柳萌1, 吴育坚2,伍人剑2,范帅1, 何光宇1, 郏琨琪1
(1.电力传输与功率变换教育部重点实验室(上海交通大学电气工程系), 上海市200240; 2.海南电网公司澄迈供电局,海南省澄迈县 571900)
摘 要: 用户侧管理节能是智能电网实现节能减排的重要环节,如何在保障用户用电体验的同时实现能源高效利用是用户侧能量管理系统的核心问题。理论分析上,基于用电效用的概念与电器参数化分析方法提出用户侧节能自趋优方法:引入效用函数作为评价用电满意度评价指标,并改进电器用电效用分级评价方法;基于自趋优思想提出用电侧节能自趋优优化思路;结合电器运行参数化思想提出电器运行节能指标的挖掘方法,包括电器运行状态自识别与用电需求挖掘;技术实现上,以时间扰动型电器为例,探讨用户侧节能自趋优方法理论的应用与电器特征参数化的技术实现方式;工程应用上,在广州某办公楼建设智能用电环境并部署节能策略,运行结果验证了该文方法在规模化工程应用方面的可行性与有效性。
关键词: 用户侧能量管理; 节能; 用电效用; 电器运行参数化; 自趋优
Abstract: User side energy management is a critical approach to realize energy saving and emission reduction for smart grid. The kernel of energy management system in user side is the comprehensive consideration of both user satisfaction and efficient utilization of energy. Theoretically, this paper proposes the self-approximate optimization method in user side based on the concept of power utility and the parametric analysis method of electrical equipment. We introduce utility function as the evaluation index of power consumption satisfaction, and improve the grading evaluation method of electric appliance power utility. Based on the thought of self-approximate optimization, we propose the self-approximate optimization method for the energy saving of power consumption side; combining the idea of electrical equipment operation parameterization, we present the mining method for the energy saving index of electric appliance operation, including self-recognition of electrical equipment running state and power demand mining. Technically, taking time-disturbance appliance as example, this paper discusses the application of self-approximate optimization method of user-side energy saving and the technology implementation mode of equipment characteristic parameterization. In engineering, energy saving strategy has been established in the smart power environment of an office building in Guangzhou, the running results prove the feasibility and effectiveness of the proposed method in large-scale engineering applications.
KEYWORDS: user side energy management; energy saving; power utility; electrical appliance parameter characterization; self-approximate optimization
近年来,随着我国经济飞速发展与人民生活水平的不断提高,社会整体用电量逐年攀升。国家能源局发布2016年全社会用电量为5.92万亿千瓦时,同比增长5.0%。用电量不断增加的背后是能源消耗的不断增长,而全球性的能源紧缺问题已经不容忽视,因此在全社会范围内进行节电节能已经刻不容缓。
传统节能从发电侧出发,通过推进特高压电网建设与节能发电调度实现节能减排[1],而随着传感技术与物联网的发展,智能用电管理系统[2-4](smart energy management system)已成为实现节能的重要途径。智能用电管理系统提供数据采集与上传的基础功能,为用户侧节能策略分析提供了技术基础。文献[5-7] 从总体用电角度出发,根据历史用电数据与用电行为分析,制定家庭短期或长期用电目标,进行日前节能优化,但非实时规划方法灵活性不足,容易影响到用户用电体验;文献[8-10]从构建用电场景出发,使用机器学习方法识别用电情景,通过判断电器与场景的关联度确定电器的开关策略, 但用电场景界定模糊,且算法相对复杂,前期带标签数据需求量大,实际应用难度较大;文献[11-13]则选择某种物理指标为优化目标,如温度、湿度等,对相关电器进行联合优化,但以经济调度为主,数学模型较为复杂,计算特性难以保证。总体而言,对于现有的用户侧节能管理方法,一方面,用户满意度没有做到量化管理,难以最大程度保障用户用电体验;另一方面,虽然种类繁多,但易偏重理论,侧重不同,缺乏既具实用价值又具有普适性的用户侧节能方法框架。
因此,本文基于电器精细化管理与智能电网自趋优[14]的思想提出用电侧节能自趋优方法:引入用电效用函数并改进用电效用分级评价方法以确定节能自趋优的评价指标,明确何为优;结合优化指标与电器工作特性提出用户侧节能自趋优优化思路,明确如何优;基于电器运行参数特征化思想提出电器运行状态与用电需求的挖掘方法,为用电效用指标的在线评估提供基础,明确如何实时判断电器运行是否为优。同时,本文以时间扰动型电器为例,结合电器运行特征参数分析与电器工作原理分析阐述节能自趋优方法的技术实现方式,计算节能表征指标,证明节能效果;并在广州某办公楼进行用户侧节能自趋优工程实践,对节能效果进行统计分析,以综合验证该方法在规模化工程应用中的可行性与有效性。
1.1 效用函数
本文引入文献[15]中的效用函数来量化电力用户在消费电能中获得的效用,即用户的用电满意度。温度效用函数表示效用与温度的数量关系,如式(1)所示;时间效用函数表示效用与使用时间的关系,如式(2)所示。
(1)
式中
(2)
式中
图1 时间效用表征图
Fig.1 Time utility demonstration
1.2 电器用电效用分级评价改进
文献[15]中提出的效用分级方法仅基于当前效用值判断,并没有考虑效用变化趋势对判断用电价值的实际影响。因此本文综合当前效用值与电器运行引发的效用值变化趋势提出新的用电效用分级评价方法:高效用指用户用电获得最大化满意度或满意度上升;负效用指用户用电满意度下降或满意度极低;低效用指用户用电满意度处于边际递减状态,如待机等不产生实际用电效果的用电行为。 记电器i在时刻t的运行状态为Si (t )在工作、待机、关闭状态下值分别为2,1,0。具体温度、时间效用等级划分如表1所示。
表1 效用等级划分
Table 1 Power utility classification
自趋优是指某个对象通过自身的自动调节实现从令人不满意的状态到令人满意的状态的过程。对于用户侧节能而言衡量其是否处于令人满意状态的标准就是前述的电器用电效用评价指标。本文定义电器节能自趋优含义如下:
(1)保证电器尽量运行在高效用状态,消除负效用状态,尽量减少低效用状态;
(2)对高效用状态保证其尽量处在最佳节能运行方式。
首先,用电效用评价指标综合考虑了用户的用电满意度与电器运行模式,因此(1)在保障用户用电满意度的同时节省电器运行在不当工作模式下的电能;进一步,(2)是通过调节电器具体的运行参数来达到电器最佳节能工作方式,例如对于空调,设定温度与启停时间可以通过更精细的优化算法加以改善从而实现精益化节能,而此时在保证高效用的前提下也并不会影响用户用电满意度。
在此大前提下,结合温控型负荷与时间型负荷的工作特性与工作原理分析,本文给出用户侧节能自趋优思路如下:
对于时间型负荷:如果电器处于高效用状态,则保持原来运行状态不变;如果电器处于负效用状态,则关闭电器;如果电器处于低效用状态,则结合用户实际用电需求灵活制定控制策略。
对于温控型负荷:如果电器处于高效用状态,若电器运行使温度效用值处在上升过程,则保持原运行状态不变;若电器运行保持温度效用值不变,则需调节运行参数使其处在最佳节能运行方式;如果电器处于负效用状态,则关闭电器;如果电器处于低效用状态,则关闭电器或结合前后运行状态分析决定(考虑反复启停、最小关断时间等因素)。
本文从电器运行参数化角度出发,结合电器工作原理提出对电器运行状态、用电需求的挖掘方法,从而实现电器用电效用在线评估,作为电器运行自趋优的判断指标。
3.1 电器运行状态自识别
电器运行状态是指电器工作时所处的用电模式,是电器用电效用评价方法的必需参数。因此,电器运行自趋优指标挖掘的第1步就是正确识别电器的运行状态。
将采集到的有功功率、无功功率、电压、电流、频率等电气参数与对应的时标参数记作参数集M (P,Q,U,I,F,T )。对特定电器的历史电气数据库选择其可表征电器运行状态的电气参数,运用数据挖掘技术提取其特征用电模式下的特征参数,组成该电器的特征用电模式集,以此作为判断基础,在实时采集到新数据时,与特征用电模式集的特征电气参数进行比对来实现电器运行状态的在线自识别。
3.2 用电需求挖掘
用户的用电需求表征用户对用电产生效用的要求,换言之,前文所述效用函数值表征的就是用电需求被满足的程度。因此,电器运行自趋优指标挖掘的第2步就是对用电需求的挖掘,确定效用函数值。
与温度相关的用电需求通过分析所测环境温度与人体舒适度之间的关系所得;与使用时间相关的用电需求,可分非扰动型电器与扰动型电器2种类型来分析。对于非扰动型电器(如路由器、电视等),用户在使用期间对电器操作较少,从而对电器运行数据产生的扰动较少,对该种电器的用电需求挖掘,可通过对电器运行时间进行统计分析,并结合红外探测等方法综合分析而得;对于扰动型电器(如饮水机、热水器等),用户的实际用电行为(如饮水)对电器的运行产生了扰动,即用户的用电行为真实反映在电气运行数据当中。在用电需求确定的前提下,用户用电行为的发生存在时间上的规律性,可通过对用电行为进行时间维度上的数学统计来挖掘用电需求。因此扰动型电器的时间需求挖掘包含用户用电行为自识别与用电行为统计两部分。对于用户用电行为自识别,在实际工程中,大多数历史数据不包含与用电行为相关的标签记录,因此如隐马尔可夫算法等机器学习方法难以真正应用。本文提出在电器运行状态自识别的基础上,对于特征用电模式下与用电行为相关的特征参数进行再提取,再将受用电行为扰动后的非特征运行参数与特征参数进行对比分析,结合电器工作原理与用户用电行为分类,将电器非特征运行阶段与用户用电行为进行匹配从而实现用户用电行为自识别,通过时间维度统计实现用电需求挖掘,进而确定时间效用函数值。
前文所述时间扰动型电器具有用电行为实时影响电器运行时间参数的特征,以饮水机为例,取数据集D (P, T ) ⊂ M,详细探讨参数化方法在电器运行状态识别与用电需求挖掘方面的应用。
4.1 饮水机电器运行状态自识别
在进行特征用电模式参数的提取时应忽略暂态功率变化与错误测量数据,因此首先进行数据清洗。本文基于相对密度对功率数据离群点进行剔除,经过数据清理后的D (P, T ) 记作W (P, T )。
饮水机的特征用电模式集包括加热与待机,采用K-means聚类算法对特征用电模式的电气特征参数进行挖掘。饮水机的运行模式仅在其功率数值上有所反映,因此只对P进行分析。以某办公室饮水机的历史数据库为例得到2个聚类中心分别是
(3)
根据此聚类中心,就可以判断实时监测的点所属的类,也即判断其用电模式。部分识别结果如表2所示, 标签1表示加热,标签0表示待机。
表2 饮水机运行状态识别结果
Table 2 Recognition result of water dispenser runs state
在实际在线监测中,建议将根据分析历史数据集所得到的判断边界值直接对在线监测数据点进行判断,每过一定时间将新的实时数据导入原始数据库,重新计算离线识别准则。这样既可减轻在线计算负担又可避免历史误差累计。对于用电需求挖掘亦同。
4.2 饮水机用电需求挖掘
饮水机加热和待机持续的时间分别记作加热时间th和待机时间ts,如图2所示。根据饮水机工作原理可知,在无人饮水时,2个时间参数取决于加热电路参数和对流散热,基本恒定,记作特征用电模式的时间特征参数;用户饮水行为会影响热水箱水温,进而对饮水机用电模式的时间参数产生扰动。
图2 饮水机时间参数示意图
Fig.2 Time parameter of water dispenser
4.2.1 时间参数提取
将连续的一个待机时间和一个加热时间组合为一个工作周期,记作点time (ts , th)。图3为某办公室饮水机时间周期散点图。
图3 某饮水机特征时间周期散点图
Fig.3 Characteristic time periodic scatter plot of a water dispenser
首先给出如下假设:
办公室饮水机无人饮水的工作周期数远大于有人饮水的工作周期数。
基于此,图3框中所示点密集区域认为是饮水机无人饮水的工作周期点集,即饮水机特征运行阶段;其边界值则表征饮水机特征用电模式的时间特征参数。
4.2.2 时间参数分析
对时间周期散点图进行区域分割,如图4所示。定义阴影区域S为特征运行区域,对其他各区域结合饮水机工作原理分析用户用电行为如下:
(1)有用户饮水,且发生在加热初始或待机与加热的交界。用户饮水使冷水进入水箱,导致th变长;但由于发生在待机基本结束后,故不会影响ts。
图4 特征区域分割图
Fig.4 Characteristic area segmentation diagram
(2)有用户大量饮水,且发生在待机阶段。在待机阶段大量冷水注入水箱,温度迅速下降,待机立即结束,ts缩短,饮水机从较低温度开始加热,th变长。
(3)有用户少量饮水,且发生在待机阶段。待机阶段发生饮水导致水箱温度加速下降,待机提前结束;但因为饮水量较小,进入加热阶段时,仍从正常温度开始。
(4)饮水机关机。饮水机已经停止工作,关机被分类至保温模式;饮水机故障,无法测出水温下降或无法开始加热等。
(5)饮水机缺水。加热时间明显低于统计规律情况,因此判断加热的水量低于正常情况,即缺水;或饮水机故障,无法正确测量温度。
(6)饮水机非正常使用。
4.2.3 基于概率的用户用电行为识别
识别用户用电行为的关键是确定 S区域的边界值。首先给出如下假设:(1)th和ts无较强耦合关系,可分别确定二者的边界值;(2)在无人为干预情况下,S应该为一个点,但由于各种干扰形成矩形区域。由此认为,一个点是否处于S区域可以以概率的形式进行判断。
对S内的th与ts 采用平滑核估计,结果如图5所示。ts的概率密度图像呈2个尖峰形态的正态分布,是由工作时间空调运行导致室温相对较低造成。对th采用最小二乘法求解正态分布,对ts采用极大似然估计算法求解由2个正态分布构成的混合高斯分布,结果如表3和表4所示。由3倍标准差定理计算S区域边界值,以某办公室饮水机为例计算可得到S区域的边界值:
图5 特征时间核密度估计
Fig.5 Characteristic time kernel density estimation
(4)
以此时间特征参数边界值为判断条件,对实时采集的饮水机工作周期进行区域判别,进而识别其所对应的用户用电行为。
表3 加热时间正态分布拟合结果
Table 3 Fitting result of th normal distribution
表4 待机时间混合高斯分布估计结果
Table 4 Estimation result of ts Gaussian mixture
s
4.2.4 用电行为统计
对某办公室饮水机进行了为期5天的用户饮水行为识别,累积统计结果如图6所示。从图可知,用户饮水行为发生在每天的接近09:00,结束在20:00以前,故在20:00到次日的接近09:00,用户无用电需求
图6 某办公室饮水机1天饮水行为统计图
Fig.6 Drinking statistical graph of a certain office for one day
4.3 饮水机节能自趋优
节能优化开始,根据实时识别的电器运行状态与用电需求计算电器用电效用等级:
(1)若饮水机处在负效用状态,关闭饮水机;若饮水机处在高效用状态,则保持原运行状态不变。
(2)若饮水机处在低效用状态,采用灵活节能策略,可由用户提前设置饮水机的期望运行状态:可保持运行状态不变;可选择开启或关闭;也可选择智能运行,即每检测到连续n个加热-保温循环内无饮水行为,则关闭饮水机,一段时间△t后重新开启,n与△t可由用户设置或采取默认参数。
对授权控制电器,根据其执行节能策略后的实际用电量En与按照历史统计规律计算出的未执行节能策略的估算用电量Ep计算节能量Esv与相对节能效果Resv;对未授权控制电器,根据未执行节能策略的实际用电量En与执行节能策略的预测用电量Ef计算节能潜力Esp与相对节能潜力Resp。具体计算方法如式(5)、(6)所示。以某办公室饮水机1天为例,如图7所示,可以计算出实际节能量为0.441 kW·h,相对节能效果为46.2%。
(5)
(6)
图7 授控电器运行功率曲线
Fig.7 Power curve of controlled appliance
为了进一步验证本文所提出的节能自趋优方法的普适性与工程实用效果,在广州某办公楼3—8层布置智能用电实验环境并维护其稳定运行,监测范围涵盖共79个办公室及会议室,实验时间为1个月。以7楼某办公室为例具体分析节能效果。办公室面积约50 m2,办公人数共11人,并包含单独小型会议室,被监控设备主要包括饮水机、投影仪、工作位(电脑)等。办公时间为07:50—18:00,会有加班情况发生。饮水机低效用时节能策略设置:n = 15,Δt = 30 min。除饮水机外,对办公室其他设备也按照节能自趋优思路进行分析决策,图8为一个月该办公室部分设备累计节能数据统计柱形图,深色部分代表未授控电器的累计节能潜力,浅色部分代表授控电器累计节能量,斜线部分代表电器高效用电量。对办公楼授权电器进行综合计算,本文所提出的基于电器级别的节能自趋优方法平均能够达到约23.77%的节能效果。
图8 某办公室节能统计柱形图
Fig.8 Energy saving statistical column diagram of a certain office
有限的自然资源、脆弱的生态环境与日益增长的人类需求之间的矛盾关系使得节能减排迫在眉睫,因此,只从发电侧与整体用电规划的角度计划节能已远远不足,必须提出一套切实可行的用户侧节能管理方法,使节能深入到每个用电活动当中。本文所提出的基于用电效用与电器特征参数化的用户侧节能自趋优方法综合考虑电器运行能效与用户满意度,基于电器运行状态自识别与用电需求挖掘实现电器用电效用在线评估,并据此提出电器运行的节能自趋优策略,实时优化用电模式,提升能源利用的高效性。该节能方法思路清晰、意义明确,为用户侧管理节能的实现提供理论指导;以时间扰动型电器为例,详细分析各方法步骤的技术实现方式,对该方法的实用性与落地性进行了充分验证;且经过实践工程验证,节能效果突出,具有巨大的工程应用价值。下一阶段考虑对更多不同电器进行建模分析,并将温度模型引入方法架构,从而实现对温控型负荷的精细化节能管理。
7 参考文献
[1] 李俊雄, 黎灿兵, 曹一家,等. 面对智能电网的互动式节能调度初探[J]. 电力系统自动化, 2013, 37(8):20-25. LI Junxiong, LI Canbing, CAO Yijia,et al. Risk assessment framework design on flexibility power grid planning and its application prospect[J]. Automation of Electric Power Systems, 2013, 37(8):20-25.
[2] HAN D M, LIM J H. Smart home energy management system using IEEE 802.15.4 and zigbee[J].IEEE Transactions on Consumer Electronics, 2010, 56(3):1403-1410.[3] KHALED Y K, AMIN S I, ABDELHALIM Z, et al. On design of M2M smart energy control and management architecture using smart metering technology[C]//2016 11th International Conference on Computer Engineering & Systems (ICCES).Perth: IEEE,2016:452-460.[4] 赵雪霖, 何光宇, 杨文轩, 等. 智能用电网络的设计与初步实现[J]. 电工电能新技术, 2014, 33(10):52-57. ZHAO Xuelin, HE Guangyu, YANG Wenxuan, et al. Design and initial implementation of smart electric appliance network[J]. Advanced Technology of Electrical Engineering and Energy, 2014, 33(10):52-57.
[5] YUKITOSHI K, KAZUYA O, SHINYA Y, et al. Saving energy in smart homes with minimal comfort level reduction[C]// 2013 IEEE International Conference on Pervasive Computing and Communications Workshops (PERCOM Workshops), Perth:IEEE,2013:372-376.[6] 郭晓利,于阳. 基于云计算的家庭智能用电策略[J].电力系统自动化, 2015, 39(17):114-119. GUO Xiaoli, YU Yang. A residentialsmart power utilization strategy based on cloud computing[J]. Automation of Electric Power Systems, 2015, 39(17):114-119.
[7] YAO Chuting, YANG Chenyang, XIONG Zixiang. Energy-saving predictive resource planning and allocation[J]. IEEE Transactions on Communications, 2016, 64(12):5078-5095.[8] WESLLEN S L, EDUARDO S, THIAGO R, et al. User activity recognition for energy saving in smart home environment[C]// 20th IEEE Symposium on Computers and Communication (ISCC). IEEE, 2015:751-757.
[9] PIETRO C, SALVATORE G, GIUSEPPE L R, et al. User activity recognition for energy saving in smart homes[C]// 2013 Sustainable Internet and ICT for Sustainability. IEEE: 2013:1-9.
[10] 杨甲甲, 赵俊华, 文福拴, 等. 智能电网环境下基于大数据挖掘的居民负荷设备识别与负荷建模[J]. 电力建设, 2016, 37(12):11-23. YANG Jiajia, ZHAO Junhua, WEN Fushuan, et al. Residential appliance identification and local modeling based on big data mining in smart grid environment[J]. Electric Power Construction, 2016, 37(12):11-23.
[11] AMJAD A M, HASSAN M, ASHCAN R K, et al. Optimal smart home energy management considering energy saving and a comfortable lifestyle[J]. IEEE Transactions on Smart Grid, 2015, 6(1):324-332.
[12] YU Zhe, JIA Liyan, Mary C M H, et al. Modeling and stochastic control for home energy management[J]. IEEE Transactions on Smart Grid, 2013, 4(4):2244-2255.
[13] 张延宇, 曾鹏, 李忠文, 等. 智能电网环境下多目标优化控制算法[J]. 电网技术, 2014, 38(7):1819-1826. ZHANG Yanyu, ZENG Peng, LI Zhongwen, et al. A multi-objective optimal control algorithm for air conditioning system in smart grid[J]. Power System Technology, 2014, 38(7):1819-1826.
[14] 何光宇, 孙英云, 梅生伟,等. 多目标自趋优的智能电网[J]. 电力系统自动化, 2009,33(17): 1-5. HE Guangyu, SUN Yunying, MEI Shengwei, et al. Multi-indices self-approximate-optimal smart grid[J]. Automation of Electric Power Systems, 2009, 33(17): 1-5.
[15] 赵雪霖,何光宇. 生活电器用电效用概念及其评估方法[J]. 电力系统自动化, 2016, 40(1):53-59. ZHAO Xuelin, HE Guangyu. Power utility evaluation of residential electrical appliances[J]. Automation of Electric Power Systems, 2016, 40(1):53-59.
(编辑 刘文莹)
LIU Meng1, WU Yujian2, WU Renjian2, FAN Shuai1, HE Guangyu1, JIA Kunqi1
(1.The Ministry of Education Key Laboratory of Control of Power Transmission and Conversion, Department of Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China; 2.Chengmai Power Supply Company, Chengmai County, Hainan Province, China))
中图分类号:TM 92
文献标志码: A
文章编号: 1000-7229(2017)10-0069-07
DOI: 10.3969/j.issn.1000-7229.2017.10.010
收稿日期:2017-06-02
作者简介:
柳萌(1992), 女,硕士研究生,主要研究方向为智能用电管理、用户侧节能技术研究;
吴育坚(1975),男,工程师,主要从事电力企业经营管理工作;
伍人剑(1986),男,工程师,主要从事变电站运行检修管理工作;
范帅(1992),男,博士研究生,主要研究方向为电力需求侧调度、用户侧节能等;
何光宇(1972),男,通信作者,博士,教授,主要研究方向为智能电网、最优潮流、状态估计、先进能量管理系统、用户侧能量管理系统;
郏琨琪(1992),男,博士研究生,主要研究方向为智能用电网络与需求调度。
基金项目:南方电网有限责任公司科技项目(070700KK52170001)
联系客服