計(jì)及用戶舒適度與用電成本的空調(diào)負(fù)荷優(yōu)化控制方法

孫　毅，葉　涵，李　彬，何　偉，尹　璐

(1．華北電力大學(xué)電氣與電子工程學(xué)院，北京　102206；2．國網(wǎng)江西省電力科學(xué)研究院，江西南昌　330096；3.北京電力經(jīng)濟(jì)技術(shù)研究院規(guī)劃評(píng)審中心，北京　100055)

?

計(jì)及用戶舒適度與用電成本的空調(diào)負(fù)荷優(yōu)化控制方法

孫毅1，葉涵1，李彬1，何偉2，尹璐3

(1．華北電力大學(xué)電氣與電子工程學(xué)院，北京102206；2．國網(wǎng)江西省電力科學(xué)研究院，江西南昌330096；3.北京電力經(jīng)濟(jì)技術(shù)研究院規(guī)劃評(píng)審中心，北京100055)

0　引　言

伴隨著經(jīng)濟(jì)社會(huì)的高速發(fā)展，電網(wǎng)用電高峰時(shí)段的負(fù)荷不斷攀升。近年來，為了實(shí)現(xiàn)電網(wǎng)負(fù)荷的“削峰填谷”，政府采取了有序用電、需求響應(yīng)等多種措施對(duì)各領(lǐng)域用電負(fù)荷進(jìn)行調(diào)控[1]。這些方法能夠在一定程度上改變用戶的用電行為和習(xí)慣，從而保證整個(gè)電網(wǎng)的穩(wěn)定運(yùn)行。其中，針對(duì)能耗約占全球總能耗40%的樓宇用戶[2]，新建有大量的智能樓宇自動(dòng)化控制系統(tǒng)，實(shí)現(xiàn)其用電設(shè)備的管理和調(diào)控。然而，隨著生活水平的不斷提升，人們對(duì)環(huán)境品質(zhì)的要求也日益提升，建筑樓宇作為人們多數(shù)時(shí)間的工作與活動(dòng)場(chǎng)所，其環(huán)境舒適度的調(diào)節(jié)也至關(guān)重要。而現(xiàn)有調(diào)控措施中，絕大部分以負(fù)荷削減效果為主要目標(biāo)，因此會(huì)導(dǎo)致用戶的舒適度代價(jià)較高。

目前，絕大多數(shù)智能樓宇的綜合管理功能借助建筑能源管理系統(tǒng)(building energy management system，BEMS)實(shí)現(xiàn)。該系統(tǒng)能夠控制樓宇照明、空調(diào)、插座等多個(gè)系統(tǒng)的運(yùn)行，并通過需求響應(yīng)策略在電網(wǎng)負(fù)荷高峰時(shí)段降低樓宇總負(fù)荷[3]?？照{(diào)作為其中用能占比最大的用電負(fù)荷，其調(diào)控結(jié)果既對(duì)用戶的用電成本有著直接影響，又與用戶的舒適程度密切相關(guān)。因此，有必要為BEMS中的空調(diào)控制模塊設(shè)計(jì)相應(yīng)的調(diào)控策略，進(jìn)行用電成本代價(jià)指標(biāo)與舒適度代價(jià)指標(biāo)的綜合優(yōu)化，以實(shí)現(xiàn)用戶在經(jīng)濟(jì)性與舒適性之間的自主控制。

在該研究領(lǐng)域中，文獻(xiàn)[4]提出了一種基于雙向互動(dòng)的智能建筑需求響應(yīng)控制系統(tǒng)解決方案，方案中實(shí)現(xiàn)了電網(wǎng)向用戶下發(fā)價(jià)格調(diào)整緊急指令并進(jìn)行負(fù)荷調(diào)控、用戶向電網(wǎng)反饋用電監(jiān)測(cè)信息的雙向互動(dòng)過程，然而該方案僅達(dá)到了基于電價(jià)進(jìn)行電網(wǎng)削峰的目的卻沒有考慮到方案對(duì)用戶舒適度的影響。文獻(xiàn)[5]基于“電網(wǎng)友好”技術(shù)，提出了一種空調(diào)負(fù)荷主動(dòng)響應(yīng)策略，實(shí)現(xiàn)空調(diào)負(fù)荷根據(jù)電網(wǎng)電壓變化情況在短時(shí)間內(nèi)主動(dòng)調(diào)整自身運(yùn)行狀態(tài)的功能。策略側(cè)重于優(yōu)化負(fù)荷削減效果，未考慮用戶側(cè)相關(guān)需求。文獻(xiàn)[6]在設(shè)計(jì)空調(diào)負(fù)荷錯(cuò)峰運(yùn)行算法的過程中根據(jù)對(duì)舒適度的分析對(duì)溫度調(diào)節(jié)范圍進(jìn)行限定，但缺乏在溫度范圍內(nèi)對(duì)用戶舒適度與用電成本的綜合優(yōu)化。

本文針對(duì)智能樓宇的需求響應(yīng)控制功能，設(shè)計(jì)了用戶可反饋空調(diào)用電成本與舒適度代價(jià)決策的雙向互動(dòng)方案。在此基礎(chǔ)上，提出了基于改進(jìn)免疫克隆選擇算法的空調(diào)負(fù)荷多目標(biāo)優(yōu)化控制方法，并給出了多目標(biāo)優(yōu)化效果以及改進(jìn)算法優(yōu)化效果的驗(yàn)證。進(jìn)而得到基于仿真結(jié)果的一組計(jì)及用戶舒適度和用電成本的空調(diào)優(yōu)化控制方案，從而實(shí)現(xiàn)空調(diào)負(fù)荷的人性化靈活調(diào)控。

1　電力用戶可參與自主決策的空調(diào)運(yùn)行控制方式

傳統(tǒng)的空調(diào)控制模式基本為：用戶設(shè)定某一期望的溫度值后，空調(diào)根據(jù)外界環(huán)境溫度變化調(diào)整自身功率，從而保持室內(nèi)溫度能在設(shè)定的溫度值附近。而現(xiàn)有BEMS中的需求響應(yīng)功能作用于空調(diào)后，也多為電網(wǎng)下達(dá)電價(jià)信號(hào)與相應(yīng)調(diào)控指令，用戶在電網(wǎng)負(fù)荷高峰期按照策略規(guī)定，將期望室溫提升為某特定值，同時(shí)反饋當(dāng)前系統(tǒng)運(yùn)行的狀態(tài)信息。這種方式雖然在一定程度上實(shí)現(xiàn)了信息的雙向交互，但用戶在整個(gè)過程當(dāng)中仍處于較為被動(dòng)的狀態(tài)。因此，BEMS需求響應(yīng)功能的雙向信息流當(dāng)中，應(yīng)綜合電價(jià)信號(hào)、環(huán)境參數(shù)(如室外溫度等)、調(diào)控指令以及用戶舒適度代價(jià)和用電成本代價(jià)的指標(biāo)要求等多方面影響因素，來綜合優(yōu)化控制各項(xiàng)用電負(fù)荷的運(yùn)行[7]，如圖1所示。

圖1　BEMS需求響應(yīng)功能模塊信息交互示意圖

將本文所設(shè)計(jì)的空調(diào)負(fù)荷優(yōu)化調(diào)控方法應(yīng)用到圖1的系統(tǒng)當(dāng)中，空調(diào)模塊反饋給核心控制模塊的信息流中就包含有用戶根據(jù)個(gè)人偏好所選取的代價(jià)指標(biāo)要求。基于空調(diào)的功能屬性，用戶在用電及參與需求響應(yīng)的過程中，比較關(guān)注的兩類代價(jià)指標(biāo)即用電成本代價(jià)與舒適度代價(jià)。然而，不同用戶個(gè)體在兩類指標(biāo)中的決策會(huì)存在差異。因此，可以根據(jù)運(yùn)用智能算法優(yōu)化出的結(jié)果，為用戶設(shè)計(jì)較為直觀的決策等級(jí)[8]，如圖2所示。

其中，舒適度最優(yōu)與成本最優(yōu)的情況都是只考慮單一代價(jià)指標(biāo)的單目標(biāo)優(yōu)化結(jié)果，可以用于確定多目標(biāo)優(yōu)化的范圍。C和E分別代表多目標(biāo)優(yōu)化后，側(cè)重保證舒適度最優(yōu)和成本最優(yōu)的對(duì)應(yīng)方案；M代表成本和舒適度代價(jià)均適中的對(duì)應(yīng)方案；MC和ME則分別代表多目標(biāo)優(yōu)化后，側(cè)重保證舒適度較優(yōu)和成本較優(yōu)的對(duì)應(yīng)方案。

本文著重研究單個(gè)用戶空調(diào)負(fù)荷的多目標(biāo)優(yōu)化控制方法，暫不考慮樓宇中不同用戶指標(biāo)要求的協(xié)調(diào)控制以及其他可控負(fù)荷對(duì)空調(diào)的影響。

2　空調(diào)負(fù)荷多目標(biāo)優(yōu)化模型

在需求響應(yīng)過程中，根據(jù)當(dāng)前分時(shí)/實(shí)時(shí)電價(jià)情況調(diào)整對(duì)應(yīng)時(shí)刻的空調(diào)功率，能夠優(yōu)化用戶的用電成本代價(jià)[9]。通過約束對(duì)應(yīng)時(shí)刻室溫設(shè)定值與最優(yōu)溫度值間的偏差，能夠優(yōu)化用戶舒適度代價(jià)[10]。因此，給出空調(diào)負(fù)荷的多目標(biāo)優(yōu)化模型如下所示。

用電成本最優(yōu)：

(1)

用戶舒適度最優(yōu)：

(2)

約束條件：

式中:t為時(shí)間標(biāo)記(t=0,1,…,23， 間隔為1h)；Pt為時(shí)刻t對(duì)應(yīng)的分時(shí)/實(shí)時(shí)電價(jià)(元/kWh)；Qt為時(shí)間t內(nèi)對(duì)應(yīng)的空調(diào)用電量(kWh)；Tdesired為室內(nèi)最舒適溫度(℃)，Tt,in為t時(shí)刻對(duì)應(yīng)的室內(nèi)溫度(℃)，Qmax為時(shí)刻t內(nèi)空調(diào)最大電能消耗量(kWh)，Tmin和Tmax分別為室內(nèi)溫度下限和上限(℃)。

現(xiàn)階段對(duì)空調(diào)負(fù)荷的調(diào)控主要是通過對(duì)調(diào)溫器的調(diào)節(jié)實(shí)現(xiàn)的。24h內(nèi)室溫設(shè)定方案不同，空調(diào)的負(fù)荷情況也不盡相同。本文參考文獻(xiàn)[11]研究給出的室外環(huán)境溫度(Tt，out)、空調(diào)功率(Qt)以及室內(nèi)溫度(Tt，in)的關(guān)系式和對(duì)應(yīng)的參數(shù)設(shè)定，如式(3)所示：

(3)

公式(3)的溫度相關(guān)變量均以℉為單位取值。根據(jù)1℉=32+1.8×1 ℃，給出變量間約束關(guān)系式如公式(4)所示：

(4)

式中：“+”用于加熱模式，“-”用于制冷模式；Tt,out為時(shí)刻t對(duì)應(yīng)的室外環(huán)境溫度(℃)；εT為系統(tǒng)慣量值；η為系統(tǒng)運(yùn)行效率系數(shù)；A為熱傳導(dǎo)系數(shù)。

3　基于改進(jìn)免疫克隆選擇算法的空調(diào)負(fù)荷優(yōu)化控制策略

在利用智能算法解決函數(shù)優(yōu)化問題的過程中，由于原始種群均由隨機(jī)生成，因此如何在大量數(shù)據(jù)中快速篩選出可行解和最優(yōu)解成為問題的關(guān)鍵。免疫克隆選擇算法通過克隆變異能夠增殖出大量抗體，從而很好地保證了抗體的多樣性。算法總是優(yōu)先選擇抗原親和性好而且濃度小的個(gè)體進(jìn)入下一代，能夠保證可行解向最優(yōu)的方向收斂，并利用記憶單元的作用能夠提高局部搜索能力，加快進(jìn)化速度[12]。

針對(duì)文章上一部分提出的空調(diào)負(fù)荷優(yōu)化模型，免疫克隆選擇算法能夠有效解決其對(duì)應(yīng)的非線性多目標(biāo)函數(shù)優(yōu)化問題。將24h的室溫映射為抗體，成本和舒適度目標(biāo)函數(shù)映射為抗原，通過迭代選擇出最接近該模型Pareto最優(yōu)面[13]的一組方案。同時(shí)，為了提高算法的收斂能力，本文根據(jù)模型具體情況，對(duì)傳統(tǒng)算法的變異算子進(jìn)行改進(jìn)，并應(yīng)用于空調(diào)優(yōu)化控制模型中。

3.1抗原親和度計(jì)算

在免疫算法中，抗原親和度是克隆選擇的一個(gè)重要依據(jù)，抗體群的編輯篩選過程也就是親和度不斷成熟的過程。本文定義抗原親和度為min(Z)，而Z的取值約束于公式(5)、(6)[14]。

(5)

(6)

式中:Z為親和度目標(biāo)最小上限；f1*為目標(biāo)函數(shù)f1的期望值；f2*為目標(biāo)函數(shù)f2的期望值。另外，權(quán)值ωl(l=1,2)的確定方法如下：

(7)

式中:目標(biāo)函數(shù)的最值fl,max和fl,min根據(jù)算例實(shí)際情況確定。

3.2克隆操作

克隆操作也就是是無性繁殖或復(fù)制的過程。設(shè)xi是抗體種群中的第i個(gè)抗體(種群規(guī)模n取100)?？寺≡瓌t是為具備更優(yōu)抗原親和力Zi以及更小抗體親和力θi的抗體提供更多的復(fù)制機(jī)會(huì)。第i個(gè)抗體的克隆規(guī)模定義如下：

(8)

式中：m為常數(shù)(本文取10)；θi為抗體親和力，代表xi與抗體群內(nèi)其他抗體的親和程度，具體定義為

(9)

3.3改進(jìn)的非一致性變異操作

本文將免疫克隆選擇算法中多采用的Gauss變異等隨機(jī)變異策略[15]，改進(jìn)為一種非一致性變異算子。它將變異算子的結(jié)果與演化代數(shù)聯(lián)系起來，使得演化初期變異范圍較大，而隨著演化的推進(jìn)，變異范圍越來越小，從而增加抗體變異的可控性。同時(shí)，將步長(zhǎng)與該組抗體的親和度關(guān)聯(lián)，增強(qiáng)了變異的自適應(yīng)性。此外，變異的判斷條件也由原本的隨機(jī)條件改進(jìn)為與電價(jià)關(guān)聯(lián)的形式，即電價(jià)較高時(shí)將原始抗體數(shù)值向上界方向調(diào)整，較低時(shí)向下界方向調(diào)整，一定程度上提升了變異的效率。該方法利用局部搜索的方式，相對(duì)傳統(tǒng)的Gauss算子等增加了提高抗體與抗原親和度的可能性，提高了收斂能力，使所得解向理想的Pareto最優(yōu)面逼近[16]。針對(duì)克隆后的全部抗體群，具體變異過程如下：

①選取電價(jià)的一個(gè)中間值P*作為判斷條件；

② 定義親和度相關(guān)步長(zhǎng)為

(10)

如果Pt≥P*，則令

(11)

否則，令

(12)

式中：gcurrent、gmax分別為當(dāng)前迭代次數(shù)和最大迭代次數(shù)；Z(i)、Zbest、Zmax分別為當(dāng)前抗體的抗原親和力、當(dāng)前種群的最優(yōu)抗原親和力以及當(dāng)前種群的最大抗原親和力；r為[0,1]中的隨機(jī)數(shù)。

3.4克隆選擇

克隆選擇的過程主要依賴于抗體校驗(yàn)和抗體選擇兩個(gè)步驟。抗體校驗(yàn)主要用于對(duì)比變異前后抗體xi，old和xi，new所對(duì)應(yīng)的Zi，old和Zi，new。若Zi，new>Zi，old，那么變異失效，仍保留變異前抗體xi，old，否則保留變異個(gè)體。而抗體選擇是一個(gè)迭代篩選的過程。設(shè)xi，best是當(dāng)前變異后Ni個(gè)抗體中最優(yōu)的一組，然后根據(jù)公式(12)～(14)求解每個(gè)xi(k+1)選擇合適xi的機(jī)率R(.)(k為迭代指標(biāo))。

(13)

式中：

(14)

且

(15)

綜上所述，迭代后的xi(k+1)取值為

(16)

3.5算法具體步驟

基于上面的理論基礎(chǔ)，本文針對(duì)空調(diào)負(fù)荷優(yōu)化控制模型的改進(jìn)免疫克隆選擇算法具體步驟如圖3所示。

圖3　空調(diào)負(fù)荷優(yōu)化控制算法流程圖

在實(shí)際應(yīng)用過程中，電價(jià)政策P和室外溫度預(yù)測(cè)值Tout均由核心模塊下達(dá)到子系統(tǒng)模塊當(dāng)中作為已知量，且用戶可根據(jù)個(gè)人偏好自行設(shè)定Tmin、Tmax以及Tdesired的取值，從而實(shí)現(xiàn)BEMS的雙向互動(dòng)功能。

4　仿真實(shí)驗(yàn)與結(jié)果分析

為了證明本文方法的合理性及有效性，本文與文獻(xiàn)[14]中運(yùn)用的基于Gauss變異的免疫克隆選擇算法進(jìn)行對(duì)比，仿真環(huán)境為MATLAB 2014a。本文模型及算法的設(shè)計(jì)基于當(dāng)前國內(nèi)電價(jià)市場(chǎng)現(xiàn)狀，Pt和Tt,out分別采用北京市工商業(yè)分時(shí)電價(jià)以及夏季典型日氣溫曲線如圖4、圖5所示，Tdesired取27 ℃[17]，Tmin和Tmax分別取25 ℃和29 ℃，εT、η、A和Qmax依據(jù)文獻(xiàn)[14]的參數(shù)設(shè)定值。

圖4　北京市工商業(yè)分時(shí)電價(jià)

圖5　夏季典型日溫度曲線

4.1多目標(biāo)優(yōu)化效果驗(yàn)證

在上文介紹的模型基礎(chǔ)上，利用改進(jìn)的免疫克隆算法對(duì)用戶的成本代價(jià)和舒適度代價(jià)目標(biāo)函數(shù)進(jìn)行優(yōu)化，得到基于分時(shí)電價(jià)并考慮用戶舒適度的空調(diào)需求響應(yīng)方案。首先，分別考慮兩個(gè)目標(biāo)函數(shù)的單目標(biāo)最優(yōu)情況，得到如表1的取值，同時(shí)作為用戶可選調(diào)控方案的上下界。

表1　單目標(biāo)優(yōu)化下的仿真結(jié)果

基于以上數(shù)據(jù)，對(duì)算法中fl，max、fl，min等參數(shù)進(jìn)行設(shè)置。選取fl*取值為[19,15]的一組多目標(biāo)優(yōu)化結(jié)果與單目標(biāo)優(yōu)化結(jié)果對(duì)比，得到3種方案下的室溫及空調(diào)能耗情況如圖6、圖7所示。

圖6　3種方案下的室溫設(shè)置對(duì)比圖

圖7　3種方案下的空調(diào)能耗對(duì)比圖

由圖6、圖7分析可得，成本最優(yōu)方案將全天室溫維持在溫度上限值，根據(jù)公式(4)可以保證每個(gè)時(shí)刻的空調(diào)能耗最小，從而保證用電成本最低，然而每個(gè)時(shí)刻室溫均相對(duì)最優(yōu)溫度偏移2℃；舒適度最優(yōu)方案將全天室溫維持在最優(yōu)溫度，從而保證舒適度代價(jià)為0，然而如10:00—11:00、18:00—20:00的電價(jià)高峰時(shí)刻，空調(diào)能耗較高，從而導(dǎo)致成本代價(jià)較高；而多目標(biāo)優(yōu)化方案相比于其他兩種方案，全天室溫在最優(yōu)溫度附近波動(dòng)，且空調(diào)能耗在電價(jià)上升的時(shí)刻下調(diào)，電價(jià)下降的時(shí)刻上調(diào)，保證整體成本代價(jià)指標(biāo)較優(yōu)。將多目標(biāo)優(yōu)化后的代價(jià)指標(biāo)(f1=19.866 7，f2=13.911 7)與表1中的代價(jià)指標(biāo)比較：相比成本最優(yōu)的結(jié)果，犧牲了68.05%的成本代價(jià)，但減少了71.02%的舒適度代價(jià)；相比舒適度最優(yōu)的結(jié)果，犧牲了28.98%的舒適度代價(jià)，但減少了31.95%的成本代價(jià)。因此，作為考慮兩種因素的折衷優(yōu)化方案，綜合考慮兩個(gè)代價(jià)指標(biāo)，多目標(biāo)優(yōu)化結(jié)果還是起到了降低用戶整體代價(jià)的作用。

4.2優(yōu)化算法改進(jìn)效果對(duì)比

圖8　兩種算法與期望值方案的結(jié)果對(duì)比圖

由圖8可以明顯看出，在f1∈[17，21]和f2∈[10，40]時(shí)，采用兩種算法均可以優(yōu)化出相應(yīng)的取值結(jié)果。目標(biāo)函數(shù)期望值fl*的取值方案可以視為該優(yōu)化問題的Pareto最優(yōu)面，而目標(biāo)函數(shù)f1和f2均為越小越優(yōu)。因此，改進(jìn)算法的優(yōu)化結(jié)果更逼近Pareto最優(yōu)的情況。為了更直觀地對(duì)比兩組方案的優(yōu)化效果，分別計(jì)算5組期望值取值方案[f1*，f2*]下不同算法結(jié)果的抗原親和力，結(jié)果如圖9所示。

圖9　兩種算法的親和力對(duì)比圖

由圖9可以明顯看出，成本和舒適度目標(biāo)函數(shù)分別取到不同期望值附近時(shí)，改進(jìn)算法優(yōu)化結(jié)果所對(duì)應(yīng)的抗原親和力取值均明顯小于傳統(tǒng)算法?？梢姡倪M(jìn)變異算子后，所得的可行解收斂能力更強(qiáng)，即更逼近多目標(biāo)優(yōu)化的Pareto最優(yōu)面。

因此，將不同期望值設(shè)定下改進(jìn)算法優(yōu)化出的代價(jià)結(jié)果[f1，f2]映射到文章第一部分設(shè)計(jì)的決策等級(jí)當(dāng)中，如表2所示。

表2　空調(diào)系統(tǒng)用戶決策等級(jí)對(duì)應(yīng)代價(jià)指標(biāo)

空調(diào)系統(tǒng)模塊可以根據(jù)各代價(jià)結(jié)果所對(duì)應(yīng)的室溫設(shè)定方案對(duì)空調(diào)負(fù)荷進(jìn)行優(yōu)化控制。

5　結(jié)　論

本文首先針對(duì)智能用電需求響應(yīng)信息交互過程中用戶側(cè)相對(duì)被動(dòng)的問題，設(shè)計(jì)了一種用戶可參與自主選擇的空調(diào)負(fù)荷運(yùn)行控制模式；并應(yīng)用改進(jìn)的免疫克隆選擇算法，綜合考慮用戶舒適度和用電成本對(duì)空調(diào)負(fù)荷控制模型進(jìn)行優(yōu)化；此外，在免疫克隆選擇過程中，引入了可變步長(zhǎng)的自適應(yīng)非一致性變異，提升算法收斂速度并獲取更接近期望值的優(yōu)化結(jié)果。最后通過仿真實(shí)驗(yàn)驗(yàn)證了算法優(yōu)化結(jié)果能夠有效滿足用戶對(duì)舒適度和用電成本不同程度的需求；且在相同條件下，相比原始算法，本文算法能夠得出親和力更優(yōu)、更貼近用戶需求的結(jié)果。

[1]高賜威，梁甜甜，李揚(yáng).自動(dòng)需求響應(yīng)的理論與實(shí)踐綜述[J].電網(wǎng)技術(shù)，2014，38(2)：353-359.

[2]Biao Sun，Peter B L，Qing-Shan Jia，etc.Building Energy Management: Integrated Control of Active and Passive Heating，Cooling，Lighting，Shading，and Ventilation Systems[J].Automation Science and Engineering，2012，10(3)：588-602.

[3]Sankur M，Arnold D，Auslander D.An architecture for integrated commercial building demand response[C]// Power and Energy Society General Meeting (PES)，2013 IEEE.IEEE，2013：1-5.

[4]牛麗仙.需求響應(yīng)控制系統(tǒng)在智能建筑中的應(yīng)用案例研究[J].電力需求側(cè)管理，2014，16(4)：21-25.

[5]張志丹，黃小慶，曹一家，等.電網(wǎng)友好型空調(diào)負(fù)荷的主動(dòng)響應(yīng)策略研究[J].中國電機(jī)工程學(xué)報(bào)，2014，34(25)：4207-4218.

[6]雍靜.滿足舒適要求的空調(diào)系統(tǒng)需求響應(yīng)及錯(cuò)峰運(yùn)行策略研究[D].重慶：重慶大學(xué)，2011.

[7]付蔚，敬章浩，羅志勇，等.基于分時(shí)電價(jià)的智能家電控制方案[J].電網(wǎng)技術(shù)，2015，39(3)：717-723.

[8]辛潔晴，吳亮.商務(wù)樓中央空調(diào)周期性暫停分檔控制策略[J].電力系統(tǒng)自動(dòng)化，2013，37(5)：49-54.

[9]ASHRAE.ANSI/ASHRAE Standard55-2004. Thermal Environmental Conditions for Human Occupancy[S].Atlanta.GA，2004.

[10]Marwan M，Ledwich G，Ghosh A.Smart grid-demand side response model for optimization air conditioning[C]∥Universities Power Engineering Conference (AUPEC)，2012 22nd Australasian IEEE，2012：1-6.

[11]Constantopoulos P，Schweppe F C，Larson R C.ESTIA：a real-time consumer control scheme for space conditioning usage under spot electricity pricing[J].Computers & Operations Research，1991，18(8)：751-765.

[12]黃友銳.智能優(yōu)化算法及其應(yīng)用[M].北京：國防工業(yè)出版社，2008：54-68.

[13]崔遜學(xué).多目標(biāo)進(jìn)化算法及其應(yīng)用[M].北京：國防工業(yè)出版社，2006：4-16.

[14]Hong Ying-Yi， Lin Jie-Kai，Wu Ching-Ping，etc. Multi-Objective Air-Conditioning Control Considering Fuzzy Parameters Using Immune Clonal Selection Programming[J].IEEE TRANSACTIONS ON SMART GRID，2012(3)：1603-1610.

[15]徐玉琴，李雪冬.基于改進(jìn)免疫克隆選擇算法的含分布式電源配電網(wǎng)規(guī)劃方法[J].電網(wǎng)技術(shù)，2010，34(8)：97-101.

[16]尚榮華，焦李成，公茂果，等.免疫克隆算法求解動(dòng)態(tài)多目標(biāo)優(yōu)化問題[J].軟件學(xué)報(bào)，2007(18)：2700-2711.

[17]雍靜，文充，曾禮強(qiáng).夏季空調(diào)熱舒適響應(yīng)空間及節(jié)能潛力研究[J].四川建筑科學(xué)研究，2012(38)：304-308.

(責(zé)任編輯：楊秋霞)

An Optimal Control Method for Air Conditioning Load by Considering Comfort and Electricity Expense of Consumers

SUN Yi1,YE Han1,LI Bin1,HE Wei2,YIN Lu3

(1.School of Electrical and Electronics Engineering, North China Electric Power University, Beijing 102206, China;2. State Grid Jiangxi Electric Power Research Institute, Nanchang 330096, China;3. Beijing Electric Power Economic Research Institute, Beijing 100055, China)

智能電網(wǎng)環(huán)境下，應(yīng)用于空調(diào)(商業(yè)與居民用戶最主要的用電負(fù)荷)的需求響應(yīng)措施對(duì)電網(wǎng)穩(wěn)定運(yùn)行有重要意義。針對(duì)用戶參與需求響應(yīng)過程中導(dǎo)致舒適度明顯降低的問題，本文提出了一種用戶可參與自主決策的空調(diào)負(fù)荷優(yōu)化控制方法，基于改進(jìn)的免疫克隆選擇算法，建立了同時(shí)考慮用戶舒適度與用電成本的空調(diào)負(fù)荷多目標(biāo)優(yōu)化調(diào)控模型；并將原始免疫克隆選擇算法中的變異算子改進(jìn)為一種自適應(yīng)的非一致性變異算子，進(jìn)一步提高算法的收斂能力，逼近Pareto最優(yōu)面。仿真及實(shí)驗(yàn)結(jié)果表明，本文算法在對(duì)空調(diào)負(fù)荷執(zhí)行基于分時(shí)電價(jià)的需求響應(yīng)過程中，能夠有效兼顧用戶對(duì)經(jīng)濟(jì)性和舒適性的需求；優(yōu)化結(jié)果相對(duì)用戶期望值的親和力得到明顯提升，驗(yàn)證了該算法的有效性和優(yōu)越性。

需求響應(yīng)；多目標(biāo)優(yōu)化；免疫克隆選擇算法；非一致性變異；空調(diào)負(fù)荷

In smart grid, the demand response applied to air conditioning load, which is the major load of the commercial and residential electricity system, is of great significance for the stable operation of power network. However, participating in demand response may lead to the reduction of consumers’ comfort. Thus an efficient optimal control method of air conditioning load is put forward, which allows the decision-making of electricity consumers, and a multi-objective optimization model is built based on the improved immune clonal selection algorithm, which optimizes comfort and electricity expense of air conditioning users. In this paper, the mutation operator of the traditional immune clonal selection algorithm is improved as an adaptive non-uniformity mutation operator, which further enhances the convergence of the algorithm and gets a more optimal Pareto-frontier. Results of simulation and tests indicate that multi-objective optimization can effectively balance the users’ demand for economy and comfort during the process of demand response based on Time-of-Use (TOU) price. Moreover, the antigen affinity can be optimized by improved algorithm, which verifies the effectiveness and advantage of the improved algorithm.

demand response; multi-objective optimization; immune clonal selection algorithm; non-uniformity mutation; air conditioning load

1007-2322(2016)05-0030-07

A

TM73

國家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)(2015AA050203)；國網(wǎng)公司科技項(xiàng)目(521820150007)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金(2015ZD01，2014ZP03)

2015-09-18

孫毅(1972—)，男，博士，教授，研究方向?yàn)殡娏ο到y(tǒng)信息通信技術(shù)與智能用電；

葉涵(1990—)，女，碩士研究生，研究方向?yàn)殡娏ο到y(tǒng)信息通信技術(shù)與智能用電，E-mail:yehan_4@163.com；

李彬(1983—)，男，博士，副教授，研究方向?yàn)殡娏ο到y(tǒng)自動(dòng)化與信息化；

何偉(1985—)，男，博士，工程師，研究方向?yàn)樾履茉唇尤胂到y(tǒng)和電能質(zhì)量；

尹璐(1985—)，男，博士，工程師，研究方向?yàn)榉植际诫娫床⒕W(wǎng)、智能配電網(wǎng)。