一种基于粒子群算法的智能楼宇用电需求侧优化调度策略

1.本发明涉及智能电网电能调度技术领域，具体涉及一种基于粒子群算法的智能楼宇用电需求侧优化调度策略。


背景技术：

2.随着智能电网技术的快速发展，为了提高新能源的消纳和对电网实现削峰填谷，越来越多的学者开始运用风光伏储能源对机组负荷进行调度，提出一种更为经济、可靠、环保及用户满意的调度策略。发掘在需求侧同样有着巨大的调度潜力，在用户侧的角度，优化用电策略，从而实现用户电网双赢。
3.对于需求侧响应，我国目前已经采取“分时电价”、“直接负荷控制”、“可中断负荷”等需求侧响应措施来降低最大负荷，来拉低峰谷差。由于分布式可再生能源(rdg)出力具有随机性、波动性和不可控性，目前这些需求侧响应措施不能很好的消纳波动的可再生能源；对用户满意度有较大影响，导致用户满意度很低。


技术实现要素：

4.针对上述的技术问题，本技术方案提供了一种基于粒子群算法的智能楼宇用电需求侧优化调度策略，针对需求侧的可削减负荷增加了合同激励，对于激励费用加入了贡献度的计算公式，能有效的反应调峰指标，可以更加激励用户参与响应；既可削减负荷实施，且用户主动参与响应不会影响用户用电体验，能进一步提高电网的稳定性与经济性；能有效的解决上述问题。本发明通过以下技术方案实现：
5.一种基于粒子群算法的智能楼宇用电需求侧优化调度策略，对楼宇当中负荷进行分类，并对各类负荷建立数学模型，以经济指标用电成本最小，用户满意度最小和可靠性指标电网稳定性为目标函数，再利用粒子群算法迭代寻优；具体的操作步骤包括：
6.步骤1：通过监控系统获取楼宇可控负荷用电状态，根据楼宇负荷特性，将其分类成基本负荷、可平移负荷、可削减负荷、既可平移又可调节负荷；
7.步骤2：综合考虑电动汽车充放电特性和光伏系统的出力，对用户电动汽车充电优化策略分析，建立调度优化模型；调度优化模型包括：可平移负荷调度模型、可削减负荷调度模型、可平移又可调节负荷调度模型、havc模型和ev与pv模型；
8.步骤3：基于需求侧响应提出一种dr激励机制，分为电价激励与合同激励；
9.步骤4：建立以用电成本最小、用户满意度和电网稳定性为目标函数及其约束条件，用线性加权组合法将多目标转化成单目标；所述的目标函数为：
[0010][0011]
以用电成本最小为目标进行优化调整，考虑到在太阳能过多的情况下，用户将无法消纳的pv系统出力售给电力公司的收益，λ为t时刻的售电电价；
[0012][0013][0014]
以用户满意度和电网稳定性为目标，c
fort
表示用户满意度，将优化前与优化后进行比较，若负荷使用时间改变较少，c
fort
值越小则用户满意度越高；电网稳定性则是用每日用电峰谷差值来表示；
[0015]
步骤5：将建立的优化调度模型采用改进的粒子群算法求解。
[0016]
进一步的，步骤1所述的基本负荷包括照明系统、电视机类，该负荷对于用户需求较大，且不参与系统调度；
[0017]
所述的可平移负荷包括打印机和投影仪类，用户根据自身实际情况调整负荷用电区间，但又因其负荷特性原因无法中断，其负荷的功率和用电时间无法调整，呈现效果将整体负荷曲线平移；
[0018]
所述的可削减负荷是在电网供电公司与用户签到合同条件下，供电公司根据负荷实际运行情况，调度中心提前一段时间对用户下达削减负荷指令，用户也可以从中得到经济补偿；
[0019]
所述的既可平移又可调节负荷包括电动汽车、hvac恒温系统，该负荷对于用户侧来说有着极大的调度空间，也占据电能消耗很大一部分，是用户舒适度的关键因素；该类负荷特性是其用电功率和用电时间在一定程度上可以灵活变动；电网提前一天告知电价信息采取分时电价的激励机制(tou)鼓励用户设定用电策略。
[0020]
进一步的，步骤2所述的可平移负荷调度模型为：
[0021]
l
tl，i
＝p
tl，i
δt
ꢀꢀꢀ
(1)；
[0022][0023][0024]
式1是可平移负荷i在ti时段所消耗的电能；其中，i为可平移负荷类型集合i∈{lw,l
wh
,...ld}；p
tl,i
为可平移负荷i在ti时间段的功率；s
tl,i
表示负荷i的用电状态；为负荷i实际工作区间；为设想最佳的调度区间；
[0025]
所述的可削减负荷调度模型为：
[0026][0027]
式4中的l
xj.k
表示负荷实际削减的容量，则表示负荷理想情况消减的容量，r
ki
表示在合同激励机制允许的不同挡位削减量的波动比例系数；
[0028]
所述的可平移又可调节负荷调度模型为：
[0029]
l
fl，j
＝p
fl，jsfl,j
δt
ꢀꢀꢀ
(5)；
[0030][0031][0032]
σ1p
fl，j
＜p
fl，j
＜σ2p
fl，j
ꢀꢀꢀ
(8)；
[0033]
式5是可平移又可调节负荷j的调度实际响应量；其中，j为可平移负荷类型集合j∈{lw,l
wh
,...ld}数；p
fl，j
为可平移负荷j在tj时间段的功率；s
fl,j
表示负荷j的启停状态；为负荷j实际工作区间；为设想最佳的调度区间；式8中的σ为该类负荷功率可调节的比例系数。
[0034]
所述的havc模型为：
[0035]
l
hvac
＝|p
t
|δt
ꢀꢀꢀ
(9)；
[0036]
式中：|p
t
|为hvac功率，此处的绝对值是为了区分制冷与制热；δt为记录间隔时间；
[0037]
t
t
＝aht
t-1
+(1-ah)e
t
+a
p
p
t
ꢀꢀꢀ
(10)；
[0038]
t
tmin
≤t
t
≤t
tmax
ꢀꢀꢀ
(11)；
[0039]
|p
t
|≤p
tmax
ꢀꢀꢀ
(12)；
[0040]
要考虑室内温度变化，这个跟变量温控负荷频率有关；舒适室温范围：一般人体的舒适室温温度在18摄氏度到25摄氏度之间；hvac功率限制条件；式中p
t
为第t时段的温控负荷功率，为优化变量；ah为建筑隔热系数，一般数值小于1；a
p
为havc制热/冷能力系数；t
t
为室内温度变化规律；t
t-1
为上一刻的室内温度；e
t
为室外的温度；
[0041]
所述的ev与pv模型为：
[0042][0043]
式中，soc(t)为电动汽车的充电电量目标；soc(t0)为电动汽车连接充电桩前的剩余电量；p
ev
为电动汽车充放电功率；η
ev
为电动汽车电量转化系数；t-t0为电动汽车充电时间常数；e为电动汽车可存储的总电量；
[0044]
p
ev
≤p
max
ꢀꢀꢀ
(14)；
[0045]
soc
min
≤soc(t)≤soc
max
ꢀꢀꢀ
(15)；
[0046]
以上是为了保证电动汽车电池寿命，并对其充放电功率与电动汽车电荷状态进行约束；
[0047]
pv发电系统出力功率为：
[0048][0049]
式15中的p
ev
表示光伏系统出力，p
ref
根据光伏太阳能板参数所计算的系统标准出力；s
t
表示在t时刻太阳能辐照射强度；α
θ
为温度系数，t
t
为t时刻太阳能板的实际温度。s
ref
、t
ref
分别为光伏系统标准太阳能照射强度与温度；其中光伏系统标准出力与太阳能板的电
压电流特性有关；
[0050]
光伏发电系统，为最大程度最小化用电成本，可以在楼宇上安装光伏发电装置，虽然光伏存在不稳定性，但在大部分时期依然可以起到削峰填谷的作用。
[0051]
进一步的，步骤3所述的电价激励可分为固定电价、分时电价和实时电价，三种电价机制为依次递进的关系；算例仿真主要以分时电价机制为主，电网公司在日前进行负荷预测，根据预测数据提出不同时段的电价信息传入参与激励机制的居民用户hems，提倡用户根据分时电价做出合理的用电策略；
[0052]
所述的合同激励指电网与用户签到合同，依据电网运行转态负荷情况，调度中心为了削峰提前30-120min，对用户下达削减负荷指令，用户则可以从中获得收益；激励收益是根据计算得出调峰效果指标，再结合阶梯型指标上不同的激励费用系数算得具体的收益；
[0053][0054][0055]cmot
＝h
motcdr
ν
mothgxd
ꢀꢀꢀꢀ
(19)；
[0056]
式17为调峰效果指标的计算公式，其中，p
total
(t)、分别表示用户在t时刻的总功率和一天的平均用电功率，p
sys
(t)、则分别表示电力系统在t时段的总功率和一天的平均用电功率；式18为用户对电网实际贡献度也是激励费用的重要指标；式19为电网的激励费用，是在电网设置的dr电价标准的基础上。
[0057]
进一步的，步骤4所述的用线性加权组合法将多目标转化成单目标函数，是根据各个目标的重要程度分别乘以对应的权重系数，最后相加构成一个目标函数求解；则统一量纲后的单目标函数为：
[0058]
f＝β1f1+β2f2+β3f3ꢀꢀꢀ
(20)；
[0059]
对于楼宇类似写字办公楼的场所，即则以经济性指标f1作为最重要指标，然后以优化策略对电网达到削峰填谷的作用，则电网稳定性f3的重要等级在用户满意度f2之上；逐一判断f1、f2、f3之间的算子关系做归一化处理。
[0060]
进一步的，步骤5所述改进的粒子群算法是在pso算法迭代处加入对粒子群参数更新的环节，得到非线性递减的粒子群参数；
[0061][0062][0063]
对于常规的粒子群算法参数固定为常数，本发明将惯性权重和学习因子设置为一维向量，则21式与22式分别为惯性权重与学习因子的更新迭代公式。其中w
max
、w
min
、c
max
、c
min
为惯性权重与学习因子最大最小值；d1、d2动态误差系数；t、t
max
为当前迭代次数和最大迭代
次数。
[0064]
进一步的，步骤5所述的采用改进的粒子群算法迭代寻优粒子群算法的具体步骤为：
[0065]
s51:获取楼宇负荷数据与室外温度信息，初始化电动汽车荷电状态，预测光伏出力，并进行归一化处理；
[0066]
s52:设置粒子群参数，输入学习因子、惯性权重和迭代次数；
[0067]
s53:初始化种群，对可平移和可调节负荷、储能系统随机产生一个种群；
[0068]
s54:计算适应度函数，输入以用电成本最小、用户满意度和电网稳定性指标为目标函数的数学模型；
[0069]
s55:确定全局最佳适应度值，先取出个体极值和群体极值，得出全局与个体最优，确定出个体最优适应度值和全局最优适应度值；
[0070]
s56:开始迭代寻最优；
[0071]
s57:根据实时用电负荷曲线，判断电网是否需要调峰；
[0072]
s58:若否，则基于合同激励，对可削减负荷进行调度并提出最终
[0073]
用电策略；
[0074]
s59:结果分析。
[0075]
进一步的，步骤s56所述的开始迭代寻最优的操作步骤为：
[0076]
s561:更新速度与种群；
[0077]
s562:计算并更新粒子目标适应度值；
[0078]
s563:判断粒子是否收敛，若否，则继续迭代,；反之，则输出最优解；提供用户侧调度策略。
[0079]
有益效果
[0080]
本发明提出的一种基于粒子群算法的智能楼宇用电需求侧优化调度策略,与现有技术相比较，其具有以下有益效果：
[0081]
(1)本发明为了加强电网的安全性、经济性和稳定性，对需求侧展开优化调度，对楼宇当中负荷进行分类，并对各类负荷建立数学模型；基于需求侧响应电价激励与合同激励两种激励机制，在此基础上，以经济性指标用电成本最小、用户用电满意度和电网稳定性为目标函数建立优化调度模型，再利用粒子群算法迭代寻优。基于分时电价环境，考虑了光伏储能与电动汽车充电负荷和需求侧响应激励方面的影响，加入贡献度指标建立了写字楼宇的用电设备调度模型。综合考虑了用电成本和用户满意度及电压稳定性，算例仿真表明该优化模型通过改变不同用电负荷的用电策略，为用户提供最佳的用电方案，结果表明该智能楼宇优化调度策略可以降低用电成本，提高用户满意度，为电网达到削峰填谷的作用。
[0082]
(2)本发明利用了改进的粒子群算法，该算法通过引入学习因子、惯性权重的迭代公式，通过指数函数实现参数非线性递减有益于算法快速跳出局部最优。
附图说明
[0083]
图1为本发明的操作流程示意图。
[0084]
图2为本发明中粒子群算法步骤的示意图。
[0085]
图3为案例1的光伏负荷预测出力曲线图。
[0086]
图4为案例1中楼宇各用电负荷优化前后调度结果图。
[0087]
图5为案例1中总负荷曲线优化前后对比图。
[0088]
图6为案例1中pso算法改进前后适应度曲线对比图。
具体实施方式
[0089]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。在不脱离本发明设计构思的前提下，本领域普通人员对本发明的技术方案做出的各种变型和改进，均应落入到本发明的保护范围。
[0090]
实施例1：
[0091]
一种基于粒子群算法的智能楼宇用电需求侧优化调度策略，通常对于负荷调度方式会采取错峰和避峰的措施，根据负荷响应特性，可中断负荷与可平移负荷可以达到错峰效果，用户将自身的用电高峰与电网的负荷高峰错开从而使电网一定程度削峰填谷。用户可以对可削减负荷在电网负荷高峰期对其减少用电量，采取避峰措施。
[0092]
对楼宇当中负荷进行分类，并对各类负荷建立数学模型，以经济指标用电成本最小，用户满意度最小和可靠性指标电网稳定性为目标函数，再利用粒子群算法迭代寻优；具体的操作步骤包括：
[0093]
步骤1：通过监控系统获取楼宇可控负荷用电状态，根据楼宇负荷特性，对楼宇当中负荷进行分类；将其分类成基本负荷、可平移负荷、可削减负荷、既可平移又可调节负荷。
[0094]
所述的基本负荷包括照明系统、电视机类，该负荷对于用户需求较大，且不参与系统调度。
[0095]
所述的可平移负荷包括打印机和投影仪类，用户根据自身实际情况调整负荷用电区间，但又因其负荷特性原因无法中断，其负荷的功率和用电时间无法调整，呈现效果将整体负荷曲线平移。
[0096]
所述的可削减负荷是在电网供电公司与用户签到合同条件下，供电公司根据负荷实际运行情况，调度中心提前一段时间对用户下达削减负荷指令，用户也可以从中得到经济补偿。
[0097]
所述的既可平移又可调节负荷包括电动汽车、hvac恒温系统，该负荷对于用户侧来说有着极大的调度空间，也占据电能消耗很大一部分，是用户舒适度的关键因素；该类负荷特性是其用电功率和用电时间在一定程度上可以灵活变动；电网提前一天告知电价信息采取分时电价的激励机制(tou)鼓励用户设定用电策略。
[0098]
步骤2：综合考虑电动汽车充放电特性和光伏系统的出力，对用户电动汽车充电优化策略分析，建立调度优化模型；调度优化模型包括：可平移负荷调度模型、可削减负荷调度模型、可平移又可调节负荷调度模型、havc模型和ev与pv模型。
[0099]
所述的可平移负荷调度模型为：
[0100]
l
tl，i
＝p
tl，i
δt (1)；
[0101]
[0102][0103]
式1是可平移负荷i在ti时段所消耗的电能；其中，i为可平移负荷类型集合i∈{lw,l
wh
,...ld}；p
tl,i
为可平移负荷i在ti时间段的功率；s
tl,i
表示负荷i的用电状态；为负荷i实际工作区间；为设想最佳的调度区间；参数数据如表二所示。
[0104]
所述的可削减负荷调度模型为：
[0105][0106]
式3中的l
xj.k
表示负荷实际削减的容量，则表示负荷理想情况消减的容量，r
ki
表示在合同激励机制允许的不同挡位削减量的波动比例系数。
[0107]
所述的可平移又可调节负荷调度模型为：
[0108]
l
fl，j
＝p
fl，jsfl,j
δt
ꢀꢀꢀ
(5)；
[0109][0110][0111]
σ1p
fl，j
＜p
fl，j
＜σ2p
fl，j
ꢀꢀꢀ
(8)；
[0112]
式5是可平移又可调节负荷j的调度实际响应量；其中，j为可平移负荷类型集合j∈{lw,l
wh
,...ld}数；p
fl，j
为可平移负荷j在tj时间段的功率；s
fl,j
表示负荷j的启停状态；为负荷j实际工作区间；为设想最佳的调度区间；式8中的σ为该类负荷功率可调节的比例系数。σ1、σ2设置为0.5、0.8。其他负荷数据参考表二。
[0113]
所述的havc模型为：
[0114]
l
hvac
＝|p
t
|δt
ꢀꢀꢀ
(9)；
[0115]
式中：|p
t
|为hvac功率，此处的绝对值是为了区分制冷与制热；δt为记录间隔时间；
[0116]
t
t
＝aht
t-1
+(1-ah)e
t
+a
p
p
t
ꢀꢀꢀ
(10)；
[0117]
t
tmin
≤t
t
≤t
tmax
ꢀꢀꢀ
(11)；
[0118]
|p
t
|≤p
tmax
ꢀꢀꢀ
(12)；
[0119]
要考虑室内温度变化，这个跟变量温控负荷频率有关；舒适室温范围：一般人体的舒适室温温度在18摄氏度到25摄氏度之间；hvac功率限制条件；式中p
t
为第t时段的温控负荷功率，为优化变量；ah为建筑隔热系数，一般数值小于1；a
p
为havc制热/冷能力系数；t
t
为室内温度变化规律；t
t-1
为上一刻的室内温度；e
t
为室外的温度；
[0120]
所述的ev与pv模型为：
[0121][0122]
式中，soc(t)为电动汽车的充电电量目标；soc(t0)为电动汽车连接充电桩前的剩
余电量；p
ev
为电动汽车充放电功率；η
ev
为电动汽车电量转化系数；t-t0为电动汽车充电时间常数；e为电动汽车可存储的总电量；
[0123]
pv发电系统出力功率为：
[0124][0125]
式14中的p
ev
表示光伏系统出力，p
ref
根据光伏太阳能板参数所计算的系统标准出力；s
t
表示在t时刻太阳能辐照射强度；α
θ
为温度系数，t
t
为t时刻太阳能板的实际温度。s
ref
、t
ref
分别为光伏系统标准太阳能照射强度与温度；其中光伏系统标准出力与太阳能板的电压电流特性有关。
[0126]
光伏发电系统，为最大程度最小化用电成本，可以在楼宇上安装光伏发电装置，虽然光伏存在不稳定性，但在大部分时期依然可以起到削峰填谷的作用。
[0127]
步骤3：基于需求侧响应提出一种dr激励机制，分为电价激励与合同激励。
[0128]
所述的电价激励可分为固定电价、分时电价和实时电价，三种电价机制为依次递进的关系；算例仿真主要以分时电价机制为主，电网公司在日前进行负荷预测，根据预测数据提出不同时段的电价信息传入参与激励机制的居民用户hems，提倡用户根据分时电价做出合理的用电策略；
[0129]
所述的合同激励指电网与用户签到合同，依据电网运行转态负荷情况，调度中心为了削峰提前30-120min，对用户下达削减负荷指令，用户则可以从中获得收益；激励收益是根据计算得出调峰效果指标，再结合阶梯型指标上不同的激励费用系数算得具体的收益；
[0130][0131][0132]cmot
＝h
motcdr
ν
mothgxd
ꢀꢀꢀ
(17)；
[0133]
式15为调峰效果指标的计算公式，其中，p
total
(t)、分别表示用户在t时刻的总功率和一天的平均用电功率，p
sys
(t)、则分别表示电力系统在t时段的总功率和一天的平均用电功率；式16为用户对电网实际贡献度也是激励费用的重要指标；式17为电网的激励费用，是在电网设置的dr电价标准的基础上。
[0134]
步骤4：建立以用电成本最小、用户满意度和电网稳定性为目标函数及其约束条件，用线性加权组合法将多目标转化成单目标。
[0135]
所述的目标函数为：
[0136][0137]
以用电成本最小为目标进行优化调整，考虑到在太阳能过多的情况下，用户将无
法消纳的pv系统出力售给电力公司的收益，λ为t时刻的售电电价；
[0138][0139][0140]
以用户满意度和电网稳定性为目标，c
fort
表示用户满意度，将优化前与优化后进行比较，若负荷使用时间改变较少，c
fort
值越小则用户满意度越高；电网稳定性则是用每日用电峰谷差值来表示。
[0141]
用线性加权组合法将多目标转化成单目标函数，是根据各个目标的重要程度分别乘以对应的权重系数，最后相加构成一个目标函数求解；则统一量纲后的单目标函数为：
[0142]
f＝β1f1+β2f2+β3f3ꢀꢀꢀ
(21)；
[0143]
对于楼宇类似写字办公楼的场所，即则以经济性指标f1作为最重要指标，然后以优化策略对电网达到削峰填谷的作用，则电网稳定性f3的重要等级在用户满意度f2之上；逐一判断f1、f2、f3之间的算子关系做归一化处理。则其中β1＝0.5,β1＝0.2,β1＝0.3。
[0144]
步骤5：将建立的优化调度模型采用改进的粒子群算法求解。
[0145]
改进的粒子群算法是在pso算法迭代处加入对粒子群参数更新的环节，得到非线性递减的粒子群参数；
[0146][0147][0148]
对于常规的粒子群算法参数固定为常数，本发明将惯性权重和学习因子设置为一维向量，则式21与式22分别为惯性权重与学习因子的更新迭代公式。其中w
max
＝0.9,w
min
＝0.4,c
max
＝1.5,c
min
＝0.5，；d1＝0.025,d2＝0.75；t
max
＝100。
[0149]
采用改进的粒子群算法迭代寻优粒子群算法的具体步骤为：
[0150]
s51:获取楼宇负荷数据与室外温度信息，初始化电动汽车荷电状态，预测光伏出力，并进行归一化处理；
[0151]
s52:设置粒子群参数，输入学习因子、惯性权重和迭代次数；
[0152]
s53:初始化种群，对可平移和可调节负荷、储能系统随机产生一个种群；
[0153]
s54:计算适应度函数，输入以用电成本最小、用户满意度和电网稳定性指标为目标函数的数学模型；
[0154]
s55:确定全局最佳适应度值，先取出个体极值和群体极值，得出全局与个体最优，确定出个体最优适应度值和全局最优适应度值；
[0155]
s56:开始迭代寻最优；
[0156]
s561:更新速度与种群；
[0157]
s562:计算并更新粒子目标适应度值；
[0158]
s563:判断粒子是否收敛，若否，则继续迭代,；反之，则输出最优解；提供用户侧调
度策略。
[0159]
s57:根据实时用电负荷曲线，判断电网是否需要调峰；
[0160]
s58:若否，则基于合同激励，对可削减负荷进行调度并提出最终
[0161]
用电策略；
[0162]
s59:结果分析。
[0163]
具体的结果分析如下所示：
[0164]
案例1：
[0165]
本算例将一天24小时划分为48个时段。分时电价政策下采用江苏省工业用电电价政策如表一所示。电价低时多用电，电价高时少用电。
[0166]
表1为分时电价信息，分为三个时段高峰期、平谷期和低谷期。
[0167]
电网公司会在日前将分时电价信息下达hems系统中，参与调度的对象为可平移负荷、可平移又可调度负荷、光伏储能和电动汽车soc。
[0168]
表1分时电价信息
[0169][0170]
高峰用电时期一般在夏季，所有选取江苏省某地区夏季一日数据为标准。
[0171]
表2为各类用电负荷参数，其负荷是在办公楼场景下常见的用电负荷，基于人体思维方式习惯以及参考多处文献调研，提出最适调度区间和运行时长等参数。
[0172]
表2各类用电负荷参数
[0173][0174][0175]
图3是收集了夏季某地区采用太阳能板吸取的光伏功率数据，本发明考虑到用户可以参与需求侧响应，可以将光伏系统存储的剩余电量卖给电力公司换取收益。
[0176]
如表2所示，把楼宇的用电负荷分为基本负荷和可削减负荷、可平移负荷和即可中断又可平移负荷。
[0177]
基本负荷由于本身硬性特点是不具备调度调节的，所以在本算例不参与调度。
[0178]
可削减负荷包括电脑，在楼宇当中有若干的电脑消耗电能，可控制其负荷数量来一定程度上削减功率。
[0179]
可平移与可中断这类负荷具有相同的特性是在用户设定允许的时间范围内，可以将其在低价时间使用，但可能一定程度降低用户满意度。以用电成本最小、用户满意度和电网稳定性为目标，再利用粒子群算法分别对模型求解，用电负荷的运行状态作为决策变量，最适调度区间作为约束条件。得到的结果如图4所示.
[0180]
观察图4，首先优化后考虑了电动汽车，将其调度在04:00至08:00的低谷期，其他负荷基本也是在用户允许使用范围内调度到电价小的区间。
[0181]
饮水机因为早上就饮水量会较大，调度到08:00前供水烧水的操作。
[0182]
实施合同激励后，可削减负荷电脑优化后对比优化前在14:00有一定程度削减趋势，因为这时间会有人去午休则不使用电脑，并且提前在17:00下班时间结束。
[0183]
表3优化结果
[0184]
阶段用电成本/(元
·
d-1
)用户满意度峰谷差/kw
优化前22.42731.58732.74优化后5.09880.09251.65
[0185]
优化前与优化后调度模型对比，优化前的模型未考虑光伏出力和参与需求侧响应以及电动汽车模型。
[0186]
优化后的用电成本与优化前对比减小17.3285元，当然本发明参考的用电负荷较少，局限性较大。对于用户满意度指标，数值越小满意度越高，当然havc系统对室内温度的调节也是让用户满意度提高的关键。
[0187]
此算例将室内温度控制在人体舒适温度25摄氏度与27摄氏度区间内。如图5可以看出。其峰谷差减小了1.09kw也使其在一定程度上实现削峰填谷的作用。
[0188]
图5所示，优化前的总负荷曲线的适应度函数未考虑权重系数和电网稳定性目标函数，所以可以很明显看出该优化减小了峰谷差，增强了电压稳定性，从而对楼宇负荷起到一定的削峰填谷的作用。
[0189]
对于算法方面改进前后对比如图6所示，优化后主要改进了算法惯性权重参数。在迭代初期两者速度差不多，优化前的适应度曲线明显陷入了局部最优解在迭代64次左右跳出局部最优的循环，在迭代74次时得到最优适应度值。优化后的适应度值在迭代40次更快速地跳出局部最优，并且输出的适应度值更优。
[0190]
以上仅为本发明的具体实施例，但本发明的保护范围不仅局限于此，任何在本发明揭露的技术范围内的变化、替换和改进，均在本发明的保护范围内。

技术特征：
1.一种基于粒子群算法的智能楼宇用电需求侧优化调度策略，其特征在于：对楼宇当中负荷进行分类，并对各类负荷建立数学模型，以经济指标用电成本最小，用户满意度最小和可靠性指标电网稳定性为目标函数，再利用粒子群算法迭代寻优；具体的操作步骤包括：步骤1：通过监控系统获取楼宇可控负荷用电状态，根据楼宇负荷特性，将其分类成基本负荷、可平移负荷、可削减负荷、既可平移又可调节负荷；步骤2：综合考虑电动汽车充放电特性和光伏系统的出力，对用户电动汽车充电优化策略分析，建立调度优化模型；调度优化模型包括：可平移负荷调度模型、可削减负荷调度模型、可平移又可调节负荷调度模型、havc模型和ev与pv模型；步骤3：基于需求侧响应提出一种dr激励机制，分为电价激励与合同激励；步骤4：建立以用电成本最小、用户满意度和电网稳定性为目标函数及其约束条件，用线性加权组合法将多目标转化成单目标；所述的目标函数为：以用电成本最小为目标进行优化调整，考虑到在太阳能过多的情况下，用户将无法消纳的pv系统出力售给电力公司的收益，λ为t时刻的售电电价；λ为t时刻的售电电价；以用户满意度和电网稳定性为目标，c
fort
表示用户满意度，将优化前与优化后进行比较，若负荷使用时间改变较少，c
fort
值越小则用户满意度越高；电网稳定性则是用每日用电峰谷差值来表示；步骤5：将建立的优化调度模型采用改进的粒子群算法求解。2.根据权利要求1所述的一种基于粒子群算法的智能楼宇用电需求侧优化调度策略，其特征在于：步骤1所述的基本负荷包括照明系统、电视机类，该负荷对于用户需求较大，且不参与系统调度；所述的可平移负荷包括打印机和投影仪类，用户根据自身实际情况调整负荷用电区间，但又因其负荷特性原因无法中断，其负荷的功率和用电时间无法调整，呈现效果将整体负荷曲线平移；所述的可削减负荷是在电网供电公司与用户签到合同条件下，供电公司根据负荷实际运行情况，调度中心提前一段时间对用户下达削减负荷指令，用户也可以从中得到经济补偿；所述的既可平移又可调节负荷包括电动汽车、hvac恒温系统，该负荷对于用户侧来说有着极大的调度空间，也占据电能消耗很大一部分，是用户舒适度的关键因素；该类负荷特性是其用电功率和用电时间在一定程度上可以灵活变动；电网提前一天告知电价信息采取
分时电价的激励机制(tou)鼓励用户设定用电策略。3.根据权利要求1所述的一种基于粒子群算法的智能楼宇用电需求侧优化调度策略，其特征在于：步骤2所述的可平移负荷调度模型为：l
tl，i
＝p
tl，i
δt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)；(1)；式1是可平移负荷i在t
i
时段所消耗的电能；其中，i为可平移负荷类型集合i∈{l
w
,l
wh
,...l
d
}；p
tl,i
为可平移负荷i在t
i
时间段的功率；s
tl,i
表示负荷i的用电状态；为负荷i实际工作区间；为设想最佳的调度区间；所述的可削减负荷调度模型为：式4中的l
xj.k
表示负荷实际削减的容量，则表示负荷理想情况消减的容量，r
ki
表示在合同激励机制允许的不同挡位削减量的波动比例系数；所述的可平移又可调节负荷调度模型为：l
fl，j
＝p
fl，j
s
fl,j
δt
ꢀꢀꢀꢀꢀꢀ
(5)；(5)；σ1p
fl，j
＜p
fl，j
＜σ2p
fl，j (8)；式5是可平移又可调节负荷j的调度实际响应量；其中，j为可平移负荷类型集合j∈{l
w
,l
wh
,...l
d
}数；p
fl，j
为可平移负荷j在t
j
时间段的功率；s
fl,j
表示负荷j的启停状态；为负荷j实际工作区间；为设想最佳的调度区间；式8中的σ为该类负荷功率可调节的比例系数；所述的havc模型为：l
hvac
＝|p
t
|δt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)；式中：|p
t
|为hvac功率，此处的绝对值是为了区分制冷与制热；δt为记录间隔时间；t
t
＝a
h
t
t-1
+(1-a
h
)e
t
+a
p
p
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)；t
tmin
≤t
t
≤t
tmax
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)；|p
t
|≤p
tmax
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)；要考虑室内温度变化，这个跟变量温控负荷频率有关；舒适室温范围：一般人体的舒适室温温度在18摄氏度到25摄氏度之间；hvac功率限制条件；式中p
t
为第t时段的温控负荷功
率，为优化变量；a
h
为建筑隔热系数，一般数值小于1；a
p
为havc制热/冷能力系数；t
t
为室内温度变化规律；t
t-1
为上一刻的室内温度；e
t
为室外的温度；所述的ev与pv模型为：式中，soc(t)为电动汽车的充电电量目标；soc(t0)为电动汽车连接充电桩前的剩余电量；p
ev
为电动汽车充放电功率；η
ev
为电动汽车电量转化系数；t-t0为电动汽车充电时间常数；e为电动汽车可存储的总电量；p
ev
≤p
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)；soc
min
≤soc(t)≤soc
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)；以上是为了保证电动汽车电池寿命，并对其充放电功率与电动汽车电荷状态进行约束；pv发电系统出力功率为：式16中的p
ev
表示光伏系统出力，p
ref
根据光伏太阳能板参数所计算的系统标准出力；s
t
表示在t时刻太阳能辐照射强度；α
θ
为温度系数，t
t
为t时刻太阳能板的实际温度；s
ref
、t
ref
分别为光伏系统标准太阳能照射强度与温度；其中光伏系统标准出力与太阳能板的电压电流特性有关；光伏发电系统，为最大程度最小化用电成本，可以在楼宇上安装光伏发电装置，虽然光伏存在不稳定性，但在大部分时期依然可以起到削峰填谷的作用。4.根据权利要求1所述的一种基于粒子群算法的智能楼宇用电需求侧优化调度策略，其特征在于：步骤3所述的电价激励可分为固定电价、分时电价和实时电价，三种电价机制为依次递进的关系；算例仿真主要以分时电价机制为主，电网公司在日前进行负荷预测，根据预测数据提出不同时段的电价信息传入参与激励机制的居民用户hems，提倡用户根据分时电价做出合理的用电策略；所述的合同激励指电网与用户签到合同，依据电网运行转态负荷情况，调度中心为了削峰提前30-120min，对用户下达削减负荷指令，用户则可以从中获得收益；激励收益是根据计算得出调峰效果指标，再结合阶梯型指标上不同的激励费用系数算得具体的收益；再结合阶梯型指标上不同的激励费用系数算得具体的收益；c
mot
＝h
mot
c
dr
ν
mot
h
gxd
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)；式17为调峰效果指标的计算公式，其中，分别表示用户在t时刻的总功率和
一天的平均用电功率，则分别表示电力系统在t时段的总功率和一天的平均用电功率；式18为用户对电网实际贡献度也是激励费用的重要指标；式19为电网的激励费用，是在电网设置的dr电价标准的基础上。5.根据权利要求1所述的一种基于粒子群算法的智能楼宇用电需求侧优化调度策略，其特征在于：步骤4所述的用线性加权组合法将多目标转化成单目标函数，是根据各个目标的重要程度分别乘以对应的权重系数，最后相加构成一个目标函数求解；则统一量纲后的单目标函数为：f＝β1f1+β2f2+β3f3ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)；对于楼宇类似写字办公楼的场所，即则以经济性指标f1作为最重要指标，然后以优化策略对电网达到削峰填谷的作用，则电网稳定性f3的重要等级在用户满意度f2之上；逐一判断f1、f2、f3之间的算子关系做归一化处理。6.根据权利要求1所述的一种基于粒子群算法的智能楼宇用电需求侧优化调度策略，其特征在于：所述改进的粒子群算法是在pso算法迭代处加入对粒子群参数更新的环节，得到非线性递减的粒子群参数；到非线性递减的粒子群参数；对于常规的粒子群算法参数固定为常数，将惯性权重和学习因子设置为一维向量，则21式与22式分别为惯性权重与学习因子的更新迭代公式；其中w
max
、w
min
、c
max
、c
min
为惯性权重与学习因子最大最小值；d1、d2动态误差系数；t、t
max
为当前迭代次数和最大迭代次数。7.根据权利要求1或6所述的一种基于粒子群算法的智能楼宇用电需求侧优化调度策略，其特征在于：采用改进的粒子群算法迭代寻优粒子群算法的具体步骤为：s51：获取楼宇负荷数据与室外温度信息，初始化电动汽车荷电状态，预测光伏出力，并进行归一化处理；s52：设置粒子群参数，输入学习因子、惯性权重和迭代次数；s53：初始化种群，对可平移和可调节负荷、储能系统随机产生一个种群；s54：计算适应度函数，输入以用电成本最小、用户满意度和电网稳定性指标为目标函数的数学模型；s55：确定全局最佳适应度值，先取出个体极值和群体极值，得出全局与个体最优，确定出个体最优适应度值和全局最优适应度值；s56：开始迭代寻最优；s57：根据实时用电负荷曲线，判断电网是否需要调峰；s58：若否，则基于合同激励，对可削减负荷进行调度并提出最终用电策略；s59：结果分析。8.根据权利要求7所述的一种基于粒子群算法的智能楼宇用电需求侧优化调度策略，其特征在于：步骤s56所述的开始迭代寻最优的操作步骤为：s561：更新速度与种群；s562：计算并更新粒子目标适应度值；
s563：判断粒子是否收敛，若否，则继续迭代,；反之，则输出最优解；提供用户侧调度策略。

技术总结
一种基于粒子群算法的智能楼宇用电需求侧优化调度策略，通过监控系统获取楼宇可控负荷用电状态，根据楼宇负荷特性，将其分类成基本负荷、可平移负荷、可削减负荷、既可平移又可调节负荷；基于需求侧响应电价激励与合同激励两种激励机制，在此基础上，以经济性指标用电成本最小、用户用电满意度和电网稳定性为目标函数建立优化调度模型；最后，应用改进后的粒子群算法求解建立优化调度模型，并且进行仿真分析，预期仿真结果；可以有效对需求侧的经济性与舒适性提升，以达到电网削峰填谷的作用。本发明在高峰期用电考虑电动汽车与光伏发电的调度模式，进一步降低用电成本。进一步降低用电成本。进一步降低用电成本。


技术研发人员：桑英军 吴争龙 陶静蕾 周业辉 陈泉宇 张一航 范媛媛
受保护的技术使用者：淮阴工学院
技术研发日：2023.05.23
技术公布日：2023/8/13