李濮如, 吳瓊, 任洪波, 李琦芬, 楊涌文

(上海電力大學(xué)能源與機械工程學(xué)院, 上海 201306)

中國家庭居民用電量約占全社會總用電量的14.21%[1]。隨著城市化進(jìn)程的加速推進(jìn)和居民生活水平的不斷提升,住宅能耗總量還將持續(xù)增長。在“雙碳”目標(biāo)下,有必要對家庭用能設(shè)備進(jìn)行智能控制和精細(xì)化管理,從而緩解住宅能耗持續(xù)增長壓力。家庭能源管理系統(tǒng)(home energy management system, HEMS)應(yīng)運而生[2],可通過需求響應(yīng)、負(fù)荷靈活調(diào)節(jié)深度挖掘用戶節(jié)能潛力。

現(xiàn)階段,中外學(xué)者已針對HEMS優(yōu)化策略開展了大量卓有成效的研究,大都以用能費用最低為優(yōu)化目標(biāo)[3-4]。文獻(xiàn)[5]建立了一種柔性負(fù)荷運行模型,以家庭用電費用最優(yōu)為目標(biāo),制定了動態(tài)電價下的家庭負(fù)荷優(yōu)化策略。隨著用戶舒適性需求日益提升,綜合考慮經(jīng)濟(jì)性和舒適性的家庭用能多目標(biāo)優(yōu)化調(diào)度越發(fā)受到關(guān)注。文獻(xiàn)[6]引入預(yù)計平均熱感覺指數(shù)PMV(predicted mean vote),通過計算PMV指標(biāo)與溫度之間的關(guān)系,得出 24.8～27.3 ℃為最優(yōu)舒適溫度區(qū)間,進(jìn)而利用簡化的熱負(fù)荷模型得出溫度與冷/熱負(fù)荷的關(guān)系,對家庭能源中心進(jìn)行優(yōu)化調(diào)度。文獻(xiàn)[7]以溫度舒適度違反率對用戶不確定行為進(jìn)行量化,綜合考慮用戶用能經(jīng)濟(jì)性和舒適性。文獻(xiàn)[8]針對3種家庭典型大功率可控負(fù)荷,提出考慮節(jié)能和溫度舒適度的能源管理策略。然而,上述研究大多僅圍繞用戶溫度舒適性展開,忽略了因設(shè)備使用時間遷移而引起的用能舒適性。同時,不同用戶用能行為和習(xí)慣存在較大差異,現(xiàn)有研究缺乏不同經(jīng)濟(jì)性和舒適性偏好下的多類型用戶差異性分析。

此外,家庭能源系統(tǒng)正不斷更新迭代,尤其是光儲充一體化技術(shù)的滲透對HEMS管理策略帶來新的挑戰(zhàn)。一方面,光伏發(fā)電具有較大波動性和不確定性,其發(fā)電量的準(zhǔn)確預(yù)測直接影響HEMS優(yōu)化策略?；谌斯ぶ悄艿墓夥隽︻A(yù)測方法是當(dāng)前研究熱點,其中,長短期記憶網(wǎng)絡(luò)LSTM因其時間序列數(shù)據(jù)處理效果好、預(yù)測精度高而被廣泛應(yīng)用[9-10]。文獻(xiàn)[11]采用小梯度下降算法優(yōu)化LSTM模型,降低了模型訓(xùn)練難度。文獻(xiàn)[12]使用超參數(shù)影響分析設(shè)置LSTM參數(shù),提高了預(yù)測精度。如何將LSTM與已有算法結(jié)合,通過組合模型實現(xiàn)預(yù)測效果的進(jìn)一步提升是未來研究重點。另一方面,作為一種新型電力負(fù)荷,電動汽車正不斷涌入家庭[13-15]。文獻(xiàn)[16]提出了一種基于精英反向?qū)W習(xí)的改進(jìn)灰狼算法,并應(yīng)用于電動汽車充電調(diào)度。文獻(xiàn)[17]提出了一種考慮電動汽車接入隨機性的有序充放電策略。然而,上述研究大多將電動汽車作為純負(fù)荷考慮,忽略了其反向供能(vehicle to home,V2H)特性及與其他儲能設(shè)備的協(xié)同作用,同時缺乏對電動汽車不同使用習(xí)慣的個性化分析。

針對上述問題,現(xiàn)耦合改進(jìn)慣性權(quán)重混沌粒子群算法(integer coded particle swarm optimization, ICPSO)和長短期記憶神經(jīng)網(wǎng)絡(luò),構(gòu)建一種ICPSO-LSTM組合預(yù)測模型,對光伏出力進(jìn)行精準(zhǔn)預(yù)測;將家庭負(fù)荷分為不可調(diào)度、可中斷、可轉(zhuǎn)移3種類型,結(jié)合電動汽車短途、中途、長途3種出行方式及V2H模式,對負(fù)荷進(jìn)行精細(xì)化建模;設(shè)置不同偏好參數(shù),將用戶分為經(jīng)濟(jì)型、標(biāo)準(zhǔn)型和舒適型,綜合考慮用戶用能成本、溫度舒適性和用能舒適性,采用ICPSO算法對多目標(biāo)優(yōu)化模型進(jìn)行求解,分析三類用戶的不同供用能策略。

1 家庭多類別負(fù)荷建模

光儲充一體化家庭能源系統(tǒng)如圖1所示,主要由光伏發(fā)電、儲能設(shè)備、智能電表、用電負(fù)荷等組成。優(yōu)先使用光伏出力,不足部分從電網(wǎng)購電。

圖1 家庭能源系統(tǒng)示意圖Fig.1 Diagram of home energy management system

1.1 可調(diào)度負(fù)荷模型

將家庭主要用電負(fù)荷分為可調(diào)度和不可調(diào)度兩類。其中,根據(jù)可調(diào)度負(fù)荷在運行期間是否能隨時停機,又分為可中斷負(fù)荷和可轉(zhuǎn)移負(fù)荷。

1.1.1 可中斷負(fù)荷模型

可中斷負(fù)荷指用電時間及功率可調(diào)整,主要指空調(diào)、蓄電池、電動汽車等[18]。

1)空調(diào)設(shè)備

假設(shè)在一段時間內(nèi),空調(diào)可多次啟停,其平均功率可以是零功率和額定功率之間的任何值。室內(nèi)溫度與空調(diào)功率的關(guān)系為

(1)

2)蓄電池設(shè)備

家用蓄電池設(shè)備某一時刻的電池電量與前一時刻的電池電量、充放電功率和自然損耗有關(guān),電池充放電模型分別為

(2)

(3)

(4)

考慮到過充和過放會對電池壽命造成危害,電池的充放電狀態(tài)應(yīng)有一定限制。蓄電池的荷電狀態(tài)限制如式(5)所示,充放電功率限制如式(6)所示。

SOCmin

(5)

(6)

式中:SOCmin為避免過度放電的最小狀態(tài)值;SOCmax為避免過度充電的最大狀態(tài)值;Pch,max和Pdisch,max為蓄電池最大充放電功率。

3)電動汽車

電動汽車在充放電時的數(shù)學(xué)模型與蓄電池類似,但有其特有的負(fù)荷使用特性,需要額外約束條件,即

(7)

此外,電動汽車出行與家庭生活習(xí)慣密切相關(guān)[16],本文研究將電動汽車出行計劃分為3種情形[17]:短途出行(10～40 km)、中途出行(40～80 km)和長途出行(80～120 km)。不同出行計劃表如圖2所示。

圖2 電動汽車出行計劃表Fig.2 Drive patterns of vehicle

1.1.2 可轉(zhuǎn)移負(fù)荷模型

可轉(zhuǎn)移負(fù)荷指電能消耗不能削減或中斷,但可以平移至其他時段[19],主要包括:洗衣機、洗碗機、掃地機等。為便于建模,假定所有可轉(zhuǎn)移負(fù)荷均處于恒功率模式,可表示為

(8)

1.2 不可調(diào)度負(fù)荷模型

不可調(diào)度負(fù)荷指負(fù)荷不能進(jìn)行平移或中斷,無法參與需求響應(yīng),主要包括電燈、電視、個人電腦、冰箱等,其模型為

(9)

2 多目標(biāo)優(yōu)化函數(shù)

為構(gòu)建家庭能源管理系統(tǒng)多目標(biāo)優(yōu)化調(diào)度模型,在降低用戶經(jīng)濟(jì)成本[20]的同時,兼顧溫度舒適度和用能舒適度,目標(biāo)函數(shù)為

(10)

式(10)中:Fcost為總支出;Fcomfort為用戶舒適度;Fcost,min為只考慮經(jīng)濟(jì)性情況下,用戶最小總支出;Fcomfort,min為只考慮舒適度情況下,用戶最小舒適度;k1、k2分別為經(jīng)濟(jì)偏好和舒適偏好權(quán)重,滿足0≤k1、k2≤1,且k1+k2=1。用戶可分為:經(jīng)濟(jì)型、標(biāo)準(zhǔn)型和舒適型,如表1所示。

表1 3種類型用戶及其主要特征Table 1 Main characteristics of three types of users

2.1 用戶用電成本模型

在一個調(diào)度周期內(nèi),用電成本可表示為

Fcost=Ftotal-FDR

(11)

(12)

(13)

FDR=CDRPreΔt

(14)

2.2 用戶舒適度模型

在使用 HEMS 進(jìn)行調(diào)度優(yōu)化時,空調(diào)等可中斷負(fù)荷會對用戶溫度舒適度產(chǎn)生影響,而設(shè)備運行時間改變時會對用能舒適度產(chǎn)生影響。因此,對用戶舒適度從兩方面進(jìn)行建模。

Fcomfort=λp+λs

(15)

(16)

式中:λp和λs分別為用戶溫度舒適度、用能舒適度,室溫越接近最舒適溫度,λp越小,用戶的熱舒適度越高;Tset為最舒適溫度值;γp為t時溫度舒適度的相對重要性,房間內(nèi)無人時設(shè)置γp為0。

用戶舒適度指數(shù)設(shè)置為室內(nèi)溫度,滿足

(17)

式(17)中:TL、TM分別為室內(nèi)舒適允許最低和最高溫度,由人體舒適性氣象指標(biāo)計算得出TL=23 ℃,TM=26 ℃[20]。

由于負(fù)荷響應(yīng)確定的設(shè)備工作時間與用戶偏好間存在偏差,用能滿意度將會降低,為此,用能舒適度表示為實際優(yōu)化后的設(shè)備工作時間與用戶最期望工作時間之間的線性距離,即

(18)

本文研究采用一種基于改進(jìn)慣性權(quán)重的混沌粒子群優(yōu)化算法ICPSO對整體模型進(jìn)行求解。

3 光伏出力預(yù)測模型

如前所述,為合理確定預(yù)測模型的最佳參數(shù),提高光伏出力的預(yù)測精度,本文研究提出一種基于ICPSO-LSTM的組合預(yù)測模型。

3.1 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)是一種改良的循環(huán)神經(jīng)網(wǎng)絡(luò) (recurrent neural network, RNN),對計算節(jié)點進(jìn)行了重新設(shè)計,增加了1個記憶單元和3個門控單元:輸入門、輸出門和遺忘門,使其僅保留重要信息,避免梯度爆炸現(xiàn)象。典型結(jié)構(gòu)如圖3所示。

xt為當(dāng)前輸入值;ht-1為上個輸出值;gt為輸入門激發(fā)輸出結(jié)果;ft為遺忘門激發(fā)輸出結(jié)果;ct為記憶單元激發(fā)輸出結(jié)果;ht為當(dāng)前輸出值圖3 LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 LSTM network structure

3.2 ICPSO-LSTM組合預(yù)測模型

本文提出的ICPSO-LSTM組合預(yù)測流程如圖4所示。通過ICPSO算法的尋優(yōu)能力對LSTM神經(jīng)網(wǎng)絡(luò)的權(quán)值和參數(shù)進(jìn)行優(yōu)化[21]。ICPSO算法在每次迭代過程中,將更好的粒子存儲在精英庫中,并采用最速下降法快速找到接近最優(yōu)解的值,避免算法的早熟收斂。在此算法中,任何粒子的位置Xk=[xk1,xk2,…,xkj,…,xkJ]T代表了一個優(yōu)化問題的可能解,K粒子形成一個總體來搜索問題的解空間。在迭代過程中,通過式(19)和式(20)更新每個粒子的位置。

圖4 基于ICPSO-LSTM的預(yù)測流程圖Fig.4 Prediction flow chart based on ICPSO-LSTM

Vk=ωVk+c1rand1(Pbest,k-Xk)+

c2rand2(Gbest,k-Xk)

(19)

Xk=Vk+Xk

(20)

式中:Xk為第k個粒子在空間中的位置;Vk為粒子k的速度;Pbest,k為個體最佳位置;Gbest,k為全局最優(yōu)位置;rand1和rand2為均勻分布在區(qū)間[0,1]內(nèi)的獨立隨機數(shù);c1和c2為加速度常數(shù);ω為慣性權(quán)重因子。

為防止粒子在局部極值附近聚集,陷入局部最優(yōu),ICPSO算法通過改變慣性權(quán)重來平衡粒子的全局和局部搜索能力。

ω(n)=

(21)

(22)

式中:ω(n)為當(dāng)前迭代次數(shù)下的慣性權(quán)重值;S(n)為當(dāng)前迭代次數(shù)下Sigmoid函數(shù)值;λi為第i個粒子此時的混沌擾動變量值;δ為種群適應(yīng)度方差;ε為方差臨界值;Nmax為最大迭代次數(shù);n為當(dāng)前迭代次數(shù);ωmax、ωmin為慣性權(quán)重最大值和最小值。

在慣性權(quán)重變換中引入種群適應(yīng)度方差和混沌擾動策略。利用種群適應(yīng)度方差(粒子之間的熵)來判斷粒子的聚集程度,即式(21)中的δ2。當(dāng)δ2大于臨界值時,無擾動;當(dāng)δ2小于臨界值時,粒子越收斂,種群的多樣性越差。此時,采用混沌擾動策略調(diào)整粒子的運動,增強種群的多樣性,使粒子及時跳出局部最優(yōu):

λi+1=4.0λi(1-λi)

(23)

式(23)中:λi+1為第i+1個粒子的混沌擾動變量值;初始值λ0為區(qū)間(0,1)的隨機值。

總體來說,ICPSO-LSTM組合預(yù)測分為以下步驟:①將實驗數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù);②初始化自適應(yīng)ICPSO算法,以各粒子對應(yīng)參數(shù)構(gòu)建初始LSTM模型,確定優(yōu)化對象,通過訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練,通過驗證數(shù)據(jù)評價模型預(yù)測精度,將預(yù)測結(jié)果的平均絕對百分比誤差作為各粒子的適應(yīng)度值;③通過ICPSO算法,對粒子位置進(jìn)行更新,將更新后得到的最優(yōu)位置值存入精英庫中,取30 %的精英粒子采用最速下降法進(jìn)行尋優(yōu),將尋優(yōu)結(jié)果重新更新精英庫,若滿足迭代次數(shù),則將結(jié)果代入LSTM模型進(jìn)行預(yù)測,反之,則繼續(xù)尋優(yōu);④輸出最終預(yù)測結(jié)果。

4 算例分析

為驗證所構(gòu)建模型的有效性,本文以上海某典型家庭用戶為例進(jìn)行案例分析[22],常住人口數(shù)為3,面積100 m2,主要用電設(shè)備包括空調(diào)、洗衣機、洗碗機、電動汽車、儲能、電飯煲、掃地機、飲水機、消毒柜等。優(yōu)化調(diào)度周期為1 d,調(diào)度時間間隔為0.5 h,共48個時段。

4.1 可調(diào)度負(fù)荷參數(shù)設(shè)定

4.1.1 電動汽車和家用蓄電池參數(shù)設(shè)定

電動汽車和家用蓄電池參數(shù)設(shè)定如表2所示。本文全面考慮了電動汽車[23]短途、中途、長途3種出行模式,日耗電量分別為15.17、37.76和55.52 kW·h[19]?？紤]電池壽命、充放電損耗、放電深度等因素,電動汽車電池荷電狀態(tài)允許范圍設(shè)為額定容量的10%～90%,家用蓄電池設(shè)為額定容量的20%～90%。

表2 電池參數(shù)設(shè)定Table 2 Battery parameters setting

4.1.2 其他可調(diào)度負(fù)荷參數(shù)設(shè)定

其他可調(diào)度負(fù)荷設(shè)備功率及工作時間設(shè)定如表3所示[24]。其中,工作時間范圍指該設(shè)備在此時間段內(nèi)工作,其余時間不工作;正常工作時間指該設(shè)備的正常運行時長,最低工作時間指該設(shè)備運行需滿足的最低工作時長。

表3 可調(diào)度負(fù)荷參數(shù)設(shè)置Table 3 Parameters setting of adjustable load

4.2 不可調(diào)度負(fù)荷參數(shù)設(shè)定

不可調(diào)度負(fù)荷的電器設(shè)備參數(shù)如表4所示。為方便建模[25-27],假設(shè)各設(shè)備每時刻功率恒定。

表4 不可調(diào)度負(fù)荷參數(shù)設(shè)置Table 4 Parameters setting of non-schedulable load

4.3 光伏出力預(yù)測結(jié)果

利用前述ICPSO-LSTM組合預(yù)測模型,輸入歷史數(shù)據(jù),對光伏出力進(jìn)行預(yù)測[28],預(yù)測結(jié)果如圖5所示,可見峰值出現(xiàn)在12:00—13:00。

圖5 光伏發(fā)電功率預(yù)測Fig.5 Photovoltaic power generation prediction

4.4 居民電價參數(shù)

電價參照上海地區(qū)居民用分時電價,峰時電價為0.617元/(k·Wh),平時電價為0.307元/(k·Wh),如表5所示。

表5 分時電價方案Table 5 Time of use price

4.5 結(jié)果討論和分析

三類典型用戶中,標(biāo)準(zhǔn)型用戶占比最高。首先以標(biāo)準(zhǔn)型用戶為例,比較了4種情景下的能源管理優(yōu)化策略,然后對不同偏好用戶的用能成本和舒適度進(jìn)行對比分析。

4.5.1 標(biāo)準(zhǔn)型用戶用能策略情景分析

針對標(biāo)準(zhǔn)型用戶,本文設(shè)置了4種情景進(jìn)行對比分析[29],如表6所示。情景1為基準(zhǔn)情景,各設(shè)備按原計劃使用,且不考慮儲能設(shè)備和電動汽車;情景2在情景1的基礎(chǔ)上對各家庭用能設(shè)備進(jìn)行優(yōu)化調(diào)度;在情景3中,考慮了蓄電池和電動汽車,但電動汽車只作為負(fù)載考慮;情景4在情景3的基礎(chǔ)上,考慮了電動汽車V2H運行模式。

表6 情景設(shè)置情況Table 6 Scenarios setting

通過計算求解,4種情景下的用電成本、舒適度及負(fù)荷峰谷差如表7所示。由情景1和2可以看出,通過優(yōu)化調(diào)度,可明顯提升用戶經(jīng)濟(jì)性和舒適性,并降低峰谷差。在情景3加入儲能設(shè)備后,系統(tǒng)峰谷差進(jìn)一步降低。此外,通過比較情景3和4,可以看出,以中途出行方式為例,相比于純粹作為負(fù)荷使用,綜合考慮電動汽車的V2H模式可顯著提升系統(tǒng)各方面性能。

表7 情景對比分析Table 7 Comparison of different scenarios

1)逐時供需平衡策略

以情景4為例對家庭逐時電力供需平衡策略、室內(nèi)溫度變化趨勢、負(fù)荷優(yōu)化調(diào)度結(jié)果等進(jìn)行具體分析。圖6為考慮儲能和電動汽車V2H模式的家庭電力逐時供需平衡圖。可看出,由于光伏安裝容量較高,可滿足大部分電力需求,并在白天將多余發(fā)電儲存在電池里供夜間使用[30];電動汽車一般在夜間低谷時充電以減少能源費用,主要由蓄電池提供電力,不足部分從電網(wǎng)購買。此外,由于考慮了電動汽車V2H模式,出行結(jié)束后若汽車蓄電池有多余電力可反向滿足家庭其他負(fù)荷需求。其中,短途出行反向放電量最多,中途次之,長途出行由于到家時放電深度已達(dá)到極限不能再反向放電。

圖6 情景4逐時供需平衡策略 Fig.6 Hourly supply and demand balance in Scenario 4

2)可轉(zhuǎn)移負(fù)荷優(yōu)化調(diào)度結(jié)果

可轉(zhuǎn)移負(fù)荷調(diào)度優(yōu)化后的運行結(jié)果如表8所示?？梢钥闯?洗碗機和熱水器部分運行時間往后適當(dāng)推遲,通過將負(fù)荷移至電價低谷時期降低運行成本。除此之外,其他設(shè)備均在原先設(shè)定的允許時〗間范圍內(nèi),以盡量保證用戶的用能舒適度[31]。同時,部分負(fù)荷運行時間也適當(dāng)降低,從而進(jìn)一步節(jié)約成本。此外,可以看出經(jīng)優(yōu)化后,負(fù)荷盡量工作在光伏出力高峰時段,這是降低成本的有效手段。

表8 可轉(zhuǎn)移負(fù)荷優(yōu)化運行結(jié)果Table 8 Optimal operation results of household appliances

3)可中斷負(fù)荷優(yōu)化調(diào)度結(jié)果

根據(jù)出行模式的不同,短途、中途和長途下電動汽車荷電狀態(tài)如圖7所示。從圖7可以看出,電動汽車容量在整個調(diào)度期均在設(shè)定允許范圍內(nèi)。汽車在短途和中途出行回家后繼續(xù)放電滿足家庭其他負(fù)荷需求,當(dāng)荷電狀態(tài)到達(dá)0.4左右時,在夜間低谷時開始充電,直到容量滿足第二天出行需求。

圖7 電動汽車與蓄電池的協(xié)同供能狀態(tài)Fig.7 State of electric vehicle and battery

由于光伏安裝容量較高,蓄電池在白天陽光充足時可持續(xù)充電,其他時間段均處于放電模式,以滿足家庭負(fù)荷需求。而長途車由于白天耗電較多、回家時間較晚,無反向放電過程,需要立即充電。

空調(diào)優(yōu)化調(diào)度結(jié)果由室內(nèi)溫度變化體現(xiàn),如圖8所示。可見經(jīng)優(yōu)化調(diào)度后,室內(nèi)溫度保持在人體舒適度上下限范圍內(nèi)(23～26 ℃),可滿足人體基本舒適性需求。室內(nèi)溫度與室外溫度相同代表空調(diào)處于非工作狀態(tài)(人員外出)。

圖8 溫度模擬圖Fig.8 Simulation diagram of indoor temperature

4.5.2 不同算法對比分析

為驗證ICPSO算法求解本模型的優(yōu)越性,采用基本PSO算法進(jìn)行對比分析。每個算法的最大迭代次數(shù)為100次,函數(shù)維度d=30,粒子個數(shù)為50?；綪SO算法中,ω=0.5,c1=c2=2。ICPSO算法中,ωmin=0.4,ωmax=0.9,c1=c2=2,ε=0.000 1。兩種算法所得目標(biāo)函數(shù)的優(yōu)化適應(yīng)度曲線如圖9所示?？梢?ICPSO算法在初始階段能顯著提升粒子搜索能力,在迭代14次左右達(dá)到全局最優(yōu)?；綪SO算法迭代6次后得到局部最優(yōu)解,在迭代88次后才達(dá)到全局最優(yōu)。ICPSO算法無論是在收斂速度還是優(yōu)化精度上均遠(yuǎn)遠(yuǎn)優(yōu)于基本PSO算法。

圖9 算法比較分析Fig.9 Algorithm comparison and analysis

4.5.3 不同偏好用戶用能策略對比分析

不同偏好用戶(經(jīng)濟(jì)型、標(biāo)準(zhǔn)型、舒適型)用能策略對比分析結(jié)果如表9所示。可以看出,經(jīng)濟(jì)型用戶用電成本最低,相較于方案1降低16.31%,但舒適度下降16.75%,適合低收入人群;舒適型用戶用電成本最高,相較于方案1僅降低3.28%,但舒適度提高53.53%,適合高收入人群;標(biāo)準(zhǔn)型用戶兼顧了用電成本和舒適性,這類用戶占家庭用戶較大比例,相較于方案1,用電成本降低11.71%,舒適度提高33.58%。

表9 不同用戶對比分析Table 9 Comparison of different households

5 結(jié)論

以光儲充一體化家庭能源系統(tǒng)為研究對象,考慮經(jīng)濟(jì)型、標(biāo)準(zhǔn)型和舒適型3種典型家庭,結(jié)合電動汽車短途、中途、長途3種出行方式,進(jìn)行多目標(biāo)優(yōu)化調(diào)度?？傻贸鲆韵陆Y(jié)論。

(1)本文提出的ICPSO-LSTM組合預(yù)測模型可對光伏出力進(jìn)行高精度預(yù)測;在求解本模型時,相較于基本PSO算法,ICPSO算法收斂速度和計算精度均表現(xiàn)更優(yōu)。

(2)本文提出的家庭能源管理系統(tǒng)多目標(biāo)優(yōu)化調(diào)度模型可適用于不同類型家庭用戶,在滿足不同偏好用戶個性化用能成本和舒適度要求的同時,實現(xiàn)可中斷、可轉(zhuǎn)移等各類型負(fù)荷的優(yōu)化調(diào)度。

(3)相比于單純作為負(fù)荷使用,綜合考慮電動汽車的V2H模式可降低成本3.5%,提升舒適度4.4%,降低峰谷差12.9%。同時,短途和中途出行方式可實現(xiàn)電動汽車V2H模式,而長途出行由于電量耗盡不易實現(xiàn)。

本文研究可為智能家居的功耗優(yōu)化提供一定的理論支撐,在設(shè)備智能化發(fā)展趨勢下,合理引導(dǎo)用戶適應(yīng)峰谷電價、調(diào)整各設(shè)備用電時間,以實現(xiàn)用能最優(yōu)。在后續(xù)研究中,將結(jié)合負(fù)荷的不確定性,耦合負(fù)荷預(yù)測相關(guān)理論,進(jìn)一步提升HEMS優(yōu)化調(diào)度水平。