基于遗传算法的智能家居负荷管理优化方法
【专利摘要】本发明公开了一种基于遗传算法的智能家居负荷管理优化方法，通过对智能家居系统中的风力发电机输出功率与风速之间的关系建立模型、对蓄电池荷电状态与充放电电量之间的关系建立模型，将负荷分为不可控型负荷、中断型负荷和不可中断型负荷，并给出了中断型负荷和不可中断型负荷开关状态需要满足的条件；建立智能家居负荷管理模型，模型包括由用户总电费构成的目标函数和包含有功功率平衡和最大功率限制的约束条件；利用遗传算法对本发明的模型进行优化求解，在满足基本的负荷约束和用户需求约束情况下，调节各负荷的工作状态，使得当天的总电费最小。本发明能够对智能家居负荷进行管理，使得当天总电费最小。
【专利说明】基于遗传算法的智能家居负荷管理优化方法
【技术领域】
[0001] 本发明属于电力系统【技术领域】，具体涉及一种基于遗传算法的智能家居负荷管理 优化方法。
【背景技术】
[0002] 智能家居是以住宅为平台安装有智能家居系统的居住环境，是指利用先进的计算 机、网络通信、自动控制、音视频和综合布线技术，将与家居生活有关的各种能源系统和智 能用能设备有机地结合到一起，提供智能化的家居服务，营造一个经济、高效、舒适、安全、 可靠、便利、互动、环保节能的居住环境。
[0003] 智能家居在国外起步较早，美国、加拿大、欧洲、澳大利亚、日本和东南亚等经济比 较发达的国家先后提出了各种智能家居的方案。美国首次提出并建成"智能型建筑"，美国 自90年代以来70 %的办公大楼为智能化建筑，著名的智能化建筑有IBM、DEC公司总部大 厦等。目前，美国有全球最大的智能化住宅群，其占地3359公顷，由约8000栋小别墅组成， 每栋别墅有16个信息点，仅综合布线造价就达2200万美元。美国已有将近四万户家庭安 装了 "家庭智能化系统"。在新加坡，1998年5月新加坡举办的"98亚洲家庭电器与电子消 费品国际展览会"上，通过在场内模拟"未来之家"，推出了新加坡模式的家庭智能化系统。 在日本，80%的建筑将智能化，许多大城市建设了"智能化街区"、"智能化楼群"或"智能化 城市"。
[0004] 我国智能家居起步较晚，在2000年"智能家居"的概念才被民众了解和接受。我国 的智能化住宅和智能化小区建设，最初始于广州、深圳和上海等沿海开放城市，随后逐渐向 内地扩展。很多房地产公司都争先建设智能化建筑，但是由于没有统一的技术规范指标，智 能化建筑水平参差不齐。在智能化家居的热潮下，很多企业开始研究智能家居，如海尔基于 物联网的U-home智慧屋家庭智能化解决方案是家庭智能电器的比较有代表性的方案。虽 然国内对于智能家电的研究起步较晚，但是在借鉴外国技术的基础上，越来越多的企业加 入了开发智能家电的大军，国内有代表性的家居企业包括海尔、海信、TCL、索博、瑞讯等。
[0005] 目前主要由针对工商业的可中断负荷进行管理优化，相比于工商业负荷，智能家 居负荷具有更大的不确定性，现有技术难以对智能家居的各种负荷进行优化。
【发明内容】
[0006] 为解决现有技术中的不足，本发明提供一种基于遗传算法的智能家居负荷管理优 化方法，解决了现有技术中难以对智能家居各种负荷进行管理优化的问题。
[0007] 为了实现上述目标，本发明采用如下技术方案：一种基于遗传算法的智能家居负 荷管理优化方法，包括以下步骤：
[0008] 步骤1,对智能家居系统中的风力发电机输出功率与风速之间的关系建立模型、对 蓄电池荷电状态与充放电电量之间的关系建立模型，将负荷分为不可控型负荷、中断型负 荷和不可中断型负荷，并给出了中断型负荷和不可中断型负荷开关状态需要满足的条件；
[0009] 步骤2,建立智能家居负荷管理模型，模型包括由用户总电费构成的目标函数和包 含有功功率平衡和最大功率限制的约束条件；
[0010] 步骤3,通过遗传算法对智能家居负荷管理模型进行求解，达到减少电费的优化效 果。
[0011] 本发明所达到的有益效果：通过对智能家居系统中的风力发电机输出功率与风速 之间的关系建立模型、对蓄电池荷电状态与充放电电量之间的关系建立模型，将负荷分为 不可控型负荷、中断型负荷和不可中断型负荷，并给出了中断型负荷和不可中断型负荷开 关状态需要满足的条件；建立智能家居负荷管理模型，模型包括由用户总电费构成的目标 函数和包含有功功率平衡和最大功率限制的约束条件；利用遗传算法对本发明的模型进行 优化求解，在满足基本的负荷约束和用户需求约束情况下，调节各负荷的工作状态，使得当 天的总电费最小。本发明能够对智能家居各种负荷进行管理优化，使得当天总电费最小。
【专利附图】
【附图说明】
[0012] 图1是风力发电机输出功率与风速的关系示意图；
[0013] 图2是基于遗传算法的智能家居负荷管理优化方法流程图；
[0014] 图3是实施例中智能家居系统示意图；
[0015] 图4是优化后洗衣机仿真结果图；
[0016] 图5是优化后洗碗机1仿真结果图；
[0017] 图6是优化后洗碗机2仿真结果图；
[0018] 图7是优化后电动汽车仿真结果图；
[0019] 图8是优化后游泳池水泵仿真结果图；
[0020] 图9是优化前后总电费对比图；
[0021] 附图中标记的含义：1-开，0-关。
【具体实施方式】
[0022] 下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明 的技术方案，而不能以此来限制本发明的保护范围。
[0023] 本发明基于遗传算法的智能家居负荷管理优化方法，包括以下步骤：
[0024] 步骤1,对智能家居系统中的风力发电机输出功率与风速之间的关系建立模型、对 蓄电池荷电状态与充放电电量之间的关系建立模型，将负荷分为不可控型负荷、中断型负 荷和不可中断型负荷，并给出了中断型负荷和不可中断型负荷开关状态需要满足的条件；
[0025] 步骤2,建立智能家居负荷管理模型，模型包括由用户总电费构成的目标函数和包 含有功功率平衡和最大功率限制的约束条件；
[0026] 步骤3,通过遗传算法对智能家居负荷管理模型进行求解，在满足基本的负荷约束 和用户需求约束情况下，调节各负荷的工作状态，使得当天的总电费最小。
[0027] 步骤1中，智能家居系统包括风力发电机、蓄电池和负荷，下面分别对其建立模 型：
[0028] 1)所述风力发电模型中，设P1为风力发电机的实际输出功率，PnS风力发电机的 额定输出功率，V为环境风速，V ca为风力发电机的启动风速，Vc;N为风力发电机的额定风速， &为风力发电机的切除风速，则风力发电机的实际输出功率P1和环境风速V之间的模型可 用式⑴表示：
[0029]
【权利要求】
1. 一种基于遗传算法的智能家居负荷管理优化方法，包括以下步骤： 步骤1，对智能家居系统中的风力发电机输出功率与风速之间的关系建立模型、对蓄电 池荷电状态与充放电电量之间的关系建立模型，将负荷分为不可控型负荷、中断型负荷和 不可中断型负荷，并给出了中断型负荷和不可中断型负荷开关状态需要满足的条件； 步骤2,建立智能家居负荷管理模型，模型包括由用户总电费构成的目标函数和包含有 功功率平衡和最大功率限制的约束条件； 步骤3,通过遗传算法对智能家居负荷管理模型进行求解，达到减少电费的优化效果。
2. 根据权利要求1所述的一种基于遗传算法的智能家居负荷管理优化方法，其特征 是：步骤1中所述风力发电机模型为： 设P1为风力发电机的实际输出功率，Pn为风力发电机的额定输出功率，V为环境风速， &为风力发电机的启动风速，^为风力发电机的额定风速，为风力发电机的切除风速， 则风力发电机的实际输出功率P1和环境风速V之间的模型可用式（1)表示：
其中，系数匕和匕分别表示为
3. 根据权利要求1所述的一种基于遗传算法的智能家居负荷管理优化方法，其特征 是：步骤1中所述蓄电池模型采用安培小时法来建立，蓄电池模型用式（2)和式（3)表示：
其中，SOC为蓄电池荷电状态；SOCtl为蓄电池初始荷电状态；q为蓄电池实际电量；cN 为蓄电池额定电量山为蓄电池充放电电流；At为蓄电池充放电时间；η ic;h为蓄电池充电 效率；Hdis为蓄电池的放电效率；Pld为电池放电状态下负荷需求的功率；P e为电池充电状 态下系统剩余的功率；U为直流母线电压。
4. 根据权利要求1所述的一种基于遗传算法的智能家居负荷管理优化方法，其特征 是：步骤1中， 所述不可控型负荷不能被调节，在建模时不可控型负荷是以固定的功率曲线建立模 型； 所述中断型负荷允许在tb之后开始工作，同时其工作必须在％之前完成；中断型负荷 的能量消耗是常数，工作的时长包括Ltt个时间步长；在中断型负荷的工作时间内，中断型 负荷的开、关状态满足： Iilj = O V/e[1,/?]u(e, N],ieN' (4) 中断型负荷的模型为式（5):
其中，tb表示中断型负荷开始工作的时间，表示中断型负荷结束工作的时间，表示 中断型负荷工作时长所包括的时间步长，b表示中断性负荷开始工作时的时间步长的序号， e表示中断性负荷结束工作时的时间步长序号，N表示总的时间步长数。Iiui是中断型负荷 在第i个时间步长时开、关状态，N +表示正的自然数集； 所述不可中断型负荷一旦开始工作就不能够停止；不可中断型负荷满足式：
其中，INUi表示不可中断型负荷在第i个时间步长时开、关状态，La表示不可中断型负 荷完成工作所必需的时间步长的总数。
5. 根据权利要求1所述的一种基于遗传算法的智能家居负荷管理优化方法，其特征 是：步骤2中，所述智能家居负荷管理的目标函数为一天内总电费最小，其公式为：
式中，C为用户的总电费，δ为负荷的编号，Aa为非中断型负荷的集合，Att为中断型负 荷的集合，An为不可控型负荷的集合，Xs;i为在第i个时间段负荷δ的电功率，PWT i为在第 i个时间段风力发电机的发电功率，PST;i为在第i个时间段内蓄电池发出的功率，Ci为在第 i个时间段内电力价格；Λ t表示时间步长，N表示相应一天中的时间步长数。
6. 根据权利要求1所述的一种基于遗传算法的智能家居负荷管理优化方法，其特征 是：步骤2中，所述智能家居负荷管理的约束条件为： a) 有功功率平衡约束：PlM(U为第i时间段内负荷的总功率： Pload, i - Pdg, I+Pgrid, i ⑶ 其中，PmtU为第i个时间段电网注入家居中的电功率；PiKU为第i个时间段分布式电 源及蓄电池提供的电功率； b) 最大功率限制约束：Plim为电网向家居系统传输的有功功率限制，有： Pimin〈Pi〈PimM (1〇) Pgrid^Plim (丄丄） 其中，Pi为第i个分布式发电有功功率出力，Pimin，Pimax分别为第i个分布式发电有功 功率出力的最小值限制和最大限制值，PgM为电网供给系统的功率。
7. 根据权利要求1所述的一种基于遗传算法的智能家居负荷管理优化方法，其特征 是：步骤3中，所述基于遗传算法的智能家居负荷管理优化方法步骤包括： 1)初始化：设置迭代计数器t = 0,设置最大迭代数T，通过试探得到优化问题的初始 解，然后通过随机的方式得到一个个体数为N的种群P(0)，种群是指由多个初始解构成的 集合； 2) 适应度计算：构造适应度函数，计算种群P (t)中个体的适应度； 3) 选择运算：将选择算子作用于种群P(t)，从种群P(t)中选择一定数量的个体作为父 代个体,适应度大的个体成为父代个体的概率越大； 4) 交叉运算：将交叉算子作用于种群P(t)，交叉算子作用于种群时，将在算子得到的 父代个体中进行交叉运算的两个个体，然后随机的选取交叉位，最后通过交叉组合形成两 个新的个体； 5) 变异运算：将变异算子作用于种群P(t);变异算子作用于种群时，即对于种群随机 选择一些个体，改变个体上的某个基因值，种群P(t)经过选择、交叉、变异形成新的种群 P (t+1)，对于新形成的种群中的个体进行适应度计算； 6) 收敛判断：如果迭代次数已经达到最大值，则停止迭代，将最后一次迭代中的适应 度最高的个体作为最优解。
【文档编号】G06N3/12GK104376364SQ201410677416
【公开日】2015年2月25日 申请日期:2014年11月21日 优先权日:2014年11月21日
【发明者】陈霄, 颜庆国, 范洁, 易永仙, 杨斌, 闫华光, 薛溟枫, 石坤, 周玉, 许高杰, 陈飞 申请人:国家电网公司, 江苏省电力公司, 江苏省电力公司电力科学研究院, 中国电力科学研究院