光伏发电预测精度对家庭用电管理系统性能影响研究

2022-07-18桑明龙

中国计量大学学报 2022年2期

桑明龙,汪伟

(中国计量大学机电工程学院,浙江杭州 310018)

当下,化石能源占比能源消费总量的84.7%,连续19年稳居全球能源消耗榜首。2021年,城乡居民生活用电量占全社会用电总量的12.15%,且该数据每年逐步抬升[1]。家用光伏发电装置的普及为进一步节能带来了便利,但由于光伏发电存在间歇性和不确定性的特点,因此对于准确的预测光伏发电对整个家庭用电管理起到至关重要的作用。基于智能用电技术的家庭用电管理系统(home energy management system, HEMS)成为解决能源问题有效措施之一。

针对光伏发电神经网络预测模型输入变量较多,造成预测稳定性与精度不高的情况,王英立[2]等人提出一种基于改进的平均影响值算法(mean impact value, MIV)优化BP网络(back propagation,BP)方法。在文献[3]中利用麻雀算法优化支持向量机的短期预测模型,考虑了影响光伏发电的环境因素,以此来提高预测精度。文献[4]利用了经验模态分解-长短期记忆神经网络来提高预测精度。文献[5]提出了一种基于统计学方法的发电量预测,该统计学方法基于多变量回归分析网络模型。考虑到光伏预测重要性,提出一种创新的分布式分散预测技术[6],基于回声状态网络与分布式学习算法及分布式共识协议结合使用。文献[7]在微电网模型下,使用径向基函数神经网络对数值天气预测信息进行模式识别,从而建立光伏预测发电模型,并与微电网结合使用,提高了微电网的效率,降低了成本。

目前家庭用电管理系统中随着家庭分布式光伏发电的普及,得到了行业的广泛关注,也取得了较大的进步和研究成果[8]。文献[9]考虑在家庭电费和舒适度之间进行权衡的情况下,着重分析了可延迟负荷并将其细分为可中断负荷和不可中断负荷并分别建模,同时加入了蓄电池模型,给家庭用电提供更大灵活性并有效降低电费。文献[10]在智能电网中,除了大规模接入光伏发电、风能等可再生清洁能源,电动汽车在上下班之后的接入电网充电也对电网构成了一定的压力,这就需要重新审视家庭用电管理系统的调节优化能力。文献[11]提出了一种基于梯度提升决策树特征重要性选择的粒子群和支持向量机结合的集成模型预测方法预测短期光伏发电。

文献[12]在家庭用电管理系统中,建立了simulink光伏发电仿真模型来预测光伏发电功率,提高电能利用率。文献[13]在家庭用电管理框架下,建立光伏发电预测模型,并采用遗传算法优化BP网络模型对光伏发电量进行预测,并与单一的BP网络预测出的结果做对比。

本文重点研究了光伏发电不同预测误差下对家庭用电管理系统性能的影响。建立了负荷模型、舒适度模型、储能装置模型和光伏发电预测模型;提出了麻雀算法优化BP网络的权值和阈值,并采用了改进的二进制粒子群算法对家庭用电管理系统进行优化。对比-10%、-5%、+5%和+10%共4种预测不同的光伏发电预测误差下对家庭用电管理系统性能对比,并对比了热舒适度和负荷转移舒适度。最后进行仿真验证。

1 家庭光伏发电预测模型建立

1.1 预测模型建立

1.1.1 麻雀算法优化BP网络流程

通过将数据集输入到麻雀算法中,麻雀算法通过优化得到最优的结果,并将最优的结果赋值给BP网络,作为其初始权值和阈值,以此提高预测精度。算法流程图如图1。

图1 麻雀算法优化BP网络结构流程图Figure 1 Flow chart of sparrow algorithm to optimize BP network structure

1.1.2 麻雀算法

在麻雀算法(sparrow search algorithm,SSA)中,当前适应度值比较高的发现者在搜索过程中会优先获取食物,随后提供觅食的方向。发现者的位置更新如式(1):

(1)

式(1)中,t代表当前迭代数,nmax是最大迭代次数,Xi,j表示第i个麻雀在第j维中的位置信息,∂∈(0,1)。R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值。S服从正态分布。L表示一个1×d的矩阵。追随者的位置更新描述如式(2)式(3):

(2)

(3)

1.1.3 BP网络

BP网络的本质是实现了一个从输入到输出的映射功能,能实现复杂非线性映射的功能且具有一定的自学习能力,BP网络结构如图2。

图2 BP网络

1.2 光伏预测仿真结果

1.2.1 误差定义

为了准确的评价2种方法的预测精度,采用常用的均方根误差(root mean square error,RMSE):、平均绝对百分比误差(mean absolute percentage error,MAPE)定量分析各模型预测效果,分别如式(4)和式(5)。

(4)

(5)

式(4)(5)中,m为样本数,xi为样本真实值,yi为样本预测值。

1.2.2 实验结果

BP、PSO-BP和SSA-BP,3种算法的收敛图如图3,三种算法分别预测晴天非晴天误差对比如表1。

图3 SSA-BP、PSO-BP和BP算法迭代收敛图

表1 三种算法分别预测晴天与非晴天误差对比

从图3和表1可得,3种预测模型的MR和MM都较小。由于非晴天条件下云层的不稳定性及温度等差异,因此晴天的预测精度均高于非晴天的预测精度。本文所提出的SSA-BP误差值最小,晴天模型下,SSA-BP模型预测的MR比PSO-BP和BP分别下降了约8.39%和13.81%;MM比其他2种方法分别提高了约4.45%和17.28%。在非晴天模型下,SSA-BP模型预测的MR比PSO-BP和BP分别下降了约17.84%和24.32%;MM比其他2种方法分别提高了约9.71%和6.26%。结果表明,SSA-BP较其他两种模型具有较大的优势,预测精度较高。

2 家庭用电管理系统建模

2.1 目标函数

F=μ1f+μ2c。

(6)

式(6)中,F为目标函数;μ1,μ2分别为电费和舒适度的系数且两者之和为1,f为用电成本,c为用户舒适度。

用电成本如式(7):

(7)

c=TC+LTC。

(8)

式(8)中,TC为受温度影响的热舒适度,LTC为负荷转移舒适度。

热舒适度如式(9):

(9)

做到企业改革发展与履行社会责任高度融合，贯彻创新、协调、绿色、开放、共享五大发展理念，自愿将经济、社会和环境融入自身的日常经营和与利益相关方的互动关系中，不仅实现企业可持续发展，而且实现经济效益、社会效益和环境效益和谐统一。依托重点骨干企业，对新旧动能转换贡献大、社会责任感强、群众认可度高的企业家进行鼓励，在社会上形成良好的商业风气与营商环境。

负荷转移舒适度如式(10):

(10)

2.2 负荷模型建立

本研究将负荷分为三类:可转移可中断负荷、可转移不可中断负荷和不可转移负荷。

2.2.1 可转移可中断负荷模型建立

可转移可中断负荷由于其负荷工作特性,可以中途暂停该负荷,随后再在合适的时段重新开启,但该负荷当日总工作时间不变,如式(11)和式(12):

(11)

(12)

式(11)(12)中,hi为工负荷i工作的时间段数,Hi等于该负荷当日工作总时间段数,可中断功率不变负荷在每一个子工作时间段的功率Pi都不变。

2.2.2 可转移不可中断负荷模型建立

可转移不可中断负荷在开始工作的时间跨度上可以根据当前电价的高低选择是否开启,一旦开启则必须工作任务完成才可以关闭;如式(13):

(13)

2.3 储能装置模型建立

储能装置模型如式(14)、(15)、(16):

SOCn=Er,n/Ee。

(14)

式(14)中,载荷状态SOCn反映了剩余EESS电量Er,n在时间段n结束时的电量的比率,Er,n为电池剩余电量,Ee为电池额定电量。

SOCmin≤SOCn≤SOCmax。

(15)

式(15)中,SOCmin和SOCmax分别为电池充放电状态的下限值和上限值。

(16)

2.4 其他约束条件

某时段最大总功率约束如式(17):

0≤Pn≤Pn,max。

(17)

式(17)中,Pn为时刻n总功率,Pn,max为时刻n总功率的最大值。

3 光伏发电预测精度对家庭用电管理性能影响研究

3.1 基于改进的二进制粒子群算法优化家庭用电管理系统

3.1.1 改进的二进制粒子群算法

本研究在粒子群算法的基础上,构建了一个包含多约束条件的0—1规划问题。通过对传统的粒子群算法进行改进用来求解0—1非线性的多目标约束模型。通过对位置更新进行改进,用于非线性的问题求解。在粒子群优化算法中,每个粒子都有一个可能的解。粒子聚集在一起形成一个群体。通过寻找一个合理的值,实现了粒子之间的社会信息和认知信息的共享。每个粒子都有一个位置(Xi)和速度(Vi)值。粒子群的位置及速度更新公式如式(18)和式(19):

(18)

(19)

本研究对粒子群算法做出的改进如下:利用S函数将速度值映射到[0,1]之内,当粒子处于非整数值时,通过映射将粒子拉回到0或者1的位置,从而确保可以解决非线性问题,如式(20)。

(20)

由式(20)可知,当Vi的值都等于0时,粒子位置更换概率为0而非0.5,会对模型的最优解产生影响,因此对二进制的位置更新的S函数进行修改,修改结果如式(21):

(21)

则二进制粒子群算法最终位置更新如式(22):

(22)

3.1.2 改进的PSO优化HEMS结果

本文选取了13个家庭常用负荷,如空调、热水器、电磁炉、照明用电等,并分别根据其负荷特性进行建模,基于改进的二进制粒子群算法进行优化,带有光伏发电的家庭用电管理系统优化结果收敛图如图4,电器工作时间段如图5,优化的结果见表2。

图4 带有光伏发电的HEMS收敛图

表2 优化结果

从表2可得,优化后的目标函数值较优化前降低了13.96%,证明该优化算法有效。图4为仿真优化结果收敛图,图5为优化后电器的工作时间图,图5中的电器集中工作于电价较低的区间段且充分利用了光伏产生的电能,同时在光伏不产生电能的高电价时间段如19:00—23:00,除了用户下班后使用的电器外,其余时间未安排电器进行工作并将可转移负荷中的部分电器如烤箱转移至光伏发电时间,将光伏发电产生的多余的电能储存于储能装置中。从图5可以得到,热水器设置的可工作时间段共2个时段,分别为上午的4:00—9:00和9:30—24:00两个时段,从图5得到,热水器最终选择的工作时间分别为早上的7:00工作以及第二个时间段选择了晚上的23:30工作;热水器从2个预设的包含峰价和谷价的时间段中最终选择了电费较低的谷价时间段进行工作。

图5 带有光伏发电的HEMS中电器工作时间图

3.2 光伏发电功率预测误差为+10%情况下的仿真结果

为了研究不同光伏预测误差下对家庭用电管理系统性能的影响,本文选取了当预测误差为+10%时的情况,并与无误差时的HEMS系统性能进行对比。图6误差为+10%时HEMS收敛图,图7光伏预测为+10%时HEMS中电器工作时间图,预测误差为+10%的结果见表3。

表3 预测误差为+10%的结果

图6 光伏预测误差为+10%时HEMS收敛图

由于误差为+10%时,优化中光伏发电功率输入值大于实际发电真实值,因此,优化结果收敛图会小于无误差时的结果。但实际由于光伏并未产生这么多的电能,因此,实际运行时,用户需在电价较高时向电网额外购电以满足用户的电能使用,故当误差为+10%时,系统的实际优化结果要差些。如负荷烤箱,烤箱的工作时间段包含峰价时间段及谷价时间段,但系统优化时考虑了光伏发电量较大,因此将烤箱优化放在光伏发电时间段内,但此时光伏发电与实际值误差较大,因此需额外向电网购买峰价时的电能满足烤箱用电需求。

HEMS结果优化的根本原理是通过对可转移负荷在时间跨度上的转移,如烤箱、冰箱等电器。从图5可得到,当光伏发电无误差时,HEMS优化结果显示,负荷多工作在电价较低的区间段,如峰谷电价的临界处,大功率电器如烤箱工作在光伏发电次高的时间段,功率较大热水器的工作时间段为8:00—8:30时间段;电磁炉工作在光伏发电的高峰期,充分利用了光伏发电和储能装置发出的电能;空调有一半时间工作在了谷价的时段,且全天最大峰值为5.46 kW。

从图7可以得到,当光伏发电预测误差为+10%时,此时光伏发电实际功率小于预测的发电量,工作在光伏发电期间的电器较多,如功率较大的烤箱,图5共工作了2次,一次工作在早上7:30,另一次工作在16:00;而图7的两次工作区间分别为电价较高的14:00和16:30,因此会产生较高的电费。图7的优化结果显示当天峰值也出现在光伏发电期间;与光伏发电无误差时相比,由于实际光伏发电并没有这个多的电能,会造成在此期间工作的负荷,当光伏发电不够时,需从电网购买电价较高的电能,因此会增加用户的用电成本。

图7 光伏预测为+10%时HEMS电器工作时间图

3.3 光伏发电误差不同情况下对HEMS影响的实验数据与分析

本研究在家庭用电管理系统的基础上,研究光伏发电预测对家庭用电管理系统性能的影响。分别通过与光伏发电预测误差为-10%、-5%、+5%、+10%的情况下对家庭用电管理系统的最终指标的影响。家庭用户通过对比不同的光伏发电预测精度下对家庭用电管理系统性能的影响,不同预测误差结果如表4,不同预测误差结果对比图如图8。