留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于非侵入式负荷监测的家庭智慧用能管理研究

丁迅 张忠 夏兆俊 范洋洋 张颖 孔亮

丁迅, 张忠, 夏兆俊, 等. 基于非侵入式负荷监测的家庭智慧用能管理研究[J]. 现代电力, 2022, 39(4): 496-504. doi: 10.19725/j.cnki.1007-2322.2021.0140
引用本文: 丁迅, 张忠, 夏兆俊, 等. 基于非侵入式负荷监测的家庭智慧用能管理研究[J]. 现代电力, 2022, 39(4): 496-504. doi: 10.19725/j.cnki.1007-2322.2021.0140
DING Xun, ZHANG Zhong, XIA Zhaojun, etc. Research on the Home Intelligent Energy Management System Based on Noninvasive Load Monitoring[J]. Modern Electric Power, 2022, 39(4): 496-504. doi: 10.19725/j.cnki.1007-2322.2021.0140
Citation: DING Xun, ZHANG Zhong, XIA Zhaojun, etc. Research on the Home Intelligent Energy Management System Based on Noninvasive Load Monitoring[J]. Modern Electric Power, 2022, 39(4): 496-504. doi: 10.19725/j.cnki.1007-2322.2021.0140

基于非侵入式负荷监测的家庭智慧用能管理研究

doi: 10.19725/j.cnki.1007-2322.2021.0140
详细信息
    作者简介:

    丁迅(1970),男,本科,高级工程师,研究方向为需求侧响应、负荷控制与优化,E-mail:2501800620@qq.com

    张忠(1981),男,本科,高级工程师,研究方向为电网发展规划研究分析和线损管理,E-mail:jiangliliwonderful@126.com

    夏兆俊(1988),男,硕士,工程师,研究方向为电力系统自动化、需求侧管理和配电网负荷优化等,E-mail:2368450762@qq.com

    范洋洋(1987),男,本科,工程师,研究方向为非侵入式负荷控制与监测,E-mail:gaoxt2004@163.com

    张颖(1975),女,本科,工程师,研究方向为电力系统自动化、电气设备监测与分析等,E-mail:843875669@qq.com

    孔亮(1993),男,通信作者,硕士,工程师,研究方向为负荷监控与优化、非侵入式负荷监测等,E-mail:k_liang1993@163.com

  • 中图分类号: TM73

Research on the Home Intelligent Energy Management System Based on Noninvasive Load Monitoring

  • 摘要: 随着多能源网络的融合和能源互联网技术的快速发展,家庭用能管理在解决各个能源网络节点供需问题上扮演着重要的角色。现有的大多数家庭用能管理针对已知用电负荷进行优化,未考虑用电设备类型的多样化和用电设备突增的情形。基于非侵入式负荷监测(Noninvasive Load Monitoring,NILM)算法可以有效获取家庭用电负荷、规律和用电信息,为家庭智慧用能管理提供数据支撑。文中以家庭用电成本、温度、时间、舒适度为目标函数建立家庭智慧用能多目标优化模型,对可控负荷、电动汽车、储能系统进行分析建立数学模型,利用粒子群算法对模型进行求解。仿真结果表明,基于NILM监测算法,考虑用电成本和舒适度家庭用电成本降低至72.5%;当用户可控用电负荷增加时,NILM算法可以实时更新控制策略降低用户用电成本;对不同用户进行多次计算,净成本和计算时间波动较小,证明了算法的合理性、可靠性。
  • 图  1  基于NILM算法的家庭智慧用能管理系统组成

    Figure  1.  Composition of home intelligent energy management system based on NILM algorithm

    图  2  基于NILM算法的家庭智慧用能管理系统基本框架

    Figure  2.  Basic framework of home intelligent energy management system based on NILM algorithm

    A1  NILM模块框架

    A1.  NILM module framework

    图  3  家庭智慧用能管理系统能量流动

    Figure  3.  Energy flow diagram of home intelligent energy management system

    图  4  平移型负荷x开启时间延期或者提前

    Figure  4.  Delay or in advance of the opening time of translational load x

    A2  风机和光伏发电输出功率值

    A2.  Output power value of WT and PV

    A3  仿真输入环境温度和不同时刻电价

    A3.  Simulation input ambient temperature and price at different time

    图  5  不同模式下可控负荷变化功率曲线

    Figure  5.  Power curve of controllable load change under different modes

    A4  模式1可控负荷和电动汽车控制策略输入值

    A4.  Input value of control load and electric vehicle control strategy in mode 1

    A5  模式2可控负荷和电动汽车控制策略输入值

    A5.  Input value of control load and electric vehicle control strategy in mode 2

    图  6  NILM算法的准确率

    Figure  6.  Accuracy of NILM algorithm

    图  7  增加用电设备时不同控制策略下功率变化

    Figure  7.  Power change under different control strategies when electric equipment is added

    表  1  家庭用电负荷类型和功率范围

    Table  1.   Type and power range of household electric loads

    类型负荷类型功率范围/W
    不可控负荷节能灯140
    节能灯260
    电视140~180
    电脑40~90
    冰箱15,60~100
    可控负荷 平移型负荷洗衣机300~600
    消毒柜600
    计划型负荷电动汽车7000
    温度型负荷空调1500
    热水器2000
    下载: 导出CSV

    表  2  基于NILM算法的家庭可控负荷运行数据分析

    Table  2.   NILM algorithm-based analysis on operating data of household controlled load

    可控负荷最早运行
    时间
    最晚结束
    时间
    可运行时
    间窗口/h
    运行时间
    /h
    洗衣机9:0019:00101
    消毒柜8:0019:00111
    电动汽车0:0024:00246
    空调0:0024:00246
    热水器0:0024:00243
    下载: 导出CSV

    表  3  不同模式下购电成本、收益与净成本

    Table  3.   Power purchasing cost, revenue and net cost under different modes

    模式从大电网购电成本/元可再生能源上网收益/元净成本/元
    模式047.30047.30
    模式127.42027.42
    模式211.8711.440.43
    下载: 导出CSV

    表  4  不同用户家庭成本与计算时间统计量

    Table  4.   Statistics of different users’ family costs and computation time

    用户净成本标准差/元计算时间平均值/s计算时间标准差/s
    用户10.57135.64.5
    用户223.91604.32.3
    用户31.5937.513.1
    用户420.76110.56.8
    用户59.8150.73.5
    用户610.51897.8
    平均值11.19171.276.33
    下载: 导出CSV
  • [1] 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.

    ZHANG Yusen, KONG Xiangyu, SUN Bowei, et al. Multi time scale household energy management optimization strategy based on power demand response[J]. Power System Technology, 2018, 42(6): 1811−1819(in Chinese).
    [2] 朱天怡, 艾芊, 贺兴, 等. 基于数据驱动的用电行为分析方法及应用综述[J]. 电网技术, 2020, 44(9): 3497−3507.

    ZHU Tianyi, AI Qian, HE Xing, et al. Overview of data-driven power consumption behavior analysis method and application[J]. Power System Technology, 2020, 44(9): 3497−3507(in Chinese).
    [3] 曹昉, 郭培林, 王科, 等. 室内舒适指数比调整的空调群负荷响应方法[J]. 中国电力, 2017, 50(11): 152−157.

    CAO Fang, GUO Peilin, WANG Ke, et al. Load response method of air conditioning groups based on equalize proportion adjustment of indoor comfort index[J]. Electric Power, 2017, 50(11): 152−157(in Chinese).
    [4] 严干贵, 阚天洋, 杨玉龙, 等. 基于深度强化学习的分布式电采暖参与需求响应优化调度[J]. 电网技术, 2020, 44(11): 4140−4149.

    YAN Gangui, KAN Tianyang, YANG Yulong, et al. Distributed electric heating participating in demand response optimization scheduling based on deep reinforcement learning[J]. Power System Technology, 2020, 44(11): 4140−4149(in Chinese).
    [5] 张延宇, 曾鹏, 臧传治. 智能电网环境下家庭能源管理系统优化调度算法[J]. 电力系统保护与控制, 2016, 44(02): 18−26.

    ZHANG Yanyu, ZENG Peng, ZANG Chuanzhi. Optimal scheduling algorithm of home energy management system in smart grid environment[J]. Power system protection and control, 2016, 44(02): 18−26(in Chinese).
    [6] AL-ALI A R , ZUALKERNAN I A, RASHID M, et al.. A smart home energy management system using IoT and big data analytics [J].IEEE Transactions on Consumer Electronics, 2017, 63(4): 426−434. doi: 10.1109/TCE.2017.015014.
    [7] SHAFIE-KHH M , SIANO P. A stochastic home energy management system considering satisfaction cost and response fatigue [J]. IEEE Transactions on Industrial Informatics, 2018,14(2): 629-638. doi: 10.1109/TII.2017.2728803.
    [8] Melhem F Y, Grunder O, Hammoudan Z, et al. Optimization and energy management in smart home considering photovoltaic, wind, and battery storage system with integration of electric vehicles[J].IEEE Canadian Journal of Electrical and Computer Engineering, 2017, 40(2): 128−138. doi: 10.1109/CJECE.2017.2716780.
    [9] 张彦, 张涛, 刘亚杰, 等. 基于模型预测控制的家庭能源局域网最优能量管理研究[J]. 中国电机工程学报, 2015, 35(14): 3656−3666.

    ZHANG Yan, ZHANG Tao, LIU Yajie, et al. Study on optimal energy management of home energy LAN based on model predictive control[J]. Proceedings of the CSEE, 2015, 35(14): 3656−3666(in Chinese).
    [10] 李卓阳, 靳小龙, 贾宏杰, 等. 考虑建筑物热动态特性的暖通空调模型预测控制方法[J]. 中国电机工程学报, 2020, 40(12): 3928−3940.

    LI Zhuoyang, JIN Xiaolong, JIA Hongjie, et al. Predictive control method of HVAC model considering thermal dynamic characteristics of buildings[J]. Proceedings of the CSEE, 2020, 40(12): 3928−3940(in Chinese).
    [11] 陈厚合, 李泽宁, 靳小龙, 等. 集成智能楼宇的主动配电网建模及优化方法[J]. 中国电机工程学报, 2018, 38(22): 6550−6563.

    CHEN Houhe, LI zening, JIN Xiaolong, et al. Active distribution network modeling and optimization method for integrated intelligent buildings[J]. Proceedings of the CSEE, 2018, 38(22): 6550−6563(in Chinese).
    [12] Yang D, Gao X, Kong L, et al. An Event-Driven Convolutional Neural Architecture for Non-Intrusive Load Monitoring of Residential Appliance [J]. IEEE Transactions on Consumer Electronics, vol. 66, no. 2, pp. 173−182, May 2020, DOI: 10.1109/TCE.2020.2977964.
    [13] SHAO S, PIPATTANASOMPORN M, RAHMAN S. Development of physical-based demand response-enabled residential load models[J]. IEEE Transactions on Power Systems, 2013, 28(2): 607−614. doi:  10.1109/TPWRS.2012.2208232
    [14] 刘杰, 陈雪梅, 陆超, 等. 基于数据统计特性考虑误差修正的两阶段光伏功率预测[J]. 电网技术, 2020, 44(08): 2891−2897.

    LIU Jie, CHEN Xuemei, LU Chao, et al. Two stage photovoltaic power prediction considering error correction based on data statistical characteristics[J]. Power System Technology, 2020, 44(08): 2891−2897(in Chinese).
    [15] 夏书悦, 董心怡. 基于经验模态分解法优化支持向量机模型的日前风电功率组合预测[J]. 电气技术, 2020, 21(03): 11−15. doi:  10.3969/j.issn.1673-3800.2020.03.006

    XIA Shuyue, DONG Xinyi. Power combination prediction of day ahead wind power based on empirical mode decomposition optimization support vector machine model[J]. Electrical Eechnology, 2020, 21(03): 11−15(in Chinese). doi:  10.3969/j.issn.1673-3800.2020.03.006
    [16] 孔亮, 沈力, 赵庆杞, 等. 含光伏发电系统的冷库多目标优化运行研究[J]. 控制工程, 2018, 25(08): 1534−1539.

    KONG Liang, SHEN Li, ZHAO Qingqi, et al. Study on multi-objective optimal operation of cold storage with photovoltaic power generation system[J]. Control Engineering of China, 2018, 25(08): 1534−1539(in Chinese).
    [17] KOLTER J Z, JOHNSON M J. REDD: A Public Data Set for Energy Disaggregation Research[DB/OL]. [2011], http://redd.csail.mit.edu.
  • [1] 申洪涛, 岳凡丁, 史轮, 刘林青, 李梦宇, 段子荷, 袁欢.  考虑DG及负荷时序性的多目标配电网重构与DG调控综合优化规划 . 现代电力, 2022, 39(2): 182-192. doi: 10.19725/j.cnki.1007-2322.2021.0039
    [2] 魏明奎, 叶葳, 沈靖, 周泓, 蔡绍荣, 王渝红, 沈力.  基于自组织特征神经网络和最小二乘支持向量机的短期电力负荷预测方法 . 现代电力, 2021, 38(1): 17-23. doi: 10.19725/j.cnki.1007-2322.2020.0201
    [3] 杜佳耘, 雷勇, 李永凯, 刘晖.  基于参数优化变分模态分解的混合储能功率分配策略 . 现代电力, 2021, 38(1): 51-59. doi: 10.19725/j.cnki.1007-2322.2020.0193
    [4] 张国斌, 张佳辉, 郭瑞君, 高正平, 牛玉广.  基于自适应混沌粒子群算法的冷-热-电联供系统调度策略 . 现代电力, 2020, 37(6): 551-558. doi: 10.19725/j.cnki.1007-2322.2019.1070
    [5] 朱晓荣, 鹿国微.  计及灵活性的配电网储能优化配置 . 现代电力, 2020, 37(4): 341-350. doi: 10.19725/j.cnki.1007-2322.2020.0087
    [6] 肖白, 王涛.  太阳能光伏-光热联合发电的优化运行模型 . 现代电力, 2020, 37(2): 163-170. doi: 10.19725/j.cnki.1007-2322.2019.1003
    [7] 罗金山, 周泊宇, 张艳, 艾欣.  考虑储能的地区电网有功和电压联合控制策略研究 . 现代电力, 2018, 35(6): 1-8.
    [8] 刘旭, 杨德友, 刘铖, 张旺, 郑天宇.  考虑用户满意度的含风电场多目标环境经济调度 . 现代电力, 2017, 34(3): 44-51.
    [9] 徐敏姣, 徐青山, 蒋菱.  基于太阳能空调的冷热电联供系统多目标优化运行研究 . 现代电力, 2017, 34(3): 60-68.
    [10] 宋云东, 周志强, 应 勇, 张远博, 刘 旭.  计及需求响应的含风电场多目标低碳经济调度 . 现代电力, 2016, 33(6): 7-13.
    [11] 陈大宇, 张粒子, 王立国.  储能调频系统控制策略与投资收益评估研究 . 现代电力, 2016, 33(1): 80-86.
    [12] 罗明武, 孙 鹏, 周友斌, 周鲲鹏, 汤海霞, 张 华.  考虑新能源功率品质分层和可平移负荷的配电网有功调度 . 现代电力, 2016, 33(4): 1-7.
    [13] 杨胡萍, 占思凯, 严飞飞, 蔡孝文.  基于NBI法的发电权交易多目标优化 . 现代电力, 2016, 33(1): 87-94.
    [14] 孙 毅, 叶 涵, 李 彬, 何 伟, 尹 璐.  计及用户舒适度与用电成本的空调负荷优化控制方法 . 现代电力, 2016, 33(5): 30-36.
    [15] 许志荣, 杨 苹, 温剑威.  含复合储能微电网的多目标优化运行 . 现代电力, 2016, 33(2): 1-5.
    [16] 芦新波, 张建华, 曾博.  面向用户需求的DG与配网网架多目标联合规划 . 现代电力, 2015, 32(5): 35-41.
    [17] 武家胜, 艾欣.  以低碳为目标的分布式发电选址定容方法研究 . 现代电力, 2014, 31(1): 17-22.
    [18] 周勇, 陈家俊, 姜飞, 熊龙珠, 李绍金.  基于改进萤火虫算法的分布式电源优化配置研究 . 现代电力, 2014, 31(5): 54-58.
    [19] 唐林权, 李芝荣, 李如琦, 周智成.  基于最优引导策略的分布式电源优化配置 . 现代电力, 2014, 31(1): 23-27.
    [20] 郑玲峰, 王建元, 白志亮, 范夕庆, 宣 科.  基于粒子群和克隆选择算法的局部放电超声波定位方法 . 现代电力, 2010, 27(5): 21-24.
  • 加载中
图(12) / 表 (4)
计量
  • 文章访问数:  301
  • HTML全文浏览量:  199
  • PDF下载量:  26
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-06-07
  • 网络出版日期:  2022-07-27
  • 刊出日期:  2022-07-27

基于非侵入式负荷监测的家庭智慧用能管理研究

doi: 10.19725/j.cnki.1007-2322.2021.0140
    作者简介:

    丁迅(1970),男,本科,高级工程师,研究方向为需求侧响应、负荷控制与优化,E-mail:2501800620@qq.com

    张忠(1981),男,本科,高级工程师,研究方向为电网发展规划研究分析和线损管理,E-mail:jiangliliwonderful@126.com

    夏兆俊(1988),男,硕士,工程师,研究方向为电力系统自动化、需求侧管理和配电网负荷优化等,E-mail:2368450762@qq.com

    范洋洋(1987),男,本科,工程师,研究方向为非侵入式负荷控制与监测,E-mail:gaoxt2004@163.com

    张颖(1975),女,本科,工程师,研究方向为电力系统自动化、电气设备监测与分析等,E-mail:843875669@qq.com

    孔亮(1993),男,通信作者,硕士,工程师,研究方向为负荷监控与优化、非侵入式负荷监测等,E-mail:k_liang1993@163.com

  • 中图分类号: TM73

摘要: 随着多能源网络的融合和能源互联网技术的快速发展,家庭用能管理在解决各个能源网络节点供需问题上扮演着重要的角色。现有的大多数家庭用能管理针对已知用电负荷进行优化,未考虑用电设备类型的多样化和用电设备突增的情形。基于非侵入式负荷监测(Noninvasive Load Monitoring,NILM)算法可以有效获取家庭用电负荷、规律和用电信息,为家庭智慧用能管理提供数据支撑。文中以家庭用电成本、温度、时间、舒适度为目标函数建立家庭智慧用能多目标优化模型,对可控负荷、电动汽车、储能系统进行分析建立数学模型,利用粒子群算法对模型进行求解。仿真结果表明,基于NILM监测算法,考虑用电成本和舒适度家庭用电成本降低至72.5%;当用户可控用电负荷增加时,NILM算法可以实时更新控制策略降低用户用电成本;对不同用户进行多次计算,净成本和计算时间波动较小,证明了算法的合理性、可靠性。

English Abstract

丁迅, 张忠, 夏兆俊, 等. 基于非侵入式负荷监测的家庭智慧用能管理研究[J]. 现代电力, 2022, 39(4): 496-504. doi: 10.19725/j.cnki.1007-2322.2021.0140
引用本文: 丁迅, 张忠, 夏兆俊, 等. 基于非侵入式负荷监测的家庭智慧用能管理研究[J]. 现代电力, 2022, 39(4): 496-504. doi: 10.19725/j.cnki.1007-2322.2021.0140
DING Xun, ZHANG Zhong, XIA Zhaojun, etc. Research on the Home Intelligent Energy Management System Based on Noninvasive Load Monitoring[J]. Modern Electric Power, 2022, 39(4): 496-504. doi: 10.19725/j.cnki.1007-2322.2021.0140
Citation: DING Xun, ZHANG Zhong, XIA Zhaojun, etc. Research on the Home Intelligent Energy Management System Based on Noninvasive Load Monitoring[J]. Modern Electric Power, 2022, 39(4): 496-504. doi: 10.19725/j.cnki.1007-2322.2021.0140
    • 家庭智慧用能管理系统调控用户各种负荷的运行情况,通过用户侧风力发电和光伏发电等分布式电源主动参与电网的运行[1],提高用电效率,有效实现节能减排。随着多能源网络的融合和能源互联网技术的快速发展,对如何解决各个能源网络节点供需问题,用户居民家庭能量管理扮演着重要的作用[2-3],因此家庭能量管理越来越受到了国内外研究者普遍关注[4]

      近年来,研究者主要从用户的用电成本和居住环境等作为目标对家庭用能进行优化运行和控制。文献[5]在智能电网的环境下以家庭用户用电成本最小为目标进行家庭用能管理;文献[6]基于物联网和大数据平台对居民用户各负荷进行控制,并测试其响应时间;文献[7]考虑用电成本和设备的反应疲劳对随机家庭用能管理进行研究;文献[8]考虑光伏、风力发电和蓄电池储能对家庭用电负荷进行优化和能量管理;文献[9]基于模型预测控制对家庭能源局域网各个设备进行控制,实现家庭各能源最优管理。上述文献主要以经济性为目标考虑家庭用能管理,并且不同用户每天用电习惯不尽相同,如何获得用户用电行为是控制家庭用能各个设备的关键因素。文献[10]主要提出建筑围护结构热动态特性的暖通空调系统模型预测控制方法,以耗能和用户舒适度为目标,达到用户侧用能管理优化的目的;文献[11]考虑智能楼宇在不同优化调度策略下对配电网络的经济性与安全性影响,通过引入楼宇集群负荷系数,提出考虑负荷系数的集成智能楼宇的主动配电网建模及优化调度方法。以上分别从不同用户住宅结构和配电网络考虑用户家庭用能管理,从而没有针对不同家庭各个用电设备的用电运行情况进行考虑。同时当用电负荷改变时,用户也需要调整各个用电设备运行策略。因此家庭智慧用能管理系统需要进一步深入研究和探索。

      NILM只需要在电力供给的入口处安装监测设备对家庭各负荷进行监测,获得每个负荷的类型、运行情况及相关参数等信息,无需在每个用电设备装设用电数据采集器,因此大大减少智慧用能基础设施成本,同时根据用户负荷类型增加用电负荷改变控制策略。针对如何有效和实时获得用户用电行为进行家庭智慧用能管理,本文提出基于NILM的家庭智慧用能管理系统的控制算法,并以家庭的用电成本和用户舒适度为目标函数,考虑风机和光伏等可再生能源发电和储能系统加入到能源管理系统中,进行综合控制,针对论文多目标问题利用粒子群算法进行求解,得到最佳可控负荷和储能系统的控制策略,并考虑增加不同用电设备和不同家庭用户的优化控制策略。

    • 家庭智慧用能管理系统主要包括光伏发电、风力发电、电动汽车、储能系统、各种用电负荷等设备,如图1所示。不同设备运行控制和优化管理通过基于NILM的家庭智慧用能管理控制器完成。

      图  1  基于NILM算法的家庭智慧用能管理系统组成

      Figure 1.  Composition of home intelligent energy management system based on NILM algorithm

      基于NILM的家庭智慧用能管理系统包括NILM模块、发电功率预测模块和用电设备调度控制模块,如图2所示。

      图  2  基于NILM算法的家庭智慧用能管理系统基本框架

      Figure 2.  Basic framework of home intelligent energy management system based on NILM algorithm

      1)NILM模块。通过智能采集器获得用户的用电信息识别居民用电负荷的类型、启停、运行时间、工作状态等,分析用户的用电行为是家庭智慧用能管理的基础。

      2)发电功率预测模块。主要通过天气信息和历史发电数据结合相应的算法对风机和光伏的发电功率进行短期预测。

      3)用电设备调度控制模块。根据用户的用电行为,在用电成本最低和尽可能不干扰用户用电方式的情况下,通过优化调度算法得到家庭的可控负荷、电动汽车、储能系统等设备的控制策略。

    • 家庭智慧用能管理系统中,NILM模块通过采集用户总用电电流,利用监测算法获得各个用电设备启停情况和用电行为。本文监测算法为卷积神经网络,是本文作者2020年5月在IEEE Transactions on Consumer Electronics刊出[12]。处理过程包括事件检测、曲线灰度图转换、负荷电流特征图像数据库和基于卷积神经网络的负荷识别4个主要步骤,处理流程见附录A,附图A1

      图  A1  NILM模块框架

      Figure A1.  NILM module framework

      1)事件检测:通过阈值判断得到负荷启停事件发生时间点,并获得电流波形,为负荷监测提供数据基础。

      2)曲线灰度图转化:将事件检测获得电流波形转化为灰度图,作为卷积神经网络的输入层。

      3)负荷电流特征图像数据库的建立:将不同负荷的各种情况的电流波形转化为灰度图,作为卷积神经网络的训练样本。

      4)基于卷积神经网络的负荷监测:利用卷积神经网络对负荷类型进行识别,结果概率最大即为此时事件发生的负荷。

      NILM利用用户用电入口处的总用电信息并根据卷积神经网络可以有效获得用户启停时间、运行时间和工作状态等信息。

    • 家庭智慧用能管理能量流动关系如图3所示。图中:箭头为能量流动的方向;$k$表示时刻;${P_{{{\rm{PV}}}.k}}$表示$k$时刻光伏发电功率;${P_{{{\rm{grid}}}.k}}$表示$k$时刻用户从电网购入功率;${P_{{{\rm{net}}}.k}}$表示$k$时刻并入电网功率。

      图  3  家庭智慧用能管理系统能量流动

      Figure 3.  Energy flow diagram of home intelligent energy management system

      可控负荷包括平移型和温度型负荷;平移型负荷指用电设备开启时间比较随机,同时设备需要的电能相对固定,如洗衣机、洗碗机、消毒柜等用电设备;温度型负荷指运行特性取决于室内和室外的温度差异,负荷的启停与用户自身舒适度相关,如空调和热水器等负荷。

      电动汽车可以定义为计划型负荷,运行时间和启停时间可以根据用户自身需求和电价等因素自我调控。不可控负荷指用户家庭刚性或者近似刚性需求的负荷,用电设备具有很强的用电规律,如照明设备、电脑和电视等家庭用电设备。

    • 1)平移型负荷。

      平移型负荷指开启时间可以随机,但必须等待整个工作任务完成后才能关闭。

      $$ {P}_{x.k}=\left\{ \begin{array}{l}{P}_{x},k\in [{k}_{x.{\rm{start}}},{k}_{x.{\rm{start}}}+{k}_{x.{\rm{total}}}] \\ 0,其他 \end{array} \right.$$ (1)

      式中:Px为平移型负荷x在整个工作任务的平均功率;x为洗衣机、洗碗机和消毒机等平移型负荷集合;${k_{x.{{\rm{start}}}}}$为平移型负荷x开始运行时间,${k_{x.{{\rm{total}}}}}$为平移型负荷x整个工作任务的工作时间。

      2)空调。

      空调运行情况受室内室外温度差、建筑保温材料和室内空间大小等因素影响。根据文献[13]可以得到空调温度变化模型:

      $$T_{k + 1}^{{{\rm{air}}}} = T_k^{{{\rm{air}}}} + \Delta k\frac{{P_k^{{{\rm{air}}}}}}{{{C_{{{\rm{air}}}}}}}S_k^{{{\rm{air}}}} + \Delta {T_{{{\rm{loss}}}}}$$ (2)

      式中:$T_{k + 1}^{{{\rm{air}}}}$$T_k^{{{\rm{air}}}}$分别表示第k个时间段与第k+1个时间段室内温度;Δk表示单个时间段的时间间隔;$P_k^{{{\rm{air}}}}$表示k时间的电功率消耗;${C_{{{\rm{air}}}}}$为比例系数;$S_k^{{{\rm{air}}}}$为0−1变量,0表示空调停止运行,1表示开启运行;$\Delta {T_{{{\rm{loss}}}}}$表示单个时间间隔由于建筑物等因素提高或降低的温度,空调制冷为正值,制热为负值,参数及其详细意义参见文献[13]。同时室内温度要保持在一定范围,即:

      $$T_{\min }^{{{\rm{air}}}} \leqslant T_k^{{{\rm{air}}}} \leqslant T_{\max }^{{{\rm{air}}}}$$ (3)

      3)电热水器。

      电热水器根据热量平衡可以有:

      $$c\rho VT_{k + 1}^{{{\rm{heater}}}} = (1 - \alpha )(\varphi \tau P_k^{{{\rm{heater}}}}\Delta kS_k^{{{\rm{heater}}}} + c\rho VT_k^{{{\rm{heater}}}})$$ (4)

      式中:c为水的比热容;ρ为水的密度;V为电热水器的体积;$T_{k + 1}^{{{\rm{heater}}}}$$T_k^{{{\rm{heater}}}}$为第k+1个时间段与第k个时间段的水箱温度;α为热水器散热系数;φ为电转化效率;τ为千瓦时与焦耳的单位转化系数;$P_k^{{{\rm{heater}}}}$表示k时间的电功率消耗;$S_k^{{{\rm{heater}}}}$为0−1变量,0表示电热水器停止运行,1表示电热水器开启运行。热水器内的温度需要保持在一定范围,供用户随时使用,即:

      $$T_{\min }^{{{\rm{heater}}}} \leqslant T_k^{{{\rm{heater}}}} \leqslant T_{\max }^{{{\rm{heater}}}}$$ (5)

      4)电动汽车。

      电动汽车可以被认为是储能系统和可控负荷的综合体,作为交通工具,离开和接入到电网具有一定的随机性,其约束条件:

      $${E_{{{\rm{EV}}}}}(k + 1) = {\eta _{{{\rm{EV}}}}}{P_{{{\rm{EV}}}.k}}\Delta k + {E_{{{\rm{EV}}}}}(k) - {\varepsilon _{{{\rm{EV}}}}}\Delta k$$ (6)
      $${P_{{{\rm{EV}}}\min }} \leqslant {P_{{{\rm{EV}}}.k}} \leqslant {P_{{{\rm{EV}}}\max }}$$ (7)
      $${E_{{{\rm{EV}}}\min }} \leqslant {E_{\rm{EV}}}(k) \leqslant {E_{{{\rm{EV}}}\max }}$$ (8)

      式中:$k \in\left[k_{1}, k_{2}\right]$k1表示电动汽车开始充电时间;k2表示其结束充电时间;${\eta _{{{\rm{EV}}}}}$为电动汽车的充放电效率,充电时${\eta _{{{\rm{EV}}}}} = 1$,放电时${\eta _{{{\rm{EV}}}}} = 0$,计算考虑电动汽车仅参与储能而不参与家庭设备用电;${E_{{{\rm{EV}}}}}(k)$表示电动汽车$k$时刻的能量;${\varepsilon _{{{\rm{EV}}}}}$表示电动汽车自放电的损耗;${P_{{{\rm{EV}}}\min }}$${P_{{{\rm{EV}}}\max }}$表示最大充电功率和最大放电功率;${E_{{{\rm{EV}}}\min }}$${E_{{{\rm{EV}}}\max }}$表示电动汽车可用容量的上下限。

      5)储能系统。

      储能系统的约束与电动汽车的约束相同,考虑电动汽车具有随机性,而储能系统可以按照需求进行控制,其约束条件:

      $${E_{\rm B}}(k + 1) = {\omega _{\rm B}}{P_{{\rm B}.k}}\Delta k + {E_{\rm B}}(k) - {\varepsilon _{\rm B}}\Delta k$$ (9)
      $$ - {P_{{\rm B}\min }} \leqslant {P_{{\rm B}.k}} \leqslant {P_{{\rm B}\max }}$$ (10)
      $${E_{{\rm B}\min }} \leqslant {E_{\rm B}}(k) \leqslant {E_{{\rm B}\max }}$$ (11)

      式中:k表示储能系统运行时段,$k \in 1,2, \ldots, K$${\omega _{\rm B}}$充电时为${\omega _{{\rm B}s}}$${\omega _{{\rm B}s}}$为储能系统充电效率;${\omega _{\rm B}}$放电时为$- \dfrac{1}{{{\omega _{{{\rm{Bd}}}}}}}$${\omega _{{{\rm{Bd}}}}}$为储能系统放电效率;${E_{\rm B}}(k)$表示储能系统$k$时刻的能量;${\varepsilon _{\rm B}}$表示储能系统自放电的损耗;${P_{{\rm B}\min }}$${P_{{\rm B}\max }}$表示最大充电功率和最大放电功率;${E_{{\rm B}\min }}$${E_{{\rm B}\max }}$表示储能系统可用容量的上下限。

      6)功率平衡约束:

      $$\begin{split} & {P_{{{\rm{C}}}{{\rm{.load}}}.k}} + {P_{{{\rm{U}}}{{\rm{.load}}}.k}} + {P_{{{\rm{EV}}}.k}} + {\omega _{{{\rm{B}}}s}}{P_{{{\rm{B}}}s.k}} + {P_{{{\rm{net}}}.k}} = \\ & {P_{{{\rm{PV}}}.k}} + {P_{{{\rm{WT}}}.k}} + \dfrac{{{P_{{{\rm{Bd}}}.k}}}}{{{\omega _{{{\rm{Bd}}}}}}} + {P_{{{\rm{grid}}}.k}} \end{split} $$ (12)

      式中:${P_{{{\rm{C}}}{{\rm{.load}}}.k}}$为可控负荷k时段耗电功率;${P_{{{\rm{U}}}{{\rm{.load}}}.k}}$为不可控负荷k时段耗电功率;${P_{{{\rm{EV}}}.k}}$为电动汽车k时段充电功率;${P_{{{\rm{B}}}s.k}}$为蓄能系统k时段充电功率;${P_{{{\rm{Bd}}}.k}}$k时段蓄能系统放电功率;${P_{{{\rm{net}}}.k}}$表示k时刻光伏或者风机上网功率;${P_{{{\rm{PV}}}.k}}$为光伏k时段发电功率,${P_{{{\rm{WT}}}.k}}$为风机k时段发电功率;${P_{{{\rm{grid}}}.k}}$表示k时段用户从电网购电功率。

    • 家庭智慧用能管理系统的各个设备的运行计划通过能源管理模型求解确定,本文家庭能量管理模型建立的原则主要包括2个方面。

      1)用户的用电成本最低。降低用电成本是居民使用电能最直接的愿望,同时可以消纳风机和光伏的发电量,达到节能减排的效果。用户用电成本f1由用户购电成本和风机光伏发电收益组成,公式如下:

      $$ \min {f_1} = \sum\limits_{k = 1}^T {\left( {{P_{{{\rm{grid}}}.k}}\Pr {{\rm{ic}}}{{{\rm{e}}}_k} - {P_{{{\rm{net}}}.k}}{J_{{{\rm{sub}}}}}} \right)} $$ (13)

      式中:${\rm{ Price }}_{k}$表示k时刻电价;${J_{{{\rm{sub}}}}}$为光伏或者风机上网补贴电价。

      2)用户的用电舒适度最高。家庭智慧用能管理系统各设备调度控制计划按照用户使用各个设备的用电习惯,用电舒适度越高,用电体验会随之增大,舒适度包括用电时间安排舒适度和温度舒适度。

      时间安排舒适度:用电时间安排对于平移型负荷,存在负荷运行时间提前或者延期的情况,如图4所示。

      图  4  平移型负荷x开启时间延期或者提前

      Figure 4.  Delay or in advance of the opening time of translational load x

      平移型负荷目标,尽可能按照用户正常使用负荷进行开启和关闭,即目标使平移型负荷开启时间和用户正常使用负荷时间差值尽可能的小,表达式:

      $$ \min {f_2} = \sum\limits_{x = 1}^n {\left| {\frac{{{s_x} - {k_x}}}{{k_x^{\max }}}} \right|} $$ (14)

      式中:sx为家庭智慧用能管理系统控制平移负荷x开启时间;kx为平移负荷x用户正常开启时间;$k_{x}^{\max }$为平移负荷x最大允许延迟和提前时间的和。

      温度舒适度:温度型负荷可以间歇开启和关闭,如空调和热水器,温度舒适度是温度尽可能小的偏离人体需求温度,表达式:

      $$ \min {f_3} = \sum\limits_{j = 1}^m {\left| {\frac{{{T_j}(k) - T_j^{{\rm{U}}}(k)}}{{T_j^{\max }}}} \right|} $$ (15)

      式中:${T_j}(k)$k时刻第$j$个温度型负荷实现温度;$T_j^{{\rm{U}}}(k)$k时刻第$j$个温度型负荷居民设定需求温度;$T_j^{\max }$为第$j$个温度型负荷实现温度与设定需求温度居民最大容忍温度。

      综上所述,基于NILM的家庭智慧用能管理系统的目标函数为:

      $$ \min f=\left\{f_{1}, f_{2}, f_{3}\right\} $$ (16)
    • 光伏发电功率${P_{{{\rm{PV}}}.k}}$预测值,通过文献[14]主成分分析法和回归分析等数据统计方法进行求解。风机发电功率${P_{{{\rm{WT}}}.k}}$预测值,利用文献[15]支持向量机和经验模态分解方法进行短期预测。仿真地区风光发电的历史数据对风光发电预测方法进行误差校验,误差小于5%。

    • 基于NILM的家庭智慧用能管理系统的目标函数为式(16)。由于 $f_{2}, f_{3} \in[0,1]$,如果直接求解各个目标函数的最优解,存在f2f3同时为零,而用户仍为传统的用电习惯,用电成本f1保持不变,因此需要约束f2f3不能同时为零。

      $$ \min J = {f_1}*({\xi _1}{f_1} + {\xi _2}{f_2}) $$ (17)

      式中:$\xi_{1,2} \in[0,1]$$\xi_{1}+\xi_{2}=1 ; \quad f_{2}+f_{3}>0$,约束条件式(1)—(12)。

    • 家庭智慧用能管理系统优化策略主要用于各个时刻发电设备和电网出力的确定,对运行费用有着直接影响。考虑用户的使用体验及尽可能使用可再生能源,家用负荷对系统运行可靠性需求较高,从大电网购电是家庭智慧用能管理系统的最终供电方式。考虑风力和光伏发电的随机性,本文设定优化策略:优先考虑光伏和风力发电,最大程度利用可再生能源满足家用负荷的用电需要,当可再生能源不满足负荷的正常需要,判断蓄电池的荷电状态,若满足则采用储能系统供应家庭智慧用能管理系统短时负荷需要,当蓄电池的剩余电量不能满足时,由电网直接供电的时间顺序。

      优化模型根据风机、光伏可再生能源功率输出预测值、电价信号、用户偏好的设置,对可控负荷、电动汽车和储能系统进行调度,以满足家庭智慧用能管理系统的目标要求。

    • 由于家庭智慧用能管理的维度、变量和约束条件较多,粒子群算法可以很好地解决非线性优化问题。粒子群算法的基本思想:粒子都有它本身的位置与速度,通过目标函数决定当前适应值[16]。每次迭代时,粒子通过计算自身最优解Pbest及全局最优解Gbest完成更新,粒子i在第k次迭代第d维速度和位置的更新方程为

      $$ v_{i d}^{k+1}=w v_{i d}^{k}+{\rm{c}}_{1} r_{1}^{k}\left(p_{{\rm{best }}id}^{k}-x_{i d}^{k}\right)+{\rm{c}}_{2} r_{2}^{k}\left(g_{{\rm{besti }}d}^{k}-x_{i d}^{k}\right) $$ (18)
      $$ x_{i d}^{k+1}=x_{i d}^{k}+v_{i d}^{k+1} $$ (19)
      $$ w=\left(w_{\max }-w_{\min }\right)\left(k_{\max }-k\right) / k_{\max }+w_{\min } $$ (20)

      式中:${v}_{i d}^{k}$为粒子在第k次迭代中第d维的速度;${x}_{i d}^{k}$为粒子在第k次迭代中第d维的位置;w为惯性权重;学习因子c1和c2为常数,一般取值2;r1r2为[0,1]之间的随机数;kmax为最大迭代次数;k为当前的迭代次数;wmaxwmin分别是初始惯性权重的最大值和最小值。

      通过PSO求解家庭智慧用能管理优化调度模型,得到家庭各个用电设备优化运行策略,可控负荷、电动汽车和储能系统作为PSO算法的决策变量,可控负荷和电动汽车求解量为0−1变量,判断对应设备启停时间。

    • NILM模块获取用户各个用电负荷启停时间和运行规律,进而得到用户的用电习惯,为家庭智慧用能管理提供数据支撑。本文数据来源沈阳市某小区一居民家庭用电情况,表1为家庭用电负荷类型和功率范围。利用文献[12]NILM方法得到每天的该户居民各个负荷启停状态和用电量情况。

      表 1  家庭用电负荷类型和功率范围

      Table 1.  Type and power range of household electric loads

      类型负荷类型功率范围/W
      不可控负荷节能灯140
      节能灯260
      电视140~180
      电脑40~90
      冰箱15,60~100
      可控负荷 平移型负荷洗衣机300~600
      消毒柜600
      计划型负荷电动汽车7000
      温度型负荷空调1500
      热水器2000

      基于NILM可以有效获得用户的用电习惯,本文只对用户的可控负荷进行智能控制,如表2所示为可控负荷的最早开始时间、最晚结束时间、可运行时间窗口和运行时间。

      表 2  基于NILM算法的家庭可控负荷运行数据分析

      Table 2.  NILM algorithm-based analysis on operating data of household controlled load

      可控负荷最早运行
      时间
      最晚结束
      时间
      可运行时
      间窗口/h
      运行时间
      /h
      洗衣机9:0019:00101
      消毒柜8:0019:00111
      电动汽车0:0024:00246
      空调0:0024:00246
      热水器0:0024:00243
    • 对光伏、风机发电输出功率的短期准确预测,可以合理调配电网、风机和光伏的用电,降低用电成本,提高用户用电满意度。家庭智慧用能管理设备负荷调度区间时长1天,考虑能够实时对各个负荷和设备进行控制,将仿真间隔设置为时长1 h,24个时间间隔。假设用户安装的光伏发电系统容量5 kW,风机发电系统容量3 kW,光伏输出功率、风机输出功率见附录A,附图A2所示。

      图  A2  风机和光伏发电输出功率值

      Figure A2.  Output power value of WT and PV

    • 家庭智慧用能调度区间设置总时长$K = 24$ h,间隔长度$k = 1$ h,总共24个间隔。不可控负荷电脑、电视、冰箱,可控负荷洗衣机,由于运行情况不同功率也不相同,需提前计算第二天各个负荷功率运行情况,本文取平均功率作为输入数据。空调:$T_{\min }^{ {{\rm{air}} }}=22 ℃, T_{\max }^{a{\rm{ i r}}}=27 ℃$;电热水器:$T_{\min }^{ {{\rm{heater}} }}= 45 ℃, \quad T_{\max }^{ { h{\rm{eater }}}}=100 ℃$;电热水器初始温度设置为 $T_{k=1}^{ {{\rm{heater}} }}=45 ℃$;储能系统容量为13.44 kWh,最大充放电功率为2 kW,$\omega_{{\rm{B s}}}=\omega_{{\rm{B d}}}=0.95$,蓄电池荷电初始状态为50%;上网补贴${J_{{\rm{sub}}}} = 0.37$元/kWh;PSO最大迭代次数1000;速度取值范围为 $[0.4,0.4]$$P_{c}=0.7$wmaxwmin分别为0.2和0.9;$\xi_{1}=\xi_{2}=0.5$;电动汽车在本文计算中只作为负荷性质,而不参与放电供其他负荷使用,电价和室外环境温度见附录A,附图A3所示。

      图  A3  仿真输入环境温度和不同时刻电价

      Figure A3.  Simulation input ambient temperature and price at different time

      本文研究基于NILM的家庭智慧用能管理,根据运行策略,优先使用光伏发电和风机发电,在满足用户用电需求的情况下以用户用电成本和舒适度综合目标最小得到可控负荷和储能系统设备运行结果。为了综合比较算法可靠性,采用3种模式进行比较。

      模式0:用电设备正常运行(按照用户以往用电习惯正常运行,不增加控制策略)。

      模式1:考虑用户用电成本和舒适度多目标的控制策略,不含风机光伏发电和储能系统。

      模式2:含风机光伏和储能系统并计及用户用电成本和舒适度的控制策略。

      利用PSO算法进行求解,采用MATLAB7.10编程,计算结果如图5所示。根据不同模式下可控负荷功率变化计算购电成本、收益和净成本,结果如表3所示。

      表 3  不同模式下购电成本、收益与净成本

      Table 3.  Power purchasing cost, revenue and net cost under different modes

      模式从大电网购电成本/元可再生能源上网收益/元净成本/元
      模式047.30047.30
      模式127.42027.42
      模式211.8711.440.43

      图  5  不同模式下可控负荷变化功率曲线

      Figure 5.  Power curve of controllable load change under different modes

      表3数据显示:模式1、模式0均没有光伏风机发电和储能系统参与负荷供电调节,只增加控制策略,发现可以有效节省用户用电成本,成本降低率为72.5%。模式2与模式0相比增加光伏风机发电和储能系统参与负荷调节,并考虑用户用电成本和舒适度,成本降低倍数为109倍,当发现光伏和风机发电参与家庭用能时,可以大幅度减少用户用电成本。模式2与模式1均考虑控制策略,但模式2增加光伏风机发电和储能系统,发现成本降低倍数为62.77倍,用户用电成本有效减少。

      通过上述分析可以发现,在NILM情况下,获得用户用电信息和用电规律,保证用户用电舒适性,同时增加光伏风机发电和储能系统并综合考虑成本与舒适性,可以有效降低用户用电成本。

      根据PSO算法求解得到各个可控负荷控制策略,0表示可控负荷停止运行,1表示可控负荷正在运行。附录A附图A4附图A5分别为模式1和模式2不同时间可控负荷与电动汽车启停情况,即各个用电设备调度策略输出值。

      图  A4  模式1可控负荷和电动汽车控制策略输入值

      Figure A4.  Input value of control load and electric vehicle control strategy in mode 1

      图  A5  模式2可控负荷和电动汽车控制策略输入值

      Figure A5.  Input value of control load and electric vehicle control strategy in mode 2

    • 现有家庭用户用能管理中,大多数只针对固定用电设备,而未考虑用户增加用电设备时如何进行优化控制。本文增加不同类型的用电负荷,并基于NILM进行设备辨识,其负荷识别准确率如图6所示。

      图  6  NILM算法的准确率

      Figure 6.  Accuracy of NILM algorithm

      图6显示用户临时增加不同类型的用电负荷,NILM算法的准确率均在87%以上,而对于平移型、计划型和温度型3类可控负荷的识别准确率在97%以上。

      本文假设用户临时增加一台空调负荷,其启停规律和运行时间通过NILM算法获得。控制1为增加空调负荷时NILM未介入的设备控制策略,控制2为增加空调负荷时NILM介入优化后的控制策略。其用户可控负荷总功率如图7所示。

      图  7  增加用电设备时不同控制策略下功率变化

      Figure 7.  Power change under different control strategies when electric equipment is added

      根据阶梯电价,计算控制1用电成本34.05元,控制2用电成本32.82元,成本降低率3.75%。增加不同的可控用电负荷,成本均有所降低。即增加可控用电负荷,NILM算法可以实时更新优化控制策略以达到降低用电成本目的。

    • 考虑利用PSO算法在计算可控负荷0−1变量和储能系统连续变量时具有随机性,为了保证算法的准确性,选取6个家庭居民用户进行试验验证,重复计算10次,数据来源于文献[17],结果如表4所示。

      表 4  不同用户家庭成本与计算时间统计量

      Table 4.  Statistics of different users’ family costs and computation time

      用户净成本标准差/元计算时间平均值/s计算时间标准差/s
      用户10.57135.64.5
      用户223.91604.32.3
      用户31.5937.513.1
      用户420.76110.56.8
      用户59.8150.73.5
      用户610.51897.8
      平均值11.19171.276.33

      通过表4可以发现,利用PSO算法计算净成本和时间标准差较小,计算时间平均值小于1 h,满足负荷控制要求,控制算法计算结果可以作为可控负荷和电动汽车第二天运行计划。

    • NILM算法可以得到家庭用电负荷、用电规律和用电信息,为家庭智慧用能管理提供数据支撑。基于用户用电成本和舒适性提出可控负荷的控制策略,考虑光伏发电、风机发电、储能系统参与负荷和电网的能量交换,提出家庭智慧用能管理多目标控制算法。仿真结果显示,NILM算法的家庭用电成本降低72.5%;用户用电设备增加时,可有效降低家庭用电成本;不同的用户家庭通过调整优化策略、净成本、计算时间就能满足家庭的用能需求。该算法可推广到工业、服务等行业的智慧用电管理中。

      (本刊附录请见网络版,印刷版略)

参考文献 (17)

目录

    /

    返回文章
    返回