張延宇，曾 鵬，臧傳治

(1.網(wǎng)絡(luò)化控制系統(tǒng)重點實驗室，中國科學(xué)院沈陽自動化研究所, 遼寧 沈陽 110016；2.河南大學(xué)計算機(jī)與信息工程學(xué)院，河南 開封 475004；3.中國科學(xué)院大學(xué)，北京 100049)

智能電網(wǎng)環(huán)境下家庭能源管理系統(tǒng)優(yōu)化調(diào)度算法

張延宇1,2,3，曾 鵬1，臧傳治1

(1.網(wǎng)絡(luò)化控制系統(tǒng)重點實驗室，中國科學(xué)院沈陽自動化研究所, 遼寧 沈陽 110016；2.河南大學(xué)計算機(jī)與信息工程學(xué)院，河南 開封 475004；3.中國科學(xué)院大學(xué)，北京 100049)

在智能電網(wǎng)環(huán)境下，提出了一種家庭能源管理系統(tǒng)框架和優(yōu)化調(diào)度算法。根據(jù)室外溫度預(yù)測值、可再生能源功率輸出預(yù)測值、日前電價信號和用戶偏好，算法對可調(diào)度用電負(fù)載、電動汽車、儲能系統(tǒng)的運行進(jìn)行優(yōu)化調(diào)度從而最小化用戶用電費用。算法考慮了電動汽車在高電價時段通過 V2H(vehicle to home, V2H)功能向負(fù)載供電的情形，采用情景分析法處理室外溫度和可再生能源功率輸出預(yù)測的不確定性。通過仿真實驗驗證了算法性能，結(jié)果表明與只對負(fù)載或家庭能源管理系統(tǒng)部分組成部件進(jìn)行優(yōu)化調(diào)度的算法相比，所提算法顯著降低了用電費用。

智能電網(wǎng)；需求響應(yīng)；家庭能源管理系統(tǒng)；粒子群算法；V2H

0 引言

智能電網(wǎng)環(huán)境下，居民側(cè)用戶由單純的電能消費者變成了電能的“生產(chǎn)消費者”(prosumer)。利用智能電網(wǎng)中雙向的能量流和信息流，通過家庭能源管理系統(tǒng)(Home Energy Management System, HEMS)用戶可以將本地分布式電源(風(fēng)力發(fā)電、光伏發(fā)電、儲能系統(tǒng)等)多余的電能賣給電網(wǎng)，主動參與電網(wǎng)的運行。除了提高用電效率，實現(xiàn)節(jié)能減排外，HEMS還能夠為需求響應(yīng)的實施和風(fēng)電、光伏發(fā)電等可再生能源及電動汽車安全接入電網(wǎng)提供支持[1-2]。優(yōu)化調(diào)度算法是HEMS的核心，它是當(dāng)前研究的熱點問題之一。

文獻(xiàn)[3-6]研究了動態(tài)電價機(jī)制下對空調(diào)系統(tǒng)進(jìn)行優(yōu)化調(diào)度最小化用電費用的問題，但沒有考慮空調(diào)系統(tǒng)和其他用電設(shè)備之間的相互影響。文獻(xiàn)[7-9]研究了HEMS控制下電動汽車的最優(yōu)充電策略，僅把電動汽車作為負(fù)載來處理，沒有考慮高電價時段電動汽車通過 vehicle-to-home(V2H)功能向家庭環(huán)境內(nèi)其他用電設(shè)備提供電能的情況。文獻(xiàn)[10]對未來時段的電價進(jìn)行預(yù)測，基于預(yù)測結(jié)果對家庭環(huán)境內(nèi)的負(fù)載進(jìn)行調(diào)度來最小化用戶用電時間和服務(wù)等待時間，同樣只把電動汽車作為負(fù)載來處理。文獻(xiàn)[11]研究了動態(tài)電價機(jī)制下通過對空調(diào)系統(tǒng)和電動汽車的充/放電進(jìn)行聯(lián)合調(diào)度來最小化用電費用，但沒有考慮可再生能源的影響。

與上述研究不同，本文提出了一種新的家庭能源管理系統(tǒng)框架，統(tǒng)一分析用電負(fù)載、電動汽車、儲能系統(tǒng)、可再生能源和電網(wǎng)之間的能量流動關(guān)系，考慮了電動汽車的 V2H 功能。在日前電價(dayahead price)機(jī)制下，建立了以最小化用電費用為目標(biāo)的優(yōu)化模型，提出了一種智能電網(wǎng)環(huán)境下的家庭能源管理系統(tǒng)優(yōu)化調(diào)度算法，并通過仿真實驗驗證算法的有效性。

1 智能電網(wǎng)環(huán)境下家庭能源管理系統(tǒng)構(gòu)成

智能電網(wǎng)環(huán)境下家庭能源管理系統(tǒng)示意圖如圖1所示，包括用電負(fù)載、電動汽車、儲能系統(tǒng)、可再生能源(風(fēng)力發(fā)電系統(tǒng)、光伏發(fā)電系統(tǒng))、控制器、智能電表等幾部分。

圖1 家庭能源管理系統(tǒng)示意圖Fig. 1 Diagram of home energy management system

不可調(diào)度負(fù)載指對這些用電設(shè)備進(jìn)行調(diào)度會嚴(yán)重影響用戶的舒適度；對于可調(diào)度負(fù)載，在滿足用戶舒適度的前提下可以對其運行進(jìn)行調(diào)度，這是在居民側(cè)實現(xiàn)需求響應(yīng)的主要手段。

儲能系統(tǒng)用于平抑可再生能源系統(tǒng)的出力波動，同時可以在低電價時段從電網(wǎng)買電，然后在高電價時段供給負(fù)載使用或者賣給電網(wǎng)來獲取收益。

智能電表是 HEMS 和外部智能電網(wǎng)之間的接口，實現(xiàn)雙向的信息交換和雙向能量流動與計量。電力公司通過智能電表向用戶發(fā)布電價信號和需求響應(yīng)控制信號，同時接收用戶上傳的用電信息。

控制器是 HEMS 的核心，它通過家域網(wǎng)(home area network)與 HEMS 的其他組成部分進(jìn)行通信，并且通過寬帶接入設(shè)備與互聯(lián)網(wǎng)相連，獲取調(diào)度時段內(nèi)的天氣預(yù)報信息，并利用相應(yīng)的預(yù)測算法對可再生能源的出力狀況進(jìn)行預(yù)測。控制器執(zhí)行優(yōu)化調(diào)度算法對可調(diào)度負(fù)載、電動汽車、儲能系統(tǒng)的運行進(jìn)行控制。

HEMS各組成部分之間及它與外部電網(wǎng)之間的能量流動關(guān)系如圖2所示，圖中箭頭表示能量流動的方向，箭頭上的符號表示時隙t內(nèi)傳輸電功率(kW)的大小，取值不小于零。

圖2 家庭能源管理系統(tǒng)能量流圖Fig. 2 Power distribution relationship of home energy management system

2 優(yōu)化調(diào)度模型

2.1 可調(diào)度負(fù)載模型及運行約束條件

1) 空調(diào)系統(tǒng)

在空調(diào)系統(tǒng)的作用下室內(nèi)溫度的高低與室外溫度、空調(diào)特性、房屋的結(jié)構(gòu)和建筑材料有關(guān)。室內(nèi)溫度模型[12]如式(1)所示。

2) 電熱水器

熱水的溫度與入水閥的水溫、環(huán)境溫度、熱水的流量、熱水器的結(jié)構(gòu)、構(gòu)成材料、額定功率等因素有關(guān)。計算熱水器內(nèi)熱水溫度的模型[13]如式(3)所示。

式中： TtWater、 TtEWH,env、 TtEWH,in分別為時隙t內(nèi)的熱水溫度、環(huán)境溫度和入水閥水溫；其他參數(shù)的意義及確定方法參見文獻(xiàn)[13]。該模型假設(shè)熱水器工作在開關(guān)狀態(tài)下，若時隙t內(nèi)熱水器的工作狀態(tài) stEWH為1，則熱水器的耗電功率等于額定功率 PEWH，否則為零。在調(diào)度區(qū)間內(nèi)，熱水溫度保持在用戶預(yù)先設(shè)定的范圍內(nèi)，如式(4)所示。

3) 電動汽車

簡單起見，假設(shè)電動汽車以恒功率模式充電，放電功率可在容許范圍內(nèi)連續(xù)變化，充/放電狀態(tài)下電動汽車電池的荷電狀態(tài)(state of charge, SOC)分別按式(5)、式(6)計算，同時調(diào)度區(qū)間內(nèi)滿足約束條件式(7)—式(11)。

4) 儲能系統(tǒng)

儲能系統(tǒng)由一組電池構(gòu)成，其模型與電動汽車類似，處于充/放電狀態(tài)的電池 SOC 分別由式(12)、式(13)計算，并且工作過程中滿足約束式(14)—式(17)。式中，各符號的意義與電動汽車模型對應(yīng)符號的意義類似，不再贅述。

5) 可調(diào)度不可中斷設(shè)備

洗衣機(jī)(washing machine, WM)、干衣機(jī)(clothes dryer，CD)和洗碗機(jī)(dishwasher，DW)為可調(diào)度不可中斷負(fù)載，當(dāng)它們被用戶啟動后，必須保持工作狀態(tài)直到任務(wù)結(jié)束。本文所建模型忽略了這些設(shè)備在不同的任務(wù)階段功率的不同，假設(shè)在整個工作過程中功率都等于額定功率。

除上述約束條件外，用電負(fù)載還要滿足式(19)所示的供需平衡約束條件。

2.2 調(diào)度模型

記優(yōu)化調(diào)度區(qū)間為T，將其均分為時長為 D t的n個時隙。整個調(diào)度區(qū)間內(nèi)用戶的凈用電費用等于用戶從電網(wǎng)購買電能的費用、儲能系統(tǒng)折舊費用和電動汽車 V2H 功能引起的電池折舊費用之和減去用戶在高電價時段向電網(wǎng)賣電獲得的收益，如式(20)所示。式(20)考慮了室外溫度和可再生能源出力預(yù)測誤差給優(yōu)化問題引入的不確定性，并采用情景分析法來描述這種不確定性。 s1是室外溫度情景集合中的一個隨機(jī)情景，其發(fā)生概率為 ps1； s2是可再生能源出力情景集合中的一個隨機(jī)情景，其發(fā)生概率為分別表示時隙t內(nèi)從電網(wǎng)買電和向電網(wǎng)賣電的價格；分別表示電動汽車接入電網(wǎng)時的時隙序號和 SOC；分別表示儲能系統(tǒng)和電動汽車電池的折舊系數(shù)(元 / kW×h)，計算方法如文獻(xiàn)[14]所示。

智能電網(wǎng)環(huán)境下家庭能源管理系統(tǒng)優(yōu)化調(diào)度模型如式(25)所示。

3 算法設(shè)計

3.1 不同情形下的能量分配方法

在調(diào)度過程中，根據(jù)電動汽車是否與HEMS系統(tǒng)相連及當(dāng)前的 SOC 值，它與 HEMS 系統(tǒng)中其他部分之間的能量交換關(guān)系分為 3 種情形：1) 沒有與HMES系統(tǒng)相連，與其他部分沒有能量交換關(guān)系；2) 與 HEMS 系統(tǒng)相連，只能作為負(fù)載；3) 與 HEMS系統(tǒng)相連，既可作為負(fù)載也可作為電源。

式中， éêùú表示向上取整操作。

情形 1下，每個時隙t內(nèi)按圖4所示的流程確定負(fù)載、電動汽車、儲能系統(tǒng)、可再生能源和電網(wǎng)之間的能量流動關(guān)系。圖中，為時隙t內(nèi)所有用電負(fù)載的總功率；分別表示時隙t允許用戶將儲能系統(tǒng)中的電能賣給電網(wǎng)時的電網(wǎng)電價最低值和允許用戶從電網(wǎng)購買電能儲存到儲能系統(tǒng)的電網(wǎng)電價最高值，分別由式(27)、式(28)確定它們的大小。

圖3 電動汽車能量交換情形圖Fig. 3 Scenarios of power relationship between electric vehicle and HEMS

分析圖4所示的流程圖可知，上述能量分配方法能夠確保式(25)所示模型中的約束條件式(7)—式(11)、式(14)—式(17)、式(19)得到滿足。

受篇幅所限，情形2和情形3下的能量分配方法不再給出。

圖4 情景 1 能量分配流圖Fig. 4 Flowchart of power distribution for scenario 1

3.2 算法步驟

調(diào)度算法根據(jù)室外溫度預(yù)測值、可再生能源的功率輸出預(yù)測值、日前電價信號和用戶偏好設(shè)置(比如室內(nèi)溫度、熱水溫度等)對可調(diào)度負(fù)載的運行狀態(tài)進(jìn)行調(diào)度，從而在滿足用戶舒適度的前提下，最小化用戶的總用電費用。

采用罰函數(shù)法將式(25)所示的約束優(yōu)化模型轉(zhuǎn)換為無約束優(yōu)化模型，罰函數(shù)及轉(zhuǎn)換后的模型分別如式(34)、式(35)所示。式(34)只考慮了約束條件式(2)、式(4)，其他約束條件由算法中的能量分配方法保證得到滿足；式(35)中 M 為一個足夠大的正常數(shù)。

粒子群算法由于算法簡單、全局搜索能力強(qiáng)、魯棒性高等優(yōu)點，得到了廣泛應(yīng)用因此，本文采用文獻(xiàn)[6]提出的一種改進(jìn)粒子群算法對模型(35)進(jìn)行求解，提出一種基于粒子群算法的 HEMS優(yōu)化調(diào)度算法。該調(diào)度算法以每個時隙空調(diào)系統(tǒng)和熱水器的工作狀態(tài)及洗衣機(jī)、干衣機(jī)和洗碗機(jī)的任務(wù)啟動時刻為決策變量，并按圖5所示進(jìn)行編碼，圖中前2n 個變量為取值 0 和 1 的二值變量，其余變量為正整數(shù)變量。

圖5 算法粒子編碼方法Fig. 5 Encoding method for particles in the algorithm

智能電網(wǎng)環(huán)境下家庭能源管理系統(tǒng)優(yōu)化調(diào)度算法的具體步驟如下。

2) 設(shè)置粒子群算法的參數(shù)：種群規(guī)模 Np、最大迭代次數(shù)、最小慣性權(quán)重、最大慣性權(quán)重、學(xué)習(xí)因子等。

4) 初始化粒子群

首先對種群中的每個粒子i執(zhí)行操作：

a) 初始化位置向量 Xi、速度向量 Vi、個體最優(yōu)位置向量。

b) 根據(jù)位置向量 Xi計算每種情景下每個時隙內(nèi)總負(fù)載功率，然后根據(jù) 3.1 節(jié)給出的能量分配方法確定每個時隙內(nèi)用電負(fù)載、電動汽車、可再生能源、儲能系統(tǒng)和電網(wǎng)之間的能量交換量。

c) 據(jù)式(35)計算粒子的目標(biāo)函數(shù)值，該值越小，粒子的適應(yīng)度值越高。

然后，根據(jù)適應(yīng)度值確定全局最優(yōu)位置向量Pg，清零算法循環(huán)計數(shù)器k。

5) 進(jìn)入主循環(huán)，執(zhí)行以下操作：

b) 據(jù)式(37)更新粒子速度向量iV。

式中，1r 和2r 是區(qū)間上均勻分布的隨機(jī)數(shù)。c) 更新位置向量iX ，前2n個二進(jìn)制變量依式(38)[24]更新，最后 3 個變量按式(39)更新。

式中： rand ()表示區(qū) 間 [0.0, 1.0]上 均 勻 分 布 的 隨機(jī)數(shù)；符號表示向下取整操作。

d) 據(jù) 3.1 節(jié)給出的能量分配方法確定每個時隙內(nèi)用電負(fù)載、電動汽車、可再生能源、儲能系統(tǒng)和電網(wǎng)之間的能量交換量。

e) 據(jù)式(35)計算粒子的目標(biāo)函數(shù)值，該值越小，粒子的適應(yīng)度值越高，并據(jù)式(40)更新粒子的個體最優(yōu)位置向量。

對種群中的每個粒子完成操作 a)—e)后，執(zhí)行以下操作：

f) 按式(41)更新全局最優(yōu)位置向量gP 。

g) 按文獻(xiàn)[6]的方法識別種群中陷入局部最優(yōu)的最壞粒子并重新初始化它，從而避免算法早熟收斂，提高算法性能。

h) 算法 循 環(huán)次數(shù)計 數(shù) 器加 1： k = k+ 1，若，轉(zhuǎn)步驟 5 a)；否則，轉(zhuǎn)步驟 6)。

6) 主循環(huán)結(jié)束， Pg即為調(diào)度模型式(25)的最優(yōu)決策向量，在調(diào)度區(qū)間內(nèi)依此對空調(diào)系統(tǒng)、熱水器、洗衣機(jī)、干衣機(jī)和洗碗機(jī)的運行進(jìn)行調(diào)度，并在每個時隙中根據(jù) 3.1 節(jié)所示的能量分配方法確定HMES各組成部分之間及它們與電網(wǎng)之間的能量分配值。

4 仿真實驗與結(jié)果分析

為了驗證算法性能，在 Microsoft Visual Studio 2008 環(huán)境下采用 C 語言開發(fā)了仿真程序，進(jìn)行數(shù)字仿真。所用硬件環(huán)境為惠普 ProBook 6470b 筆記本，Intel? Core? i7-3540b@3.00 GHz，8.00 GB RAM。

4.1 輸入數(shù)據(jù)及參數(shù)設(shè)置

調(diào)度區(qū)間時長 1 天，均分為時長為 0.2 h 的 120個時隙，即 0.2tD = , 120n = 。假設(shè)用戶安裝有容量為 5.75 kW 的光伏發(fā)電系統(tǒng)，調(diào)度區(qū)間內(nèi)電價信號、室外溫度預(yù)測值和光伏系統(tǒng)功率輸出值輸入數(shù)據(jù)如圖6所示。

圖6 仿真輸入數(shù)據(jù)Fig. 6 Input data for simulation

空調(diào)系統(tǒng)參數(shù)同文獻(xiàn)[25]，額定功率 2.352 kW，分別為 23℃和 26℃。熱水器額定功率4.5 kW,分別為 15.5 ℃、42 ℃、50 ℃，環(huán)境溫度。電動汽車參數(shù)同文獻(xiàn)[26]，為 16 kW×h，、分別為 90、0.5、0.9、0.2、1.0、0.95 和 0.95，為 3.3 kW,為3.3 kW。儲能系統(tǒng)為 13.44 kW×h，最大充/放電功率為 2 kW，充/放電效率為 0.95，和分別為 0.2、1.0。洗衣機(jī)額定功率 0.5 kW，工作時長 1 h，調(diào)度區(qū)間 9:00—19:00；干衣機(jī)額定功率為4 kW，工作時長 2 h，調(diào)度區(qū)間 19:00—24:00；洗碗機(jī)額定功率 1 kW，工作時長 1 h，調(diào)度區(qū)間 9:00—21:00。

4.2 結(jié)果分析

一個調(diào)度周期內(nèi)，仿真實驗結(jié)果如表1所示，為了比較算法性能，表1中同時列出了其他情形下的仿真結(jié)果?？紤]到算法的隨機(jī)性，表1所列結(jié)果是每種算法分別獨立運行 30次的平均結(jié)果。

表1 仿真實驗結(jié)果Table 1 Simulation results

比較情形1只對負(fù)載進(jìn)行調(diào)度，用戶沒有光伏系統(tǒng)和儲能系統(tǒng)，電動汽車只作為負(fù)載使用；比較情形2在情形1的基礎(chǔ)上增加了光伏系統(tǒng)和儲能系統(tǒng)，但儲能系統(tǒng)只用于平抑光伏系統(tǒng)的出力波動，且用戶沒有向電網(wǎng)賣電的能力；比較情形3與本文算法的區(qū)別是電動汽車沒有 V2H 的功能。

由表1可知，由于情形1中用戶的電能全部從電網(wǎng)購買，其用電費用高于其他3種情況，這表明在智能電網(wǎng)的動態(tài)電價機(jī)制下安裝可再生能源系統(tǒng)和儲能系統(tǒng)可以有效降低用戶的用電費用。由于情形3具有向電網(wǎng)賣電的能力，提高了光伏系統(tǒng)的利用率，并且它可以在低電價時段從電網(wǎng)購電，然后在高電價時段供給負(fù)載使用或者賣給電網(wǎng)來獲取收益，因此，與情形 2相比，其凈用電費用減少了81.11%。

與3種比較情形相比，本文算法的凈用電費用最低，為 1.70 元，這是因為它不僅具有比較情形 3的所有優(yōu)點，而且本文算法考慮了電動汽車的 V2H功能，電動汽車可以在高電價時段向其他用電負(fù)載放電，減少了高電價時段從電網(wǎng)的購電量，有利于減少用戶的用電費用。與情形 1、情形 2、情形 3相比，本文算法分別減少凈用電費用 93.72%、87.25%和 32.54%。

上述分析表明，在智能電網(wǎng)環(huán)境下充分利用動態(tài)電價、可再生能源、儲能系統(tǒng)、向電網(wǎng)賣電的能力及電動汽車的 V2H 功能，將 HEMS 的各組成部分作為一個整體來調(diào)度可有效降低用戶的用電費用。

在一次調(diào)度過程中，電動汽車接入HEMS后其充/放電功率及 SOC 值如圖7 所示。圖中負(fù)的功率表示電動汽車通過 V2H 功能向其他用電負(fù)載放電。

圖7 電動汽車充/放電功率及 SOCFig. 7 Charging/discharging power and SOC of electric vehicle

由圖7可知，電動汽車的 SOC 在整個調(diào)度區(qū)間內(nèi)均在安全范圍內(nèi)，調(diào)度結(jié)束后其 SOC 值為 0.906 3達(dá)到了用戶預(yù)先設(shè)定的目標(biāo)值

由于本文所提算法是一種隨機(jī)優(yōu)化算法，為了驗證算法的魯棒性，將算法獨立運行30次，記錄每次運行的時間和用戶凈用電費用，得到統(tǒng)計數(shù)據(jù)如表2所示。可見，本文算法具有較好的魯棒性，并且算法執(zhí)行時間短，能夠滿足實際應(yīng)用需求。

表2 運行時間和凈用電費用統(tǒng)計數(shù)據(jù)Table 2 Statistics of runtime and net electricity fee

5 結(jié)語

智能電網(wǎng)環(huán)境下居民側(cè)用戶作為電能的“生產(chǎn)消費者”，用戶除了用電負(fù)載外，還具有電動汽車、可再生能源和儲能系統(tǒng)，這些設(shè)備之間的相互作用，以及它們和電網(wǎng)之間的能量交換關(guān)系都影響著用戶用電策略的選擇和最終的用電成本。本文提出算法在統(tǒng)一框架下考慮了它們之間的能量交換關(guān)系，并對其運行進(jìn)行優(yōu)化調(diào)度，并且在該框架下電動汽車具有 V2H功能。仿真結(jié)果表明，本文算法能夠顯著降低用戶用電費用，同時該算法也有利于在智能電網(wǎng)環(huán)境下在居民側(cè)實施需求響應(yīng)，并為可再生能源和電動汽車安全接入電網(wǎng)提供支持。

[1]HAZAS M, FRIDAY A, SCOTT J. Look back before leaping forward: four decades of domestic energy inquiry[J]. IEEE Pervasive Computing, 2011, 10(1): 13-19.

[2]張延宇, 曾鵬, 臧傳治. 智能電網(wǎng)環(huán)境下家庭能源管理 系 統(tǒng) 研 究 綜 述 [J]. 電 力 系 統(tǒng) 保 護(hù) 與 控 制 , 2014, 42(18): 143-154. ZHANG Yanyu, ZENG Peng, ZANG Chuanzhi. Review of home energy management system in smart grid[J]. Power System Protection and Control, 2014, 42(18): 143-154.

[3]NOH S J, YUN J A, KIM K H. An efficient building air conditioning system control under real-time pricing[C]// IEEE 2011 International Conference on Advanced Power System Automation and Protection(APAP). Beijing: IEEE Beijing Section, Tsinghua University, 2011: 1283-1286.

[4]THOMAS A G, JAHANGIRI P, WU D, et al. Intelligent residential air-conditioning system with smart-grid functionality[J]. IEEE Transactions on Smart Grid, 2012, 3(4): 2240-2251.

[5]MOLINA D, LU C, SHERMAN V, et al. Model

predictive and genetic algorithm-based optimization of residential temperature control in the presence of time-varying electricity prices[J]. IEEE Transactions on Industry Applications, 2013, 49(3): 1137-1145.

[6]張延宇, 曾鵬, 李忠文, 等. 智能電網(wǎng)環(huán)境下空調(diào)系統(tǒng)多 目 標(biāo) 優(yōu) 化 控 制 算 法 [J]. 電 網(wǎng) 技 術(shù) , 2014, 38(7): 1819-1826. ZHANG Yanyu, ZENG Peng, LI Zhongwen, et al. A multi-objective optimal control algorithm for air conditioning system in smart grid[J]. Power System Technology, 2014, 38(7): 1819-1826.

[7]JIAN L, XUE H, XU G. Regulated charging of plug-in hybrid electric vehicles for minimizing load variance in household smart micro-grid[J]. IEEE Transactions on Industrial Electronics, 2013, 60(8): 3218-3226.

[8]WI Y M, LEE J U, JOO S K. Electric vehicle charging method for smart homes/buildings with a photovoltaic system[J]. IEEE Transaction on Consumer Electronics, 2013, 59(2): 323-328.

[9]BERTHOLD F, BLUNIER B, BOUQUAIN D, et al. Offline and online optimization of plug-in hybrid electric vehicle energy usage (home-to-vehicle and vehicle-to-hone)[C]// Transportation Electrification Conference and Expo (ITEC), Dearborn: IEEE Industry Applications Society, IEEE Power & Energy Society, IEEE Power Electronics Society, 2012: 1-6.

[10]MOHSENIAN-RAD A H, LEON-GARCIA A. Optimal residential load control with price prediction in real-time electricity pricing environment[J]. IEEE Transactions on Smart Grid, 2010, 1(2): 120-133.

[11]NGUYEN D T, LE L B. Joint optimization of electric vehicle and home energy scheduling considering user comfort preference[J]. IEEE Transaction on Smart Grid, 2014, 5(1): 188-199.

[12]SHAO S, PIPATTANASOMPORN M, RAHMAN S. Development of physical-based demand response-enabled residential load models[J]. IEEE Transactions on Power Systems, 2013, 28(2): 607-614.

[13]POURMOUSAVI S A, PATRICK S N, NEHRIR M H. Real-time demand response through aggregate electric water heaters for load shifting and balancing wind generation[J]. IEEE Transactions on Smart Grid, 2014, 5(2): 769-778.

[14]SU W, WANG J, ROH J. Stochastic energy scheduling in micro-grids with intermittent renewable energy resources[J]. IEEE Transactions on Smart Grid, 2014, 5(4): 1876-1883.

[15]段培永, 劉聰聰, 段晨旭, 等. 基于粒子群優(yōu)化的室內(nèi)動態(tài)熱舒適度控制方法[J]. 信息與控制, 2013, 42(1): 100-110. DUAN Peiyong, LIU Congcong, DUAN Chenxu, et al. Indoor dynamic thermal comfort control method based on particle swarm optimization[J]. Information and Control, 2013, 42(1): 100-110.

[16]周暉, 付婭, 韓盟, 等. 基于粒子群算法的含大規(guī)模風(fēng)電互聯(lián)系統(tǒng)的負(fù)荷頻率控制[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(10): 1-7. ZHOU Hui, FU Ya, HAN Meng, et al. Load frequency control of power system with large scale of wind power integrated based on particle swarm algorithm[J]. Power System Protection and Control, 2014, 42(10): 1-7.

[17]程聲烽, 程小華, 楊露. 基于改進(jìn)粒子群算法的小波神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(19): 37-42. CHENG Shengfeng, CHENG Xiaohua, YANG Lu. Application of wavelet neural network with improved particle swarm optimization algorithm in power transformer fault diagnosis[J]. Power System Protection and Control, 2014, 42(19): 37-42.

[18]王永強(qiáng), 謝軍, 律方成. 基于改進(jìn)粒子群優(yōu)化稀疏分解 的 局 放 信 號 去 噪 方 法 [J]. 電 工 技 術(shù) 學(xué) 報 , 2015, 30(12): 320-329. WANG Yongqiang, XIE Jun, Lü Fangcheng. PD Signal denoising method based on improved quantum-behaved particle swarm optimization sparse decomposition[J]. Transaction of China Electrotechnical Society, 2015, 30(12): 320-329.

[19]蘇海濱, 高孟澤, 常海松. 基于粒子群算法的微電網(wǎng)有功無功下垂控制[J]. 電工技術(shù)學(xué)報, 2015, 30(增刊 1): 365-369. SU Haibin, GAO Mengze, CHANG Haisong. Microgrid droop control of active and reactive power based on PSO[J]. Transactions of China Electrotechnical Society, 2015, 30(S1): 365-369.

[20]周超, 田立軍. 基于粒子群優(yōu)化算法的電壓暫降監(jiān)測點優(yōu)化配置[J]. 電工技術(shù)學(xué)報, 2014, 29(4): 181-187. ZHOU Chao, TIAN Lijun. An optimum allocation method of voltage sag monitoring nodes based on particle swarm optimization algorithm[J]. Transactions of China Electrotechnical Society, 2014, 29(4): 181-187.

[21]周澤遠(yuǎn), 蘇大威, 汪志成，等. 基于自適應(yīng)變異粒子群算法的獨立多元互補(bǔ)微網(wǎng)經(jīng)濟(jì)環(huán)保運行[J]. 電網(wǎng)與清潔能源, 2015, 31(4): 8-14. ZHOU Zeyuan, SU Dawei, WANG Zhicheng, et al. Research on economic and environmental optimal operation of standalone multi-element complementary microgrid based on PSO with adaptive mutation[J]. Power System and Clean Energy, 2015, 31(4): 8-14.

[22]王金全, 黃麗, 楊毅. 基于多目標(biāo)粒子群算法的微電網(wǎng)優(yōu)化調(diào)度[J]. 電網(wǎng)與清潔能源, 2014, 30(1): 49-54. WANG Jinquan, HUANG Li, YANG Yi. Optimal dispatch of microgrid based on multi-objective particle swarm optimization[J]. Power System and Clean Energy, 2014, 30(1): 49-54.

[23]SHI Y, EBERHART R C. Empirical study of particle swarm optimization[C]// Proceedings of the 1999 Congress on Evolutionary Computation. Washington DC: IEEE Neural Network Council (NNC), Evolutionary Programming Society(EPS), Institution of Electrical Engineers (IEE), 1999: 1945-1950.

[24]GAING Z. Discrete particle swarm optimization algorithm for unit commitment[C]// IEEE Power Engineering Society General Meeting. Toronto: IEEE Power Engineering Society, 2003, 1: 418-423.

[25]PIPATTANASOMPORN M, KUZLU M, RAHMAN S. An algorithm for intelligent home energy management and demand response analysis[J]. IEEE Transactions on Power Systems, 2012, 3(4): 2166-2173.

[26]SHAO S, PIPATTANASOMPORN M, RAHMAN S. Grid Integration of electric vehicles and demand response with customer choice[J]. IEEE Transactions on Smart Grid, 2012, 3(1): 543-550.

(編輯 周金梅)

A scheduling algorithm for home energy management system in smart grid

ZHANG Yanyu1,2,3, ZENG Peng1, ZANG Chuanzhi1
(1. Key Lab of Networked Control System, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, China; 2. School of Computer and Information Engineering, Henan University, Kaifeng 475004, China; 3. University of Chinese Academy of Sciences, Beijing 100049, China)

To minimize electricity fee of a residential user, a framework and a scheduling algorithm for home energy management system (HEMS) in smart grid are proposed. The algorithm controls loads, plug-in hybrid electric vehicle(PHEV), and energy storage system according to predicted outdoor temperature, renewable resource power output, day-ahead electricity price, and user preferences. In this algorithm, the PHEV can supply stored power to other loads through V2H(vehicle to home, V2H) in high electricity price periods. Scenario analysis technique is utilized to cope with the uncertainty due to the error of predicted outdoor temperature and renewable resource power output. The effectiveness of the algorithm is verified by simulation, and simulation results show that compared to other algorithms which only control loads or parts of HEMS, it can reduce the electricity fee significantly.

This work is supported by National High-tech R & D Program of China (863 Program) (No. 2011AA040103), National Natural Science Foundation of China (No. 61233007 and No. 61300215), and Important National Science and Technology Specific Project (No. 2013ZX03005004).

smart grid; demand response; home energy management system; particle swarm optimization; V2H

TM73

1674-3415(2016)02-0018-09

2015-03-31；

2015-06-11

張延宇(1980-)，男，博士研究生，講師，研究方向為智能電網(wǎng)、需求響應(yīng)、智能計算；E-mail: zyy@henu.edu.cn

曾 鵬(1976-)，男，博士，研究員，博士生導(dǎo)師，研究方向為智能電網(wǎng)、工業(yè)無線網(wǎng)絡(luò)等；

臧傳治(1977-)，男，博士，副研究員，研究方向為智能電網(wǎng)、工業(yè)無線網(wǎng)絡(luò)等。

國家高技術(shù)研究發(fā)展計劃資助項目(863 計劃) (2011AA040103); 國 家 自 然 科 學(xué) 基 金 資 助 項 目(61233007, 61300215);國家科技重大專項基金資助項目(2013ZX03005004)