Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie 研究背景、目的和意义
Ähnlich wie 研究背景、目的和意义 (20)
研究背景、目的和意义
- 3. 一、研究背景、目的和意义 需求侧响应DR (Demond Response) 1.电力市场价格上涨/系统可靠性面临挑战 2.电力用户根据电价信号或其它激励措施， 暂时改变用电状态 3.系统侧：保证电力系统的稳定 用户侧：节省电费 • 1.1 研究背景 新能源的接入：光伏、电动汽车的发展普及 技术进步：智能电器、智能仪表、储能设备 电力市场的改革 “双碳”目标 3
- 4. 一、研究背景、目的和意义 • 1.2 研究HEMS的目的和意义 意义：实现需求侧响应， 用户：提高用电效率，节约电费，提 高舒适度 系统：节能减排，削峰填谷，提高电 力系统的可靠性等 两个主要功能： (1) 实时监测，负荷的能耗，室温等 (2) 优化调度各类负荷 4
- 9. • 2.3.1 深度神经网络DNN 神经网络的优点： • 无模型，应用广 • 精度高，可以根据用户设定不断训练 深度神经网络： • 较少的参数表示复杂的函数，影响电价和光 伏的参数较多，适合使用DNN预测 电价预测的影响因素： • 客观因素：天气，温度，风速，日期等 • 主观因素：过去电价，发电商报价等 光伏预测的影响因素： • 环境因素：太阳辐照强度、温度、湿度等 9 二、综合HEMS系统的建立
- 10. • 2.3.2 基于DNN的电价预测模型 神经元个数： 输入层 31 隐藏层 40:20:10 输出层 1 10 二、综合HEMS系统的建立
- 11. ······ ······ ······ 输入层 隐藏层 输出层 年y 月m 日d 时段h 过去24h的 光伏出力 当前时段 光伏出力 W1 b1 W2 b2 b3 W3 • 2.3.3 基于DNN的光伏出力预测模型 神经元个数： 输入层 28 隐藏层 40:20:10 输出层 1 11 二、综合HEMS系统的建立
- 12. • 2.4.1 Q学习算法简介 智能体 环境 奖励 反馈状态 选择动作 “试探一评价” 1. 智能体感知环境 2. 智能体根据当前状态选择动 作 3. 动作执行使环境进入下一个 状态 4. 环境反馈智能体一个奖励信 息，表示当前状态下选择当 前动作的好坏程度 5. 智能体感知环境 …… 12 二、综合HEMS系统的建立
- 13. • 2.4.2 Q学习算法：流程图及其优点 QL的优点 • 无模型 不需要预设规则，而是通过与 环境的互动来发现最优动作 • 自适应 能够适应各种环境，包括不同 的负荷，以及用户的不确定性， 非常灵活 • 简洁快速 模型训练最终得到一个Q值表， 通过查找表选择动作，在现实 中简单易操作 开始 停止 初始化Q值表，迭代次数σ =1 σ = σ + 1 是最终状态 更新Q值 观察奖励值r以及下一个状态s 1 ? Q Q 是 是 否 使用改进的ε贪婪策略，在状态s下选择行为a 选出状态 的最优动作 否 初始化状态s s =s' s a ' s 13 二、综合HEMS系统的建立
- 14. 负荷类型 状态 动作 不可转移负荷 {𝑡} {1}𝑃𝑁 𝑛𝑠 可转移负荷 {𝑡} {0,1}𝑃𝑁 𝑠 不含储能的可控负荷 {𝑡, 𝑐} {0.4,0.5,0.6,0.7,0.8,0.9,1}𝑃𝑁 𝑐 储热型负荷 {𝑡, 𝑡𝑒𝑚𝑝} {-1,− 13 15 ,……,− 1 15 , 1 15 ,……, 13 15 ,1}𝑃𝑁 𝑎𝑐 储电型负荷 𝑡, 𝑠𝑜𝑒 {-1,− 13 15 ,……,− 1 15 , 1 15 ,……, 13 15 ,1}𝑃𝑁 𝑒𝑣 • 2.4.3 Q学习要素：状态，动作，奖励 14 二、综合HEMS系统的建立
- 15. 三、预测模型结果分析 • 3.1 基于DNN的预测模型验证 电价预测 光伏出力预测 平均绝对误差MAE 1.39058 0.04462 均方差MSE 3.26966 0.00947 15 0 10 20 30 40 50 60 70 10 15 20 25 30 35 电价/$·MWh -1 时段/h 真实电价 预测电价 0 10 20 30 40 50 60 70 0.0 0.4 0.8 1.2 1.6 光伏出力/kW 时段/h 真实光伏出力 预测光伏出力
- 16. 三、预测模型结果分析 • 3.2 DNN与自回归移动平均模型对比 MAE MSE L电力成本/$ L舒适度成本/$ L总成本/$ DNN 1.3906 3.2697 0.2302 0.2284 0.4586 ARMA 2.0253 6.2911 0.2506 0.2138 0.4644 16 ARMA: 电价高峰更加精准 电价低谷差别更大 DNN： 预测曲线更加平滑 整体来说预测更精准 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 12.4 18.6 24.8 31.0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 12.4 18.6 24.8 31.0 电价/$·MWh -1 真实电价 ARMA预测电价 电价/$·MWh -1 时段/h 真实电价 DNN预测电价
- 17. • 4.1 Q值收敛 每个负荷的Q值收敛情况 17 L1、L2、WM的Q值 AC、EV的Q值 0 100 200 300 400 -0.08 -0.07 -0.06 -0.05 -0.04 -0.03 -0.02 -0.01 0.00 Q值/$ 迭代次数 wm l1 l2 0 1000 2000 3000 4000 -0.05 -0.04 -0.03 -0.02 -0.01 0.00 Q值/$ 迭代次数 ac ev 四、优化调度模型结果分析
- 18. 四、优化调度模型结果分析 • 4.1 Q值表 18 18 19 20 21 22 23 。。。 0 - 0.04184403 1 - 0.03797998 1 - 0.03386423 6 - 0.02948248 2 - 0.02490646 6 - 0.02047538 1 - 0.04184488 2 - 0.03797579 7 - 0.03385850 7 - 0.02945188 1 - 0.02484331 5 - 0.02018598 7 2 - 0.04184949 4 - 0.03798858 8 - 0.03387048 6 - 0.02945802 1 - 0.02484048 1 - 0.02018611 8 3 - 0.04202508 7 - 0.03813215 5 - 0.03398360 9 - 0.02954076 6 - 0.02489988 4 - 0.02024007 6 4 - 0.04258715 3 - 0.03863442 6 - 0.03448941 5 - 0.02984904 3 - 0.02521005 6 - 0.02038328 3 5 - 0.04339004 7 - 0.03945019 6 - 0.03516566 5 - 0.03052245 - 0.02583161 8 - 0.02085419 1 6 - 0.04430356 1 - 0.04029294 4 - 0.03609881 8 - 0.03155356 8 - 0.02646503 8 - 0.02135114 7 负荷（灯2）的Q值表 状态 动 作
- 19. • 4.2 单个负荷的调度结果（WM） • 图(a)，综合电力成本和等待成本，选择在22点开始运行 • 图(b)，调整运行时间后，WM从7点开始运行 19 (a)19-23点内运行 (b)7-11点内运行 洗衣机的调度结果 四、优化调度模型结果分析 19 21 23 1 3 5 7 9 11 13 15 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 功率/kW 时段/h wm price 18 20 22 24 26 28 30 电价/$·MWh -1 19 21 23 1 3 5 7 9 11 13 15 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 功率/kW 时段/h wm2 price 18 20 22 24 26 28 30 电价/$·MWh -1
- 20. • 4.2 单个负荷的调度结果（L） • 灯1和灯2的用能情况，灯1和灯2有不同的不舒适度系数(𝒌𝒄𝟏 < 𝒌𝒄𝟐) • L1：走廊等照明；L2：书房等照明 • L1：蓝色柱状图，功率小，变化范围大；L2，功率大，对电价不敏感 20 电灯的调度结果 四、优化调度模型结果分析 19 21 23 1 3 5 7 9 11 13 15 0.0 0.2 0.4 0.6 0.8 1.0 功率/kW 时段/h l1 l2 price 18 20 22 24 26 28 30 电价/$·MWh -1
- 21. • 4.2 单个负荷的调度结果（AC） 21 温度舒适度系数 0.005 0.01 0.05 电费成本/$ 0.25586 0.26814 0.29348 舒适度成本/$ 0.04399 0.01941 0.00118 总成本/$ 0.29985 0.28755 0.29466 空调的调度结果 不同舒适度系数下的室温对比 四、优化调度模型结果分析 19 21 23 1 3 5 7 9 11 13 15 0.0 0.5 1.0 功率/kW 时段/h ac Tin Tout price 22 24 26 28 30 32 34 36 温度/℃ 18 20 22 24 26 28 30 电价/$·MWh -1 19 21 23 1 3 5 7 9 11 13 15 17 23.6 24.0 24.4 24.8 室内温度/℃ 时段/h kac=0.005 kac=0.01 kac=0.05 Tset
- 22. • 4.2 单个负荷的调度结果（EV） 充放电 仅充电 无DR 电费成本/$ 0.07511 0.08743 0.07522 舒适度成本 /$ 0.02624 0.04402 0.15292 总成本/$ 0.10135 0.13145 0.22815 1.使用DR的两种模式，不舒适成本都远 低于无DR； 2.仅充电模式，电费成本高于其它两个 模式； • EV通过充放电参与调度，可以在低电 价的时候充电，高电价的时候发电， 电费成本较低，和无DR使用平均功率 充电相近 • 充放电模式最早达到期望储能，然后 是仅充电，最后是无DR模式 四、优化调度模型结果分析 18 19 20 21 22 23 0 1 2 3 4 5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0 功率/kW 时段/h 充放电 仅充电 平均功率 soc_exp 19 21 23 1 3 5 7 9 11 13 15 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 功率/kW 时段/h ev SOE SOEexp price 3 4 5 6 7 8 储能/kWh 18 20 22 24 26 28 30 电价/$·MWh -1
- 23. • 4.3 负荷综合用电情况 23 无DR的用电情况 所有负荷都运行 在有DR下的平均 功率 1.负荷峰值出现在 19-20点，正是电 价高峰 2. 负 荷 峰 值 为 3.2kW，较大 四、优化调度模型结果分析 18 19 20 21 22 23 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 功率/kW 时段/h ev wm ac l2 l1 refg prices 16 18 20 22 24 26 28 30 32 电价/$·MWh -1
- 24. • 4.3 负荷综合用电情况 24 新能源不参与调度 所有负荷都利用 需求侧响应的方 案调度 1. 最 大 峰 值 降 到 3kW以下 2.下午的用能增大， 提高空调舒适度 四、优化调度模型结果分析 18 19 20 21 22 23 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 功率/kW 时段/h ev wm ac l2 l1 refg prices 16 18 20 22 24 26 28 30 32 电价/$·MWh -1
- 25. • 4.3 负荷综合用电情况 25 新能源参与调度 EV和PV都参与调 度 白天的负荷明显 减少，PV可以很 好适应空调这类 和温度有关的负 荷 四、优化调度模型结果分析 18 19 20 21 22 23 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 功率/kW 时段/h ev wm ac_d l2_d l1_d refg_d prices pv 16 18 20 22 24 26 28 30 32 电价/$·MWh -1 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 光伏出力/kW
- 26. • 4.3 负荷综合用电成本计算 无DR EV仅充电 EV充放电 完整系统 电费 舒适度 电费 舒适度 电费 舒适度 电费 舒适度 冰箱 0.29079 0 0.29079 0 0.2786 0 0.15579 0 灯1 0.25656 0.12 0.25256 0.2284 0.25017 0.2284 0.23044 0.2284 灯2 0.35667 0.18 0.35402 0.2538 0.35043 0.2538 0.32084 0.2538 洗衣机 0.03726 0.0015 0.0308 0.0075 0.0308 0.0075 0.0308 0.0075 空调 0.24426 0.74788 0.26788 0.0206 0.27159 0.01329 0.25764 0.01883 电动 汽车 0.07522 0.15292 0.08743 0.04402 0.09488 0.0179 0.09444 0.02228 合计 1.017192 0.519004 1.28348 0.55432 1.27647 0.52089 1.08995 0.53081 总成本 2.46306 1.8378 1.79736 1.62076 比例 1 74.61% 72.97% 65.80% 26 四、优化调度模型结果分析
- 27. • 4.3 负荷综合用电成本计算 27 2.46307 1.8378 1.79736 1.62076 无DR EV充电 EV充放电 包含光伏 0.0 0.5 1.0 1.5 2.0 2.5 总成本/$ 不同模式 不同模式家庭用电成本比较 四、优化调度模型结果分析 65.80% 100% 74.61% 72.97%
- 28. • 4.4 QL与遗传算法对比：经济性 28 基于QL和GA的优化调度方法对 空调负荷调度结果 0 50 100 150 200 250 300 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 总成本/$ 迭代次数 QL GA QL在初始阶段表 现差，但逐渐优 于GA算法 四、优化调度模型结果分析
- 29. • 4.4 QL与遗传算法对比：不确定性行为适应性 29 行为违反概率： 如果储能不满足要求则认为违反用户行为 = 19 23 = 2 = 1 60 = 6 = 80 P1 0. 7，留在家里 点 P1 0. SO E% 55%去商场 P1 0. SO E% %游玩 P1 0. 8 留在家里 点 P2 0. 2 SO E% %提前上班 = 100% vio n C N EV的随机性行为： 方 法 电费成本/$ 舒适度 成本/$ 总成本/$ 去商场 /次 游玩 /次 提前上班 /次 𝐶𝑣𝑖𝑜 QL 0.086177 0.03456 0.12073 0 105 0 10.5% 24.0% 仿真结果：基于QL的优化调度方案更适应用户随机行为 四、优化调度模型结果分析