基於遺傳算法的智能家居負荷管理優化方法
2023-05-12 09:58:46 2
基於遺傳算法的智能家居負荷管理優化方法
【專利摘要】本發明公開了一種基於遺傳算法的智能家居負荷管理優化方法，通過對智能家居系統中的風力發電機輸出功率與風速之間的關係建立模型、對蓄電池荷電狀態與充放電電量之間的關係建立模型，將負荷分為不可控型負荷、中斷型負荷和不可中斷型負荷，並給出了中斷型負荷和不可中斷型負荷開關狀態需要滿足的條件；建立智能家居負荷管理模型，模型包括由用戶總電費構成的目標函數和包含有功功率平衡和最大功率限制的約束條件；利用遺傳算法對本發明的模型進行優化求解，在滿足基本的負荷約束和用戶需求約束情況下，調節各負荷的工作狀態，使得當天的總電費最小。本發明能夠對智能家居負荷進行管理，使得當天總電費最小。
【專利說明】基於遺傳算法的智能家居負荷管理優化方法
【技術領域】
[0001] 本發明屬於電力系統【技術領域】，具體涉及一種基於遺傳算法的智能家居負荷管理 優化方法。
【背景技術】
[0002] 智能家居是以住宅為平臺安裝有智能家居系統的居住環境，是指利用先進的計算 機、網絡通信、自動控制、音視頻和綜合布線技術，將與家居生活有關的各種能源系統和智 能用能設備有機地結合到一起，提供智能化的家居服務，營造一個經濟、高效、舒適、安全、 可靠、便利、互動、環保節能的居住環境。
[0003] 智能家居在國外起步較早，美國、加拿大、歐洲、澳大利亞、日本和東南亞等經濟比 較發達的國家先後提出了各種智能家居的方案。美國首次提出並建成"智能型建築"，美國 自90年代以來70 %的辦公大樓為智能化建築，著名的智能化建築有IBM、DEC公司總部大 廈等。目前，美國有全球最大的智能化住宅群，其佔地3359公頃，由約8000棟小別墅組成， 每棟別墅有16個信息點，僅綜合布線造價就達2200萬美元。美國已有將近四萬戶家庭安 裝了 "家庭智能化系統"。在新加坡，1998年5月新加坡舉辦的"98亞洲家庭電器與電子消 費品國際展覽會"上，通過在場內模擬"未來之家"，推出了新加坡模式的家庭智能化系統。 在日本，80%的建築將智能化，許多大城市建設了"智能化街區"、"智能化樓群"或"智能化 城市"。
[0004] 我國智能家居起步較晚，在2000年"智能家居"的概念才被民眾了解和接受。我國 的智能化住宅和智能化小區建設，最初始於廣州、深圳和上海等沿海開放城市，隨後逐漸向 內地擴展。很多房地產公司都爭先建設智能化建築，但是由於沒有統一的技術規範指標，智 能化建築水平參差不齊。在智能化家居的熱潮下，很多企業開始研究智能家居，如海爾基於 物聯網的U-home智慧屋家庭智能化解決方案是家庭智能電器的比較有代表性的方案。雖 然國內對於智能家電的研究起步較晚，但是在借鑑外國技術的基礎上，越來越多的企業加 入了開發智能家電的大軍，國內有代表性的家居企業包括海爾、海信、TCL、索博、瑞訊等。
[0005] 目前主要由針對工商業的可中斷負荷進行管理優化，相比於工商業負荷，智能家 居負荷具有更大的不確定性，現有技術難以對智能家居的各種負荷進行優化。
【發明內容】
[0006] 為解決現有技術中的不足，本發明提供一種基於遺傳算法的智能家居負荷管理優 化方法，解決了現有技術中難以對智能家居各種負荷進行管理優化的問題。
[0007] 為了實現上述目標，本發明採用如下技術方案：一種基於遺傳算法的智能家居負 荷管理優化方法，包括以下步驟：
[0008] 步驟1,對智能家居系統中的風力發電機輸出功率與風速之間的關係建立模型、對 蓄電池荷電狀態與充放電電量之間的關係建立模型，將負荷分為不可控型負荷、中斷型負 荷和不可中斷型負荷，並給出了中斷型負荷和不可中斷型負荷開關狀態需要滿足的條件；
[0009] 步驟2,建立智能家居負荷管理模型，模型包括由用戶總電費構成的目標函數和包 含有功功率平衡和最大功率限制的約束條件；
[0010] 步驟3,通過遺傳算法對智能家居負荷管理模型進行求解，達到減少電費的優化效 果。
[0011] 本發明所達到的有益效果：通過對智能家居系統中的風力發電機輸出功率與風速 之間的關係建立模型、對蓄電池荷電狀態與充放電電量之間的關係建立模型，將負荷分為 不可控型負荷、中斷型負荷和不可中斷型負荷，並給出了中斷型負荷和不可中斷型負荷開 關狀態需要滿足的條件；建立智能家居負荷管理模型，模型包括由用戶總電費構成的目標 函數和包含有功功率平衡和最大功率限制的約束條件；利用遺傳算法對本發明的模型進行 優化求解，在滿足基本的負荷約束和用戶需求約束情況下，調節各負荷的工作狀態，使得當 天的總電費最小。本發明能夠對智能家居各種負荷進行管理優化，使得當天總電費最小。
【專利附圖】
【附圖說明】
[0012] 圖1是風力發電機輸出功率與風速的關係示意圖；
[0013] 圖2是基於遺傳算法的智能家居負荷管理優化方法流程圖；
[0014] 圖3是實施例中智能家居系統示意圖；
[0015] 圖4是優化後洗衣機仿真結果圖；
[0016] 圖5是優化後洗碗機1仿真結果圖；
[0017] 圖6是優化後洗碗機2仿真結果圖；
[0018] 圖7是優化後電動汽車仿真結果圖；
[0019] 圖8是優化後遊泳池水泵仿真結果圖；
[0020] 圖9是優化前後總電費對比圖；
[0021] 附圖中標記的含義：1-開，0-關。
【具體實施方式】
[0022] 下面結合附圖對本發明作進一步描述。以下實施例僅用於更加清楚地說明本發明 的技術方案，而不能以此來限制本發明的保護範圍。
[0023] 本發明基於遺傳算法的智能家居負荷管理優化方法，包括以下步驟：
[0024] 步驟1,對智能家居系統中的風力發電機輸出功率與風速之間的關係建立模型、對 蓄電池荷電狀態與充放電電量之間的關係建立模型，將負荷分為不可控型負荷、中斷型負 荷和不可中斷型負荷，並給出了中斷型負荷和不可中斷型負荷開關狀態需要滿足的條件；
[0025] 步驟2,建立智能家居負荷管理模型，模型包括由用戶總電費構成的目標函數和包 含有功功率平衡和最大功率限制的約束條件；
[0026] 步驟3,通過遺傳算法對智能家居負荷管理模型進行求解，在滿足基本的負荷約束 和用戶需求約束情況下，調節各負荷的工作狀態，使得當天的總電費最小。
[0027] 步驟1中，智能家居系統包括風力發電機、蓄電池和負荷，下面分別對其建立模 型：
[0028] 1)所述風力發電模型中，設P1為風力發電機的實際輸出功率，PnS風力發電機的 額定輸出功率，V為環境風速，V ca為風力發電機的啟動風速，Vc;N為風力發電機的額定風速， &為風力發電機的切除風速，則風力發電機的實際輸出功率P1和環境風速V之間的模型可 用式⑴表示：
[0029]
【權利要求】
1. 一種基於遺傳算法的智能家居負荷管理優化方法，包括以下步驟： 步驟1，對智能家居系統中的風力發電機輸出功率與風速之間的關係建立模型、對蓄電 池荷電狀態與充放電電量之間的關係建立模型，將負荷分為不可控型負荷、中斷型負荷和 不可中斷型負荷，並給出了中斷型負荷和不可中斷型負荷開關狀態需要滿足的條件； 步驟2,建立智能家居負荷管理模型，模型包括由用戶總電費構成的目標函數和包含有 功功率平衡和最大功率限制的約束條件； 步驟3,通過遺傳算法對智能家居負荷管理模型進行求解，達到減少電費的優化效果。
2. 根據權利要求1所述的一種基於遺傳算法的智能家居負荷管理優化方法，其特徵 是：步驟1中所述風力發電機模型為： 設P1為風力發電機的實際輸出功率，Pn為風力發電機的額定輸出功率，V為環境風速， &為風力發電機的啟動風速，^為風力發電機的額定風速，為風力發電機的切除風速， 則風力發電機的實際輸出功率P1和環境風速V之間的模型可用式（1)表示：
其中，係數匕和匕分別表示為
3. 根據權利要求1所述的一種基於遺傳算法的智能家居負荷管理優化方法，其特徵 是：步驟1中所述蓄電池模型採用安培小時法來建立，蓄電池模型用式（2)和式（3)表示：
其中，SOC為蓄電池荷電狀態；SOCtl為蓄電池初始荷電狀態；q為蓄電池實際電量；cN 為蓄電池額定電量山為蓄電池充放電電流；At為蓄電池充放電時間；η ic;h為蓄電池充電 效率；Hdis為蓄電池的放電效率；Pld為電池放電狀態下負荷需求的功率；P e為電池充電狀 態下系統剩餘的功率；U為直流母線電壓。
4. 根據權利要求1所述的一種基於遺傳算法的智能家居負荷管理優化方法，其特徵 是：步驟1中， 所述不可控型負荷不能被調節，在建模時不可控型負荷是以固定的功率曲線建立模 型； 所述中斷型負荷允許在tb之後開始工作，同時其工作必須在％之前完成；中斷型負荷 的能量消耗是常數，工作的時長包括Ltt個時間步長；在中斷型負荷的工作時間內，中斷型 負荷的開、關狀態滿足： Iilj = O V/e[1,/?]u(e, N],ieN' (4) 中斷型負荷的模型為式（5):
其中，tb表示中斷型負荷開始工作的時間，表示中斷型負荷結束工作的時間，表示 中斷型負荷工作時長所包括的時間步長，b表示中斷性負荷開始工作時的時間步長的序號， e表示中斷性負荷結束工作時的時間步長序號，N表示總的時間步長數。Iiui是中斷型負荷 在第i個時間步長時開、關狀態，N +表示正的自然數集； 所述不可中斷型負荷一旦開始工作就不能夠停止；不可中斷型負荷滿足式：
其中，INUi表示不可中斷型負荷在第i個時間步長時開、關狀態，La表示不可中斷型負 荷完成工作所必需的時間步長的總數。
5. 根據權利要求1所述的一種基於遺傳算法的智能家居負荷管理優化方法，其特徵 是：步驟2中，所述智能家居負荷管理的目標函數為一天內總電費最小，其公式為：
式中，C為用戶的總電費，δ為負荷的編號，Aa為非中斷型負荷的集合，Att為中斷型負 荷的集合，An為不可控型負荷的集合，Xs;i為在第i個時間段負荷δ的電功率，PWT i為在第 i個時間段風力發電機的發電功率，PST;i為在第i個時間段內蓄電池發出的功率，Ci為在第 i個時間段內電力價格；Λ t表示時間步長，N表示相應一天中的時間步長數。
6. 根據權利要求1所述的一種基於遺傳算法的智能家居負荷管理優化方法，其特徵 是：步驟2中，所述智能家居負荷管理的約束條件為： a) 有功功率平衡約束：PlM(U為第i時間段內負荷的總功率： Pload, i - Pdg, I+Pgrid, i ⑶ 其中，PmtU為第i個時間段電網注入家居中的電功率；PiKU為第i個時間段分布式電 源及蓄電池提供的電功率； b) 最大功率限制約束：Plim為電網向家居系統傳輸的有功功率限制，有： Pimin〈Pi〈PimM (1〇) Pgrid^Plim (丄丄） 其中，Pi為第i個分布式發電有功功率出力，Pimin，Pimax分別為第i個分布式發電有功 功率出力的最小值限制和最大限制值，PgM為電網供給系統的功率。
7. 根據權利要求1所述的一種基於遺傳算法的智能家居負荷管理優化方法，其特徵 是：步驟3中，所述基於遺傳算法的智能家居負荷管理優化方法步驟包括： 1)初始化：設置迭代計數器t = 0,設置最大迭代數T，通過試探得到優化問題的初始 解，然後通過隨機的方式得到一個個體數為N的種群P(0)，種群是指由多個初始解構成的 集合； 2) 適應度計算：構造適應度函數，計算種群P (t)中個體的適應度； 3) 選擇運算：將選擇算子作用於種群P(t)，從種群P(t)中選擇一定數量的個體作為父 代個體,適應度大的個體成為父代個體的概率越大； 4) 交叉運算：將交叉算子作用於種群P(t)，交叉算子作用於種群時，將在算子得到的 父代個體中進行交叉運算的兩個個體，然後隨機的選取交叉位，最後通過交叉組合形成兩 個新的個體； 5) 變異運算：將變異算子作用於種群P(t);變異算子作用於種群時，即對於種群隨機 選擇一些個體，改變個體上的某個基因值，種群P(t)經過選擇、交叉、變異形成新的種群 P (t+1)，對於新形成的種群中的個體進行適應度計算； 6) 收斂判斷：如果迭代次數已經達到最大值，則停止迭代，將最後一次迭代中的適應 度最高的個體作為最優解。
【文檔編號】G06N3/12GK104376364SQ201410677416
【公開日】2015年2月25日 申請日期:2014年11月21日 優先權日:2014年11月21日
【發明者】陳霄, 顏慶國, 範潔, 易永仙, 楊斌, 閆華光, 薛溟楓, 石坤, 周玉, 許高傑, 陳飛 申請人:國家電網公司, 江蘇省電力公司, 江蘇省電力公司電力科學研究院, 中國電力科學研究院