基于自适应粒子群算法的楼宇智能用电策略

颜庆国，杨 斌，许高杰，杨永标，王 璐，高 辉，谢 俊（.国网江苏省电力公司，南京 00；.中国电力科学研究院，南京 000；.国电南瑞科技股份有限公司，南京 06；.南京邮电大学 自动化学院，南京 00）

基于自适应粒子群算法的楼宇智能用电策略

颜庆国1，杨 斌1，许高杰2，杨永标3，王 璐4，高 辉4，谢 俊4
（1.国网江苏省电力公司，南京 210024；2.中国电力科学研究院，南京 210003；3.国电南瑞科技股份有限公司，南京 211106；4.南京邮电大学 自动化学院，南京 210023）

考虑楼宇拥有光伏发电、储能电池、微型燃气轮机、可控负荷和不可控负荷等电源和负荷，以最小化电费支出，同时保证用户用电舒适度为目标，提出一种楼宇智能用电策略的数学模型。采用基于成功率的自适应混沌惯性权重粒子群算法求解建立的智能用电数学模型，对比于标准粒子群算法表现出更高的收敛精度和收敛速度。成功率计算包含的混沌性和自适应性，在搜索过程中提供更多的状态信息，改善粒子趋优运动。仿真结果证明了智能用电策略的有效性，可以帮助楼宇用户根据自我需求，优化运行电源设备和用电设备，降低电费支出，并提高用电舒适度。

粒子群算法（PSO）；自适应混沌惯性权重；智能楼宇；智能用电

1 研究背景

商场楼宇、酒店楼宇、办公楼宇等典型楼宇建筑，其电力设备包含电冰箱、洗衣机、热水器、空调、照明等可控和不可控用电设备，以及光伏发电、储能电池、微型燃气轮机等电源设备［1］。

由于信息通信技术的支持，智能电能表、智能传感器、能量管理单元、高速双向通信将被广泛应用于各种楼宇建筑［2］。同时，各种面向电力用户的零售电价手段，如：实时电价、分时电价、尖峰电价，被电力公司应用于激励电力用户参与需求响应项目。由于局域通信网的支持，用户可以远程无线控制智能用电设备的开关、循环、模式切换等。智能楼宇是智能电网的基本组成要素之一，是适应分布式电源广泛渗透、可控负荷广泛应用、用户对供电服务需求日趋多样以及现代信息通信技术应用而发展起来的。实现智能用电，降低能源消耗、提高能源利用效率，能够为楼宇提供更好的电力服务［3］。

目前，针对智能用电问题已经开展了大量研究，重点在平滑联络线功率波动、减少能耗支出。文献［4］、文献［5］研究考虑光照预测误差的可控负荷优化，使用模糊逻辑预测天气情况，预测光伏输出，进而建立智能用电策略；文献［6］采用居民温控负荷平滑联络线功率波动，研究表明温控负荷可以有效跟随平滑目标；文献［7］认为储能电池将成为系统运行控制的重要手段，不仅能够限制充电负荷的不利影响，而且能够实现负荷削峰填谷，促进可再生能源吸纳；文献［8］认为储能装置对运行方式的要求较严格，负荷突变会导致充放电的电流过大，从而损坏储能装置，因而建议使用可控负荷平衡发电与负荷。

在上述背景下，本文将智能楼宇负荷分为可控负荷和不可控负荷2类，考虑智能楼宇拥有光伏发电、储能电池、微型燃气轮机等电源设备，基于电网电价和用户设定用电需求，优化电网购电量、微型燃气轮机出力、储能电池充/放电，以最小化电费支出为目标，同时保证用户用电舒适度，建立楼宇智能用电策略的数学模型。采用自适应惯性权重粒子群算法求解建立的智能用电数学模型，与普通粒子群算法相比，优势在于更好的全局搜索能力，搜索速度更快，收敛性更好。仿真结果证明了本文提出的智能用电策略有效性。

2 智能用电策略

2.1 问题描述

楼宇智能用电如图1所示，楼宇内电力设备包括光伏发电、微型燃气轮机、储能电池等电源设备，以及可控负荷和不可控负荷2类用电设备。可控负荷包括干衣机、空调、电动汽车、热水器等，不可控负荷包括照明、洗碗机、电视机、个人电脑、冰箱等。热水器可选择使用微型燃气轮机发电、储能电池、光伏发电或者电网电能，以减少电费支出。储能电池为备用电源，电价较低时存储电能，电价较高或电网故障时释放电能。楼宇的能量管理单元向电力设备发送控制信号，电力设备接收到控制信号，并根据指令调整电力设备运行状态。

图1 楼宇智能用电能量流和控制信号流

涉及的变量有PLt、PHpt、Ppvt、PBt、Pit和PGjt，其中，PLt为不可控负荷，如：照明电器；PHpt为可控负荷，本文重点研究电热水器可控负荷；Ppvt为光伏输出，是楼宇内的一种微电源；PBt为储能装置充放电功率，是楼宇的储能设备，如：蓄电池；Pit为电网与用户的接入点潮流；PGjt为微型燃气轮机发电量。

2.2 可控负荷

居民和商业建筑中，有大量通过温度调控的可控负荷，如：热水器、空调、地暖等。本文以热水器为研究对象，考察可控负荷的设定温度与该可控负荷大小之间的量化关系。

k时刻的温度与加热所需热量

式中：mk是k时刻加热水的质量；c是水的比热容；Hk是设置的热水温度；H0为自来水初始温度。通过改变热水器的设置温度实现负荷可控。

k时刻热水器负荷消耗的功率

式中：ηk为能量转换效率，本文中取2.6［8］。

根据热水需求量，用式（1）和式（2）求出将水箱内的水加热至设定温度所需耗电量，用耗电量除以等值热功率求出加热整箱水所需的热水器开启时间。从日前价格［9］以及热水需求量数据（变化趋势与图4相同）可以看出，半夜电价较低且热水需求量较低的时刻开启热水器，将热水加热至设定温度。本文假设半夜时已将水箱内的水加热至设定温度。此后，若使用热水，因为新注入冷水导致水温下降，热水器再次开启，以保持水温在设定值，此部分加热所需的耗电量如图4所示。

2.3 智能用电数学模型

智能用电目标是保证用户用电舒适度的前提条件下最小化电费支出。本文中，以热水器为代表的温控负荷需满足用户的设定温度和用水量需求。为平衡最小化电费支出和用户设定用电需求二者之间的矛盾，根据储水式热水器冷水注入量等于热水输出量，要保证水温保持在用户设定值，等效于对新注入的冷水加热至设定温度。

目标函数

约束条件如下。

（1）电网接入点潮流约束

（2）蓄电池运行约束

（3）能量平衡等式约束

（4）微型燃气轮机运行约束

约束条件中：Pimin为电网接入点潮流最小值；Pimax为电网接入点潮流最大值；PBt为电池的充电/放电功率，ηb为充放电效率；PBmax为蓄电池的充电/放电功率的最大值；CBt为蓄电池池剩余容量；CB0为0时刻储能电池的初始容量；CBmin为蓄电池容量最小值（40%），CBmax为蓄电池容量最大值（60%）；PGjmin和PGjmax分别为微型燃气轮机 j出力下限和上限；pricet为时段t的电网电价；n为楼宇内微型燃气轮机的数目。

光伏发电函数如式（11）所示

式中：η为光伏发电板的效率；Sα是光伏板的面积；Iα是太阳辐射；to是室外温度。

2.4 求解算法

2.4.1 自适应粒子群算法

自适应混沌惯性权重粒子群算法（adaptive inertia weight in PSO，AIWPSO）［10］引入成功率，成功率计算包含的混沌性和自适应性，在搜索过程中提供更多的状态信息，帮助粒子趋优运动。权重线性下降的自适应混沌粒子群算法对比于标准粒子群算法，因为其提出的成功率概念能有效的帮助粒子在搜索空间调整其惯性权重，提高全局搜索能力。混沌的无序性能有效的跳出局部最优，使得收敛精度更高，收敛速度更快，全局优化能力更强。

惯性权重如式（12）

式中：z=4×SR×（1-SR），SR为成功率，迭代次数为t时，成功定义如下

式中：pbesti，t是微粒i在t时间段的当前位置；f（·）是优化目标函数；n是粒子数量；SRt是上一代微粒优化适应度的百分比。

SR反映了粒子群状态，也是决定每一代粒子群算法惯性权重的反馈系数。当没有微粒优化其适应度时，SR为0，当所有的微粒都优化了其适应度，则SR=1。

2.4.2 算法流程

求解算法流程图如图2所示，计算步骤如下。

步骤1：随机初始化，生成二维数组（p，d），p是种群大小，d是变量维数，本文中d=24；粒子位置xi=（xi1，…xid），粒子速度vi=（vi1，…vid）；采用等微增律法则［11］确定各微型燃气轮机对应的粒子。

步骤2：计算d个变量的 f（xi），得到pbesti，t（i=1，2，…，p），pbesti，t（i=1，2，…，p）中最优值是gbesti，t。

步骤3：若t小于最大迭代次数，置succ=0，开始p次循环，若达到最大迭代次数，结束运算；根据式（13）计算w，更新vi并检查是否越界。

步骤4：更新xi并检查位置是否越界。

步骤5：若 f（xi）＜f（pbesti，t），置 xi为 pbesti，t；若f（xi）＜f（gbesti，t），置xi为gbesti，t；更新succ=succ+1。

步骤6：置迭代次数t=t+1；返回步骤3。

图2 AIWPSO算法流程图

3 算例分析

假设1个运行日24 h电网电价如表1所示，电价数据来自西班牙Iberian Peninsula地区2010年7月5日周一的电力市场数据，并将其换算为以人民币计量［11］。以某智慧楼宇为研究对象，该楼宇内2个微型燃气轮机，其发电成本参数如表2所示。1组光伏发电面板，光伏发电功率如图3所示；储能电池参数分别为PBmax=4 kW，CBmin=5 kWh，CBmax=40 kWh；可控负荷和不可控负荷分别如图4和图5所示，其中，根据统计收集的24 h热水需求量的历史数据，根据式（1）—式（3）计算可控负荷，实时电价反映电网中不可控负荷的数量，负荷数量多时，对应的电价较高，基于此特点，绘制出不可控负荷曲线。

表1 电价数据

表2 微型燃气轮机参数

图3 光伏发电输出功率

图4 热水器加热至不同温度的可控负荷

图5 不可控负荷

3.1 可再生能源渗透率

可再生能源渗透率指的是可再生能源占总能源的百分比。为研究可再生能源对智能用电的影响，仿真算例中对比场景A和场景B 2种情况。场景A有9块光伏板，场景B有3块光伏板，可控负荷加热温度都设定为60℃，其他变量保持一致。

图6给出了场景A分别采用常规PSO和本文提出的AIWPSO 2种求解算法下的目标函数收敛曲线以及场景B的目标函数收敛曲线。由图6可见，本文提出的AIWPSO求解算法性能优于常规PSO算法；场景A最优值小于场景B的最优值，故增大可再生能源的渗透率能有效减少电费支出。

图6 目标函数收敛曲线

图7是场景A的微型燃气轮机出力，图8是场景B的微型燃气轮机出力。比较图7和图8可见，负荷高峰或电价高峰时微型燃气轮机增加出力，负荷低谷或电价低谷时微型燃气轮机降低出力。因为本文所研究的智能楼宇包含了电网购电、微型燃气轮机发电、光伏发电以及储能电池4部分的电源设备，且储能电池充放电的过程需考虑容量约束，因此微型燃气轮机的出力以及储能电池的充放电与电价或负荷高峰/低谷不完全一致。因为有多种电源，也一定程度上减小了微型燃气轮机的出力。图9是场景A的储能电池充/放电，图10是场景B的储能电池充/放电。比较图9和图10可见，储能电池在电价低谷且负荷低谷时充电，在电价高峰或者负荷高峰时放电。

图7 微型燃气轮机出力（场景A）

图8 微型燃气轮机出力（场景B）

3.2 热水器温度设定值

研究热水器温度设定值对楼宇智能用电的影响。对比场景A和场景C 2种情况，场景A如前文所述，场景C设置热水器加热到40℃，其他变量设置与场景A相同。

图6给出了场景C的目标函数收敛曲线，最优值比场景A的小，说明降低热水器温度设定值可以减少用电成本。

图9 储能电池充放电（场景A）

图10 储能电池充放电（场景B）

3.3 室外温度

研究室外温度对智慧楼宇环境下智能用电的影响。室外温度影响热水器进水口的水温，进而影响电费支出。保持其他变量相同，对比场景A和场景D 2种情况，场景A如前文所示，场景D户外温度设定为25℃。

图6给出了场景D的目标函数收敛曲线，最优值低于场景A的最优值，说明较高的室外温度有利于降低电费支出。

4 结论

本文提出一种楼宇智能用电的数学模型，仿真研究表明，提出的智能用电策略能有效降低楼宇用电成本。负荷高峰或电价高峰时微型燃气轮机增加出力，负荷低谷或电价低谷时微型燃气轮机降低出力。储能电池在电价低谷且负荷低谷时充电，在电价高峰或者负荷高峰时放电。降低可控负荷热水器温度设定值可以减少用电成本。

［1］ D S Callaway，I A Hiskens.Achieving Controllability of ElectricLoads［J］.Proceedings of the IEEE，2011，99（1）：184-199.

［2］ P Palensky，D Dietrich.Demand Side Management：Demand Response，Intelligent Energy Systems，and Smart Loads［J］.IEEE Trans.on Industrial Informatics，2011，7（3）：381-388.

［3］ K George.Control of Flexible Smart Devices in the Smart Grid［J］.IEEE Trans.on Smart Grid，2012，3（3）：1 333-1 343.

［4］ 王成山，刘梦璇，陆宁.采用居民温控负荷控制的微网联络线功率波动平滑方法［J］.中国电机工程学报，2012，32（25）：36-43.

［5］ 王锡凡，邵成成，王秀丽，等.电动汽车充电负荷与调度控制策略综述［J］.中国电机工程学报，2013，33（1）：1-10.

［6］ 江岳春，王志刚，杨春月，等.微网中可控负荷的多目标优化策略［J］.电网技术，2013，37（10）：2 875-2 880.

［7］ P Du，N Lu.Appliance Commitment for Household Load Scheduling［J］.IEEE Trans.on Smart Grid，2011，2（2）：411-419.

［8］ K Tanaka，K Uchida，T Goya，et al.Optimal Operation by Controllable LoadsBased on SmartGrid Topology Considering Insolation Forecasted Error［J］.IEEE Trans.on Smart Grid，2011，2（3）：438-444.

［9］ IberianElectricityPool，OMEL，SpainandPortugal［EB/OL］.http：//www.omel.es/.

［10］ M A Arasomwan，A O Adewumi.On adaptive chaotic inertia weights in Particle Swarm Optimization［C］∥IEEE Symposium on Swarm Intelligence（SIS），2013：72-79.

［11］ A J Wood，B F Wollenberg.Power Generation，Operation，andControl［M］.NewYork：Knovel，1996.

A strategy for intelligent power utilization in building based on adaptive PSO

YAN Qing⁃guo1，YANG Bin1，XU Gao⁃jie2，YANG Yong⁃biao3，WANG Lu4，GAO Hui4，XIE Jun4
（1.State Grid Jiangsu Electric Power Company，Nanjing 210024，China；2.Electric Power Research Institute of China，Nanjing 210003，China；3.Nari Technology Development Limited Company，Nanjing 211106，China；4.College of Automation Engineering，Nanjing University of Posts and Telecommunications，Nanjing 210023，China）

This paper presents a strategy for intelligent power utilization in building based on particle swarm optimization with adaptive chaotic inertia weights to minimize electric cost and maximize user's comfort.It supposes that photovoltaic generation，batteries，micro turbines，controllable loads and uncontrollable loads exist in smart building.The proposed AIWPSO algorithm used in solving the intelligent power utilization model can further improve the performance of PSO algorithm in terms of convergence speed and accuracy as well as the global searching ability because of the chaotic characteristics and adaptive nature provided by the success rate which can provide the state information of the swarm and help them adjust the inertia value for better position.The simulation results demonstrate the effectiveness of the proposed intelligent power utilization strategy，which can reduce electric cost and increase user's comfort through optimally operate power equipments and appliances according to self demand.

particle swarm optimization；adaptive chaotic inertia weight；smart building；intelligent power utilization

王璐（1992），女，湖南衡阳人，硕士研究生，主要研究方向为电力系统自动化；高辉（1981），男，山东菏泽人，博士，副教授，研究方向为电动汽车与电网互动技术、车载磁悬浮飞轮电池等；谢俊（1979），男，安徽安庆人，博士，副教授，主要研究方向为电力系统自动化。

TM73

A

10.3969/j.issn.1009-1831.2016.04.001

2016-04-21；修回日期：2016-05-03

国家电网公司总部科技项目：基于复合信息的需求响应多级调控关键技术研究