一种基于神经网络的家庭能源物联网需求侧响应控制方法与流程

本发明属于电气与自动化技术领域，尤其涉及一种基于神经网络的家庭能源物联网需求侧响应控制方法。

背景技术：

需求响应（demandresponse，简称dr）即电力需求响应的简称，是指当电力批发市场价格升高或系统可靠性受威胁时，电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知或者电力价格上升信号后，改变其固有的习惯用电模式，达到减少或者推移某时段的用电负荷而响应电力供应，从而保障电网稳定，并抑制电价上升的短期行为。它是需求侧管理（dsm）的解决方案之一。

目前需求侧响应项目的实施主要还是试点城市、省份实施。2014年以来，除唐山市外，北京、上海、佛山三市和江苏省已成功实施了几次需求侧响应项目，基本是每年夏季实施一两次。其中江苏省需求侧响应从实施范围、响应容量来看均处于国内领先水平。2017年7月江苏省经信委组织省电力公司对张家港保税区、冶金园启动了实时自动需求响应，在不影响企业正常生产的前提下，仅用1秒钟时间即降低了园区内55.8万千瓦的电力需求，创下了国际先例。

不过试点运行过程中也存在一些问题，比如：1.目前用户参与需求响应的动机并不来自价格信号或者激励手段，而是单一的财政补贴（每千瓦100元左右），一旦补贴停止，相应的实施项目就难以为继；2.目前试点的对象主要是工业用户，而且存在一定计划因素，参与主体范围小、互动性不强。3.由于缺少实时和分时电价，峰谷电价的价差不够大，无法吸引到最有潜力的储能等需求侧资源。

中国专利cn201510007856.6公开了一种家庭负荷需求侧响应实施方法，其目的旨在解决家庭用户符合种类比较单一，且不宜自动控制，对需求侧响应速度较为迟缓的问题。该发明主要实施方法是在家用电器上加装二维码生成器，用以监视开关状态，当二维码生成器监测到电器开关变化便生成二维码，内容包括用户信息、时间、开关变化状况等信息。然后电力公司发送需求侧响应短信给用户，由用户自行判断是否做出响应。若响应则电器开关动作，否则结束流程。同时电力公司会对做出响应的用户给予奖励。然而专利cn201510007856.6最大的缺陷在于其严重依赖用户的选择，频繁的进行短消息询问不仅严重影响家庭用户的体验，自动化水平极低，效率低下。同时该专利没有考虑该控制方法极其武断的进行开关切换操作，极大程度上影响用户的生活舒适度。

技术实现要素：

本发明要解决的技术问题：提供一种基于神经网络的家庭能源物联网需求侧响应控制方法，针对智能家庭物联网的需要，实现动态管理，对用户选择依赖低，自动化水平高，有利用户良好体验，可以克服现有技术的不足。

本发明技术方案：

一种基于神经网络的家庭能源物联网需求侧响应控制方法，它包括：

步骤1、利用智能电表对家庭用电设备进行实时数据采集并以采集到的数据作为用电样本；

步骤2、神经网络算法模块依据用电样本进行训练，生成用户用电的习惯预测值、开关概率及权重系数、并依据习惯预测值、开关概率及权重系数生成家庭需求侧响应时的负荷控制策略和节能策略；

步骤3、控制模块根据负荷控制策略及节能策略自动控制实现需求侧响应动作。

所述的用电样本包括用电设备在离散序列时刻的电流、电压和功率值，并根据时间、季节和温度进行分组以便于神经网络针对性训练。

所述的开关概率反映了用电设备开关状态的概率，权重系数代表用电设备的实时重要程度，作为在需要进行需求侧响应时的识别判据。

步骤2中所述的神经网络为bp神经网络。

本发明的有益效果：

1）自动化程度较高：本发明针对电力需求侧响应在家庭端的实现提供一种自动化算法解决方案，无需对用户进行繁琐的询问，自动识别与操作，节约大量的附加成本；

2）算法预测用户对需求侧响应的意愿和操作的习惯的识别准确率较高：采用神经网络对家庭用能数据模拟分析，预测用户未来时刻的用能习惯，不易造成逆生活习惯的控制动作发生，同时将利用开关概率与权重系数作为判据，大大减小误判用户意愿的几率；

3）智能化程度高：兼顾需求侧响应要求与用户用能。

4）提升用户的生活体验：全自动控制下，除了根据用户习惯进行电器控制，免去用户繁琐的操作，同时智能化的调度调节一些用电设备例如空调，使之达到对人舒适的节能工作状态。

5）通过神经网络算法模块依据用电样本经常进行训练，从而不断根据习惯预测值、开关概率及权重系数对负荷控制策略和节能策略进行调整，实现动态管理，对用户选择依赖低，自动化水平高，有利用户良好体验。

说明书附图：

图1为本发明具体实施方式流程示意图。

具体实施方式：

实施例1.如图1所示，一种基于神经网络的家庭能源物联网需求侧响应控制方法，它包括对家庭用电设备采集数据用的智能电表、神经网络算法模块、通信模块及控制模块，控制方法包括以下步骤：

步骤s1：利用智能电表对家庭用电设备进行实时数据采集并以采集到的数据作为用电样本；所述的用电样本包括用电设备在离散序列时刻的电流、电压、功率值，并根据时间、季节和温度进行分组便于神经网络针对性训练。

步骤s2：神经网络算法模块依据用电样本进行训练，训练的数据称为训练集；生成用户用电的习惯预测值、开关概率及权重系数，以该训练好的数据做模型样本，便于以后数据对比分析，并依据习惯预测值、开关概率及权重系数生成家庭需求侧响应时的负荷控制策略和节能策略；所述的开关概率反映了用电设备开关状态的概率，权重系数代表用电设备的实时重要程度，作为在需要进行需求侧响应时的识别判据。所述开关概率和权重系数整定是依据利用大数据样本分析和根据神经网络预测值的统计学方法得到的，其中，开关概率是时变的，权重的系数是可调的；所述的节能策略是负荷控制策略基础上进行进一步优化实现的，同时，也综合了浮动电价和用户习惯喜好的因素；所述的神经网络为bp神经网络，同时也包括各种算法结构体系下的神经网络

步骤s3：控制模块根据负荷控制策略及节能策略自动控制实现需求侧响应动作。

工作原理如下，分三点详述：

1.样本数据预学习阶段：

（1）在日常的运行过程中，家庭能源物联网对家庭用电设备进行实时数据采集，放入采样数据库中。

（2）数据库中的长时间用电数据样本即为神经网络的训练样本集。通过神经网络训练，模拟出用户的日常用能习惯（即某日某个特定时刻的某一电器设备的开关状态、电压电流功率值的预测值，简称预测值）。预测值指的是对用户习惯的预测，不同的权重预设定下会有不同的预测值样本。

（3）依据多份平行预测值，平行预测值即在相同条件、相同采样周期下，所得的同格式的预测值进行比对分析，可以依据开关概率大小（设此概率大小为θ），预设定一个权重系数，假设为α（0<α<θ，默认情况下可设置α=θ/2，在样本匮乏时α/θ应该减小），α也可以根据用户的喜好或使用规律整定所得进行调整和设置。

开关概率不是通过神经网络直接得到的，神经网络直接得到的是预测值样本，进而依据预测值样本间接整定得到开关概率。

（4）随着不同时间的推移，由于季节变化、用户习惯变化等因素存在，必须重新调整预测值，因此需要设定一个时间间隔，每隔一个时间间隔进行训练样本集更新，并重复上诉1）~3）步骤，以适应变化。

2.需求侧响应任务回传阶段：

（1）当电力系统的调控上峰发出需求侧响应任务需要时，预先模拟进行3中的判断控制阶段，并计算出模拟控制运行下所能是实现的需求侧响应任务量，并回传给调控上峰。

（2）上峰接收家庭能源物联网回传信息，并最终指示分派的需求侧响应任务量。

3.判断控制阶段：

（1）判断用户是否选择允许系统自动控制需求侧响应，如果是则继续执行下一步。

（2）查询所有电器设备的节能类别：分为可节能（可节能类即为允许被关闭设备，如灯具）、不可节能（不可节能类即为设备必须常年开启，如冰箱）、部分节能（部分节能类即为即使不必关闭，也能通过降低幅度减小耗能，如空调、风扇等）；对于不可节能部分的设备直接忽略。对于可节能与部分节能设备则进入3）。

（3）根据上峰指示分派的需求侧响应任务量，采集实时的用电数据并与阶段1所得预测值对比。若此时刻开关概率θ大于权重系数α，则表明该设备是重要的，不可用于响应，若小于等于α，则表明可以用于需求侧响应被关闭或减小负荷，进而执行4），否则不执行。

（4）根据3）中判断，将数据指令发送至家庭物联网控制系统中，执行响应动作，完成需求侧响应任务。