家庭智能用电系统建模及优化策略分析

2014-08-02 03:54王继东杨羽昊周越石坤李德智赵建立
电力系统及其自动化学报 2014年11期
关键词:蓄电池分布式用电

王继东,杨羽昊,周越,石坤,李德智,赵建立

(1.天津大学智能电网教育部重点实验室,天津300072;2.中国电力科学研究院,北京100192;3.国网上海市电力公司,上海200030)

家庭智能用电系统建模及优化策略分析

王继东1,杨羽昊1,周越1,石坤2,李德智2,赵建立3

(1.天津大学智能电网教育部重点实验室,天津300072;2.中国电力科学研究院,北京100192;3.国网上海市电力公司,上海200030)

作为智能电网的重要组成部分,家庭智能用电系统对提高能源利用效率、促进可再生分布式发电的利用具有重要意义。针对家庭智能用电系统进行了相关的研究,分析了家庭智能用电系统各个组成部分的模型,建立了基于经济性目标、舒适性目标和计及分布式发电装置的优化模型,并利用粒子群算法对模型进行了求解。仿真结果验证了该优化策略的有效性。

家庭智能用电;分布式发电;粒子群算法;优化

近年来,智能电网已成为全球公认的未来电力系统的发展方向,在中国的研究和实践也得到了高度重视[1-3]。智能电网是将先进的传感测量技术、信息通信技术、分析决策技术、自动控制技术和能源电力技术相结合,并与电网基础设施高度集成而形成的新型现代化电网[4]。随着智能电网的迅速发展,家庭智能用电系统作为智能电网中的重要组成部分,具有重要的意义。家庭智能用电系统将与家居生活有关的各个家用电器、分布式发电及蓄电池结合起来,通过优化达到经济性目标和舒适性目标的最优。

目前国内外对于家庭智能用电系统优化策略的研究主要集中在单体负荷建模[5-6]、智能建筑能量管理建模和控制智能化模式[7-8],但对于集成分布式发电及储能技术的研究较少[9]。如何通过优化,使更多的分布式能源直接抵消用电器消耗的电能,已经成为家庭智能用电领域的研究热点之一。

本文在上述研究的基础上,建立了分布式发电、蓄电池、家用负荷和市电的模型,并针对电价激励机制建立了家庭智能用电系统优化模型。该模型具有以下特点:①模型以经济性和舒适性为目标;②模型中的经济性目标充分考虑到电价激励机制。算例采用粒子群算法进行求解,以防止陷入局部最优。

1 家庭智能用电系统相关模型

家庭智能用电系统包含分布式发电(风力发电机、光伏发电)、蓄电池、负荷和市电。

1.1风力发电模型

风力发电机是将风动能转化为机械能,进而转化为电能的装置。风力发电机的输出功率与风速的关系[10]为

式中的相关参数可以根据文献[10]提供的方法进行计算。

1.2 光伏发电模型

光伏发电等效为由太阳电池组件串并联构成,而太阳电池组件由单体太阳电池串并联构成。光伏发电功率[11]为

式中参数可以根据文献[11]所给出的方法计算。

1.3 蓄电池模型

设SOC为蓄电池荷电状态;SOC0为蓄电池初始荷电状态;Cr为蓄电池实际电量;CN为蓄电池额定电量;Ie为蓄电池充放电电流,由文献[10]的方法计算;Δt为蓄电池充放电时间;ηich为蓄电池充电效率,则蓄电池的模型[10]可表示为

1.4 负荷模型

家庭智能用电系统中负荷按照与输出功率与环境参数的关系可以分为以下3类。

1)开关型负荷

开关型负荷只有开和关两种状态,用0表示关,1表示开。当负荷状态为开时,实际功率为额定功率;当负荷状态为关时,实际功率为0。负荷参数为负荷的开关状态。

2)分档型负荷

分档型负荷包括可进行开关操作的开关型负荷和可进行档位调节的多级分段负荷。负荷参数为负荷的额定功率和负荷的总档位数。

3)调节型负荷

调节性负荷可以工作在不同的工作状态上,且负荷的工作状态与环境参数(如温度、照度)有关。

1.5 市电模型

设Pload为负荷消耗的总功率,PDG为分布式发电(或蓄电池)提供的总功率,则电网供给系统的功率Pgrid可表示为

2 家庭智能用电系统优化建模

2.1 目标函数

2.1.1 经济性目标函数

设C1为经济性目标函数的用电费用,则经济性目标可表示为

其中,

式中:C′(t)为第t个小时用户分布式发电回送电网的上网电价,是已知参数为第t个小时总的负荷,是决策变量为第t个小时分布式发电(或蓄电池)产生的总功率,是已知参数。

2.1.2 舒适性目标函数

为了描述用户的舒适性,引入负荷价值的概念。其定义如下:用户宁愿在某个想要使用某负荷的1 h内不再使用该负荷以换取等于负荷价值的经济补偿。其单位为元/h。从00:00开始,在第t h内,对于3种负荷,其舒适性目标表示如下。

(1)开关型负荷。对于开关型负荷,其舒适性目标函数可表示为

(2)分档型负荷。对于分档型负荷,舒适性目标函数可表示为

(3)可调节负荷。调节型负荷舒适性目标可以用一个二次函数表示,其中二次函数的顶点横坐标为用户设定的状态,负荷实际工作状态与设定工作状态一致,惩罚函数为0。因此,调节型负荷惩罚函数可为

当用户放弃使用第j个调节性负荷时,设该调节型负荷实际工作状态与设定工作状态偏差为dj,其负荷价值为f3j,可得

2.1.3 综合满意度目标函数

用户综合满意度函数C可表示为

2.2 约束条件

(1)有功功率平衡约束。设Pgrid为电网供给系统的功率;PDG,i为第i个分布式发电(或蓄电池)发出的有功功率;Pload,i为第i个负荷消耗的有功功率;G为分布式发电总数;R为负荷总数。则有

式中:Pload,i为决策变量;PDG,i为已知参数。

(2)最大功率限制约束。设Pi为第i个分布式发电有功功率出力,Pi,min、Pi,max分别为第i个分布式发电有功功率出力的最小值和最大值;Plim为电网向家居系统传输的有功功率限制。则有

式中,Pi、Pgrid均为决策变量,其余参数为已知参数。

(3)蓄电池荷电状态约束。设SOC是蓄电池的荷电状态,SOCmin是蓄电池荷电状态下限,SOCmax是蓄电池荷电状态上限,则有

式中,SOC为决策变量,其余参数为已知参数。

3 家庭智能用电系统优化求解算法

3.1 基本粒子群算法

粒子群算法能够较好地避免陷入局部最优的情况,因此粒子群算法适用于求解本文所构建的模型。

设yi和vi分别为D维空间中第i个粒子的位置和速度;w为惯性权因子;c1和c2为正的学习因子;r1和r2为0~1之间均匀分布的随机数。则每个粒子更新的各自的速度和位置分别为

3.2 带约束的粒子群算法

本文采用带约束的粒子群算法,在更新粒子的速度和位置时,先通过约束条件判断粒子的当前位置是否是可行的。如果粒子的当前位置可行,则仍通过式(17)更新粒子的速度;如果粒子的当前位置不可行,则更新粒子的速度为

式中,y为在优化模型中由开关型负荷的开关状态、分档型负荷的开关档位以及调节型负荷的可调节量组成的向量。

4 仿真算例

4.1 家庭智能用电系统相关仿真参数

4.1.1 电源部分

(1)风力发电:风力发电额定功率为600 W,启动风速3 m/s,额定风速10 m/s,切除风速30 m/s。

(2)光伏发电:光伏阵列由2个单晶硅太阳能电池组件串联而成,每块单晶硅太阳能电池组件的参数为:Vm=34.4 V,Im=4.51 A,Isc=4.9 A,Voc= 43.2 V。

(3)蓄电池:储能装置是一个容量共120 A·h的蓄电池组,最大充放电电流为12 A。

4.1.2 负荷部分

负荷部分参数:电视机1台,额定功率为350W,负荷价值设为2元/h;台式电脑1台,额定功率为350 W,负荷价值设为2元/h;电风扇1台,额定功率为80 W,5档,负荷价值设为0.25元/h;电灯1个,额定功率80 W,额定功率下亮度可调范围为0~125 lx,负荷价值设为0.25元/h;空调1台,额定功率735 W,温度可调范围为16~30℃,负荷价值设为0.25元/h。

4.1.3 其他参数

本文设定仿真步长为1 h,00:00—06:00的电费为0.3元/(kW·h),06:00—24:00的电费为0.6元/(kW·h)。光伏发电上网电价为0.48元/(kW· h),风力发电上网电价为0.61元/(kW·h)。

4.2 仿真结果及分析

4.2.1 用户综合满意度

用户24 h内综合满意度函数值随时间变化关系如图1所示。

图1 24 h内用户综合满意度函数值Fig.1Comprehensive satisfaction function value of users in 24 h

从图1可以看出,优化后用户满意度函数值有所下降(虚线和实线分别表示优化前后的综合满意度曲线),这说明用户的综合满意度有所提高(综合满意度函数值越低,用户的满意度越高)。

4.2.2 用户用电费用

用户24 h内用电费用随时间变化关系,如图2所示。从图2可以看出,用户的用电费用有所节省。

图2 24 h用户用电费用Fig.2Electricity cost of the users in 24 h

4.2.3 优化前后用户用电费用及综合满意度对比

优化前后用户用电费用及综合满意度对比如表1所示。

表1 优化前后用户用电费用及综合满意度对比Tab.1Comparison of total electricity cost and the comprehensive satisfaction before and after the optimization元

从表1中可以看出,优化后1 d的用电费用从7.72元下降到6.30元,降低了18.4%。用户的综合满意度函数值从17.52元降低到15.16元,下降了13.5%。这说明用户用电的经济性和综合满意度在优化后均得以提升。

5 结语

本文对家庭智能用电系统建模及优化策略进行了研究,并选择了合适的求解算法。在目标函数部分,本文考虑到电价激励机制,并将该机制运用到了用户经济性目标上;同时考虑了用户舒适性目标,为家庭智能用电系统的综合优化奠定了重要的基础。通过仿真算例表明,本文建立的优化策略能够使用户节省用电费用,也更加节能,提高了用户的综合满意度。

[1]刘振亚(Liu Zhenya).建设坚强智能电网支撑又好又快发展(Build strong smart grid as pillar of sound and rapid development)[J].电网与清洁能源(Power System and Clean Energy),2009,25(9):1-3.

[2]孙强,葛旭波,刘林,等(Sun Qiang,Ge Xubo,Liu Lin,et al).国内外智能电网评价体系对比分析(Review of smart grid comprehensive assessment systems)[J].电力系统及其自动化学报(ProceedingsoftheCSU-EPSA),2011,23(6):105-110.

[3]孔祥玉,赵帅,贾宏杰,等(Kong Xiangyu,Zhao Shuai,Jia Hongjie,et al).智能电网中电力设备及其技术发展分析(Analysis of equipment and technology in smart grid development)[J].电力系统及其自动化学报(Proceedings of the CSU-EPSA),2012,24(2):21-26.

[4]陈树勇,宋书芳,李兰欣(Chen Shuyong,Song Shufang,Li Lanxin).智能电网技术综述(Survey on smart grid technology)[J].电网技术(Power System Technology),2009,33(8):1-7.

[5]Tao D,Wei P,Jiang H,et al.Adaptive energy saving monitoring technology for air condition telecommunication equipment room[C]//International Telecommunications En-ergy Conference.Rome,Italy:2007.

[6]Wang Chengshan,Zhou Yue,Wang Jidong,et al.A novel traversal-and-pruning algorithm for household load scheduling[J].Applied Energy,2013,102:1430-1438.

[7]Wang Zhu,Dounis A I,Wang Lingfeng,et al.An information fusion based multi-agent control system for indoor energy and comfort management in smart and green buildings[C]//IEEE Power and Energy Society General Meeting. Detroit USA:2011.

[8]Yang Rui,Wang Lingfeng.Energy management of multizone buildings based on multi-agent control and particle swarm optimization[C]//IEEE International Conference on Systems,Man,and Cybernetics.Anchorage,USA:2011.

[9]王成山,李鹏(Wang Chengshan,Li Peng).分布式发电、微网与智能配电网的发展与挑战(Development and challenges of distributed generation,the micro-grid and smart distribution system)[J].电力系统自动化(Automation of Electric Power Systems),2010,34(2):10-14,23.

[10]季美红(Ji Meihong).基于粒子群算法的微电网多目标经济调度模型研究(Research of Multi-objection Economic Dispatch Model for a Micro-grid Based on Particle Swarm Optimization)[D].合肥:合肥工业大学电气与自动化工程学院(Hefei:School of Electrical Engineering and Automation,Hefei University of Technology),2010.

[11]苏建徽,余世杰,赵为,等(Su Jianhui,Yu Shijie,Zhao Wei,et al).硅太阳电池工程用数学模型(Investigation on engineering analytical model of silicon solar cells)[J].太阳能学报(Acta Energiae Solaris Sinica),2001,22(4):409-412.

Model and Optimization Strategy for Smart Home Power Consumption System

WANG Ji-dong1,YANG Yu-hao1,ZHOU Yue1,SHI Kun2,LI De-zhi2,ZHAO Jian-li3
(1.Key Laboratory of Smart Grid of Ministry of Education,Tianjin University,Tianjin 300072,China;2.China Electric Power Research Institute,Beijing 100192,China;3.State Grid Shanghai Municipal Electric Power Company,Shanghai 200122,China)

As an important part of smart grid,smart home power consumption system plays an important role in improving the efficiency of energy and promoting the utilization of distributed generations.In this paper,an optimization strategy for this system is proposed.The models of different parts of the system are described.An optimization model of this system with distributed generations is built based on the objectives of economy and comfort.An algorithm based on PSO is applied to solve the optimization model.The simulation results verify the validity of the optimization strategy.

smart home power consumption;distributed generation;particle swarm algorithm;optimization

TM76

A

1003-8930(2014)11-0063-04

王继东(1977—),男,博士,副教授,研究方向为电力系统电能质量、分布式发电及微网、智能用电。Email:jidongwang@tju.edu.cn

2014-05-18;

2014-06-24

杨羽昊(1990—),男,硕士研究生,研究方向为智能用电。Email:leach.dk@163.com

周越(1988—),男,博士研究生,研究方向为家庭能量管理与优化理论。Email:yuezhou@tju.edu.cn

猜你喜欢
蓄电池分布式用电
安全用电知识多
对输配电及用电工程的自动化运行的几点思考
为生活用电加“保险”
用电安全要注意
分布式光伏热钱汹涌
分布式光伏:爆发还是徘徊
聊聊蓄电池的那点事儿(1) 汽车蓄电池的前世
蓄电池去哪儿了
蓄电池去哪儿了?VOL12.雷克萨斯RX450h
蓄电池去哪儿了?