一种改进的智能电网能耗调度算法

谭琦耀

一种改进的智能电网能耗调度算法

谭琦耀

对于当前时隙 t 内正在运行的不可中断可控运行电器a ，我们有公式（2）：

2 问题定义和算法描述

本节研究高能效调度问题，以实现每个用户电费支出最小化。我们假设只有少部分关于需求的统计先验信息。这些需求信息主要包括：每个时隙期间处于唤醒状态的电器列表，各个电器的类型（必须运行，可控运行），每个电器的截止运行时 间。可在一段时间内逐渐收集这些信息。在每个时隙开始时进行更新，同时相应更新每个电器的运行调度。

我们试图实现用户存在需求不确定性条件下的预期能量支付最小化公式（4）：

2.1 近似动态规划算法

问题（4）如果按照当前形式表示，则需要计算当前处于睡眠状态的电器的预期调度，因此求解难度很大。为了解决这一问题，我们对目标函数的上限进行最小化。因此，我们只对当前处于运行状态的可控电器的运行状态进行调度公式（5）：

问题（5）确定了当前时隙及将来时隙的运行调度，以评估成本函数。为了解决这些计算难题，我们首先放松对变量的二元约束，设对每个和任意有。根据上文，最后一个约束为：不可中断电器如果开始运行，则在将来时隙中也将继续运行。于是，我们将电力调度问题转化为近似动态规划问题，并将如下混合整数规划问题的解作为当前时隙的电力调度公式（7）、（8）、（9）：

条件：

对式（3）定价函数，由于对时隙 t 时的总负载 lt 有，因此将用户的用电支出确定为两条相交线的最大值公式（11）：

于是，问题（7）重新表述为公式（12）：

条件为式（8-11），其中

2.2 算法描述

在本节中，我们给出每个时隙 t 的负载具有不确定性时，本文能耗调度算法（算法1）的具体步骤。每个时隙的准入控制开始阶段，接收到的所有准入请求标识为必须运行或可控运行（第1和2行）。必须运行类电器立刻运行（第3行）。使用式（1）在当前时隙开始时更新每个电器的剩余所需能量，如第5行所示。通过求解式（18），确定每个处于运行状态的可控电器在其他时隙期间的状态，如第6行所示。在第7-9行，如果有不可中断可控电器从关闭状态调整为运行状态，则需将其从可控电器列表中删除，由于它需要一直运行直到完成运行任务，因此还需将其加入到必须运行电器列表中。

算法1：存在负载不确定性时的能耗调度算法，在每个时隙t 开始时运行算法

1：接收准入请求；

2：将每个接收请求标识为必须运行或可控运行类别；

3：将必须运行类电器设置为运行状态（开始运行或继续运 行）；

6：求解式（18）来决定可控类电器的运行状态（开启或关闭）；

7：如果启动后的电器是不可中断类电器；

8：将其标识为必须运行类电器；

9：end if

3 性能评估

本节将给出仿真结果并评估本文算法性能。仿真实验运行100次，且电器调整为运行状态的时间模式不同。然后给出均值结果。除非另有说明，否则仿真设置如下。假设采用IBR 和 RTP 联合算法，如图2所示：

图2给出了一天时间内定价 函数参数 mt 和 nt 的变化情况。考虑一个家庭有多种必须运行电器和可控电器。可控电器只有两种类型：可中断，不可中断。

按照事先明确的时间间隔，随机确定每个电器开始运行的时隙，比如电烤箱为 6:00,14:00 ，压电阀为 16:00, 24:00 。

为了确定比较基线，我们考虑没有部署ECC单元的系统，每个电器a处于运行唤醒状态后迅速开始运行。与文献[6]类似，我们还考虑一个系统忽略了IBR效应，在调度不同电器运行时只考虑了每个时隙的基准价格。在本文仿真模型中，我们对所有时隙，设置式（3）的。仿真结果表明，为了降低用电支出，ECC单元将负载调节到电价较低的时隙比如午夜后的前几小时。然而，如第1节所示，超出阈值bt的高电价惩罚可以避免负载同步。仿真结果还表明，通过利用ECC单元可以将用户每日用电支出从4.76美元降低到4.10美元。如果忽略IBR效应，则用户每日用电支出为4.15美元。如果使用文献[7]的负载控制算法，则用户每日用电支出为4.01美元。与没有安装ECC单元的系统相比较，本文算法可以将系统的平均PAR值从2.64降低到2.47，下降幅度6.4%。如果忽略IBR效应，则系统平均PAR2.93。文献[7]部署ECE单元后的系统平均PAR为1.98。

4 总结

本文提出了一种负载不确定性情况下的 DSM 系统家庭负载控制算法。我们将问题描述成近似动态问题，即使只能估计 将来负载使用情况，也可以实现用户用电支出最小化。将 PTR 和 IBR 结合起来，实现家庭用电负载平衡，降低 PAR 值。仿 真结果表明，本文算法可以降低用户用电花费，鼓励他们参与 DSM 系统。PTR 与 IBR 结合可以避免负载同步，RTP 与本文算法相结合也可以降低总体负载的 PAR，进而促使电力公司支持部署本文 DSM 算法。

[1] 黄宇腾,侯芳,周勤,等.一种面向需求侧管理的用户负荷形态组合分析方法[J]. 电力系统保护与控制, 2013, 41(13):20-25

[2] Jin T, Mechehoul M. Ordering electricity via internet and its potentials for smart grid systems [J]. Smart Grid, IEEE Transactions on, 2010, 1(3): 302-310

[3] 李琳,罗剑波,周霞,等.基于风险管理的过载切负荷策略制定[J].电网技术, 2013, 37(3): 821-826

[4] Xiong G, Chen C, Kishore S, et al. Smart (in-home) power scheduling for demand response on the smart grid[C]. Innovative smart grid technologies (ISGT), 2011 IEEE PES. IEEE, 2011: 1-7

[5] Samadi P, Schober R, Wong V W S. Optimal energy consumption scheduling using mechanism design for the future smart grid[C]. Smart Grid Communications (SmartGridComm), 2011 IEEE International Conference on. IEEE, 2011: 369-374

[6] Mohsenian-Rad A H, Leon-Garcia A. Optimal residential load control with price prediction in real-time electricity pricing environments [J]. Smart Grid, IEEE Transactions on, 2010, 1(2): 120-133.

[7] Samadi P, Mohsenian-Rad H, Wong V W S, et al. Tackling the load uncertainty challenges for energy consumption scheduling in smart grid [J]. 2013, 12(2):488-499

[8] 李惠玲,白晓民,谭闻,等.基于智能电网的动态经济调度研究[J].电网技术, 2013, 37(6): 1547-1554

[9] Kim T T, Poor H V. Scheduling power consumption with price uncertainty [J]. Smart Grid, IEEE Transactions on, 2011, 2(3):519-527

图2 基于RTP和IBR的定价模型的定价参数，如式（3）所示。对所有时隙，设置参数

2014.04.11）