论文研究-可控家用电器负荷优化模型及用电策略研究.pdf

所需积分/C币:50 2019-09-16 10:14:51 577KB .PDF
收藏 收藏
举报

在家庭智能用电系统下,以经济性和舒适性为目标,构建了电动汽车、空调、热水器的优化用电模型。并使用基于Q学习的粒子群算法求解优化模型,阐述家用电器的智能用电策略。以空调负荷为例,采用优化模型和算法后,经仿真实验,满足温度控制要求,且费用最少,收敛速度快,有效减少了空调负荷的用电量,削减电费的同时又保证用户的舒适度。
248 016,52(24) Computer Engineering and Applications计算机工程与应用 为用电舒适度要求的温度范围。因此,空调智能用电问法采用速度一位置搜索模型,每个粒子代表解空间中的 题即为用户使用的舒适度约東条件下最大限度地减少 个候选解,解的优劣程度由适应度函数决定 电费支出的非线性优化问题。 粒子的速度和位置更新公式为 (3)热水器负荷优化模型: w*V +G*r(pest,-x)+C2*r2(ghesti-Xo min (P2·BnPn·△+ABn-B (3a) 上式中:惯性权重w描述」粒子的惯性对速度的影 约東条件 响,v值会影响到PSO算法的全局和局部搜索能力,w rn+=1(Tn12,Q,C,R,,B,Tm)n=1,2,…N(3b)越大则全局搜索能力越强。c、c2为学习因子,通常为 Tn≤ 1.2 (3c)常数,r1,2是0到1之间的随机数 上式中P为热水器的额定功率,7、T分别为 粒了群算法屮,最大的问题是响应速度慢,并有可 热水器温度舒适度范围下限和上限。AB-Bn1代表能会陷入局部最优。因此如何对惯性权重w的调整进 频繁通断对于热水器维修维护的费用影响 行引导,需要进一·步优化算法。 (3a)的目的是为了在未来一段时间最大限度地降2.2基于Q学习的粒子群w调整方法 低电费支出。(3b)为热水温度动态变化情况:(3c)为用 Q学刁是指根据学习策略选择动作,观察下一时刻 电舒适度要求的温度范围。因此,热水器智能用电问题的状态,获得奖励函数,更新达代Q值,逼近最优解 即为用户使用的舒适度约束条件下最大限度地减少电迭代公式如下: 费支出的非线性优化问题 )"(s, a)=(1-a)Q(s, a)+ar(s, a)+rmax(s, a')1(6) 可控家电负荷虽然其工作机理不同,但家电川电费a学习速率∈0,1,γ折扣因子∈0,1,A为所有可供 用都受实时电价、运行状态、功率等因素影响,因此此类选择的动作的集合,r(s,a)为奖励函数值,Q(s,a)为 负荷用电费用优化模型可统一表示为 在下一个状态s时系统选择任何行为a’的Q函数值 mi∑(nBPA7+41n-B1-1 (4a) 若将PSO算法中的惯性权重w看成行动,将PSO 算法中的粒子看成是Q学习中的代理,粒子群w调整方 约東条件: 法就是将Q学方法应用到PSO中。奖励两数为 Zn+1=f(7nPa,…) r(s,a)=f(s,a)-fo(s, a) Z≤Z≤Z (4)(、o)为父代粒子对应的函数值,(s、)为选择行动 这里,pn为n时的电价,Pn为在n时的家电运行 后生成的子代粒子对应的函数值 状态,P代表家电负荷的额定功率,AB-代表频2.3算法设计 繁通断对于家用电器修维护的费用影响。(4a)的目的 步骤1设定参数,包括粒了数、惯性权重、学习因 是为了在未来段时间最大限度地降低电费支出:(4b)子、学习速率折扣因子,舒适度等 72表示在n时该家电负荷的动态情况。(4c)Zmn、Zm 步骤2初始化,设定粒了群的初始位置和速度,获 分别为舒适度(或适应度)范围的下限和上限。 得初始解 对于非恒温可控的电动汽车,可断续充电,其约束 步骤3计算初始状态下各个时段的电费和总电费, 祭件几乎不受外界因素影响因此可直接被调度。恒温获取phet和全局最佳适应度值ghe 可控家电负荷,加热或制冷动态过程的约束条件受外界 步骤4更新各时段粒子速度和位置。 因素影响,且为‖线性,需采用非线性优化方法解决。 步骤5判断舒适度是否越限,若越限,重新赋值进 以下将对调度关键的恒温可控家电负荷采川智能算法行计算;若不越限,计算各个时段的电费和总电费,获取 进行阐述 pbest和全局最佳适应度值 gbest。 步骤6比较 pbest和 gbest,更新 gbest,即为最好 用电策略算法 位置 含有约東条件的恒温可控家用电器的优化模型已 步骤7更新惯性权重w 建立。接下来采用优化算法求解优化模型,得到该负荷 步骤7.1对于每个粒子,给定n个行动后(v)产生 预测的最佳操作方式及最佳操作方式的川电费川情况 个新后代 21粒子群算法 步骤72每个后代粒子中保留一个,选择方法是 粒子样算法"( Particle Swarm Optimization,PSO) 是一种较为实用的优化算法。1995年,由 J. Kennedy和 P(as)= R.C. Eberhart基于群智能提岀的一种随机优化算法。算 张晓芳,谢俊:可控家用电器负荷优化模型及用电策路研究 2016,52(24)249 步骡73计算每个新后代对应的Q值,选择Q最33基于Q学习的PSO算法的求解策略 大化的行动所对应的w作为当前值 本文案例发生在炎热的夏季,抽样的时间间隔∧T 步骤8是否满足迭代次数,满足退出运行;不满足为5min,则一天24h中共抽样N-288。初始化速度设 转步骤4。 置为0.9,加速系数c1和c2设置为2,w初始值为0.9。 采用基于Q学习的PSO算法流程如图2所示 3以室调为例的算例分析 开始 控制要求 假设空调运行在一个炎热的夏季。设定室内温度 初始化,获得当前温度,设定舒适度范围 设定值Tp=24℃和温度变化范围△Txc=2℃。温度 设定粒子群规模288,设定粒子群的 的舒适度范围为(23~25℃)。在尽可能满足舒适度的 初始速度和位置(24个初始位置) 情况下,使得空调电费最少。 设定微粒初始解,例如5-20时开启空调 3.2此控制要求下的空调优化模型 冢用空调的典型参数值于表1所示。 算初始状态下各个时段的电费和总电 费,获取 nbest和全局最伟适应度值 gbest 茯1家用空调的典型参数 参数 更新各时段粒子速度和位置 数值2℃kW10kwl℃14kW2.524℃2℃ 适度越限吗?> 经查阅资料,整理得出一个合理的24h平均电价数 据,如表2所示 重新赋值进行计算 表224h电价数据 时间 345678 计算各个时段的电费和总电费,获 取 pbest和全局最佳适应度值 gbest 电价/(e·MWh)448041.0336.1033.0033.00364643.014705 时间t 13141516 比较 pest和 gbest,更新ghet 电价(E·MWh1)46.064551460644.504561454239.2841.16 吋间 根据公式更新惯性权重 电价(·MWh)42.0143.0041.1641.6342.0041.1641.873681 不 达到迭代次数吗? 负荷i的室内温度是T,假设初始室内温度与室外 温度相同为T0=Tn,外界温度T。,用β()表小负 结束 荷的开关状态,等效热阻R1=2℃/W,等效热容C= 图2基于Q学习的PSO算法流程 10kWh代℃,性能系数n=25,额定功率P1=14kW。用 34仿真结果 一阶微分方程表示室内温度为: 求解优化模型,得到最终优化结果为0.403∈,相比空 0)=20(0(0)-n()-28B(0).=1,2,…,N2(9)调负荷在没有控制情况下用户所支出的电费11646节 恒温控制开关信号β与温度舒适带关系为 省了很多。 0,Tn(t)≤23 对上述案例进行仿真,仿真结果如图3和表3所示。 (10) 7n()≥2 以上为约東条件。恒温控制负荷的功率可以表示为 4×() 34 无AC室温 空调负荷优化模型为 有AC室温 AC设定值 室外温度 mi2(B14-A7+0.001n--D(12) 约束条件为公式(9)、(10)。 在此控制要求下的空调优化模型已建立,接下来将 采用基于Q学习的粒子群算法求解在尽可能满足舒适 时间h 度的情况下,使得空调电费最少。 图3 Matlab仿真结果 016,52(24) Computer Engineering and Applications计算机工程与应用 表3计算结果对比分析 a spot price responding residential load controller[JJ IEEE pSO算法 基于Q学习的PS0算法 Power Engineering Review, 1989, 9(5): 49-50 均差 方差最优值均差 方差最优值 [2 Daryanian B, Bohn R E, Tabors R D Optimal demand-side 1.13E-51.56E-50.40827E-113.18E-110.405 responsc to electricity spot prices for storagc-type cus tomers[J]. IEEE Transactions on Power Systems, 1989(3) 出仿真结果可知,在不使用空调的情况下,室内外 温度可高达38℃(蓝实线和黑虚线)。根据智能算法投31 Lee s h, Wilkins C L. a practical approach to appliance 入空调运行(绿实线为空调运行状态,紫虚线为室内温 load control analysis: a water heater case study[jj.IEEE 度状态),在5:00—8:00、10:00-15:40开启空调,温度 Transactions on Power Apparatus Systems, 1983(4) 在23-25℃波动。若在17:20后再次开启空调,由于室 1007-1013 外已处于降温状态,室内温度能快速降至23℃以下,空[4]邓宇鑫,王磊,李扬,等温控负荷直接负荷控制策略与优 调将频繁进入廾关模式;通过智能算法决策:不开启空 化调度[电力系统及其自动化学报,2015,27(6):18-25 调,虽然牺牲了一定的舒适度(18:20时的26.8℃,可承5] Ericson T Direct load control of residential water heaters小l 受范畴),但避免了空调频繁开启所增加的损耗费用 Discussion Papers, 2006,37(9): 3502-3512 用电策略计算过程中,采用基于Q学习的PSO算法61hcHK,Apt. onsumer strategies for controlling 与PSO算法比较,虽然在后期两种算法都能朝着理论最 electric water heaters under dynamic pricing [z]. Carnegie 优解逼近,体现在最优值接近;但早期,基于Q学刁的 Mellon Electricity Industry Center, Pitshurgh, PA, Working PSO算法有更快的收敛速度与更高的收敛精度,体现在 Paper CElC-04-02, 2004 均差和方差均优于PSO算法,因此可减少迭代次数。这7徐群,刘刚,李育燕,等单台空调负荷动态特性分析与建 模[J高电压技术,2006,32(11):127-13 是由于基于Q学以的PSO算法对惯性权重w的调整进 [8]郑竞宏,朱守真,王光,等空调负荷运行特性研究及建模[J 行引导,因此能更快地找到更好的潜在解。 中国电机工程学报,2009(10):67-73 9 Mohsenian-Rad A I, Leon- Garcia A Optimal residential 4结论 load control with price prediction in real-time electricity 本文考虑用户的日常使用习惯及合理的用电规律 pricing environments JJ.IEEE Transactions on Smart Grid 结合各用电器的运行规则对可控负荷建立优化模型,并 2010,1(2):120-133. 用空调优化模型进行实验仿真验证。算例仿真结果表明:[10] Pedras MA A, Spooner T D, Macgill I: Coordinated (1)可控负荷的优化模型灵活性较强,在不同的家 scheduling of residential distributed cncrgy resourccs 庭屮,可根据不同用户的设置条件和个人习惯情况得出 to optimize smart home energy services[J]IEEE Trans 不同的优化模型,县有较好的通用性和适应性。 actions on Smart Grid, 2010, 1(2):134-143 (2)釆用基于Q学习的粒子群算法求解模型,既满1])驰,高海兵,高亮,等,粒子群优化算法口计算机应用研 究,2003,20(12):7-11 足了用户的舒适度要求,又减少了用户在该电器设备上[12]盛歆漪,孙俊,须文波,等一种Q学习的量子粒子群优化 的开支,达到了优化的最终目标。 方法[计算机工程与应用,2014,50(21):8-11 [13] Conejo A I, Morales J M, Baringo IReal-time demand 参考文献 response model[J]IEEE Transactions on Smart Grid, 2010 [1 Schweppe F C, Daryanian B, Tabors R D Algorithms fo 1(3):236-242 (上接204页) 15]李晓丽,李小红梯度LBP优化深度图像分析的性别人脸 [12 Shao Z, Bin Y, Wei w Feature learning based on SAE-PCA 识别[J计算机应用研究,2014,31(11):3502-3505 network for human gesture recognition in RGBD images].[16]肖超云,朱兴伟基于osu准则即图像痛的國值分割算法[] Neurocomputing, 2015,151: 565-573 计算机工程,2007,33(14):188-189 [13] Ding Y Static hand-gesturc rccognition using HOG and [17] Otsu N Threshold selection method from gray-level his improved I BP features[]]. International Journal of Digital togram[J]. IEEE Transactions on Systems, Man and Cy Content Technology and Its Applications, 2011, 5(11) bernctics,1979,9(1):62-64 18]黄春木,周利莉密度分布特征及其在二值图像检索中的 [14]Ojala T, Pietikainen M, Harwood DA comparative study 应用[J中国图象图形学报,2008,13(2):307-311. of texture measures with classification based on feature[19]顾德,李吉,基于深度信息的指尖追踪及手势识别[J计算 distributions[]. Pattcrn Rccognition, 1996, 29(1): 51-59 机工程与应用,2015,51(7):165-168

...展开详情
试读 5P 论文研究-可控家用电器负荷优化模型及用电策略研究.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    抢沙发
    一个资源只可评论一次,评论内容不能少于5个字
    weixin_38744153 如果觉得有用,不妨留言支持一下
    2019-09-16
    • 至尊王者

      成功上传501个资源即可获取
    关注 私信 TA的资源
    上传资源赚积分,得勋章
    最新推荐
    论文研究-可控家用电器负荷优化模型及用电策略研究.pdf 50积分/C币 立即下载
    1/5
    论文研究-可控家用电器负荷优化模型及用电策略研究.pdf第1页
    论文研究-可控家用电器负荷优化模型及用电策略研究.pdf第2页

    试读已结束,剩余3页未读...

    50积分/C币 立即下载 >