鮑毅，樓鳳丹，王萬(wàn)良

（1. 杭州天麗科技有限公司，浙江 杭州 310051; 2. 國(guó)網(wǎng)浙江省電力公司信息通信分公司，浙江 杭州 310073; 3. 浙江工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，浙江 杭州 310023）

家庭用電系統(tǒng)作為需求側(cè)的重要組成部分，其規(guī)律性明顯，用戶數(shù)目眾多，用電總量龐大，也是電網(wǎng)負(fù)荷管理的重要部分。因此，需求側(cè)響應(yīng)概念被越來(lái)越多地引入到平衡電網(wǎng)負(fù)載中[1]?，F(xiàn)階段需求響應(yīng)操作主要可劃分為基于價(jià)格的方式和基于激勵(lì)的方式[2]?；趦r(jià)格的需求響應(yīng)主要依靠分時(shí)電價(jià)策略，依靠需求側(cè)的主觀調(diào)節(jié)方式來(lái)減少電網(wǎng)高峰負(fù)荷?；诩?lì)的需求響應(yīng)是指供電側(cè)制定響應(yīng)，策略，激勵(lì)需求側(cè)在電網(wǎng)負(fù)荷較大時(shí)及時(shí)響應(yīng)，如削減一定的負(fù)荷[3]。然而，現(xiàn)有需求響應(yīng)尚存在諸多問(wèn)題：1)由于電量計(jì)量方式的誤差，數(shù)據(jù)傳輸滯后，需求側(cè)與供電側(cè)所統(tǒng)計(jì)結(jié)果存在差異；2)缺乏合理的激勵(lì)機(jī)制，進(jìn)一步導(dǎo)致需求側(cè)主觀積極性下降；3)缺乏有效的響應(yīng)交互機(jī)制，不利于供電側(cè)對(duì)電能資源進(jìn)行再分配[4-6]。故將智能電網(wǎng)引入需求響應(yīng)有重要實(shí)際意義。

隨著物聯(lián)網(wǎng)的快速發(fā)展，智能電網(wǎng)作為智能化的電能服務(wù)網(wǎng)絡(luò)，提高了供電側(cè)與用電側(cè)的交互性，有利于整體電能的資源合理優(yōu)化和高效利用，進(jìn)一步有利于穩(wěn)定電網(wǎng)負(fù)荷。智能電網(wǎng)在傳統(tǒng)供電側(cè)到需求側(cè)的傳輸基礎(chǔ)上，集合了傳感測(cè)量技術(shù)、網(wǎng)絡(luò)通信技術(shù)、智能計(jì)算技術(shù)和自動(dòng)控制技術(shù)[7]。引入智能電網(wǎng)可以有效地提高計(jì)量方式的準(zhǔn)確性，提高電能資源的分配效率。通過(guò)引入智能電網(wǎng)的實(shí)時(shí)交互策略，調(diào)動(dòng)需求側(cè)參與響應(yīng)或通過(guò)提前簽訂協(xié)議，對(duì)需求側(cè)直接進(jìn)行遠(yuǎn)程的需求響應(yīng)，可以有效地實(shí)現(xiàn)電網(wǎng)負(fù)荷的柔性化管理[8]。

隨著分時(shí)電價(jià)、峰值電價(jià)等策略的提出，需求側(cè)管理更需要保證實(shí)時(shí)性。針對(duì)需求側(cè)大規(guī)模的家庭用電，單一的優(yōu)化算法已不能滿足電網(wǎng)實(shí)時(shí)性的需求?，F(xiàn)有針對(duì)需求響應(yīng)的算法大多應(yīng)用于處理單個(gè)目標(biāo)優(yōu)化問(wèn)題，或簡(jiǎn)單地將多目標(biāo)加權(quán)之后轉(zhuǎn)化為單目標(biāo)來(lái)進(jìn)行優(yōu)化[9]。這種算法在增加了需求側(cè)用電器數(shù)量之后，算法延時(shí)時(shí)間也會(huì)相應(yīng)地增加。本文提出采用多目標(biāo)進(jìn)化算法，以最小化電能消耗和最小化延時(shí)時(shí)間為目標(biāo)，應(yīng)用于需求響應(yīng)控制。供電側(cè)可以通過(guò)提前與用戶簽訂協(xié)議，在家庭中布置智能控制器，對(duì)家用電器進(jìn)行實(shí)時(shí)控制，以便在電網(wǎng)高峰時(shí)期減小電網(wǎng)負(fù)荷。

1 智能電網(wǎng)環(huán)境下家電系統(tǒng)運(yùn)行方式

智能電網(wǎng)領(lǐng)域有各種通信架構(gòu)，而在互聯(lián)網(wǎng)等公共領(lǐng)域，合適架構(gòu)的選擇問(wèn)題是至關(guān)重要的。適合的架構(gòu)可以使用戶便捷地參與到需求響應(yīng)的過(guò)程中，并且保證了系統(tǒng)的實(shí)時(shí)性[10]。針對(duì)家庭常用電器，如冰箱、空調(diào)、熱水器、飲水機(jī)、電視機(jī)、電腦、洗衣機(jī)及照明電路等，這些負(fù)載可分為保障型負(fù)載和附加型負(fù)載。保障型負(fù)載(如照明電路等)作為居民生活條件的基本保障，且由于其功率相對(duì)較低，因此不作為家庭用電優(yōu)化控制的對(duì)象。圖1所示的智能電網(wǎng)下的家庭用電管理系統(tǒng)，只顯示出附加型負(fù)載，而不包括對(duì)保障型負(fù)載的控制，以實(shí)現(xiàn)在需求側(cè)管理過(guò)程中，對(duì)需求側(cè)居民生活所造成的影響降到最小。智能電網(wǎng)下的家庭用電管理系統(tǒng)結(jié)構(gòu)圖如圖1所示。智能家庭用電管理系統(tǒng)中，多項(xiàng)附加型負(fù)載均通過(guò)控制器再接入電路中。供電側(cè)可從控制器中獲取用戶家庭耗電量，如某一家電的單位時(shí)間電能消耗情況，并對(duì)統(tǒng)計(jì)信息進(jìn)行優(yōu)化計(jì)算，將計(jì)算結(jié)果返回控制器，進(jìn)一步對(duì)家庭中的附加型負(fù)載進(jìn)行控制，以減弱高峰時(shí)刻的電網(wǎng)負(fù)荷。

圖 1 智能家庭用電管理系統(tǒng)Fig. 1 Diagram of home energy management system

圖1中所示控制器采用交互式通信平臺(tái)，集成用電量計(jì)量技術(shù)，除獲取電網(wǎng)負(fù)荷數(shù)據(jù)并對(duì)管理家庭用電量進(jìn)行管理的功能之外，其還可以對(duì)用戶提供電價(jià)的分時(shí)段計(jì)量，減少用戶的用電費(fèi)用。并通過(guò)控制器內(nèi)置的光線傳感器和溫度傳感器，獲取家庭內(nèi)的環(huán)境信息以進(jìn)一步對(duì)家庭中電器做出多級(jí)調(diào)整，在盡可能保證用戶舒適度的同時(shí)實(shí)現(xiàn)電網(wǎng)平衡?？刂破飨到y(tǒng)結(jié)構(gòu)圖如圖2所示。

圖 2 控制器系統(tǒng)結(jié)構(gòu)Fig. 2 Chart of control system structure

2 多目標(biāo)算法在需求側(cè)管理中的應(yīng)用

需求側(cè)管理下的家庭用電響應(yīng)模式是指家庭用戶依據(jù)自己的經(jīng)濟(jì)和舒適型要求采取的負(fù)荷響應(yīng)方式，為了使供電側(cè)(如電力公司等)具有即時(shí)管理能力，需要用戶與供電側(cè)簽訂合同，使供電側(cè)可以通過(guò)智能控制器，直接控制用戶家中的部分附加型負(fù)載。并且用戶可以根據(jù)本家庭負(fù)載情況，自主對(duì)家庭中多種大功率附加型負(fù)載進(jìn)行權(quán)值設(shè)置[11]，權(quán)值大的優(yōu)先級(jí)高，在用電高峰時(shí)期到來(lái)之前，供電側(cè)可以對(duì)權(quán)值較小的負(fù)載進(jìn)行優(yōu)先降負(fù)荷處理。

2.1 附加型負(fù)載系統(tǒng)模型

根據(jù)家庭用電負(fù)載的特點(diǎn)，選取空調(diào)、熱水器等附加型負(fù)載作為優(yōu)化控制對(duì)象，設(shè)置空調(diào)權(quán)重為αk，熱水器權(quán)重為 αr。

附加型負(fù)載耗電模型[12-14]為式中：Pk為空調(diào)功率，Pr為熱水器功率，i為空調(diào)數(shù)量，j為熱水器數(shù)量，qt為時(shí)隙 t內(nèi)電價(jià)，βd和 βe均為負(fù)載的工作指數(shù)，Qt為時(shí)隙t內(nèi)附加型負(fù)載的耗電所產(chǎn)生的用電費(fèi)用。該模型同樣可以應(yīng)用到電網(wǎng)系統(tǒng)集中控制中，對(duì)多個(gè)家庭的用電負(fù)荷進(jìn)行計(jì)量與優(yōu)化，同時(shí)也便于擴(kuò)展其他類型的家用電器進(jìn)行優(yōu)化運(yùn)算。其中，用戶家庭中當(dāng)前用電功率為

式中Wt為時(shí)隙t內(nèi)用戶的附加型負(fù)載總功率。

由于需求側(cè)管理機(jī)制直接操作了用戶家庭電器情況，在一定程度上影響了用戶體驗(yàn)，引入最小操作量函數(shù)Z：

式中：Wt為控制器監(jiān)測(cè)到時(shí)隙t內(nèi)，電網(wǎng)負(fù)荷逼近高峰時(shí)刻需要進(jìn)行需求管理時(shí)的家庭內(nèi)負(fù)荷總功率，Wx為用戶端響應(yīng)后，對(duì)附加型負(fù)載進(jìn)行調(diào)節(jié)后的家庭內(nèi)負(fù)荷總功率；T為響應(yīng)總時(shí)間，即在響應(yīng)過(guò)程中對(duì)用戶造成的總影響的時(shí)間；Z為響應(yīng)過(guò)程中，供電側(cè)為了削峰保護(hù)而對(duì)需求側(cè)做出的管理后所節(jié)約的電能總量，單位是kW·h。

2.2 多目標(biāo)蜻蜓算法

目前，在家庭用電優(yōu)化控制[15]中主要采用的方法有粒子群算法[16]和遺傳算法[17]等，主要思想均是明確目標(biāo)函數(shù)與約束條件信息，在全局范圍內(nèi)尋求概率最大的解，適合解決復(fù)雜的非線性尋優(yōu)問(wèn)題。但是考慮到需求響應(yīng)的即時(shí)性，即為了防止電網(wǎng)負(fù)荷達(dá)到峰頂，需要在負(fù)荷增長(zhǎng)的過(guò)程中就開(kāi)始對(duì)協(xié)議用戶進(jìn)行一定量的響應(yīng)控制。而粒子群算法和遺傳算法均需要較長(zhǎng)時(shí)間的初始化和迭代過(guò)程，很難達(dá)到所要求分鐘級(jí)別的響應(yīng)時(shí)間，因此需要計(jì)算時(shí)間更短、反應(yīng)速度更快的多目標(biāo)優(yōu)化算法。

多目標(biāo)蜻蜓算法是近年來(lái)新提出的一種進(jìn)化算法，其主要靈感來(lái)自于蜻蜓在哺食與避敵過(guò)程中通過(guò)對(duì)路徑的規(guī)劃與探索來(lái)完成預(yù)定目標(biāo)的特性，在兩者均需要達(dá)到最佳的時(shí)候選取最近的路徑，在此將捕食與避敵過(guò)程分別看成用戶總耗電量和所受影響時(shí)間兩個(gè)目標(biāo)。在算法中，將一系列過(guò)程抽象化為3個(gè)特征，即分散、同步、匯聚，并以數(shù)學(xué)方式建模。

將上述算法引入系統(tǒng)優(yōu)化控制模型中，將附加型負(fù)載的數(shù)量視為蜻蜓的數(shù)量，耗電量和響應(yīng)延時(shí)時(shí)間視為捕食與避敵過(guò)程，設(shè)定優(yōu)化個(gè)體數(shù)量為m，m表示為家庭總數(shù)。針對(duì)系統(tǒng)負(fù)載影響最大的空調(diào)和熱水器等附加型負(fù)載進(jìn)行試驗(yàn)，目標(biāo)為耗電量最小和高峰時(shí)段需求響應(yīng)時(shí)間最短。根據(jù)某用電監(jiān)管平臺(tái)數(shù)據(jù)，對(duì)全天多戶家庭負(fù)載功率數(shù)的平均值進(jìn)行了統(tǒng)計(jì)。為了清晰描述出優(yōu)化控制過(guò)程中的最小化負(fù)載數(shù)和最小化響應(yīng)延時(shí)時(shí)間這兩個(gè)目標(biāo)參數(shù)，本文將用式(5)～(11)來(lái)對(duì)其進(jìn)行模擬，其表達(dá)式如下[18-19]。

1) 分散行為：

式中：X表示當(dāng)前個(gè)體的位置, Xj表示第j個(gè)相鄰個(gè)體的位置，n為相鄰個(gè)體的總數(shù)。在本控制過(guò)程中，Xj為j時(shí)隙過(guò)程中系統(tǒng)的耗電量。

2) 同步行為：

式中：Vj表示第j個(gè)相鄰個(gè)體的速度, n為相鄰個(gè)體的總數(shù)，N為個(gè)體總數(shù)。在本控制過(guò)程中，將其視為響應(yīng)時(shí)的速度，即智能控制器調(diào)節(jié)負(fù)載過(guò)程的行為。

3) 匯聚行為：

式中：X表示當(dāng)前個(gè)體的位置，Xj表示第j個(gè)相鄰個(gè)體的位置，n為相鄰個(gè)體的總數(shù)，N為個(gè)體總數(shù)。匯聚行為即表示優(yōu)化過(guò)程中算法的收斂過(guò)程。

4) 優(yōu)化過(guò)程：

蜻蜓在捕食過(guò)程中，趨向于食物的定義為

式中：X表示當(dāng)前個(gè)體的位置， 表示食物源的位置。在本控制過(guò)程中，將Fi視為響應(yīng)延時(shí)時(shí)間，為目標(biāo)函數(shù)之一。

5) 避敵行為：

另一方面，蜻蜓規(guī)避天敵的定義為

式中：s表示分散行為的權(quán)重，Si表示第i個(gè)個(gè)體行進(jìn)分散行為，a表示同步行為的權(quán)重，Ai表示第i個(gè)個(gè)體行進(jìn)同步行為，c表示匯聚行為的權(quán)重，Ci表示第i個(gè)個(gè)體行進(jìn)匯聚行為，f表示食物特征系數(shù)，F(xiàn)i表示第i個(gè)個(gè)體的食物源，e表示天敵特征系數(shù)，Ei表示第i個(gè)個(gè)體天敵的位置，w為迭代權(quán)重，t為迭代計(jì)數(shù)。此外，位置向量定義為

綜上，該算法可同時(shí)以兩個(gè)目標(biāo)為收斂條件，比傳統(tǒng)優(yōu)化算法收斂速度快，可以達(dá)到及時(shí)響應(yīng)的效果。

具體算法步驟：

1) 算法讀取當(dāng)前系統(tǒng)耗電量，Si=Qt；

2) 讀取當(dāng)前系統(tǒng)響應(yīng)時(shí)間，Ei=Z；

3) 輸入待優(yōu)化數(shù)目，初始設(shè)為m，設(shè)置空調(diào)和熱水器權(quán)值相等，αk=αr；

4) 根據(jù)式(10)(位置和加速度)對(duì)系統(tǒng)的耗電量和響應(yīng)時(shí)間進(jìn)行迭代計(jì)算，初始化迭代步數(shù)為30；

5) 進(jìn)行響應(yīng)管理時(shí)刻，優(yōu)先對(duì)權(quán)值較小的負(fù)載進(jìn)行處理；

6) 選取收斂標(biāo)準(zhǔn)，當(dāng)系統(tǒng)整體耗電量降為歷史數(shù)據(jù)的80%時(shí)，即認(rèn)為算法運(yùn)行有效，選取所受影響時(shí)間最短的值作為輸出結(jié)果。

3 仿真實(shí)驗(yàn)結(jié)果分析

通過(guò)對(duì)某小區(qū)內(nèi)500余戶家庭的家電負(fù)荷進(jìn)行實(shí)地調(diào)查，排除照明設(shè)施等保障性負(fù)載，僅考慮空調(diào)和熱水器兩種負(fù)荷較大的家電。現(xiàn)有參數(shù)信息如表1，表1展示了某小區(qū)主要家電負(fù)荷信息統(tǒng)計(jì)，從中可以看出，雖然空調(diào)熱水器作為附加型負(fù)載，但是居民的日常使用頻率依然很高，且電器數(shù)量也超過(guò)了家庭總數(shù)。表2展示了該小區(qū)的分時(shí)電價(jià)信息。

表 1 某小區(qū)主要家電負(fù)荷信息統(tǒng)計(jì)Table 1 Home appliance load information

表 2 分時(shí)電價(jià)信息Table 2 Time-sharing electricity price

針對(duì)電網(wǎng)運(yùn)行高峰時(shí)段，展示出對(duì)比響應(yīng)前后的家庭附加型負(fù)載總功率數(shù)，如圖3所示。從圖3可明顯看出，應(yīng)用了本算法之后，相較于優(yōu)化前和遺傳算法情況，用戶用電量的平均功率數(shù)有了明顯下降。圖3中“o”型曲線所顯示的為優(yōu)化前的500戶用戶的平均功率數(shù)，其分布較散，且均值較大。應(yīng)用了遺傳算法進(jìn)行優(yōu)化之后，用戶的平均功率數(shù)下降了20.6%，如圖中“*”型曲線所示，而本算法則有較好的處理效果，如圖3中“+”型曲線所示。同時(shí)從用戶角度出發(fā)，本文計(jì)算了高峰時(shí)刻用戶用電所花費(fèi)的情況，其對(duì)比結(jié)果如圖4所示，圖4展示了多目標(biāo)優(yōu)化后的用戶平均花費(fèi)情況。類似于圖3，圖4中“o”型曲線為優(yōu)化前高峰時(shí)段用戶用電平均花費(fèi)，“Δ”型曲線為應(yīng)用遺傳算法之后的效果，“+”型曲線為本算法的應(yīng)用效果，結(jié)果顯示本算法也幫助用戶節(jié)約了一定費(fèi)用。為了展示本算法的運(yùn)算過(guò)程，本文對(duì)遺傳算法與本算法的延時(shí)時(shí)間進(jìn)行了實(shí)驗(yàn)并統(tǒng)計(jì)了結(jié)果，平均延時(shí)時(shí)間如圖5所示。

圖 3 優(yōu)化前后平均功率數(shù)對(duì)比Fig. 3 Comparison of average power

圖 4 優(yōu)化前后用戶用電花費(fèi)對(duì)比Fig. 4 Comparison of user electricity consumption

圖 5 平均延時(shí)時(shí)間對(duì)比Fig. 5 Comparison of average delay times

從響應(yīng)的延時(shí)時(shí)間角度可明顯看出，傳統(tǒng)遺傳算法其響應(yīng)時(shí)間長(zhǎng)且波動(dòng)較大，上下浮動(dòng)在10～40 min ，而實(shí)施本文算法之后，由于算法收斂速度快，計(jì)算結(jié)果迅速，其整體的響應(yīng)時(shí)間在4.5 min上下波動(dòng)，可以達(dá)到及時(shí)響應(yīng)的效果。

針對(duì)一天內(nèi)的高峰時(shí)刻電量消耗變化量，本文進(jìn)行了500戶家庭一天內(nèi)各個(gè)時(shí)間段的電量消耗量的統(tǒng)計(jì)，結(jié)果如圖6所示。圖6顯示了500戶家庭在一天內(nèi)各個(gè)時(shí)刻的平均電能消耗量與應(yīng)用了遺傳算法和本算法之后的效果對(duì)比。從圖6中優(yōu)化前的數(shù)據(jù)可以看出，每小時(shí)的平均電能消耗量(kW·h)在6:00之后有了明顯的上升趨勢(shì)，并且在12:00～13:00維持了較高的消耗量，一直持續(xù)到晚上21:00開(kāi)始有了下降趨勢(shì)。本算法的結(jié)果如圖6中“+”形曲線所示，可以看出本算法在高峰時(shí)期的每小時(shí)耗電量較為平穩(wěn)，且相較于遺傳算法優(yōu)化結(jié)果和未優(yōu)化前結(jié)果，本算法在高峰時(shí)期有較好的降負(fù)載效果。

圖 6 一天內(nèi)電量消耗情況Fig. 6 Power consumption during one day

4 結(jié)束語(yǔ)

需求側(cè)管理作為一種緩解電網(wǎng)高峰負(fù)荷的有效手段，一直以來(lái)面對(duì)著需求側(cè)用戶數(shù)量眾多、單一耗電量低、應(yīng)用困難的問(wèn)題。在智能電網(wǎng)的環(huán)境下，在對(duì)需求側(cè)眾多用戶應(yīng)用了多目標(biāo)優(yōu)化算法之后，可以在較短的時(shí)間內(nèi)得出計(jì)算結(jié)果并通過(guò)智能控制器對(duì)家庭用電器進(jìn)行需求側(cè)管理。實(shí)驗(yàn)結(jié)果顯示，對(duì)小規(guī)模群體用戶施行需求側(cè)管理操作可以有效地降低其功率平均數(shù)，同時(shí)降低了用戶的用電費(fèi)用，進(jìn)一步可以降低電網(wǎng)負(fù)荷，保障電網(wǎng)的穩(wěn)定性。優(yōu)化控制過(guò)程中引入多目標(biāo)蜻蜓算法，在約束了系統(tǒng)耗電量降低的最低標(biāo)準(zhǔn)后，實(shí)驗(yàn)中算法收斂速度快，可以達(dá)到分鐘級(jí)別的響應(yīng)效果，適合在實(shí)際生活中應(yīng)用。本實(shí)驗(yàn)尚存在一些不足，如尚未對(duì)多數(shù)小區(qū)同時(shí)進(jìn)行需求響應(yīng)的集中控制，下一階段的主要目標(biāo)是針對(duì)中大規(guī)模的家庭群進(jìn)行需求響應(yīng)優(yōu)化控制。

[1]中國(guó)電力企業(yè)聯(lián)合會(huì)規(guī)劃發(fā)展部. 2016年電力供需形勢(shì)分析預(yù)測(cè)與建議[J]. 中國(guó)電力企業(yè)管理, 2016(4): 27–29.China federation of electric power enterprise planning and development. 2016 Analysis and forecast of electricity supply demand and the suggestion[J]. China electric power enterprise management, 2016(4): 27–29.

[2]SIANO P. Demand response and smart grids—a survey[J].Renewable and sustainable energy reviews, 2014, 30:461–478.

[3]薛晨, 黎燦兵, 曹一家, 等. 智能電網(wǎng)中的電網(wǎng)友好技術(shù)概述及展望[J]. 電力系統(tǒng)自動(dòng)化, 2011, 35(15): 102–107.XUE Chen, LI Canbing, CAO Yijia, et al. An overview and prospects of grid friendly technology in smart grid[J]. Automation of electric power systems, 2011, 35(15): 102–107.

[4]GUNGOR V C, SAHIN D, KOCAK T, et al. Smart grid technologies: communication technologies and standards[J]. IEEE transactions on industrial informatics, 2011, 7(4):529–539.

[5]GKATZIKIS L, KOUTSOPOULOS I, SALONIDIS T. The role of aggregators in smart grid demand response markets[J]. IEEE journal on selected areas in communications, 2013, 31(7): 1247–1257.

[6]IWAYEMI A, YI Peizhong, DONG Xihua, et al. Knowing when to act: an optimal stopping method for smart grid demand response[J]. IEEE network, 2011, 25(5): 44–49.

[7]劉壯志, 許柏婷, 牛東曉. 智能電網(wǎng)需求響應(yīng)與均衡分析發(fā)展趨勢(shì)[J]. 電網(wǎng)技術(shù), 2013, 37(6): 1555–1561.LIU Zhuangzhi, XU Baiting, NIU Dongxiao. Development tendency of equilibrium analysis and demand response for smart grid[J]. Power system technology, 2013, 37(6):1555–1561.

[8]王丹, 范孟華, 賈宏杰. 考慮用戶舒適約束的家居溫控負(fù)荷需求響應(yīng)和能效電廠建模[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2014,34(13): 2071–2077.WANG Dan, FAN Menghua, JIA Hongjie. User comfort constraint demand response for residential thermostaticallycontrolled loads and efficient power plant modeling[J]. Proceedings of the CSEE, 2014, 34(13): 2071–2077.

[9]SAELE H, GRANDE O S. Demand response from household customers: experiences from a pilot study in norway[J]. IEEE transactions on smart grid, 2011, 2(1): 102–109.

[10]陸蘇青, 唐楠, 王蓓蓓, 等. 美國(guó)需求響應(yīng)技術(shù)和思考(下)[J]. 電力需求側(cè)管理, 2016(1): 60–64.LU Suqing, TANG Nan, WANG Beibei, et al. Demand response technology and thinking in America[J]. Power demand side management, 2016(1): 60–64.

[11]NORRIS S, PENDAKUR K. Imputing rent in consumption measures, with an application to consumption poverty in Canada, 1997–2009[J]. Canadian journal of economics/revue canadienne d'économique, 2013, 46(4): 1537–1570.

[12]CONSTANTOPOULOS P, SCHWEPPE F C, LARSON R C. Estia: a real-time consumer control scheme for space conditioning usage under spot electricity pricing[J]. Computers and operations research, 1991, 18(8): 751–765.

[13]LEE J, PARK G L, KIM S W, et al. Power consumption scheduling for peak load reduction in smart grid homes[C]//Proceedings of 2011 ACM Symposium on Applied Computing. TaiChung, China, 2011: 584–588.

[14]NASIRAGHDAM H, JADID S. Load model effect assessment on optimal distributed generation (DG) sizing and allocation using improved harmony search algorithm[C]//Proceedings of 2013 Smart Grid Conference. Tehran, Iran,2013: 210–218.

[15]張延宇, 曾鵬, 李忠文, 等. 智能電網(wǎng)環(huán)境下空調(diào)系統(tǒng)多目標(biāo)優(yōu)化控制算法[J]. 電網(wǎng)技術(shù), 2014, 38(7): 1819–1826.ZHANG Yanyu, ZENG Peng, LI Zhongwen, et al. A multi-objective optimal control algorithm for air Conditioning system in smart grid[J]. Power system technology,2014, 38(7): 1819–1826.

[16]XIONG Gang, CHEN Chen, KISHORE S, et al. Smart (inhome) power scheduling for demand response on the smart grid[C]//Proceedings of 2011 IEEE PES Innovative Smart Grid Technologies. Anaheim, CA, USA, 2011: 1–7.

[17]MOHSENIAN-RAD A H, WONG V W S, JATSKEVICH J, et al. Optimal and autonomous incentive-based energy consumption scheduling algorithm for smart grid[C]//Proceedings of 2010 Innovative Smart Grid Technologies.Gaithersburg, MD, USA, 2010: 1–6.

[18]BASU B, MAHANTI G K. Thinning of concentric tworing circular array antenna using fire fly algorithm[J]. Scientia iranica, 2012, 19(6): 1802–1809.

[19]REYNOLDS C W. Flocks, herds and schools: a distributed behavioral model[C]//Proceedings of the 14th Annual Conference on Computer Graphics and Interactive Techniques. New York, NY, USA, 1987: 25–34.