基于MOEA的智能电网需求侧管理分时电价优化方案

夏循进

（国网电力科学研究院武汉南瑞有限责任公司，武汉 430074）

基于MOEA的智能电网需求侧管理分时电价优化方案

夏循进

（国网电力科学研究院武汉南瑞有限责任公司，武汉 430074）

本文为降低分时电价方案中电力客户的用电成本并减少用电设备的平均延时，提出一种基于多目标进化算法的智能电网需求侧管理分时电价优化方案。首先简要介绍了分时电价方案及其优势；其次重点阐述了多目标进化算法评估用电成本和设备延时的具体实现方法，并给出了目标函数；最后，以Matlab/Simulink软件为平台对所提出的方法进行建模与仿真。结果表明，优化后的方案能显著降低用电成本并使用电设备正常运行的等待时间最小化。因此，对用户需求侧管理具有一定的参考意义。

智能电网；分时电价；需求侧管理；多目标进化

根据国家发改委及国家能源局对智能电网发展的指导意见要求，我国将进一步提高电网接纳和优化配置多种能源的能力进而实现能源生产和消费的综合调配。智能电网在现有电网上将先进的信息技术、网络技术、计算机技术和数据处理技术等集合在一体有利于将电力以可靠高效的方式分配给用户的[1]。凭借其自愈、高效、可靠、可持续及便于用户使用等多种优点，智能电网中的需求侧管理已得到广泛的重视和研究。需求侧管理有助于将整个电网转换成一个更智能且以最低成本运行的技术。

凭借其能显著减少电力峰荷需求和电量消耗、提高电力公司的生产效益及用电可靠性等一系列优点[2-3]，作为用户需求侧管理的分时电价方案正逐步被各网省电力公司得到普及和推广。当前，电力不足、停电和故障是影响用电客户满意度的主要因素。从发电侧来讲，根据用户实际需求发电能显著降低电力生产的成本，但由于在高峰时段的用电需求非常高，因此有必要采取合适的机制来对分时电价方案进行优化，进而同时满足电力服务商和电力客户的共同需求。针对分时电价的优化方案，国内外不少学者提出了单一的目标优化问题或者集成权值的多个目标算法。根据我国电网实际情况，本文采取多目标进化算法来优化分时定价方案，进而减小用电成本和家电设备运行的延时。

1 分时电价及其优势

随着电力改革力度的加大及电力市场的逐步规范，分时电价方案的全面实施势在必行。根据《国家发展改革委关于湖北省分时电价方案的批复》，湖北省针对用电容量在 100kVA及以上的非普工业用电、商业用电和大工业用电用户将提供分时电价方案，并在局部地区进行试点。分时电价以峰、平、谷时段划分，见表1。

表1 湖北省分时电价方案

从表1可以看出，通过需求侧管理和调度来引导用户选择合理的用电方式，不管对发电侧、电网用户还是对节能减排而言，都有至关重要的意义。从电网和用户两方面来讲，分时电价有助于鼓励用户改善其用电方式，进而实现削峰填谷、提高系统负荷率及稳定运行的目的[4]；同时，用户将其用电需求转移到非高峰时段，在满足同样电度需求的同时降低了用电成本。从发电方面来讲，分时电价方案有利于减缓发电侧电力投资，提高供电可靠性，尤其对当前开展节能降耗、建设节约型社会具有深远的意义[5]。

2 多目标进化算法

多目标优化算法的目的是寻找能同时满足所有优化目标的一个解。多目标优化算法通常包含粒子群优化、蚁群算法及遗传算法等。其中，粒子群算法搜索速度快、效率高且算法简单，但用于分时电价存在寻优时容易陷入局部最优解的缺点[6]；相对于粒子群算法，蚁群算法提高了全局搜索范围且具有较强的鲁棒性，但存在依赖参数设置、搜索时间较长等不足[7]；遗传算法尽管不能很好的解决大规模计算量问题，但收敛性好、计算时间少且具有较强的鲁棒性。结合电网自身的复杂性、用用户需求的不断变化及分时电价的独特优势，本文采用基于Pareto机制的遗传算法是根据多目标问题优化解的自身特性来搜索多目标问题有效解集的范围，进而用于评估电力用户的用电成本和电气设备投入运行的平均延时，同时达到搜索速度快、收敛性好的目的。

在给出本文提出的多目标进化算法之前，首先定义如下变量：p、m和o分别表示高峰时段、平段和低谷时段；Cp、Cm和 Co分别为3个时段的用电成本。多目标进化算法算法包含如下步骤：

1）算法开始：为主要参数p,m,o ,Cp,Cm和Co设置初值。

2）种群初始化：设置初始参数Xp，Yp，Zp和Aa。

3）评估适应度函数T(C)和Davg。

4）对T(C)，Davg进行非支配排序。

5）采用基于Pareto Front的多目标遗传算法进行选择、交叉和编译操作，寻找最优解。

6）检查并确定计数器值满足条件后算法结束。

在上述步骤中，种群初始化主要是为参数高峰Xp、平段 Yp、低谷 Zp和设备起动时间 Aa设置初始值。其次，评估成本的适应度函数T(C)和延时函数Davg，并对评估结果进行非支配排序。采用基于Pareto Front的多目标遗传算法对非支配排序后进行寻优的原因是构造非支配集，并使非支配集逼近最优解，最终达到最优[8]。其中，多目标遗传算法包含常规的选择、交叉和变异等基本操作。之后对计数值与最大数目进行比较，若计数器值满足条件，则结束，否则从种群初始化过程后重新开始计算适应度函数T(C)和Davg。图1所示为多目标优化算法流程图。图中，count为遗传算法寻优的优化代数计数器值，Gmax为最大迭代次数。

3 目标函数

根据多目标进化算法，使总用电成本最小化的目标函数可表示为

式中，T(C)为总能耗成本，Xc、Yc和Zc分别为高峰时段、平段和低谷时段的用电成本。

设备的平均等待时间被称为时延，它是设备活动状态开始时间与低谷时段开始时间之间的偏差，可由延时函数计算得到。临界中断或具有较高优先级设备的中断，正在运行的设备可能被打断后进入等待状态。之后将等待时间添加到先前计算的延时时间中。用Davg表示n个设备的平均时延，Aa表示设备a从等待时间到运行时间的转换延时，ωa为设备a的运行状态结束时间或等待状态的开始时间，εa表示设备a的延迟时间，则有[9-10]

式中，os、oe分别为低谷时段的开始时间和结束时间。通过使用多目标进化算法，采用式（1）和式（2），可达到优化成本函数T(C)和延时时间Davg的目的。

图1 多目标优化算法流程图

4 建模与仿真

为验证本文所提方法的可行性，以 Matlab/Simulink软件为平台进行建模与仿真。主要参数如下：种群数目为100；进化迭代次数 Gmax取200；交叉概率为0.51、变异概率为0.05。在仿真模型中搜寻最优解时，对于每次测试采用较多的样本数目有利于跟真实的模拟实际情况进而达到提高解的精确度的目的。仿真模型运行时间为 4.2s，实际迭代次数为173次。图2所示为某日各小时的电费。从图2可以看出，分时电价方案对常规的电力需求会按高峰时段、平段及低谷时段呈现规律性的变化。采用常规的人工分时方案比采用本文提出的经过优化算法的分时方案每天的电费较高。因此，本方法能显著减小电力客户的用电成本且具有更佳的性能，这也验证了本方法的有效性。

图2 某日各小时的电费

不少学者为使用户将其电费维持在电度阈值之下提出了多种接纳控制方案。图3为本文提出的接纳控制的延时时间与优化前的对比图。从图3可以看出，优化后的接纳控制的延时时间明显少于优化前接纳控制的延时时间。在一些情况下，日运行时间最长的设备具有更短的接纳控制延时，然而当更为关键的设备需要投运时，将根据优先级打断日运行时间较长的设备。在关键设备完成工作之后，将之前被中断的设备重新投入运行。

图3 接纳控制的延时时间

5 结论

智能电网的需求侧管理具有自愈、高效、可靠、可持续及便于用户使用等多重优点。针对需求侧管理中的分时电价方案，本文提出了一种多目标进化算法，用于降低电力客户的用电成本和设备投入延时。借助Matlab/Simulink软件为平台，对本文提出的方法进行建模与仿真。仿真结果表明，本方法能减少每日各小时的电费，而且设备数目越多，相比于优化前越能减少接纳控制的延时时间。因此，本方案有助于在满足同样需求的情况下降低电力客户的用电成本及电气设备投入运行的平均时延。

[1]周中,姜龙.智能电网用户端能源管理系统关键技术与应用[J].电气技术,2012(1): 101-104.

[2]李昌.基于分时电价的办公建筑中央空调最优起动时间计算[J].电气技术,2015(8): 34-39.

[3]谭忠富,谢品杰,王绵斌,等.提高电能使用效率的可中断电价与峰谷分时电价的联合优化设计[J].电工技术学报,2009,24(5): 161-168.

[4]王婷.电力市场营销学[M].北京: 中国电力出版社,2015.

[5]胡福年,汤玉东,邹云.峰谷分时电价策略在江苏电网的应用研究[J].华东电力,2006,34(9): 16-18.

[6]Delgarma N,Sajadia B,Kowsarya F,et al.Multiobjective optimization of the building energy performance: A simulation-based approach by means of particle swarm optimization(PSO)[J].Applied Energy,2016,170(3): 293-303.

[7]Tabakhi S,Najafi A,Ranjbar R,et al.Gene selection for microarray data classification using a novel ant colony optimization[J].Neurocomputing,2015,168(C): 1024-1036.

[8]李丽荣,郑金华.基于Pareto Front的多目标遗传算法[J].湘潭大学自然科学学报,2004,26(1): 39-41,48.

[9]Muralitharan K,Sakthivel R,Shi Y,et al.Multiobjective optimization technique for demand side management with load balancing approach in smart grid[J].Neurocomputing,2015,(177): 110-119.

[10]Moura P S,De Almeida A T.Multi-objective optimization of a mixed renewable system with demand-side management[J].Renewable & Sustainable Energy Reviews,2010,14(5): 1461-1468.

Optimization Solution of Time of Use for Demand Side Management based on MOEA Technique in Smart Grid

Xia Xunjin
(State Grid Electric Power Research Institute Wuhan NARI Co.,Ltd,Wuhan 430074)

To cut down the power consumption costs of power customers and reduce the average delay time of electric equipment in time of use pricing scheme,a novel prioritization scheme of time of use based on multi-objective evolutionary algorithm for demand side management in smart grid is proposed.To begin with the time of use scheme and its advantages.And then,the implement method of evaluating the electricity cost and the equipment delay based on multi-objective evolutionary algorithm,and objective function is given.Finally,modeling and simulation are carried out by taking the software of Matlab/Simulink as platform.Simulation results show that,power consumption costs and waiting time of electric equipment are decreased significantly by the proposed method.So the proposed method has some reference meaning for demand side management.

smart grid; time of use; demand side management; multi-objective evolution

夏循进（1985-），男，助理工程师，国网电力科学研究院武汉南瑞有限责任公司，主要从事电力电气等方面研究工作。