计及用户不满意度的家庭能量管理调度优化研究

李群 王亮 马琳琳 于立涛 撖奥洋 安树怀 张智晟

摘要：针对家庭能量管理调度优化问题，本文建立了计及用户不满意度的家庭能量管理调度优化模型，综合考虑用户用电成本、用户对用电时间的不满意度和对温度的不满意度3个目标，采用多目标粒子群算法（multiobjective particle swarm optimization，MOPSO）对模型进行求解，并结合信息熵法对最优解进行选取，从而完成对各家用电器的优化调度。同时，对不同情景下的用电模式进行算例仿真。仿真结果表明，采用计及用户不满意度的家庭能量管理调度优化模型对家用电器进行调度，可以在降低用户用电成本的同时，兼顾用户用电的舒适度，验证了模型的有效性。该研究对智能家居的调度和用户的智能用电具有重要的理论和指导意义。

关键词：家庭能量管理; 用户不满意度; 多目标粒子群算法; 信息熵; 电力系统

中图分类号： TM73文献标识码： A

文章编号： 10069798（2019）01007506; DOI： 10.13306/j.10069798.2019.01.013

随着智能电网的出现和智能家居的不断普及，家庭能源消耗模式发生了革命性的变化，以智能家居为基础的家庭能源管理系统（home energy management system，HEMS）迅速发展[1]。HEMS的核心是合理制定用户的用电计划，并按照计划来调度智能家居的运行。考虑到用户的不同需求，HEMS应针对不同的需求目标来制定不同的调度计划。HEMS所需要的优化目标包括用户的用电成本最低、兼顾用电成本和用户用电舒适性[2]。近年来，许多学者对家庭能量管理调度进行了研究，并提出了自己的方案。殷亮亮等人[3]提出了一种家庭微电网能量优化策略，模型中考虑到了用户用电的舒适性;王守相等人[4]提出了计及光伏的家庭能量管理协同调度策略，将舒适度纳入到模型的约束条件中;官拓颖等人[5]提出了一种家电最优调度方法，对家用电器运行时间的舒适度进行了定量分析;黄焘等人[6]对舒适度进行建模，将舒适度纳入到目标函数中;杨冰[7]所提出的不满意度指标均按照偏离值呈线性变化，但所有的家用电器均按照统一标准;纪姝彦等人[8]根据不同家电对用户的不同影响，给出了舒适性的评价函数，将舒适性加权处理到目标函数中进行调度。基于此，本文提出了计及用户不满意度的家庭能量管理调度优化模型，该模型综合考虑家用电器运行的时间不满意度和温度不满意度，并针对不同电器对用户的影响程度不同，对不满意度函数进行加权处理。同时，将用电成本、时间不满意度、温度不满意度三者作为多目标进行优化处理，采用多目标粒子群算法对模型进行求解。通过算例证明，该模型在降低用电成本的同时，可以兼顾用户用电的时间不满意度和温度不满意度，验证了模型的有效性。

1家庭智能用电系统

本文以典型家庭智能用电系统为研究对象。家庭智能用电系统含光伏发电系统和不可调度负荷、不可中断负荷、可中断负荷等3类负荷。居民用户可通过电力公司获取第2天的电价情况，根据天气情况预测第2天的光伏出力情况[9]。HEMS根据所得到的电力信息及居民用户的运行要求，通过无线网络向家用电器发送控制信号，以调度家用电器的运行，从而达到优化运行的目的[10]。

1.1不可调度负荷

不可调度负荷主要有家庭照明设备、电视机和计算机等，这类负荷同用户的生活爱好和作息习惯紧密联系，改变之后会对用户的生活造成巨大影响，不参与智能家电的调度。

1.2不可中断负荷

不可中断负荷主要有洗衣机、洗碗机、电放锅等，一旦运行就不可停止，直到完成工作。

1.3可中斷负荷

可中断负荷主要有空调等温控设备，这类设备随着室内温度的变化来决定其开关状态。HEMS在保证用户正常生活的前提下，合理调度智能家居的运行。由于不可调度负荷运行时间的改变会对用户生活造成巨大影响，不宜参与调度。因此，参与调度的负荷主要有：

多情景分析如表2所示。由表2可以看出，情景1中不进行优化调度，用户用电成本最高，用户对时间的不满意度与对温度的不满意度最低。情景2进行优化调度，但仅考虑用户用电成本，优化后用户用电成本最低，下降为4.10元，但用户对时间的不满意度与对温度的不满意度影响较大，分别上升为64%和25%。情景3在考虑用户用电成本的同时，兼顾用户对时间的不满意度与对温度的不满意度。与情景2相比，用户用电成本虽有上升，但用户对时间的不满意度与对温度的不满意度均有较明显的下降，分别下降为39%和13%。

5结束语

本文建立了计及不满意度的家庭能量管理调度优化模型，在考虑用户用电成本的同时，兼顾用户对时间的不满意度与对温度的不满意度。采用多目标粒子群算法对模型进行求解，仿真结果表明，合理安排家用电器的运行，可以在降低用户用电成本的同时，又能满足用户用电的舒适性要求，验证了所提模型的正确性。若能考虑家庭储能的影响，则能进一步完善家庭能量管理调度优化模型，获得更好的优化效果。

参考文献：

[1]张延宇， 曾鹏， 臧传治. 智能电网环境下家庭能源管理系统研究综述[J]. 电力系统保护与控制， 2014， 42（18）： 144154.

[2]刘经浩， 贺蓉， 李仁发， 等. 一种基于实时电价的HEMS家电最优调度方法[J]. 计算机应用研究， 2015， 32（1）： 132137， 160.

[3]殷亮亮， 李征. 基于负荷分类的风光蓄家庭微电网的独立运行能量优化管理[J]. 电器与能效管理技术， 2017（3）： 8490.

[4]王守相， 孙智卿， 刘喆， 等. 面向智能用电的家庭能量协同调度策略[J]. 电力系统自动化， 2015， 39（17）： 108113.

[5]官拓颖， 贺蓉， 李仁发， 等. 一种改进的HEMS 家电最优调度方法[J]. 计算机应用研究， 2016， 33（6）： 17271733.

[6]黄焘， 马溪原， 雷金勇， 等. 考虑分时电价和需求响应的家庭型用户侧微电网优化运行[J]. 南方电网技术， 2015， 9（4）： 4753.

[7]杨冰. 基于需求响应的家用设备调度策略研究[D]. 成都： 电子科技大学， 2016.

[8]纪姝彦， 李冬伟. 基于用户满意度的智能用电能量调度方法研究[J]. 电气工程学报， 2017， 12（4）： 1017.

[9]郭佳欢. 微网经济运行优化的研究[D]. 北京： 华北电力大学， 2010.

[10]Mohsenian Rad A H， Leon Garcia A. Optimal residential load control with price prediction in realtime electricity pricing environments[J]. IEEE Transactions on Smart Grid， 2010， 1（2）： 120133.

[11]阮冰潔. 计及实时电价的家居混合供电系统能量优化调度方法[D]. 杭州： 浙江大学， 2015.

[12]Li N， Chen L I， Low S H. Optimal demand response based on utility maximization in power networks[J]. IEEE Transactions on Smart Grid， 2011， 1（3）： 6778.

[13]Fanger P O. Thermal comfort[M]. Copenhagen： Danish Technical Press， 1970.

[14]苏华东. CFD技术在住宅室内设计节能控制中的应用研究[D]. 重庆： 重庆大学， 2010.

[15]张子泳， 仉梦林， 李莎， 等. 基于多目标粒子群算法的电力系统环境经济调度研究[J]. 电力系统保护与控制， 2017， 45（10）： 110.

[16]王金全， 黄丽， 杨毅， 等. 基于多目标粒子群算法的微电网优化调度[J]. 电网与清洁能源， 2014， 30（1）： 4954.

[17]吴颖. 基于Pareto最优解的多目标PSO算法在电机优化设计中的应用[D]. 广州： 中山大学， 2009.

[18]吴小刚. 配网储能系统的规划方法研究[D]. 北京： 华北电力大学， 2015.

[19]Erolkantarci M， Mouftah H T. Wireless sensor networks for costefficientresidential energy management in the smart grid[J]. IEEE Transactions on Smart Grid， 2011， 2（2）： 314325.

[20]纪姝彦. 面向智能用电的家庭能量管理研究[D]. 合肥： 合肥工业大学， 2017.