[发明专利]基于需求侧响应的智能家居两阶段优化调度方法

权利要求书

1.基于需求侧响应的智能家居两阶段优化调度方法，其特征在于，基于建立负荷控制模型以及储能控制模型，对智能家电进行两阶段优化调度，包括：

步骤1、第一阶段以柔性负荷为控制对象，采用遗传算法求解；

步骤2、第一阶段优化控制的最优解以基础负荷的形式参与到第二阶段优化控制，第二阶段以储能装置为控制对象，采用粒子群算法求解；负荷控制阶段最优解的适应度值作为储能控制阶段的最小目标函数约束，从而进一步降低电网终端用户的用电成本。

第一阶段以考虑用户用电体验的正效益函数为目标，表达式如下：

F₁＝max(f₁-f₂) 式6

其中，f₁是用户满意度，f₂是用电费用；

在系统运行周期T内，用户电力消费的满意度以及用电花费分别表示如下：

式中，c_k是k时段的电价水平，p_k是k时段的用电量；

蓄电池模型如下

蓄电池剩余储能表达式

E_b,t＝SOC_t*C 式10

式中，SOC_t是t时刻蓄电池的荷电状态，是蓄电池剩余储能E_b,t与额定容量C的比值；蓄电池剩余储能E_b,t和额定容量C的单位为千瓦时。

第一阶段负荷控制采用遗传算法求解，具体包括：

步骤3.1、第一阶段负荷控制的遗传算法参数设置：种群规模、解空间、迭代次数归零、迭代终止条件；

步骤3.2、在解空间内对所有染色体组进行初始化：根据柔性负荷特性初始化智能家电运行时间或运行功率；

步骤3.3、在每组染色体中保留适应度最高的染色体，合并成新的染色体组直接参与到下一次迭代，其余染色体将在第二阶段优化中进行交叉和变异操作；

步骤3.4、判断是否满足迭代终止条件，若是则退出第一阶段负荷优化，进行第二阶段储能优化，并将第一阶段的最优解作为下一阶段的算法启动条件；若否则对非最优染色体组进行交叉或者变异操作，继续下一次迭代；

步骤3.5、重复以上步骤，直到满足迭代终止条件，进入下一阶段的储能优化。

2.如权利要求1所述的基于需求侧响应的智能家居两阶段优化调度方法，其特征在于：考虑储能系统的电源特性，智能家居的运行成本将由两部分组成：购电费用以及售电收入；当储能放电功率高于实际负荷需求时，系统向电网馈电并收取一定费用，这部分费用即用户侧的售电收入；第二阶段的优化目标为并网模式下系统运行成本最小化，数学表达式如下：

F₂＝min(f_g-f_s) 式11

其中

式中，f_g、f_s分别是用户购电花费，用户售电收益；C_g,k、C_s,k分别是k时刻购电电价、售电电价；P_g,k、P_s,k分别是k时刻用户购电功率、用户售电功率；

第二阶段优化后的系统运行成本不得高于第一阶段的系统运行成本，

F₂＜f₂ 式16

式中，F₂是第二阶段的优化目标；

为了避免蓄电池处于过充或过放状态以延长使用寿命，在储能优化控制过程中限制蓄电池荷电状态：

SOC_min≤SOC_t≤SOC_max 式17

考虑充放电功率过大影响蓄电池容量，对蓄电池单位时间内的充电功率加以约束；

累计放电量是一个反映蓄电池寿命的指标；日累计放电量低有益于延长蓄电池工作寿命，但限制了蓄电池转移电能，不利于系统的经济运行；若日累计放电量过高，有助于灵活调度，但会影响蓄电池的使用寿命；因此，建立蓄电池累计放电约束，

式中，E_dT为蓄电池日累计放电量；分别是蓄电池日累计放电量的上下限，蓄电池日放电量不得超出上下限约束范围。

3.如权利要求2所述的基于需求侧响应的智能家居两阶段优化调度方法，其特征在于：第二阶段储能控制采用粒子群算法求解，具体包括：

步骤5.1、第二阶段储能控制的粒子群算法参数设置：解空间约束、迭代次数、粒子数目、迭代终止条件；

步骤5.2、初始化粒子群：在满足模型约束条件的24维解空间向量中随机产生N个不同的向量，每个向量对应一个粒子，构成初始粒子群，开始循环迭代；

步骤5.3、通过判断迭代次数选择局部优化或者全局优化：当迭代次数低于设定值，进入局部优化；当迭代次数等于或大于设定值，进行全局优化；

步骤5.4、根据各个时刻负荷值及粒子所携带的功率信息，确定用户购电量大小并计算适应度函数值；

步骤5.5、选择群最优粒子以及个体历史最优的位置，更新粒子群的解空间位置及移动速度，构成新的粒子群；

步骤5.6、判断是否满足终止条件，若是则结束二阶段优化进程，按最优解安排调度控制计划；否则重复储能优化步骤，继续下一次迭代。