基于GA-BFO的城镇住宅家庭用能多目标优化调度策略

于军琪 叶子雁 赵安军 李若琳 余紫瑞

摘  要： 针对城镇住宅家庭设备等用能的特点，建立一种包含多种可调度负载的家庭用能模型。以最小用户电力成本和最小负荷峰均比为优化目标，提出一种日前优化调度策略，并采用一种改进的细菌觅食优化算法进行求解。考虑用户临时需求变化对日前优化调度结果的影响，提出一种对短时间内的用能安排进行重新调度的实时优化调度策略，并引入0-1背包问题和动态规划方程对上述问题进行求解。算例结果验证了所提策略和改进算法的有效性。

关键词： 家庭能量管理;多目标优化;日前调度;细菌觅食算法;实时调度

中图分类号： TM73    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.10.015

本文著录格式：于军琪，叶子雁，赵安军，等. 基于GA-BFO的城镇住宅家庭用能多目标优化调度策略[J]. 软件，2020，41（10）：5965

【Abstract】： Aiming at the characteristics of energy consumption of urban residential household equipment， a model of household energy containing multiple schedulable loads is established in this paper. Taking the minimum user electricity cost and minimum load peak-to-average ratio as optimization goals， a day-ahead optimization scheduling strategy is proposed. An improved bacterial foraging optimization algorithm was proposed and applied to the optimization scheduling problem. Considering the impact of the user's temporary demand changes on the results of the day-ahead optimized scheduling， a real-time optimization scheduling strategy for rescheduling energy within a short period of time is proposed. And 0-1 knapsack problem and dynamic programming equation are introduced to solve the above problem. The results of the calculation example verify the effectiveness of the proposed strategy and the improved algorithm.

【Key words】： Home energy management; Multi-objective optimization; Day-ahead scheduling; Bacterial foraging algorithm; Real-time scheduling

0  引言

近年來，随着可再生能源发电的接入及需求侧不规则用电的增加，供电侧的单侧调节能力难以应对电网中复杂的波动性[1]。为了克服以上挑战，智能电网亟需通过需求侧管理（Demand Side Management，DSM）技术发挥需求侧调节作用。传统的DSM主要针对工商业等大型电力用户展开[2]，忽略了社会用电量中占比逐年攀升的城乡居民生活用电。随着智能电表等智能家居技术的应用，家庭能量管理系统（Home Energy Management System，HEMS）的概念正在发展[3]。在HEMS中，家庭的单向信息流变为双向信息流，通过供需双方的信息互动，用户可以及时了解电网实时动态，在参与需求响应（Demand Response，DR）项目的同时合理安排用电方案和响应策略[4]，对实现“削峰填谷”、提高用电效率、增加经济效益等具有重要作用。

当前，针对典型大功率设备的单目标优化（Single Objective Optimization，SOO）调度已有不少研究，文献[5]以空调、热水器、冰箱和洗衣机作为调度对象，提出了一种以降低电力成本为目标的调度控制器。文献[6]提出了一种以用户电力成本最小为目标的家庭电热水器优化调度策略。文献[7]提出了一种包含分布式光伏发电系统的HEMS模型，通过分布式发电系统的电能补充减少用户对公共电网的依赖。为了进一步满足电网供应侧和需求侧的需求，家庭用能优化研究开始向多目标优化（Multi Objective Optimization，MOO）发展。文献[8]提出一种由蓄电和光伏系统来协调管理电器的HEMS，通过在非高峰时段购买和存储电力并在高峰时段使用，系统可以在不牺牲用户舒适度的情况下降低电耗。文献[9]通过设置优先级顺序对家庭负载进行实时优化调度，以降低用户电费和临时响应的延迟时间，但其优化调度对象仅考虑了空调和电热水器。文献[10]从公共电网和电力用户的角度出发，提出了在降低负荷峰均比（Peak-to-Average Ratio，PAR）的同时提高家庭经济效益的优化调度策略，并利用启发式算法进行求解，但该策略需要光伏系统的配合。为了提高家庭用能管理与优化调度的灵活性，文献[11]提出了一种日内优化与实时调整相结合的多时间尺度优化调度策略，对包含光伏发电负载的家庭用能进行调度。

然而，当前针对家庭用能优化调度的研究中，SOO调度难以满足供电侧与用户侧的多方面需求;优化调度存在调度负载种类考虑不全，难以完全发挥家庭优化调度潜力的缺点;此外，MOO调度大多需要分布式发电系统的协作，忽略了现代城镇建筑密度高、无条件安装分布式电源的特点。针对以上不足，本文基于HEMS，对城镇住宅家庭用能MOO调度策略展开研究。考虑多种可调度负载，建立城镇住宅家庭用能模型，以最小用户电力成本和最小PAR为优化目标，提出一种日前优化调度策略对家庭次日24小时的用能进行调度安排，提出了一种改进的细菌觅食算法（Bacterial Foraging Algorithm，BFA）并应用到日前优化调度的求解中，考虑用户临时需求变化对日前优化调度结果的影响，提出一种对短时间的用电安排进行重新调度的实时优化调度策略，引入0-1背包问题和动态规划算法进行求解，最后，通过算例验证所提算法进和策略的有效性。

1  城镇住宅家庭用能模型

1.1  负载分类及优化调度对象

当前，城镇住宅家庭负载具有智能化程度高、种类多、且单个容量小等特点[12]，为了便于家庭用能优化调度的研究，常将其分为两大类。一类是不可调度负载，该类负载为用户提供安全保证，断电会对用户生活造成较大影响，通常不作为系统优化调度的对象。另一类是可调度负载，该类负载及时性要求不高，只要在规定时间内完成任务即可，是优化调度的主要对象。可调度负载又可进一步分为可中断负载和不可中断负荷，前者可分多时段完成一次工作任务，而后者在一次工作任务中不允许发生中断。考虑我国城镇住宅建筑的特点及常见负载，本文研究的优化调度对象及分类如表1所示。

1.2  负载模型

家庭用能优化调度的实现需要以可调度负载的控制模型为基础。优化调度得到的用电决策包含在控制模型中，HEMS通过执行不用的用电决策改变设备的运行状态，从而实现家庭用能的优化调度。此外，对于可中断类负载，还需要建立反映设备在一定环境因素及运行状态下的热力或储能变化的物理模型，以判断在工作过程中能否满足用户需求。当前，关于可中断类负载的物理模型已有不少研究，且方法较为成熟，本文基于精细化建模[13]的方法建立了表1中的物理模型，具体方法不做赘述，本节对设备的控制模型展开研究。

1.2.1  空调

由用户设定目标室温，考虑室温在小范围内波动仍能满足用户需求，并将该波动范围称为室温需求上、下限。则夏季制冷模式下空调的控制模型为：

1.2.2  电热水器

当电热水器为储水式电热水器时，由用户设定水箱的目标水温，在不超出电热水器水温调控上、下限的前提下考虑一定的波动范围作为水温需求的上、下限。则电热水器控制模型为：

式中：为时刻电热水器的运行状态，0为保温，1为加热;为时刻的用电决策，0为关闭，1为开启;为时刻的水箱水温;和分别为水温需求上、下限。

1.2.3  蓄电类设备

电动汽车（Electric Vehicle，EV）仅考虑G2V功能，对于EV与扫地机器人这类蓄电型负载，需要在工作任务开始前完成蓄电。以EV为例，将用户设定的EV离开充电桩时所需电池电量作为电量下限，并将电池充满电的状态作为电量上限，EV的控制模型定义为：

式中：为时刻的充电状态，0为停止，1为充电;为时刻的用电决策，0为断开负载与公共电网的连接，1为负载与公共电网连接;为时刻的电池电量;和分别为电量需求上、下限。

1.2.4  不可中断类负载

不可中断类负载一旦开始工作就必须完成一次工作任务才能停止，因此，需要为该类负载分配连续的用电状态决策，保证开启的连续时长不小于负载完成一次工作任务所需的最短时长。

1.3  优化目标

当前，DSM最常用的策略是负荷转移，它旨在通过峰谷差电价等DR信号激励电力用户将负荷需求从高峰时段转移到非高峰时段，从而减少用户购电成本，因此，本文将最小电力成本作为优化目标之一;为避免因过分追求经济效益而产生新的用电峰谷，优化目标还包括PAR。

（1）用户电力成本

假设将一个完整调度周期平均划分为个时隙，则最小用户电力成本的目标函数表达式为：

式中：为时刻的电价，为调度后时刻的耗电量，该值可由式（7）计算。

式中：为可调度负载总数;为可调度负载的额定功率，为可调度负载在时刻的运行状态。

（2）PAR

PAR是衡量負荷曲线波动情况的常用指标，最小PAR的目标函数表达式为：

1.4  约束条件

本文优化调度的主要约束如下：

（4）为应对非计划性外出事件，用户需对EV设定一个应急电量，当EV电池电量低于应急电量时，应立即为电池充电，则EV应急电量约束为：

2  多目标优化调度策略

针对以上MOO调度问题，提出一种基于改进的BFA的日前优化调度策略，对家庭次日24小时的用能进行调度安排，考虑到实际应用中，用户临时改变的负荷需求可能会破坏日前调度带来的经济效益和较小PAR，提出了一种在日前优化调度的基础上，对短时间内的用能安排进行重新调度的实时优化调度策略，以满足用户临时负荷需求的同时兼顾电力成本与PAR。

2.1  日前优化调度策略

由式（9）可知，在一定范围内进行“削峰填谷”可以同时降低电力成本和PAR，但是当PAR降至1时，若继续通过负荷转移来减少电力成本反而会造成PAR的增加，因此需要在最小电力成本和最小PAR之间进行权衡。本文基于用户的负荷需求以及分时电价（Time of Use，TOU）在电力成本和PAR之间做出权衡，并计算出一种理想的负荷曲线，将其称为目标负荷曲线，然后通过使调度后的负荷曲线尽可能地接近目标负荷曲线来实现MOO，并提出了一种改进的BFA算法对上述问题进行求解。

2.1.1  目标负荷曲线与目标函数的定义

为减小电力成本，目标负荷曲线应与电价呈反比：

假设有两种不同的TOU政策，则对于峰时电价与非峰时电价的差相对较大的TOU政策，认为电网对负荷转移的需求较强，对用户的激励效果更明显，此时用户应增加负荷转移，则目标负荷曲线表现为追求更少的电力成本;而当峰时电价与非峰时电价的差相对小时，认为电网对负荷转移的需求较弱，用户在进行负荷转移的同时应避免新的峰值的出现，则目标负荷曲线表现为追求更小的PAR。式（15）量化了电力成本和PAR之间的权衡，并计算得到目标负荷曲线：

2.1.2  GA-BFO算法设计

本文提出了一种改进的BFA进行求解。BFA是由Kevin M.Passino[14]于2002年提出的一种生物启发式智能算法，该算法的趋向行为能使细菌群体在小范围内不断靠近最优解，拥有较好的局部搜索能力，然而，BFA中的消除-迁徙行为是完全随机的，这可能导致整个细菌群体远离最优解。针对BFA的优缺点，本文提出采用遗传算法（Genetic Algorithm，GA）中的交叉和变异代替BFA中的消除-迁徙全局搜索，与BFA中完全随机的消除-迁徙相比，GA的交叉和变异保留了优良个体的部分特征，在保证个体多样性的同时不至完全丢失优良解，从而更好地发挥GA的全局搜索能力和BFA的局部搜索能力。所提GA-BFO算法流程如图1所示。

首先初始化参数，为解空间的维度，对应优化问题所求的决策量，则：

初始化完成后执行嵌套循环，首先是内层的趋向循环，计算细菌个体的适应度，如式（21）所示，然后细菌个体根据BFA中的趋向机制改变细菌个体的位置，其位置变化如式（22）所示：

式中，是分配给细菌个体的[–1，1]区间内的一个随机数。

当细菌种群完成次趋向行为后执行一次繁殖行为，计算细菌个体的健康度，选取健康度较优的个细菌个体进行一次复制，其余个体被抛弃，健康度计算式为：

对繁殖后得到的新种群，重新执行内层的趋向行为循环，直至完成次繁殖行为，然后按照GA的机制执行交叉和变异，得到的新种群重新执行内层趋向行为循环和中间层繁殖行为循环，直至完成次交叉和变异操作，得到最优解。

2.2  实时优化调度策略

在调度当天，HEMS按照日前调度策略得到的用电决策控制设备的运行状态，若用户需求临时发生变化，系统将执行实时调度策略。实时调度策略设定用户既可即时开启任意设备，也可即时关闭任意可中断类设备。此外，为了兼顾电力成本与PAR，当重新调度时段处于非峰时段时，希望保留该时段的其余负载，以避免负荷转移到高峰时段造成更高的电力成本，而当重新调度时段处于高峰时段时，则希望削减其余负载。

本文将实时调度问题转换为0-1背包问题：当用户临时要求开启某设备时，把设备所需的工作时长作为重新调度时间，当用户临时要求关闭某设备时，对于可中断类负载，可即时调整设备状态，并把负载剩余工作时长作为，对于不可中断类负载，若在可调度时间开始时就已处于工作状态，则不能进行重新调度，实时调度问题与背包问题的转换表示为：

式中：为背包的总容量，为可参与重新調度的设备数量，为物品的重量，为设备所需工作时长，为物品的价值，为设备在时间内所需的电力负荷。

采用动态方程对上述背包问题进行求解：

3  算例验证

本文基于MATLAB进行算例验证，在TOU电价下，分别采用GA、BFA以及改进的GA-BFO算法对算例家庭用能进行日前优化调度，并假设用户临时增加了负荷需求，执行实时优化调度。

3.1  家庭负荷及用户设定

已知算例家庭2019年7月29日的实际用电负荷如图2所示。对该天的家庭用能进行日前优化调度，完整调度周期为24 h，单位调度时隙为15 min，用户需求设定如表2所示，并设用户在7月29日早上8点临时要求调用电热水器，调用时长为30 min。

3.2  电价政策

以我国陕西省人民政府发布的陕西省居民峰谷TOU政策为例[15]，如表3所示，选用一档电价进行算例仿真。

3.3  优化调度结果与分析

基于用户实际用电负荷和TOU电价计算得到的目标负荷曲线如图2所示。

分别采用GA、BFA以及改进的GA-BFO算法对算例家庭进行日前优化调度，得到的调度负荷曲线如图3所示。采用不同算法得到的调度负荷曲线与目标负荷曲线具有相似的整体趋势，能较好地实现负荷转移，调度后9点至10点以及19点至21点的耗电量明显降低，0点至7点的耗电量明显增加，且没有产生明显的负荷峰值。

增加电热水器的临时需求并进行实时调度后得到的实时调度负荷曲线如图4所示，此时，实际负荷为算例家庭实际负荷加上临时增加的电热水器的负荷。重新调度的结果为开启电热水器同时停止为扫地机器人充电，这是因为用户要求调用电热水器的时间处于TOU电价的峰值时段，系统应在满足用户需求的前提下减少其它设备的负荷需求。

分别从用户电力成本和负荷PAR两方面对优化调度后的家庭用能进行分析：

（1）用户电力成本

表4总结了优化调度后的用户电力成本。优化调度后的电力成本均明显减少，其主要原因是部分峰值时段的电力负荷转移到了非峰时段，此外，在满足用户需求的条件下减少负载在不必要时刻的电力消耗也带来了一定的经济效益。在日前优化调度中，采用改进的GA-BFO算法求解得到的用电方案具有最少的电力成本，仅为15.53元，实时优化调度延续了日前优化调度带来的良好经济效益，在基于GA-BFO算法进行日前调度的基础上进行实时调度具有最少的电力成本，为16.63元。

电力成本下降率如表5所示。优化调度后的电力成本下降率均在12%以上，在日前优化调度中，采用GA-BFO算法得到的调度方案取得最佳经济效益，调度后的电力成本减少了15.83%，当增加临时负荷需求时，对日前优化调度后的家庭用能进行实时调度可进一步提高经济效益，其成本下降率为17.71%。

（2）负荷PAR

图5对比了实际负荷与优化调度负荷的PAR。优化调度后的负荷曲线PAR值均小于3.5，说明调度负荷曲线整体没有明显的负荷峰值。增加电热水器需求后的PAR比原计划的负荷PAR小，这是因为在没有临时负荷需求的情况下，算例家庭的实际负荷以及日前优化调度负荷的最小值均为8点，则在增加电热水器需求后，负荷曲线峰谷差减小，对应的PAR也更小。

具体PAR如表6所示。与GA和BFA算法相比，虽然GA-BFO算法的PAR比GA算法高0.03，但其在日前调度阶段的电力成本下降率为15.83%，比GA算法高3.15%，总体上仍获得更好的结果。

4  结语

本文对城镇住宅家庭用能MOO调度策略展开研究。建立了城镇住宅家庭用能模型，提出了一种日前优化调度策略，并采用改进的BFA算法进行求解，能有效减少电力成本和PAR，进一步地提出了一种对短周期内的家庭负载进行重新调度的实时优化调度策略，在满足用户需求的同时兼顾了电力成本和PAR。在本研究中，城镇住宅家庭用能MOO调度策略是基于价格型DR开展的，为了更好地响应电力市场的需求，提高用户经济效益，下一步可开展具有激励型DR的MOO调度策略研究。

参考文献

[1]禹威威， 刘世林， 陈其工， 等. 考虑电动汽车充电和需求侧响应的光伏微电网多目标优化调度[J]. 电力系统及其自动化学报， 2018， 30（1）： 88-97.

[2]朱兰， 刘伸， 唐陇军， 等. 充放电不确定性响应建模与电动汽车代理商日前调度策略[J]. 电网技术， 2018， 42（10）： 3305-3317.

[3]赵楠， 王昕， 李英娜， 吴晟. 智能电网大背景下电能表技術的发展与研究[J]. 软件， 2017， 38（12）： 129-135.

[4]王成山， 李鹏， 于浩. 智能配电网的新形态及其灵活性特征分析与应用[J]. 电力系统自动化， 2018， 42（10）： 13-21.

[5]Ahmed M S， Mohamed A， Khatib T， et al. Real time optimal schedule controller for home energy management system using new binary backtracking search algorithm[J]. Energy and Buildings， 2017， 138： 215-227.

[6]郝文斌， 李银奇， 张毓格， 等. 基于需求侧响应的家庭电热水器优化调度[J]. 电力系统保护与控制， 2019， 47（2）： 95-100.

[7]Baek K， Ko W， Kim J. Optimal Scheduling of Distributed Energy Resources in Residential Building under the Demand Response Commitment Contract[J]. Energies， 2019， 12（14）： 2810.

[8]Shakeri M， Shayestegan M， Abunima H， et al. An intelligent system architecture in home energy management systems （HEMS） for efficient demand response in smart grid[J]. Energy and Buildings， 2017， 138： 154-164.

[9]鲍毅， 楼凤丹， 王万良. 需求侧管理下智能家庭用电多目标优化控制[J]. 智能系统学报， 2018， 13（1）： 125-130.

[10]Lokeshgupta B， Sivasubramani S. Multi-objective home energy management with battery energy storage systems[J]. Sustainable Cities and Society， 2019， 47： 101458

[11]张禹森， 孔祥玉， 孙博伟， 等. 基于电力需求响应的多时间尺度家庭能量管理优化策略[J]. 电网技术， 2018， 42（6）， 1811-1819.

[12]乔明泽， 边凯宸， 王世喆， 高伟. 集成式低功耗智能家居系统的设计与实现[J]. 软件， 2019， 40（8）： 42-45.

[13]陈中， 李云倩， 冷钊莹， 等. 典型家用大功率负载精细化建模及能量管理策略[J]. 电力系统自动化， 2018， 42（22）： 135-147.

[14]Passino， Kevin M. Biomimicry of bacterial foraging for distributed optimization and control[J]. IEEE control systems magazine， 2002， 22（3）： 52-67.

[15]陕西省地方电力（集团）有限公司. 陕西省居民用电峰谷分时电价实施细则[EB/OL]. （2018-11-09）[2019-11-13]. http：// www.sohu.com/a/276540680_99958577.