贾明潇

摘要：仅靠现有的用电服务机制，难以激发大量居民参与电网调峰，也难以反映不同用户对电网调峰的贡献度。本文在运用共享储能这一概念的基础上，分析不同用电负荷的用电特性，对用户进行优先级排序，搭建以每日用电费用最小为目标的家庭能量管理优化调度模型，通过改进遗传算法对模型求解。最终在保证云储能运营商承恩的基础上，达到用户用电费用减少的目的。

关键词：家庭能量管理;优化调度;用户优先级;遗传算法;

Abstract：It is difficult to motivate a large number of residents to participate in the peak load regulation of the grid only by the existing electricity service mechanism， and it is difficult to reflect the contribution of different users to the peak load regulation of the grid.  Based on the concept of shared energy storage， this paper analyzes the power consumption characteristics of different power loads， prioritises users， sets up an optimal scheduling model of household energy management aiming at minimizing daily power consumption， and solves the model through improved genetic algorithm.  Finally， on the basis of ensuring the generosity of cloud energy storage operators， users can reduce electricity costs.

Keywords：Home energy management; Optimal scheduling; User priority; Genetic algorithm

0 引言

传统电网中能量的流动是单向的，是由电厂生产电能然后通过电网传输给用户，用户只是电能的消费者。而智能电网的能量和信息的流动都是双向的，以便建立一个高度自动化的和广泛分布的能量交换网络[1].我们可以通过智能电网的这一特点进行能源和调度的优化，以达到提高电能质量和用电经济性的目的。基于微电网和智能电网的概念，考虑以家庭为主要单位，建立家庭微电网，利用智能化技术手段协调分布式发电、负荷和储能三者的运行[2]。

目前，中外对于居民用电策略优化已经做了大量的研究。文献[3]考虑了用户用电评价，将居民和运营商分层进行优化调度，在平抑负荷波动的基础上既保证了运营商的利润又兼顾了用户用电舒适度。文献[4]用动态的价格信号来控制用电器的操作，采用迭代的方式对家庭负荷进行全天滚动调度，有效的最小化了家庭用电费用。文献[5]将可控负荷产生的虚拟储能与居民区已有的储能装置共同参与能量管理.

仅靠现有的用电服务机制，难以激发大量居民参与电网调峰，也难以反映不同用户对电网调峰的贡献度[6]。因此需要对居民用戶参与电网调峰制定相应的服务策略。同时，CES运营商作为市场主体参与家庭用电优化调度，根据电网分时电价制定合理的用电策略能够达到云储能运营商、电网、用户多方共赢的局面[7]。本文在运用共享储能这一概念的基础上，分析不同用电负荷的用电特性，根据用户的历史贡献量以及自身的用电需求对其进行优先级排序，并对居民用户用电负荷进行调度，保证对电网与居民双方都有益，同时考虑了CES运营商的投资成本和维护成本，并留有一定的利润空间。

1 家庭微电网结构构建

本文中家庭微电网的架构如图1所示。主要包括用户、CES运营商和电网三部分。CES是一种基于储能设施共享的新型储能模式，用户不需要自己购买储能电池，只需订购CES服务租用一定量的云电池[8]。用户可以自由控制云电池的充放电行为 。这为用户节约了大量购买和维修设备的成本，用户无需在储能设备上一次性投入大量资金，只需要按时支付租赁费用。CES的储能设施由大量电池组成，由运营商进行投资、维护和管理。

与文献[9-10]相同，不论用户是否安装光伏发电系统，都可以购买云储能服务。装有PV系统的用户在电能有剩余时可以存储到租用的云电池中，也可以选择在电价较高的出售给其他参与CES服务的用户。参与其中的用户既是卖方也是买方，通过中间方运营商来进行电能交易，买卖双方将交易请求发送给运营商，其控制中心在收到请求后判断是否可以进行交易，此过程使得卖方通过出售剩余电能提高了能源利用率且获得了收益，买方以低于电网的价格获得了电能，减少了用电成本，同时运营商在此过程中收取交易费，达到三方共赢的局面。同时，CES运营商也可在电网电价较低时上网买电，电价较高时将多余的电能出售给电网。

在云储能服务模式的激励下，用户根据自己的需求设置参与调度的负荷种类和允许的调度时间，当用户设置的调度负荷种类越多时间越长时，用户对于系统用电调度的贡献也就越大，但是同时自身的用电舒适度也会受到一定影响。所以在CES运营商进行服务决策时会对贡献较大的用户有一定的激励措施，以鼓励用户更加积极的参与到CES服务中来。

本文所构建的基于云储能的家庭微电网系统又是主要体现在以下两个方面：（1）运营商作为中间者进行调度，很好的利用了不同用户之间的用电互补性，减少了用户与电网间以及用户与用户间直接交易的限制。由不同用户间直接进行电能交易，减少了电能转换的损失，也减少了对于电网稳定性的冲击。（2）考虑用户的历史贡献量以及自身用电需求，制定不同的用电策略，进一步提高了用户参与CES服务的积极性，同时保证用户整体用电负荷不会出现新的用电高峰。

2 系統模型

2.1 家庭用电设备模型

在本文中根据用户对家庭用电设备的依赖性，将负荷分为刚性负荷和柔性负荷，其中柔性负荷根据其使用时是否可中断分为可中断负荷和不可中断负荷。刚性负荷是指照明设备、电脑等必须立即满足用户用电需求的用电设备，不参与用电调度。柔性负荷如洗衣机、洗碗机等使用时间灵活，对用户的用电满意度影响不大，用户只要求在某一段时间之内完成工作即可，所以可通过利用此类负荷的灵活性提出调度策略。假设一个调度周期为一天，以半小时为间隔分成48个连续、相等的时间段，每一个时间段 。家庭中所有用电设备以集合 表示，每个设备以 表示，每个用电设备 。本文假定电器 的工作时长为 ，用 表示设备 允许的工作时间。引入一个状态变量 来表示电器的工作状态， 表示设备 在第 个时间段内的状态为闲置， 表示设备 在第 个时间段内的状态为工作。则设备在工作时需满足如下约束：

4 算例分析

本文是基于多个家庭用户组成的社区微电网，假设每个家庭都安装了PV系统和双向计量智能电表。随机选取了某地的6个家庭用户的实际用电数据进行模拟，且已知用户前一周的相关用电情况。分时电价数据如表1所示。以其中的一户家庭为例进行调度，我们选择优先级最低的用户进行模拟，调度周期为24小时，每30分钟提取一次用户的用电和发电数据。该用户的柔性负荷数据如表2所示。

策略一中，对于用户用电不做优化调度，由于大部分用户负荷可调度时间范围相同，导致负荷高峰的出现。策略二中，通过对每个时段的调峰最大功率进行限制，负荷的运行相比之下较为均匀地分布于整个时段，且峰值由高电价时段转移至低电价时段，既能够减少负荷波动，又能够减少居民用电成本。

5 结论

本文通过分析不同家用电器的特点，构建了基于云储能的家庭微电网系统，在现有分时电价的基础上，通过价格的激励有效引导了用户的用电行为，将用户的大量柔性负荷的用电时间从电价高的时刻转移到电价低的时刻，在用户侧能够 减少居民用电成本; 在电网侧能够降低负荷曲线峰值，减少负荷波动。

参考文献

[1]余贻鑫，秦超.智能电网基本理念阐[J].中国科学：信息科学，2014，44（06）：694-701.

[2]张延宇， 曾鹏， 臧传治. 智能电网环境下家庭能源管理系统研究综述 [J]. 电力系统保护与控制， 2014， 42（18）： 144-154.

[3]李廷钧，杜欣慧，姚宏民.计及用户评价的智能用电社区分层优化调度[J].电网技术，2018，42（11）：3486-3497.

[4]Althaher S，Mancarella P，Mutale J.Automated demand response from home energy management system under dynamic pricing and power and comfort constraints[J].IEEE Transactions on Smart Grid， 2015，6（4）：1874-1883.

[5]杨金文，吴杰康，庄仲，梁继深，何家裕，余方明.基于小区源-储-荷协同的微网多能协调控制策略[J].电力工程技术，2021，40（01）：40-49.

[6]张良，严正，冯冬涵，等.采用两阶段优化模型的电动汽车充电 站内有序充电策略[J].电网技术，2014，38（4）：967-973

[7] 李咸善，陈奥博，程杉，陈敏睿.基于生态博弈的含云储能微电网多智能体协调优化调度[J].中国电力，2021，54（07）：166-177.

[8]Liu， J.， Zhang， N.， Kang， C.， et al.： ‘Decision-making models for the participants in cloud energy storage’， IEEE Trans. Smart Grid， 2018， 9， （6）， pp. 5512–5521

[9]Shenglin Li， Junjie Yang， Jicheng Fang. Electricity scheduling optimization based on energy cloud for residential microgrids[J]. IET Renewable Power Generation， 2019， 13（7）：1105-1114.

[10]Ziqi Liu， Junjie Yang. Research on cloud energy storage service in residential microgrids[J]. IET Renewable Power Generation， 2019， 13（16）：3097-3105.