基于移动互联网及物联网技术的居民用电的智能化设计

黄国政, 赵瑞锋, 郭文鑫, 黄伟杰, 詹一佳

(1. 广东电网有限责任公司 江门供电局, 广东 江门 529000;2. 广东电网有限责任公司 电力调度控制中心, 广东 广州 510600)

0 引言

电网为居民提供电能的过程中往往会涉及到很多个环节，居民用户的电力数据一般都会隐藏着每一户居民的用电习惯[1]，挖掘出居民用户的用电数据可以帮助国家电网公司清楚地了解到居民用户的服务需求，从而使国家电网公司拓展服务意识，为制定国家电力需求响应提供可靠的数据支撑[2]。

近几年以来，很多电力领域的学者都对居民用电展开了广泛的研究，基于云计算的居民用电智能化设计方法通常将行业的划分作为设计基础，考虑到市场价值和居民用户的贡献价值来分类居民用户，这种居民用电智能化设计方法基本不符合电力负荷的精细化管理，导致居民的用电效率偏低[3]。

基于以上背景，本文将移动互联网和物联网技术应用到了居民用电智能化设计中，采用移动互联网及物联网技术构建归一化矩阵得到用户用电数据样本，采用均值方差法计算用户用电数据的均值方差，建立居民用电负荷预测模型，判断居民用电数据最大荷载，构建居民用电价格和用电量最优配置的目标函数，设置电压越限约束，实现了居民用电的智能化设计。

1 基于移动互联网及物联网技术的居民用电智能化设计

1.1 采集居民用电数据

移动互联网属于电信基础网络，是结合互联网与移动通信终端，在移动网络状态下，用户能够通过手机或其他无线终端设备，获取信息、在线下载或网页浏览等服务[4]。物联网是在互联网的基础上延伸出的网络，能够通过射频识别技术、红外感应器等信息传感设备，进行信息通信与交互，并将采集到的任何信息与互联网相连，完成智能化的识别管理。

在移动互联网及物联网技术背景下，采集居民用电数据可以缩短居民用户获取电能的时间。移动互联网及物联网技术的基础是对居民用电数据集合中的不同居民用户进行相似性搜索，查找出居民用电数据之间的相似程度。

采用移动互联网及物联网技术来采集居民用电数据，每一户居民用户的用电量都来源于自家的智能电表，居民用户的用电数据采集都是来源于用户家里的智能插座，包含了居民用户的电器使用种类、家用电器的使用时长等，这些用电数据一部分存到居民用户的智能网关中，为居民用户提供电能[5]；另一方面是通过家庭的智能网关远程传输到小区的供电站，来提供分析和决策使用[6]。基于已经查找出的居民用电数据之间的相似程度，选取以下特征量进行用电数据的采集。

·峰时耗电率=居民用户高峰时段的用电量/总用电量

·电力负荷率=居民用户的平均负荷/居民用电的最大负荷

·谷电系数=居民用户低谷时段的用电量/总用电量

根据用电数据的采集特征量，将每一个居民用户表示成一个1*96矩阵：X=[x1,x2,…,x96]。

对居民用户矩阵的用电数据元素进行归一化处理，如式(1)。

(1)

根据用电数据元素归一化处理后，得到用户用电数据样本，采用移动互联网和物联网技术计算用电数据权重[7]，其用电数据指标的熵值，如式(2)。

(2)

式中，n(n∈{1,2,…，10})表示为采集用电数据的特征向量。

从而可以获取到用电数据的采集，如式(3)。

(3)

式中，m(m∈{1,2,…，96})表示为采集居民用电数据个数。对式(3)进行数据标准化处理，即可得到居民用户的用电数据。

1.2 构建居民用电负荷预测模型

根据居民用电数据的特点，建立居民用电负荷预测模型，可以缩短居民用户获取电能的时间。居民用电负荷的预测模型主要由两部分组成，一部分是采用移动互联网来聚类居民用电负荷曲线，将用电模式相似的居民用户统一归纳为一类，并分析不同类的居民用户[8]；另一部分是采用物联网技术来预测居民用电的负荷，为居民用电负荷的预测提供的理论依据，使预测精度更高。

针对居民用户的用电数据，将移动互联网及物联网技术应用到了居民用电负荷预测模型中，实现了居民用电数据预测结果的可视化[9]。居民用电负荷预测模型结构，如图1所示。

图1 居民用电负荷预测模型结构图

根据居民用电负荷预测模型结构，可以得到居民用电负荷预测模型的具体构建步骤如下。

假设从居民用户的终端采集到的用电负荷数据在短时间间隔是相似的，结合物联网技术，来预测居民用电负荷[10-11]。

Step1：计算居民用电数据的方差和均值，如式(4)、式(5)。

(4)

(5)

Step2：判断居民用电数据的最大荷载，如式(6)。

(6)

式中，ε表示阈值。

Step3：建立居民用电负荷预测模型，如式(7)。

(7)

以上根据居民用电数据的特点，采用移动互联网及物联网技术设计了居民用电负荷预测模型结构，通过计算居民用电数据的方差和均值，判断居民用电数据最大荷载，完成了居民用电负荷的预测模型的构建。接下来通过构建居民智能用电最优配置及电压越限约束，实现居民智能用电最优配置及电压越限约束。

1.3 居民智能用电最优配置及电压越限约束

居民用电智能化设计的目的是在确保完成居民用户要求的前提下，通过合理安排居民智能家电在电力允许的范围内运行，使得居民的用电费用最少[12]。构建居民用电价格和用电量最优配置的目标函数，如式(8)。

(8)

式中，ps和Ds表示在s时间段内的居民用电价格和用电量。

日常生活中居民家用电器的运行是由人为决定的，采用λstart和λend表示家用电器的开始和结束运行的时间段，tstart和tend表示家用电器开始运行和结束运行的时间段，N表示家用电器完成每一项工作需要的运行时间段数量。

为保证居民用电安全，设置了电压越限约束，防止家用电器运行过程中频繁出现的中断和重启现象[13]。采用TD表示允许的最大中断次数，Td表示家用电器的实际中断次数，家用电器发生中断过程中的电压越限约束条件如下[14]。

等式约束，如式(9)。

(9)

约束不等式，如式(10)—式(12)。

Td≤TD

(10)

(11)

(12)

上式给出了居民用电的时间限制范围，对于家用电器可以中断用电负荷，允许家用电器在用电时间范围内出现重启和中断[15]。居民用电的智能化设计考虑了用电负荷的中断次数，通过构建居民用电价格和用电量最优配置的目标函数，设置了电压越限约束，使得居民用电更加智能化，实现了居民用电的智能化设计。

2 实验对比分析

2.1 实验数据来源

本文的实验数据来源某小区的150户居民，分别在每一户家庭中安装用电采集系统，如图2所示。

图2 居民用户用电数据采集系统

家用电器通过无线传输的方式传输到家庭智能网关中，完成居民用电数据的采集任务。居民用户可以通过交互终端查看自家用电情况，每一户的用电数据信息通过智能网关传输到主站，实现居民用电数据的采集。

2.2 实验方法及步骤

在获取居民用电数据的基础上，制定了下列实验步骤。

步骤1：查看居民用户的家用电源安装容量、电能输出情况及用电量，根据用户的电力使用情况，确定家用电源的发电渗透率；

步骤2：根据居民用户的用电需求和家用电源的渗透率，制定居民用电需求的目标函数；

步骤3：基于居民用电的历史需求，预测出家用电源的输出和用电情况，分析居民用户的用电需求响应特征；

步骤4：根据居民用电需求的目标函数和居民用电的负荷特征，制定居民用户的用电需求响应策略；

步骤5：采用居民家用电器数量为自变量，采用基于云计算的居民用电智能化设计方法为对比对象，计算居民用户获取电能的时间；

步骤6：统计两种居民用电智能化设计方法获取的居民用户获取电能的时间。

2.3 实验结果分析

利用上述的实验方法及步骤，获取到了居民用户获取电能的时间对比曲线，如图3所示。

图3 居民用户获取电能的时间对比曲线

从图3可以看出，采用基于云计算的居民用电智能化设计方法来设计居民用电时，随着居民家用电器数量的增加，获取电能的时间越来越长，居民家用电器数量在5～8台时，居民获取电能的时间较短，实验过程中居民获取电能的平均时间为6.19 min；而采用基于移动互联网及物联网技术的居民用电智能化设计方法来设计居民用电时，随着居民家用电器数量的增加，居民获取电能的时间相对较短，实验过程中居民获取电能的平均时间为2.67 min。因此可以得到基于移动互联网及物联网技术的居民用电智能化设计方法可以缩短居民用户获取电能的时间。

为了验证基于移动互联网及物联网技术的居民用电智能化设计方法的电能损耗率，采用基于云计算的居民用电智能化设计方法与基于移动互联网及物联网技术的居民用电智能化设计方法进行对比，如图4所示。

图4 不同方法的居民用电电能损耗率对比

由图4可知，当用电时间为2 h时，基于云计算的居民用电智能化设计方法的电能损耗率为21%，而基于移动互联网及物联网技术的居民用电智能化设计方法的电能损耗率为6%；当用电时间为4 h时，基于云计算的居民用电智能化设计方法的电能损耗率为30%，而基于移动互联网及物联网技术的居民用电智能化设计方法的电能损耗率为8%；当用电时间为6 h时，基于云计算的居民用电智能化设计方法的电能损耗率为39%，而基于移动互联网及物联网技术的居民用电智能化设计方法的电能损耗率为13%。由此可知，采用基于云计算的居民用电智能化设计方法和基于移动互联网及物联网技术的居民用电智能化设计方法的电能损耗率，均随着用电时间的增加而增大，而采用基于移动互联网及物联网技术的居民用电智能化设计方法的电能损耗率较低，能够有效降低电能损耗率。

3 总结

目前居民用电获取电能的时间较长、电能损耗率较高，本文提出了基于移动互联网及物联网技术的居民用电智能化设计。采用移动互联网及物联网技术，构建归一化矩阵得到用户用电数据样本，通过均值方差法计算用户用电数据的均值方差，建立居民用电负荷预测模型，判断居民用电数据最大荷载，构建居民用电价格和用电量最优配置的目标函数，设置电压越限约束，实现了居民用电的智能化设计。实验结果表明，基于移动互联网及物联网技术的居民用电智能化设计方法，能够有效降低电能损耗率，居民用户获取电能的时间更短。