口内的时间段范围。其中，用电任务的允许工作时间范围可能会处在滚动窗口之外。对于处在滚动窗口左侧之外的用电任务，总共需要工作时间段数da减去过去完成的部分任务，更新总共需要工作时间段数da为剩余的工作量，更新用电器的允许开始工作时间段αa为1；对于处在滚动窗口右侧之外的用电任务，采用优先完成的策略，即当总的剩余工作量da小于在滚动窗口内的允许工作范围，则更新用电器的允许结束工作时间段βa为αa+da-1，否则更新用电器的允许结束工作时间段βa为48，更新总共需要工作时间段数da为48-αa+1，如图2所示。
可延迟用电任务a在允许的工作范围[αa，βa]内可以提前或者延迟完成。可延迟负荷模型如下：
其中，h为时间窗口内的时间段序号，h＝48，sa(h)＝1表示设备处于工作状态，sa(h)＝0表示设备处于空闲状态，da代表用电任务的总共需要工作时间段数。此外，可中断任务需要满足的约束为：sa(h)＝0or1，ifh∈[αa，βa]不可中断任务需要满足的约束条件为：
(s4)滚动窗口内实时电价信息是通过智能电表提前知道的。
(s5)生成以最小化购电峰均比和最小化用电成本为目标的调度优化模型；最小化购电峰均比par计算公式如下：
其中，a为用户所有可延迟的用电任务总数，pa为用电任务a的统计平均功率，pndef为不可延迟用电任务的总用电功率，h为一天划分的时间段总数，pgrid，buy(h)为用户从电网购买电能的功率。
rtpbuy为滚动窗口内的实时电价，δh为相邻两个时间段的间隔时间(例如，h＝48时，δh＝0.5)，最小化购电成本costpay计算公式如下：
因此，以最小化购电峰均比和最小化用电成本为目标的调度优化模型如下：
min{ε1costpay+ε2par}
sa(h)＝0，
sa(h)＝0or1，ifh∈[αa，βa]，当a属于可中断任务
其中，ε1和ε2分别为用电成本和购电峰均比的权重因子，权重因子值越大代表用户对对应的优化目标越偏爱。
(s6)遗传算法求解优化模型得到最优解；因为步骤(s5)生成以最小化购电峰均比和最小化用电成本为目标的调度优化模型属于0-1整数规划问题。采用遗传算法求解最优解时，染色体的编码的方式为二进制编码，用户拥有m个不可中断用电任务和n个可中断用电任务，对所有用电任务的染色体x可以表示为：
遗传算法求解过程中的适应度fitness定义为：
其中，c为一个常数阈值，用于避免适应度变成负值。
(s7)用户根据最优解去操作当前时间段的用电调度，循环执行步骤(2)-(7)。