事件驱动的智能家庭在线能量管理算法

樊　玮　刘　念　张建华（新能源电力系统国家重点实验室（华北电力大学） 北京　102206）



事件驱动的智能家庭在线能量管理算法

樊玮刘念张建华
（新能源电力系统国家重点实验室（华北电力大学） 北京102206）

家庭能量管理系统作为智能电网在用户消费侧的重要组成部分，是智能家庭优化运行的核心。针对装有光伏设备的家庭用户，提出一种事件驱动的在线能量管理算法，基于李雅普诺夫优化方法对家庭中的可控负荷进行调控，采用非预测机制，只需获取当下时刻的相关变量即可实时做出调控决策，可以在分布式电源发电、用户负荷及市场电价的波动场景下快速调控能量。采用事件触发机制决定是否进行在线优化决策，减少触发频率和不必要的计算量。通过仿真结果对比分析可知，该算法能有效降低用户用电成本，占用计算资源少，有利于实现家庭用户的低成本能量管理。

智能家庭李雅普诺夫（Lyapunov）优化事件驱动能量管理

0　引言

近年来，随着智能电网的发展，用户侧从单纯的电能消耗单元逐步发展为用于解决供需矛盾的需求侧资源，而能量管理系统是开发用户侧需求响应潜力的重要途径，是保证用户侧优化运行的核心［1-3］。用户侧能量管理系统是通过调整用户侧的电源、储能及负荷来适应电网运行状态和电价变化的自动化系统，可以达到节约能源、减少用户电费支出、保证用电安全、提高电网稳定性［4］和安全性的目的。根据用户类型及规模，用户侧能量管理系统可分为家庭能量管理系统、楼宇能量管理系统和企业能量管理系统［5］。

家庭能量管理系统（Home Energy Management System，HEMS）作为智能电网在用户消费侧的重要组成部分，是需求响应与智能家居技术结合的产物［6-8］。以通信信息技术为手段，HEMS在用户与电力公司协议架构下，根据分布式电源出力、负荷需求、市场电价信息等数据［9］，对家庭用户内可控电源的出力、储能装置与电动汽车的充放电、可控负荷的状态决策进行在线控制，以最小化家庭用户的电费支出，最大化可再生能源的利用效益［10］。

作为HEMS中的重要组成部分，分布式电源输出功率具有较大的波动性与难预测性，家庭用户的负荷功率也存在较大的随机性［11，12］。因此，能量流的时变性和不确定性大大增强，对HEMS的调控优化效果及实时性提出了更高的要求［13］。

目前，国内外对HEMS已经开展了一定程度的研究，主要分为两类。第一类HEMS需要对家庭电器的用电曲线进行预测，需要统计分析大量的历史数据，操作复杂度较高。文献［14］采用负荷监测技术，基于历史数据提炼家用电器的物理特性，并对其运行时间进行预测。基于预测结果采用非支配排序遗传算法对家庭负荷进行多目标的日前优化，以降低用电成本。文献［15］针对安装了光伏设备的家庭，根据历史数据统计家用电器在每个小时的使用概率，生成每个电器的用电计划。使用概率的计算需要考虑工作日、假期、天气、电器饱和度及房屋面积等因素。采用负荷聚类技术进行分类调度，使每类负荷的能耗保持在界限之内。

另一类HEMS不需要对家用电器的运行时间进行预测，但是需要用户提前设定各个电器的运行区间及偏好的调度区间，不能应对用户的随机性用电需求，且大多采用传统的优化算法，计算复杂度较高。同时，对于电价、可再生能源发电量、室外温度等不确定因素，仍需要采用预测模型。文献［16］针对家庭的能量管理问题，构建了多目标的混合整数非线性规划模型，以实现用电成本与用户舒适度之间的平衡。其中用户需要为能量管理系统提供可控负荷的运行时长、使用时间区间和预估能耗等数据。文献［17］针对家庭用户，提出一种能量管理算法，根据电器的优先级与舒适度要求对负荷进行合理削减，以降低总能耗。其中，用户需要提前设定电器的优先级、舒适度偏好及运行区间等参数。文献［18］针对家庭用户，以降低用电成本与峰均比为目标，采用遗传算法对负荷调度问题进行求解。其中，用户需要设定电器的时间参数，例如运行时长、运行区间及单位时间能耗等等。文献［19］针对家庭负荷，采用预测电价，通过博弈论为用户及时地调整负荷，以降低用户用电成本与峰均比。其中，用户需要为每个电器设定可调控区间。文献［20］针对家庭用户，采用电价与户外温度的预测值，通过一个家庭能量管理控制器来降低用户用电成本。用户需要实时更新控制器的输入参数，包括不同类型负荷的运行区间、功率曲线和能耗等。

综合上述研究成果可知，目前的HEMS大多建立在预测模型与用户干预的基础上。一方面，由于家庭负荷容量低、随机性强，因此容易导致预测误差较大，优化方案难以执行［21］。另一方面，用户对过多参数的提前预设使能量管理系统难以应对随机的负荷需求。同时，用户的频繁介入破坏了能量管理系统的智能性，影响了用户的用电体验。

本文提出了一种事件驱动的在线能量管理算法，采用李雅普诺夫优化方法在线调度负荷，不依赖预测模型与用户干预，只需根据当下时刻的系统变量即可实时做出调控决策。算法采用事件触发机制决定进行优化决策的时间，有效降低了计算量，为家庭用户提供了一种低成本的能量管理方法。

1　研究对象与基本模型

1.1研究对象

HEMS的结构如图1所示，主要由光伏发电单元、本地负荷、监测器与功率控制器等部分组成。其中，监测器用于采集家庭负荷需求、光伏发电量及市场电价等相关信息，同时具有事件触发的功能。功率控制器在监测器提供的信息的基础上，执行能量管理算法，有序控制可控负荷的运行。

图1　家庭能量管理系统的结构示意图Fig.1　Structure diagram of HEMS

1.2基本模型

1.2.1光伏模型

光伏发电单元由光伏阵列、逆变器及其他环节组成。光伏阵列的输出功率与光照强度、环境温度以及输出电压有关［22］，产生的电能通过逆变器和相应的滤波器输出，通过最大功率点追踪控制（Maximum Power Point Tracking，MPPT），以保证光伏阵列输出功率最大。

光伏发电量由监测器在线获取，设定其实时发电量为PV（t），t∈［1，2，…，T］。T为运行周期的时间区间数量，以10 min为时间单位，T=144。考虑到储能装置的成本较高，本文中的研究对象暂不配备储能系统，因此，光伏发电量PV（t）的主要用途是即时地为家庭负荷供电，余电回馈电网。

1.2.2负荷模型

家庭用户中一般都具备一定比例的弹性负荷，能够通过调整负荷的大小和时间来完成需求响应。根据家用电器的运行特性将家庭负荷分为两类:

1）基线负荷:在任何时刻都需要处于运行状态或备用状态的负荷。这种类型的负荷包括照明、电脑、电视、娱乐设施和电冰箱等家用电器。基线负荷不参与能量管理系统的调度。

2）可控负荷:该类型的负荷可中断，可延迟。当用户设定了起动时间后，不需要立即起动，可以在一定时间范围内延迟起动，起动后也可以调整运行状态，直到任务完成为止。这类负荷的运行时间可根据优化所需随意调整，如电动汽车（Plug-in Electric Vehicles，PEV）、热水器 （ElectricWaterHeater，EWH）和暖通空调 （Heating，Ventilation and Air Conditioning，HVAC）。

可控负荷中，EWH与HVAC具有蓄热功能，一般通过调节温度需求来改变能量消耗。EWH与HVAC的调度涉及用户使用时间的随机性及用户的舒适度，下面进行详细介绍。

EWH的运行模型需考虑热力学中与环境或注入的冷水之间的热量交换。EWH的热力学动态模型可以由微分方程描述［23］。当EWH在时间段［tk，tk+1］起动时，在tk+1时刻的水温θk+1可通过式（1）计算得到

当EWH在时间段［tk，tk+1］处于备用状态，即水温自动冷却时，在时刻tk+1的水温θk+1可表示为

当用户在一天内多次使用热水，热水器中的水量达到下限，加入冷水后的水温θk+1为

式中，θk为在tk时刻的水温，tk+1-tk为一个计算周期；θen为周围环境的温度，即冷水的温度；Qe、Re、Ce分别为相应的热力学参数；M为热水器的总容量，即每次加水会加到最满；dk为从进水口加入的冷水量。

HVAC的运行模型需考虑热力学中与周围环境中的空气之间的热量交换。HVAC的热力学动态模型可以由微分方程描述［24］。当HVAC在时间段［tk，tk+1］起动时，在时刻tk+1的室温Tk+1为

当HVAC在时间段［tk，tk+1］处于备用状态，即室内温度自动下降时，在时刻tk+1的室温Tk+1可表示为

式中，Tk为在tk时刻的室温，tk+1-tk为一个计算周期；T0为周围环境的温度；Qh、Rh、Ch分别为相应的热力学参数。

2　在线能量管理算法的基本定义

2.1可控负荷队列

可控负荷是HEMS中的调控对象。假设家庭用户包括的可控负荷数量为N，用户在时刻t对可控负荷的电量需求集合可表示为

用户对第i个可控负荷的电量需求Li（t）需满足以下约束条件

式中，Lmax，i为用户对第 i个可控负荷电量需求的最大值。

L（t）根据用电习惯随机产生，不需立即满足，可在用户的舒适度范围内完成。可控负荷在时刻t实际消耗的电量，即实际满足的电量需求集合可表示为

其中，第i个可控负荷消耗的电量需满足

式中，Wi为第i个可控负荷在额定功率运行状态下单位时间内消耗的电量。

将用户对第i个可控负荷的电量需求Li（t）积累起来，就形成了可控负荷队列Qi（t）。队列中储存了可控负荷尚未完成的电量需求，其集合可表示为

可控负荷队列具有以下属性:

1）非负性。根据队列属性可假定Q（1）≥0，且对于所有时刻t均有Q（t）≥0。

2）时变性。可控负荷队列的长度会依据用户随机的电量需求与HEMS的优化结果随时变化。具体地，第i个可控负荷队列的动态更新方程可表示为

2.2信息向量

家庭负荷消耗的电量由光伏发电单元与电网共同供给。优先采用光伏发电单元进行供电，以提高可再生能源的消纳率。由于基线负荷的不可调控性，光伏发电量优先满足基线负荷。在满足基线负荷的需求后，多余的光伏发电量根据可控负荷的优先级在可控负荷中间进行分配。假设可控负荷在时刻t分配得到的光伏发电量为Si（t），其集合可表示为

第i个可控负荷分配得到的光伏发电量Si（t）满足

当光伏发电量无法满足所有负荷需求时，用户则需要从电网购电。在时刻t，电网卖电的电价表示为R（t），满足以下约束条件

式中，Rmax为电网所提供电价的最大值。

综上所述，对于第i个可控负荷而言，用户的电量需求Li（t）、可控负荷队列的状态Qi（t）、分配获得的光伏发电量Si（t）以及电网电价R（t）形成了时刻t的信息向量，可表示为

由式（15）可知该信息向量中的变量是独立同分布，且具有未知的概率分布。家庭用户中所有可控负荷的信息向量集合可表示为

2.3用电成本

由于基线负荷的耗电量是不可调控的，其用电成本是固定的。因此，本文重点关注可控负荷所产生的用电成本。由上述分析可知，可控负荷在时刻t需从电网购买的总电量可表示为

则可控负荷产生的用电成本可表示为

2.4队列稳定性

2.5问题描述

为在线求解问题（22），本文基于事件驱动机制，提出了一种采用李雅普诺夫优化的在线算法（Online Algorithm with Lyapunov Optimization，OALO）。

3　在线能量管理算法

3.1光伏电量的预分配策略

每个时刻的光伏发电量首先满足基线负荷的需求Lb（t）。定义N（t）=PV（t）-Lb（t）为光伏电量在满足Lb（t）后多余的电量。多余的电量N（t）将按照优先级与最大延迟时间两个原则在可控负荷之间分配。可控负荷的优先级顺序为EWH、HVAC、PEV。根据可控负荷的运行特性，设定相应的最大延迟时间Dmaxi。多余的光伏电量N（t）在可控电器之间的分配策略为:

1）在每个时刻t，首先按照优先级顺序依次检查可控负荷的延迟情况，即可控负荷队列的长度。可控负荷队列的长度Qi（t）代表可控负荷积累的未完成的电量需求。由于可控负荷仅处于关闭状态与额定运行状态，即Li（t）与Xi（t）的取值都只有0或Wi。根据队列的更新方程Qi（t+1）=Qi（t）-Xi（t）+Li（t），Qi（t）队列是由单个Wi能量块积累构成，即Qi（t）是Wi的整数倍。因此，Qi（t）/Wi即可代表第i个可控负荷所延长的时间。如果第i个可控负荷的延时超过最大延迟时间Dmaxi，即Qi（t）/Wi＞Dmaxi，则按照约束0≤Si（t）≤Wi获得相应的光伏电量Si（t）。对可控负荷按照优先级顺序依次检查，直到检查完毕或光伏电量耗尽为止。

2）如果在第一步之后光伏电量仍有剩余，多余的能量将按照优先级顺序依次满足队列Qi（t）中积累的所有负荷，直到光伏电量耗尽为止。

可控负荷的最大延迟时间Dmaxi与优先级顺序仅限于在光伏电量的分配中使用，不涉及下面介绍的负荷调度策略。

3.2事件触发机制

事件触发机制在监测器与功率控制器中完成。监测器按照固定的频率对信息向量进行采集，依据监测到的信息向量决定是否生成触发信号，并发送给功率控制器。功率控制器一旦接收到触发信号，将根据当前系统状态重新决定决策变量的取值。在没有接收到触发信号的情况下，决策变量将会保留之前的取值。

下面介绍监测器中的触发逻辑。负荷调度的决策过程与基线负荷、可控负荷、光伏发电量和电价的变化有关。如果以下4种事件发生，监测器就会生成相应的信号触发功率控制器。

1）基线负荷的变化量超过一定阈值。

式中，Lb（t）为当前时刻t的基线负荷需求。

2）至少有一个可控负荷的队列长度超过一定阈值。

式中，Wi为第i个可控负荷在额定功率运行状态下单位时间内消耗的电量。式（24）表示用户对第i个可控负荷的用电需求已经积压了至少三次，需要触发功率控制器进行负荷调度。

3）光伏出力的变化量超过一定阈值。

式中，PV（t）为当前时刻t的光伏发电量。

4）分时电价发生变化，如式（26）所示。

本文采用状态机来实现事件触发机制，如图2所示。事件触发机制主要包含3个状态:事件监测状态、负荷调度状态和执行状态。正常情况下状态机处于事件监测状态，当检测到一个事件或几个事件同时发生时，则触发负荷调度状态对可控负荷的运行状态进行重新决策。决策完毕之后，触发执行状态，将决策结果下发至可控负荷执行，执行完毕之后进入下一时段，继续保持事件监测状态。

图2　事件触发机制示意图Fig.2　Diagram of event-triggering mechanism

3.3李雅普诺夫算法

式中，Δ（Q（t））为李雅普诺夫函数值经过一个时刻的期望变化量，代表了队列的稳定程度。

基于李雅普诺夫优化算法中的“漂移+效用”方法［25］，本文提出了在线的能量管理算法，在每个时刻t获取当前的信息向量 Y（t），根据获取的信息决定X（t）的取值，以最小化“漂移+效用”表达式

上式第二项中Vi是第i个可控负荷队列的权重参数，用于平衡用电成本与队列稳定性，第二项其余部分为第i个可控负荷队列生成的用电成本。Vi根据第i个可控负荷的功率水平与用户在成本和舒适度之间的偏好设置。仅仅最小化Δ（Q（t））会提高队列系统的稳定性，但是也会造成昂贵的用电成本。因此，本文提出的在线算法选择最小化两者的加权和，以满足用户的平衡需求。

辅助定理1:对于任何在所有时刻满足问题（22）中约束条件的控制策略，“漂移+效用”表达式满足

式中，B为限制常数，定义为

具体推导过程见附录。

通过辅助定理1，可将原问题（22）转换为最小化不等式（29）的右侧表达式。

该问题可以进一步归纳为

由式（32）可以看出，与传统的优化方法相比，李雅普诺夫优化较易实现，不需要未来的信息，只依赖于当下时刻的信息进行优化，将复杂的优化问题转换为便于求解的线性规划问题，使计算复杂度得到大大降低。同时，与动态规划相比，当系统变量维数增加时，该算法的计算复杂度并不会呈指数型增加，遭受“维度灾难”，而是呈线型增加，可以方便地实现系统的扩展应用，例如包含多用户多队列的系统。

在线能量管理算法的流程如图3所示。

图3　在线能量管理算法流程Fig.3　Flow diagram of OALO

4　算例分析

4.1研究对象及相关基础数据

以实际家庭负荷为研究对象，在Matlab中搭建仿真模型，对提出的能量管理算法进行仿真实验。算例分析以10 min为时间单位。光伏发电量与基线负荷的数据如图4所示。

图4　光伏发电量与基线负荷的功率曲线Fig.4　Power curves of PV generation and baseline load

基础数据均取自冬季，因此HVAC的功能以制热为主。HEMS中采用电网发布的分时电价，见表1。

表1　分时电价Tab.1　Time-of-use price

可控负荷EWH、HVAC及PEV在每个时刻的功率消耗情况Xi（t）为决策变量。在仿真中可控负荷的相关参数如表2所示。由式（32）可知，可控负荷权重参数Vi的设定与可控负荷的功率大小及可延迟程度有关。一方面，由于Qi（t）是由单个Wi积累构成的，可控负荷的功率越大，Wi越大，相应的Qi（t）越大，在相同的延迟程度下，即要达到相同时长的Xi（t）=0，所需的Vi更大。另一方面，若第i个可控负荷可延迟程度较高，即要达到Xi（t）=0的时间更长，则所需Vi更大。由于PEV的功率最大，且可延迟程度较高，因此相应的权重参数最大。

表2　可控负荷的仿真参数Tab.2　Simulation parameters of controllable load

EWH的负荷需求根据水箱内的水温变化随机设定。水温根据EWH运行模型模拟得到。EWH的标准温度设定为45℃。当水温低于标准温度时，EWH应开始运行以提高温度，动态地形成了EWH的负荷需求L1（t）。同样地，HVAC的负荷需求根据室内的温度变化随机设定。HVAC的标准温度设定为20℃。当室内温度低于标准温度时，HVAC应开始运行以提高温度，动态地形成了HVAC的负荷需求L2（t）。

为了研究本文所提算法OALO的有效性，分别选取在线 算法 OACI（Online Algorithm with Current Information）［26］与 OAWE（Online Algorithm Without Event-triggering）作为比较对象。

OACI与OALO所需的信息资源相同，只拥有当前时刻的信息，因此OACI无法考虑变量未来可能发生的变化，只根据信息变量的当前值求出当前时刻的最小成本。OACI没有利用可控负荷的可调控性，作为拥有相同信息资源与时间复杂度的对比算法，用于分析OALO的优化性能。OAWE采用时间触发机制执行李雅普诺夫优化算法，即每个时刻都重新对决策变量进行优化，用于对比分析OALO中事件触发机制的效用。

4.2优化结果对比分析

本文提出的OALO算法对信息资源的要求仅为当下时刻的信息向量Y（t），不需要未来信息，也不需要对历史信息进行存储。基于相同的信息资源，算例将本文提出的算法OALO与在线算法OACI进行对比。两个算法的时间复杂度均为O（1）。对比结果如表3所示。

表3　OACI与OALO的用电成本对比Tab.3　Comparison of cost between OACI and OALO

PEV在两种算法中的运行时间对比如图5所示。相对于OACI，本文提出的算法OALO使PEV的负荷避开电价的峰值，将其转移至晚上9点以后电价较低的时段，从而达到为用户降低用电成本的目的。

图5　PEV的运行时间对比Fig.5　Comparison of operation time for PEV

EWH在两种算法中的运行时间对比如图6所示。与OACI算法相比，OALO算法中EWH的运行避开了电价的高峰时段，有助于为用户降低成本。

图6　EWH的运行时间对比Fig.6　Comparison of operation time for EWH

EWH在两种算法下水温的对比及加水量如图7所示。其中17∶40与23∶20水温的下降是由于在水箱中注入了冷水导致的。可以看出，OACI算法下水温的偏离程度比OALO小。然而，OACI算法下EWH的启动频率比OALO高得多，会影响EWH的使用寿命。此外，OALO算法下水温的变化范围为42～47.5℃，并不会影响用户的舒适度。

图7　EWH的水温对比Fig.7　Comparison of water temperature for EWH

图8　HVAC的运行时间对比Fig.8　Comparison of operation time for HVAC

图9　HVAC的室内温度对比Fig.9　Comparison of indoor temperature for HVAC

HVAC在两种算法中的运行时间对比与室内温度对比分别如图8与图9所示。与 OACI算法相比，OALO算法中HVAC的运行避开了电价的高峰时段。例如，在11∶50～15∶00期间，由于电价处于峰值，HVAC停止运行，室内温度下降。在15∶00时，由于HVAC队列积累到一定程度且电价下降，HVAC开始运行，以保证用户的舒适度与经济性。从图9可以看出，OACI算法下室内温度的变化幅度比OALO小。然而，OACI算法下HVAC的起动频率比OALO高得多，会缩短HVAC的使用寿命。此外，OALO算法下室内温度的最低值为19℃，并不会影响用户在冬季的舒适度。

4.3算法性能分析

由3.3节的分析可知，OALO算法的性能与可控负荷权重参数Vi的设置有关。为了研究OALO算法的相关性能，算例从可控负荷的延迟情况与用电成本两个方面来分析权重的设置差异对可控负荷管理结果的影响。

根据3.3节的理论分析，当Vi逐渐增大时，队列的平均长度应随之增大，效用函数应随之逐渐减小。在表2权重参数设置的基础上，当各个可控负荷的Vi单独变化时，相应队列的平均长度与可控负荷总用电成本随之变化的曲线分别如图10～图12所示。其中，EWH与HVAC的负荷是基于温度确定的。当水温或室内温度低于标准温度时，应开始运行，即Li（t）= Wi，形成了动态的负荷需求。当权重参数变化时，负荷的可延迟程度与运行温度均发生变化，用电需求也会随之改变。相比之下，PEV的负荷是固定的。由图12可以看出，PEV的仿真结果与理论规律相符。在图10与图11中，EWH与HVAC的仿真结果整体上是符合理论规律的，但由于受温度与负荷波动等因素的影响，存在一定波动性。

图10　EWH的平均队列长度与可控负荷的用电成本Fig.10　Average backlog of EWH and electricity bills

图11　HVAC的平均队列长度与可控负荷的用电成本Fig.11　Average backlog of HVAC and electricity bills

图12　PEV的平均队列长度与可控负荷的用电成本Fig.12　Average backlog of PEV and electricity bills

随着Vi的增加，在最小化目标（28）中Δ（Q（t））的权重减小，导致可控负荷队列的平均长度逐渐增加，可控负荷的延迟程度加大；而效用函数的权重增大，导致可控负荷的用电成本逐渐减小。由图10～图12可知，可控负荷的仿真结果与理论分析相符。当Vi较大时，用户的用电成本较低，但可控负荷的过度延迟会影响用户的用电体验。当Vi较小时，用户的舒适度得到保障，可控负荷的用电需求能够快速有效地实现，但会产生较昂贵的用电费用。在实际应用中，用户可根据自身偏好对权重参数进行设定。

4.4事件触发机制的有效性

为了验证事件触发机制的效果，算例进一步将本文提出的算法OALO与没有采用事件触发机制的在线算法OAWE进行对比。在OAWE算法中，李雅普诺夫优化算法在每个时刻都会执行一次，即执行144次。而通过OALO，李雅普诺夫优化算法的执行次数降为95次，降低了功率控制器的计算成本。对比结果如表4所示。

可以看出，OAWE与OALO两种算法下用户的用电成本基本相同。两者之间的差别主要是由EWH与HVAC负荷的随机性造成的。两种算法下 EWH与HVAC的运行状态对比分别如图13与图14所示。可以看出，OAWE算法下EWH与HVAC的起动频率比OALO高，这并没有带来额外的收益，只会对EWH与HVAC的使用寿命造成影响。

表4　OAWE与OALO的用电成本对比Tab.4　Comparison of cost between OAWE and OALO

图13　OAWE与OALO算法下EWH的运行时间对比Fig.13　Comparison of EWH between OAWE and OALO

图14　OAWE与OALO算法下HVAC的运行时间对比Fig.14　Comparison of HVAC between OAWE and OALO

根据以上仿真对比结果，本文提出的基于李雅普诺夫优化的在线能量管理算法在家庭用户中有很强的实用性。同时，时间复杂度小，占用计算资源少，运行效率高，适用于嵌入式应用环境。

5　结论

本文针对HEMS提出一种在线能量管理算法，在保证用户舒适度的前提下有效降低了家庭用户的用电成本。算法不需要用户提前设定电器的运行区间，在非干预的环境下进行负荷调度，可以应对用户随机的负荷需求。对光伏出力与负荷需求采用非预测机制，实时提取数据。将可控负荷EWH、HVAC与PEV的运行状态作为调控对象，通过只需要在线信息的李雅普诺夫优化方法对能量管理问题进行求解。采用事件触发机制决定是否进行在线优化决策，减少触发频率和不必要的计算量。对比仿真结果显示本文提出的在线能量管理算法能在降低用电成本的同时，满足用户的负荷需求，并保证用户的舒适度。同时，时间复杂度小，占用计算资源少，适用于嵌入式应用环境。

附录

由式（27）定义的李雅普诺夫漂移可知

B为限制常数，定义为

由式（7）与式（9）可知

故可得

进一步得出

辅助定理1得证。

［1］郭思琪，袁越，张新松，等.多时间尺度协调控制的独立微网能量管理策略［J］.电工技术学报，2014，29（2）:122-129.

Guo Siqi，Yuan Yue，Zhang Xinsong，et al.Energy management strategy of isolated microgrid based on multitime scale coordinated control［J］.Transactions of China Electrotechnical Society，2014，29（2）:122-129.

［2］郭力，王蔚，刘文建，等.风柴储海水淡化独立微电网系统能量管理方法［J］.电工技术学报，2014，29（2）:113-121.

Guo Li，Wang Wei，Liu Wenjian，et al.The energy management method for stand-alone wind/diesel/battery/ sea-waterdesalinationmicrogrid［J］.Transactionsof China Electrotechnical Society，2014，29（2）:113-121.

［3］孙宏斌，张伯明，吴文传，等.自律协同的智能电网能量管理系统家族概念，体系架构和示例［J］.电力系统自动化，2014，38（9）:1-5.

Sun Hongbin，Zhang Boming，Wu Wenchuan，et al. Autonomous-synergetic energy management system family for smart grids:concept，architecture and cases［J］. Automation of Electric Power Systems，2014，38（9）: 1-5.

［4］熊雄，杨仁刚，叶林，等.电力需求侧大规模储能系统经济性评估［J］.电工技术学报，2013，28（9）: 224-230.

Xiong Xiong，Yang Rengang，Ye Lin，et al.Economic evaluation of large-scale energy storage allocation in power demand side［J］.Transactions of China Electrotechnical Society，2013，28（9）:224-230.

［5］王伟，何光宇，万钧力，等.用户侧能量管理系统初探［J］.电力系统自动化，2012，36（3）:10-15.

WangWei，HeGuangyu，WanJunli，etal. Preliminary investigation on user energy management system［J］.AutomationofElectricPowerSystems，2012，36（3）:10-15.

［6］阳小丹，李扬.家庭用电响应模式研究［J］.电力系统保护与控制，2014，42（12）:51-56.

YangXiaodan，LiYang.Researchonhousehold electricity response mode［J］.Power System Protection and Control，2014，42（12）:51-56.

［7］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）:144-154.

Zhang Yanyu，Zeng Peng，Zang Chuanzhi.Review of home energy management system in smart grid［J］.Power System Protection and Control，2014，42（18）:144-154.

［8］张新昌，周逢权.智能电网引领智能家居及能源消费革新［J］.电力系统保护与控制，2014，42（5）: 59-67.

Zhang Xinchang，Zhou Fengquan.Smart grid leads the journey to innovative smart home and energy consumption patterns［J］.PowerSystemProtectionandControl，2014，42（5）:59-67.

［9］王成山，武震，李鹏.微电网关键技术研究［J］.电工技术学报，2014，29（2）:1-12.

Wang Chengshan，Wu Zhen，Li Peng.Research on key technologies ofmicrogrid［J］.TransactionsofChina Electrotechnical Society，2014，29（2）:1-12.

［10］张彦，张涛，刘亚杰，等.基于模型预测控制的家庭能源局域网最优能量管理研究［J］.中国电机工程学报，2015，35（14）:3656-3666.

Zhang Yan，Zhang Tao，Liu Yajie，et al.Optimal energy management of a residential local energy network based on model predictive control［J］.Proceedings of the CSEE，2015，35（14）:3656-3666.

［11］刘念，张清鑫，刘海涛.基于核函数极限学习机的微电网短期负荷预测方法［J］.电工技术学报，2015，30（8）:218-224.

Liu Nian，Zhang Qingxin，Liu Haitao.Online shortterm load forecasting based on ELM with Kernel algorithm in micro-grid environment［J］.Transactions of China Electrotechnical Society，2015，30（8）:218-224.

［12］陈丽丹，聂涌泉，钟庆.基于出行链的电动汽车充电负荷预测模型［J］.电工技术学报，2015，30（4）: 216-225.

Chen Lidan，Nie Yongquan，Zhong Qing.A model for electric vehicle charging load forecasting based on tri Pchains［J］.TransactionsofChinaElectrotechnical Society，2015，30（4）:216-225.

［13］Liu Niu，Chen Qifang，Liu Jie，et al.A heuristic operation strategy for commercial building microgrids containing EVs and PV system［J］.IEEE Transactions on Industrial Electronics，2015，62（4）:2560-2570.

［14］Lin YH，TsaiMS.Anadvancedhomeenergy managementsystemfacilitatedbynonintrusiveload monitoringwithautomatedmultiobjectivepower scheduling［J］.IEEETransactionsonSmartGrid，2015，6（4）:1839-1851.

［15］Adika C O，Wang L.Autonomous appliance scheduling for household energy management［J］.IEEE Transactions on Smart Grid，2014，5（2）:673-682.

［16］Anvari-Moghaddam A，MonsefH，Rahimi-KianA. Optimal smart home energy management considering energy saving and a comfortable lifestyle［J］.IEEE Transactions on Smart Grid，2015，6（1）:324-332.

［17］ PipattanasompornM，KuzluM，RahmanS.An algorithm for intelligent home energy management and demand response analysis［J］.IEEE Transactions on Smart Grid，2012，3（4）:2166-2173.

［18］Zhao Z，Lee W C，Shin Y，et al.An optimal power scheduling method for demand response in home energy management system［J］.IEEE Transactions on Smart Grid，2013，4（3）:1391-1400.

［19］Mohsenian-Rad A H，Wong V W S，Jatskevich J，et al.Autonomousdemand-sidemanagementbasedon game-theoretic energy consumption scheduling for the future smart grid［J］.IEEE Transactions on Smart Grid，2010，1（3）:320-331.

［20］AlthaherS，MancarellaP，MutaleJ.Automated demand response from home energy management system under dynamic pricing and power and comfort constraints ［J］.IEEE Transactions on Smart Grid，2015，6（4）: 1874-1883.

［21］Liu N，Tang Q，Zhang J，et al.A hybrid forecasting model with parameter optimization for short-term load forecasting of micro-grids［J］.Applied Energy，2014，129:336-345.

［22］ 周德佳，赵争鸣，袁立强，等.具有改进最大功率跟踪算法的光伏并网控制系统及其实现［J］.中国电机工程学报，2008，28（31）:94-100.

Zhou Dejia，Zhao Zhengming，Yuan Liqiang，et al. Implementation of a photovoltaic grid-connected system based on improved maximum power point tracking［J］. Proceedings of the CSEE，2008，28（31）:94-100.

［23］ DuPengwei，LuNing.Appliancecommitmentfor household load scheduling［J］.IEEE Transactions on Smart Grid，2011，2（2）:411-419.

［24］Lu Ning.An evaluation of the HVAC load potential for providing load balancing service［J］.IEEE Transactions on Smart Grid，2012，3（3）:1263-1270.

［25］NeelyMJ.Stochasticnetworkoptimizationwith application to communication and queueing systems［M］. California:Morgan&Claypool，2010.

［26］ 窦晖，齐勇，王培健，等.一种最小化绿色数据中心电费的负载调度算法［J］.软件学报，2014，25 （7）:1448-1458.

Dou Hui，Qi Yong，Wang Peijian，et al.Workload scheduling algorithm for minimizing electricity bills of green data centers［J］.Journal of Software，2014，25 （7）:1448-1458.

樊玮女，1992年生，硕士研究生，研究方向为微电网在线能量管理。

E-mail:fanwei1218@126.com

刘念男，1981年生，博士，副教授，研究方向为电力信息安全、智能配用电与微电网、电动汽车等。

E-mail:nian_liu@163.com（通信作者）

An Online Algorithm Based on Event Triggering for Energy Management of Smart Home

Fan WeiLiu NianZhang Jianhua
（State Key Laboratory of Alternate Electrical Power System With Renewable Energy Sources North China Electric Power UniversityBeijing102206China）

As an important component of smart grid on the user side，the home energy management system is the core of the optimal operation for smart home.In this paper，the energy scheduling problem for a household equipped with photovoltaic devices is investigated.An online energy management algorithm based on event triggering is proposed.The Lyapunov optimization method is adopted to schedule the controllable load in the household.Without the forecasting of the related variables，the real-time decisions can be made only based on the current values of the variables.The algorithm could regulate energy fast under the fluctuations of the distributed generation，the electricity demand，and the market price.The event-triggering mechanism is adopted to trigger the execution of the online algorithm，so as to cut down the execution frequency and unnecessary calculation.A comprehensive comparison of the results obtained from simulation shows that the proposed algorithm could effectively decrease the electricity bill of users.Moreover，the required computational resource is small，which contributes to the low-cost energy management of smart home.

Smart home，Lyapunov optimization，event triggering，energy management

TM734

国家高技术研究发展（863）计划项目（2014AA052001）、国家自然科学基金（51577059）和中央高校基本科研业务专项资金（2015ZD02）资助。

2015-12-08改稿日期 2016-03-08