1、基于分时电价的家庭智能用电控制策略研究 唐玉玲 应俊 重庆邮电大学 作者简介：唐玉玲 (1991) , 硕士研究生, 主要从事电子新技术及应用方面的研究。作者简介：应俊 (1976) , 副教授, 硕士生导师, 主要从事电子信息技术方面的研究。0 引言随着科技的发展, 智能电表、传感器以及智能控制设备的相应出现1, 人们的家庭生活更加智能化。与生活相关的电子设备可以连接在一起, 通过设备间的协调运行, 为人们提供舒适的生活环境与优质的居住体验, 提供更加高效、便捷、丰富的家用基础服务2。同时, 用户可以建立智能用电控制平台, 优化用电情况, 降低用电量, 提高用电效率, 节约成本3。鉴于此,
2、本文基于分时电价, 针对家庭用户的智能用电设备的能耗进行分析, 得到最优家用电器控制策略, 实现家庭智能用电, 节省电能。1 算法分析家庭智能用电控制的系统框架主要包括智能控制中心、智能电表、智能开关、智能插座以及家庭用电设备4等, 智能电表可采集到家庭用电器的用电数据。用户可根据自己的需求, 设定家用电器的运行状态, 以电量消费最小为目的找到家用电器最合理的使用模式, 然后通过智能家庭网关实现对家用电器的控制。为了智能控制第二天的家庭用电情况, 需要预测第二天的用电信息, 包括电器的启动时间、运行时长等。本文利用自适应模糊推理系统 (ANFIS) , 通过对家庭用电器历史使用数据的学习, 对
3、第二天的用电情况进行预测, 预测家庭用电器的开启时间, 运行时间等信息, 从而有针对性的对用电器进行控制。ANFIS 综合了神经网络的学习算法和模糊推理的简洁形式, 通过对训练数据的学习, 产生数值解。既具有学习机制, 又具有模糊系统的语言推理能力。图 1 自适应模糊推理系统示意图 下载原图ANFIS 结构有 5 层, 如图 1 所示, 第一层是输入参数的选择和模糊化, 它是模糊规则建立的第一步。模糊集的隶属度函数, 通常选用钟型函数, 三角隶属函数, 梯度隶属函数等都是模糊化时常用的函数。第二层是模糊规则激励强度的计算, 将输入信号的隶属度相乘。第三层是节点进行各条规则适用度的归一化计算。第
4、四层是每个节点作为自适应节点。第五层的单节点是一个固定节点, 计算所有输入信号的总输出。遗传算法是一类借鉴生物界自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象6, 在每次迭代中都保留一组候选解, 并按照某种指标从解群中选取较优的个体, 利用遗传算子对这些个体进行组合, 产生新一代的候选解群, 重复此过程直到满足某种收敛条件为止。对待优化的问题, 先求取目标函数, 然后根据目标函数设定适应度函数, 根据设定的目标函数, 利用 MATLAB 软件中的遗传算法工具箱求解函数优化问题, 从而得到家庭用电最优方法。在尽量不影响用户每天正常的用电需求情况下, 付出电费最少作为优化目标。2 仿真分析
5、实验采用的数据是一个家庭每天的用电数据, 3 个电表以每分钟的采样频率采集。电表 1 记录采集到的厨房电量, 包括微波炉、烤箱等;电表 2 采集洗衣机电量;电表 3 采集热水器和空调电量。实验采用的分时电价以武汉试点地区的电价标准, 电价采取国家发展改革委关于湖北省分时电价方案的批复文件中的电价方案5, 其中, “峰段电价=平段电价*1.8;谷段电价=平段电价*0.48”, 分时电价函数为:2.1 用电行为预测为了对第二天的家用电器进行调控, 需要提前知道家用电器的运行情况, 开启时间、运行时间等, 所以需要对第二天的家用电器运行情况进行预测。本文利用 MATLAB 中的 ANFIS 工具箱进
6、行仿真, 预测结果与实际使用情况进行比较, 得到预测匹配情况图, 如图 2 (a) (b) 所示:图 2 (a) 预测匹配度图 下载原图图 2 (b) 预测匹配度图 下载原图其中, 表示预测前的数据, *表示预测后的数据, 预测数据和实际数据的相符度较高, 说明预测是可行的。2.2 智能用电策略在尽量不影响用户每天正常的用电需求情况下, 付出电费最少为优化目标。将一天的时间划分为 120 个时间段, 每个时间段 12 分钟, 其中, u 表示各个时段。则目标函数为:一天 120 个片段, 在采用二进制编码时只需要采用 7 位二进制码 (128 的二进制码是 1111111) , 为算法带来了方
7、便。根据时间的划分原则, 每种用电设备的用电量可以也能够一个向量来表示, 假设向量 A 代表所有用电设备的集合, a 代表任何一种用电设备 , Pa代表用电设备 a 的能耗向量。Pa代表用电设备在 1 个时间片段内的能耗, 如果在这个时间片段不工作, 则能耗为 0。设备的总的能耗为:设定一种用电设备的功率值 (p) 是定值, 在 12 分钟的时间片段内的能耗表示为:将预测得到的数据, 进行优化仿真分析。利用负荷分类的模型, 对用电器进行用电优化。总能耗为:其中, P C是参与调控电器的总电量。P 是参与调控的单个电器电量消耗, P N为未参与调控的电器能耗。普通情况下和采用智能用电优化情况下的
8、用电量分布如图 3 (a) (b) 所示:图 3 (a) 普通情况下的用电量分布图 下载原图图 3 (b) 采用智能用电优化情况下的用电量分布图 下载原图图 4 分时电价遗传进化图 下载原图从利用遗传算法进行仿真的进化图 4 中可以看出, 设置好遗传参数后, 在 12 代左右可获得最优解。最优解和解的平均值一开始相差比较大, 随着种群数的不断进化, 适应度值小的个体被淘汰, 而最优解个体被保留, 最终得到最优解和解的平均值相当的情况, 即为最终的最优解。对于一般的家庭用户而言, 用电量主要分布在早上、中午、晚上三个时间段。经过智能优化后, 用电量的分布时间比优化前分散。主要是将用电设备从电价高
9、的时间段调整到平时间段或者谷时间段, 从而达到节省用电费用的目的。通过图 5 的分时电价, 可以计算出家庭用电费用。未优化前, 用电费用为7.349 元, 智能优化后, 用电费用为 5.673 元, 用电费用减少了 22.81%。文献6中的用电费用, 优化前为 9.18 元, 优化后为 7.56 元, 减少了 17.65%。本论文的方法与其进行对比, 用电费用减少得更多, 更利于节省用电费用。3 结论本文提出了一种基于分时电价情况下的家庭智能用电控制策略。该方法在满足用户满意度的条件下, 尽可能地减少用户用电费用。利用自适应模糊推理算法 (ANFIS) 预测第二天电器参与运行的情况, 通过遗传
10、算法分析最优的用电费用模型。综合考虑用户的用电满意度和电费节省情况, 对家庭用电器提出智能控制方案。通过 MATLAB 仿真, 结果验证了提出的方案可以在满足用户满意度的条件下, 节省较多的用电费用。参考文献1张新昌, 周逢权.智能电网引领智能家居及能源消费革新J.电力系统保护与控制, 2014 (5) :59-67. 2Zhuang Zhao, Won Cheol Lee.An Optimal Power Scheduling Method for Demand Response in Home Energy Management SystemJ.IEEE Transactions on s
11、mart grid, 2013, 4 (3) :1391-1400. 3Amjad Anvari-Moghaddam, Ashkan Rahimi-Kian.Optimal Smart Home Energy Management Considering Energy Saving and a Comfortable LifestyleJ.IEEE Transactions on smart grid, 2017, 6 (1) :324-332. 4樊玮, 刘念, 张建华.事件驱动的智能家庭在线能量管理算法J.电工技术学报, 2016, 31 (13) :130-140. 5A.Nacer, B Marhic.Smart Home, Smart HEMS, Smart heating:An overview of the latest products and trendsC.2017 6th International Conference on System and Control (ICSC) , 2017, 90-95. 6傅军栋, 康水华, 马书研.基于尖峰电价的家庭能量管理最优控制算法J.计算机应用研究, 2016, 33 (7) :2083-2086.
