基于多元领导增强型粒子群优化算法的智能楼宇负荷优化调度方法与流程

1.本发明主要涉及楼宇用户用电优化调度实现楼宇用电节能减排等目的，发明了一种多元领导增强型粒子群优化算法的智能楼宇负荷优化调度方法。


背景技术：

2.长期以来，建筑作为能源消耗和二氧化碳排放大户，调查指出我国95％的建筑属于高能耗建筑，总耗能约占社会总耗能的40％。随着数字化技术与楼宇的结合，智能楼宇的提出为未来城市居民发展方向奠定了基础，为实现自动符合控制和自动需求响应，传统电网也在不断升级。
3.随着家庭能源管理系统的提出，人们的视野渐渐转向用电优化，但市面上大部分系统根据拟定的需求响应程序调整家用电器的开关状态使家庭的电费最小化和峰值负荷最小化的方式进行，导致家电产品最优调度方法存在两个缺陷：没有考虑到消费者的舒适度，也没有使用强大的优化算法来解决这个问题。在满足用户用电舒适及经济等目标下，将用户负荷自动调度到合理的运行时段，这就需要选用合适且有效的智能优化算法对用电系统进行优化计算，从而得出最优调度方案。


技术实现要素：

4.本发明主要针对粒子群优化算法存在的缺点对其进行改进，然后应用于楼宇用户负荷调度系统进行调度优化，得出合理有效的负荷用电调度方案。
5.首先是对各类楼宇用户用电数据进行收集，将楼宇住户负荷通过密度峰值聚类算法对负荷特征进行分类，经去噪、选取密度峰值点后，依据楼宇住户对各类负荷的使用习惯获取楼宇可控负荷的可控时间段，并建立楼宇负荷用电调度模型，将家电产品的最优调度问题表述为具有约束的整数决策变量多目标优化问题，在所提出的多目标公式中，提出一种强大的优化算法：多元领导增强型粒子群优化算法，以确定家电的最佳运行时段，达成了楼宇用户用电经济且舒适，实现了楼宇用电削峰填谷和节能减排等的目标。
6.为解决上述问题，本发明采用如下技术方案，包括以下步骤：
7.步骤1：对各类楼宇用户用电数据进行收集，将楼宇住户负荷通过密度峰值聚类算法对负荷特征进行分类，经去噪、选取密度峰值点后，依据楼宇住户的用电习惯推算出楼宇负荷可控的时间段；
8.步骤2：对分类后的用电负荷进行最优调度，根据实际情况做出假设并进行理想化建模；
9.步骤3：在更新速度、位置、个人最优值上对粒子群算法进行优化，在应用每个粒子运算后后，重新评估突变向量，选举出新领导粒子，并将所有其他粒子拉向更好的计算区域；
10.步骤4：得出实验结论，并对结论进行分析。
11.上述基于多元领导增强型粒子群优化算法的智能楼宇负荷优化调度方法，步骤1中将用户用电数据采集后，通过密度峰值聚类算法进行处理，得到决策图，经去噪、选取密度峰值点后，绘制出二维非经典多维标度示意图，便于用户将用电住户按需求分类。
12.上述基于多元领导增强型粒子群优化算法的智能楼宇负荷优化调度方法，步骤2中，五个场景分别为:考虑舒适度负荷削减方案下家电的最优调度、考虑舒适度的家电减载方案的最优调度、分时电价与负荷削减组合下家电的最优调度、考虑舒适度的分时电价和负荷削减组合下的家电优化调度。
13.a.楼宇负荷调度模型化
14.家电启动时间构成的决策向量、不同时段不同设备的状态、电费支出、不适指数如下所示：
[0015][0016][0017][0018][0019]
(1)式中，f表示为家电启动时间构成的决策向量，其中lq为设备q的开始时间；(2)式中，为不同时段不同设备的状态，其中zt
q,t
表示设备q在时间t处的状态；(3)式中，k为电费，pq为设备q的额定功率，π
t
为t时的国网阶梯电价，zt
q,t
表示t时段设备q的状态，jl
t
为t时段优化减少的负荷激励，表示设备q在时间段t原计划的状态，v(x)是阶跃函数，正参数返回1，负参数返回0；(4)式中，表示不适指数，为原运行状态与优化后的差异。
[0020]
b.多元领导增强型粒子群优化算法公式表达
[0021]
粒子速度矢量、位置矢量表达式如下：
[0022]
sn(t 1)＝μsn(t) g1a1(bb
n-xi) g2a2(b
g-pn)(5)
[0023]
pn(t 1)＝pn(t) sn(t 1)(6)
[0024]
(1)(2)式中，sn表示为粒子速度矢量表达式，t表示迭代数，μ表示惯性权重,bbn表示单个粒子最优解,bg表示整个群体最优解。g1和g2分别为单个粒子加速度系数和群体粒子加速度系数，表示粒子向个体最优和群体最优的趋势。符号a1和a2表示[0,1]中随机生成的两个数字。粒子的运动状态可由g1和g2调整。调整后单个粒子最优解和群体最优解将改变。
[0025]
在一般粒子群优化算法中，由于以下两个原因，很可能会出现过早收敛：
[0026]
1、集群中的所有粒子都被第一个粒子吸引，各个粒子间趋于相似，无法有效触及不同区域从而导致收敛过早。2、由于集群对第一个粒子的吸引力，粒子变得彼此相似，更新方程中的术语g1a1(bb
n-xi)和g2a2(b
g-pn)的影响微乎极微，所以粒子将大致静止和停滞。在这种情况下，如果它们卡在一个具有局部最优的区域内，它们没有能力跳出该区域，就会发生过早收敛。
[0027]
c.连续突变算法的公式表达
[0028]
但在日常使用中的家电不会像理想化条件一样，在运用平常的粒子优化算法时，过早收敛会很大程度影响运算性能,本发明的多元领导增强型粒子群优化算法在更新速
度、位置、个人最优值均比粒子优化算法有较大提升，将5个连续的变异算法应用到领导粒子的选择上。在每个变异算子被考虑后，突变向量被评估，领导粒子被重新选择。通过这种方式，领导粒子得到了增强，并将所有其他粒子延申向更好的搜索区域
[0029]
各阶段如下所示：
[0030]bg1
(n)＝bd(n) (p
max
(n)-p
min
(n)).gaussian(o,a)(7)
[0031]bg2
(n)＝bd(n) (p
max
(n)-p
min
(n)).cauchy(o,s)(8)
[0032]bg3
(n)＝p
min
(n) p(n)-bd(n)(9)
[0033]bg4
＝p
min
p
max-pg(10)
[0034]bg5
＝pg f(x
e-xq)(11)
[0035]
(7)式为第一阶段的高斯变异，式中p
max
(n)和p
min
(n)表示第n个决策变量的上下限，a为高斯分布的标准差。对突变粒子b
g1
进行评估，如果它比bg更适合，它将取代bg成为新的粒子群领导者。(8)式为第二阶段的柯西变异，式中s为柯西分布的尺度参数。与一阶段类似，对突变粒子b
g2
进行评估，看它是否能够取代当前的先导。(9)式为第三阶段，对bg所有维度分别进行对位突变，计算结果向量，如果它比bg更适合，它将取代bg成为新的粒子群领导者。(10)式为第四阶段，应用于整个粒子群，并评估是否能够取代当前的领导粒子的的位置。(11)式为第五阶段，将基于差分进化中的变异算法应用于bg，式中，e和q为群中的两个随机非同质粒子，f为控制参数。同样，如果b
g5
比bg更适合，它将取代bg成为新的粒子群领导者
[0036]
在本发明中，多元领导增强型粒子群优化算法每次迭代都要探索n 4个搜索空间的不同位置，以寻求更好的领导粒子，并将粒子群推向更好的搜索区域。此外即使领导粒子卡在仅局部最优的区域，应用的五次突变方案也可使其能够跳出局部并收敛到全局最优。在发明中所有决策变量都是整数，在通过优化算法更新位置后，将每个维度上的个体位置四舍五入到最接近的整数。
附图说明
[0037]
图1为本发明的使用流程图
[0038]
图2为本发明多元领导增强型粒子群优化算法的流程图
具体实施方式
[0039]
以下将使用某小区1000余户居民的用电数据为例，对本发明的实施方式进行叙述。
[0040]
在本实例中，一种基于多目标多元宇宙优化算法的智能楼宇负荷优化调度方法，包括以下步骤：
[0041]
步骤1：对楼宇中1000余户居民用电数据进行收集，将楼宇住户负荷通过密度峰值聚类算法对负荷特征进行分类，经去噪、选取密度峰值点后，依据楼宇住户的用电习惯推算出楼宇负荷可控的时间段，并对用户及其使用设备进行分类；
[0042]
步骤2：对分类后的用电负荷进行最优调度，根据实际情况做出假设并进行理想化建模；
[0043]
搭建的楼宇负荷调度模型、目标函数、约束条件分别如下：
[0044]
a.楼宇负荷调度模型化
[0045]
家电启动时间构成的决策向量、不同时段不同设备的状态、电费支出、不适指数如下所示：
[0046][0047][0048][0049][0050]
(1)式中，f表示为家电启动时间构成的决策向量，其中lq为设备q的开始时间；(2)式中，为不同时段不同设备的状态，其中zt
q，t
表示设备q在时间t处的状态；(3)式中，k为电费，pq为设备q的额定功率，π
t
为t时的国网阶梯电价，zt
q,t
表示t时段设备q的状态，jl
t
为t时段优化减少的负荷激励，表示设备q在时间段t原计划的状态，v(x)是阶跃函数，正参数返回1，负参数返回0；(4)式中，表示不适指数，为原运行状态与优化后的差异。
[0051]
b.多元领导增强型粒子群优化算法公式表达
[0052]
粒子速度矢量、位置矢量表达式如下：
[0053]
sn(t 1)＝μsn(t) g1a1(bb
n-xi) g2a2(b
g-pn)(5)
[0054]
pn(t 1)＝pn(t) sn(t 1)(6)
[0055]
(1)(2)式中，sn表示为粒子速度矢量表达式，t表示迭代数，μ表示惯性权重,bbn表示单个粒子最优解,bg表示整个群体最优解。g1和g2分别为单个粒子加速度系数和群体粒子加速度系数，表示粒子向个体最优和群体最优的趋势。符号a1和a2表示[0,1]中随机生成的两个数字。粒子的运动状态可由g1和g2调整。调整后单个粒子最优解和群体最优解将改变。
[0056]
步骤3：应用的五次突变方案将粒子群推向更好的搜索区域，同时使领导粒子能够跳出局部并收敛到全局最优。
[0057]
各阶段如下所示：
[0058]bg1
(n)＝bd(n) (p
max
(n)-p
min
(n)).gaussian(o,a)(7)
[0059]bg2
(n)＝bd(n) (p
max
(n)-p
min
(n)).cauchy(o,s)(8)
[0060]bg3
(n)＝p
min
(n) p(n)-bd(n)(9)
[0061]bg4
＝p
min
p
max-pg(10)
[0062]bg5
＝pg f(x
e-xq)(11)
[0063]
(7)式为第一阶段的高斯变异，式中p
max
(n)和p
min
(n)表示第n个决策变量的上下限，a为高斯分布的标准差。对突变粒子b
g1
进行评估，如果它比bg更适合，它将取代bg成为新的粒子群领导者。(8)式为第二阶段的柯西变异，式中s为柯西分布的尺度参数。与一阶段类似，对突变粒子b
g2
进行评估，看它是否能够取代当前的先导。(9)式为第三阶段，对bg所有维度分别进行对位突变，计算结果向量，如果它比bg更适合，它将取代bg成为新的粒子群领导者。(10)式为第四阶段，应用于整个粒子群，并评估是否能够取代当前的领导粒子的的位置。(10)式为第五阶段，将基于差分进化(de)的变异算子应用于bg，式中，e和q为群中的两个随机非同质粒子，f为控制参数。同样，如果b
g5
比bg更适合，它将取代bg成为新的粒子群领
导者
[0064]
步骤四，针对国家电网分时电价规则，对家用电器进行优化调度使用包括电动汽车在内的多种家用电器考虑了用户的舒适度，研究考虑消费者舒适度对设备最优时间表和最优账单的影响该问题被描述为一个多目标优化问题，充分改变权重因子对设备最优调度的影响。