光伏發(fā)電預(yù)測精度對家庭用電管理系統(tǒng)性能影響研究

桑明龍,汪 偉

(中國計(jì)量大學(xué) 機(jī)電工程學(xué)院,浙江 杭州 310018)

當(dāng)下,化石能源占比能源消費(fèi)總量的84.7%,連續(xù)19年穩(wěn)居全球能源消耗榜首。2021年,城鄉(xiāng)居民生活用電量占全社會用電總量的12.15%,且該數(shù)據(jù)每年逐步抬升[1]。家用光伏發(fā)電裝置的普及為進(jìn)一步節(jié)能帶來了便利,但由于光伏發(fā)電存在間歇性和不確定性的特點(diǎn),因此對于準(zhǔn)確的預(yù)測光伏發(fā)電對整個家庭用電管理起到至關(guān)重要的作用。基于智能用電技術(shù)的家庭用電管理系統(tǒng)(home energy management system, HEMS)成為解決能源問題有效措施之一。

針對光伏發(fā)電神經(jīng)網(wǎng)絡(luò)預(yù)測模型輸入變量較多,造成預(yù)測穩(wěn)定性與精度不高的情況,王英立[2]等人提出一種基于改進(jìn)的平均影響值算法(mean impact value, MIV)優(yōu)化BP網(wǎng)絡(luò)(back propagation,BP)方法。在文獻(xiàn)[3]中利用麻雀算法優(yōu)化支持向量機(jī)的短期預(yù)測模型,考慮了影響光伏發(fā)電的環(huán)境因素,以此來提高預(yù)測精度。文獻(xiàn)[4]利用了經(jīng)驗(yàn)?zāi)B(tài)分解-長短期記憶神經(jīng)網(wǎng)絡(luò)來提高預(yù)測精度。文獻(xiàn)[5]提出了一種基于統(tǒng)計(jì)學(xué)方法的發(fā)電量預(yù)測,該統(tǒng)計(jì)學(xué)方法基于多變量回歸分析網(wǎng)絡(luò)模型?？紤]到光伏預(yù)測重要性,提出一種創(chuàng)新的分布式分散預(yù)測技術(shù)[6],基于回聲狀態(tài)網(wǎng)絡(luò)與分布式學(xué)習(xí)算法及分布式共識協(xié)議結(jié)合使用。文獻(xiàn)[7]在微電網(wǎng)模型下,使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對數(shù)值天氣預(yù)測信息進(jìn)行模式識別,從而建立光伏預(yù)測發(fā)電模型,并與微電網(wǎng)結(jié)合使用,提高了微電網(wǎng)的效率,降低了成本。

目前家庭用電管理系統(tǒng)中隨著家庭分布式光伏發(fā)電的普及,得到了行業(yè)的廣泛關(guān)注,也取得了較大的進(jìn)步和研究成果[8]。文獻(xiàn)[9]考慮在家庭電費(fèi)和舒適度之間進(jìn)行權(quán)衡的情況下,著重分析了可延遲負(fù)荷并將其細(xì)分為可中斷負(fù)荷和不可中斷負(fù)荷并分別建模,同時(shí)加入了蓄電池模型,給家庭用電提供更大靈活性并有效降低電費(fèi)。文獻(xiàn)[10]在智能電網(wǎng)中,除了大規(guī)模接入光伏發(fā)電、風(fēng)能等可再生清潔能源,電動汽車在上下班之后的接入電網(wǎng)充電也對電網(wǎng)構(gòu)成了一定的壓力,這就需要重新審視家庭用電管理系統(tǒng)的調(diào)節(jié)優(yōu)化能力。文獻(xiàn)[11]提出了一種基于梯度提升決策樹特征重要性選擇的粒子群和支持向量機(jī)結(jié)合的集成模型預(yù)測方法預(yù)測短期光伏發(fā)電。

文獻(xiàn)[12]在家庭用電管理系統(tǒng)中,建立了simulink光伏發(fā)電仿真模型來預(yù)測光伏發(fā)電功率,提高電能利用率。文獻(xiàn)[13]在家庭用電管理框架下,建立光伏發(fā)電預(yù)測模型,并采用遺傳算法優(yōu)化BP網(wǎng)絡(luò)模型對光伏發(fā)電量進(jìn)行預(yù)測,并與單一的BP網(wǎng)絡(luò)預(yù)測出的結(jié)果做對比。

本文重點(diǎn)研究了光伏發(fā)電不同預(yù)測誤差下對家庭用電管理系統(tǒng)性能的影響。建立了負(fù)荷模型、舒適度模型、儲能裝置模型和光伏發(fā)電預(yù)測模型;提出了麻雀算法優(yōu)化BP網(wǎng)絡(luò)的權(quán)值和閾值,并采用了改進(jìn)的二進(jìn)制粒子群算法對家庭用電管理系統(tǒng)進(jìn)行優(yōu)化。對比-10%、-5%、+5%和+10%共4種預(yù)測不同的光伏發(fā)電預(yù)測誤差下對家庭用電管理系統(tǒng)性能對比,并對比了熱舒適度和負(fù)荷轉(zhuǎn)移舒適度。最后進(jìn)行仿真驗(yàn)證。

1 家庭光伏發(fā)電預(yù)測模型建立

1.1 預(yù)測模型建立

1.1.1 麻雀算法優(yōu)化BP網(wǎng)絡(luò)流程

通過將數(shù)據(jù)集輸入到麻雀算法中,麻雀算法通過優(yōu)化得到最優(yōu)的結(jié)果,并將最優(yōu)的結(jié)果賦值給BP網(wǎng)絡(luò),作為其初始權(quán)值和閾值,以此提高預(yù)測精度。算法流程圖如圖1。

圖1 麻雀算法優(yōu)化BP網(wǎng)絡(luò)結(jié)構(gòu)流程圖Figure 1 Flow chart of sparrow algorithm to optimize BP network structure

1.1.2 麻雀算法

在麻雀算法(sparrow search algorithm,SSA)中,當(dāng)前適應(yīng)度值比較高的發(fā)現(xiàn)者在搜索過程中會優(yōu)先獲取食物,隨后提供覓食的方向。發(fā)現(xiàn)者的位置更新如式(1):

(1)

式(1)中,t代表當(dāng)前迭代數(shù),nmax是最大迭代次數(shù),Xi,j表示第i個麻雀在第j維中的位置信息,?∈(0,1)。R2(R2∈[0,1])和ST(ST∈[0.5,1])分別表示預(yù)警值和安全值。S服從正態(tài)分布。L表示一個1×d的矩陣。追隨者的位置更新描述如式(2)式(3):

(2)

(3)

1.1.3 BP網(wǎng)絡(luò)

BP網(wǎng)絡(luò)的本質(zhì)是實(shí)現(xiàn)了一個從輸入到輸出的映射功能,能實(shí)現(xiàn)復(fù)雜非線性映射的功能且具有一定的自學(xué)習(xí)能力,BP網(wǎng)絡(luò)結(jié)構(gòu)如圖2。

圖2 BP網(wǎng)絡(luò)

1.2 光伏預(yù)測仿真結(jié)果

1.2.1 誤差定義

為了準(zhǔn)確的評價(jià)2種方法的預(yù)測精度,采用常用的均方根誤差(root mean square error,RMSE):、平均絕對百分比誤差(mean absolute percentage error,MAPE)定量分析各模型預(yù)測效果,分別如式(4)和式(5)。

(4)

(5)

式(4)(5)中,m為樣本數(shù),xi為樣本真實(shí)值,yi為樣本預(yù)測值。

1.2.2 實(shí)驗(yàn)結(jié)果

BP、PSO-BP和SSA-BP,3種算法的收斂圖如圖3,三種算法分別預(yù)測晴天非晴天誤差對比如表1。

圖3 SSA-BP、PSO-BP和BP算法迭代收斂圖

表1 三種算法分別預(yù)測晴天與非晴天誤差對比

從圖3和表1可得,3種預(yù)測模型的MR和MM都較小。由于非晴天條件下云層的不穩(wěn)定性及溫度等差異,因此晴天的預(yù)測精度均高于非晴天的預(yù)測精度。本文所提出的SSA-BP誤差值最小,晴天模型下,SSA-BP模型預(yù)測的MR比PSO-BP和BP分別下降了約8.39%和13.81%;MM比其他2種方法分別提高了約4.45%和17.28%。在非晴天模型下,SSA-BP模型預(yù)測的MR比PSO-BP和BP分別下降了約17.84%和24.32%;MM比其他2種方法分別提高了約9.71%和6.26%。結(jié)果表明,SSA-BP較其他兩種模型具有較大的優(yōu)勢,預(yù)測精度較高。

2 家庭用電管理系統(tǒng)建模

2.1 目標(biāo)函數(shù)

F=μ1f+μ2c。

(6)

式(6)中,F為目標(biāo)函數(shù);μ1,μ2分別為電費(fèi)和舒適度的系數(shù)且兩者之和為1,f為用電成本,c為用戶舒適度。

用電成本如式(7):

(7)

c=TC+LTC。

(8)

式(8)中,TC為受溫度影響的熱舒適度,LTC為負(fù)荷轉(zhuǎn)移舒適度。

熱舒適度如式(9):

(9)

做到企業(yè)改革發(fā)展與履行社會責(zé)任高度融合，貫徹創(chuàng)新、協(xié)調(diào)、綠色、開放、共享五大發(fā)展理念，自愿將經(jīng)濟(jì)、社會和環(huán)境融入自身的日常經(jīng)營和與利益相關(guān)方的互動關(guān)系中，不僅實(shí)現(xiàn)企業(yè)可持續(xù)發(fā)展，而且實(shí)現(xiàn)經(jīng)濟(jì)效益、社會效益和環(huán)境效益和諧統(tǒng)一。依托重點(diǎn)骨干企業(yè)，對新舊動能轉(zhuǎn)換貢獻(xiàn)大、社會責(zé)任感強(qiáng)、群眾認(rèn)可度高的企業(yè)家進(jìn)行鼓勵，在社會上形成良好的商業(yè)風(fēng)氣與營商環(huán)境。

負(fù)荷轉(zhuǎn)移舒適度如式(10):

(10)

2.2 負(fù)荷模型建立

本研究將負(fù)荷分為三類:可轉(zhuǎn)移可中斷負(fù)荷、可轉(zhuǎn)移不可中斷負(fù)荷和不可轉(zhuǎn)移負(fù)荷。

2.2.1 可轉(zhuǎn)移可中斷負(fù)荷模型建立

可轉(zhuǎn)移可中斷負(fù)荷由于其負(fù)荷工作特性,可以中途暫停該負(fù)荷,隨后再在合適的時(shí)段重新開啟,但該負(fù)荷當(dāng)日總工作時(shí)間不變,如式(11)和式(12):

(11)

(12)

式(11)(12)中,hi為工負(fù)荷i工作的時(shí)間段數(shù),Hi等于該負(fù)荷當(dāng)日工作總時(shí)間段數(shù),可中斷功率不變負(fù)荷在每一個子工作時(shí)間段的功率Pi都不變。

2.2.2 可轉(zhuǎn)移不可中斷負(fù)荷模型建立

可轉(zhuǎn)移不可中斷負(fù)荷在開始工作的時(shí)間跨度上可以根據(jù)當(dāng)前電價(jià)的高低選擇是否開啟,一旦開啟則必須工作任務(wù)完成才可以關(guān)閉;如式(13):

(13)

2.3 儲能裝置模型建立

儲能裝置模型如式(14)、(15)、(16):

SOCn=Er,n/Ee。

(14)

式(14)中,載荷狀態(tài)SOCn反映了剩余EESS電量Er,n在時(shí)間段n結(jié)束時(shí)的電量的比率,Er,n為電池剩余電量,Ee為電池額定電量。

SOCmin≤SOCn≤SOCmax。

(15)

式(15)中,SOCmin和SOCmax分別為電池充放電狀態(tài)的下限值和上限值。

(16)

2.4 其他約束條件

某時(shí)段最大總功率約束如式(17):

0≤Pn≤Pn,max。

(17)

式(17)中,Pn為時(shí)刻n總功率,Pn,max為時(shí)刻n總功率的最大值。

3 光伏發(fā)電預(yù)測精度對家庭用電管理性能影響研究

3.1 基于改進(jìn)的二進(jìn)制粒子群算法優(yōu)化家庭用電管理系統(tǒng)

3.1.1 改進(jìn)的二進(jìn)制粒子群算法

本研究在粒子群算法的基礎(chǔ)上,構(gòu)建了一個包含多約束條件的0—1規(guī)劃問題。通過對傳統(tǒng)的粒子群算法進(jìn)行改進(jìn)用來求解0—1非線性的多目標(biāo)約束模型。通過對位置更新進(jìn)行改進(jìn),用于非線性的問題求解。在粒子群優(yōu)化算法中,每個粒子都有一個可能的解。粒子聚集在一起形成一個群體。通過尋找一個合理的值,實(shí)現(xiàn)了粒子之間的社會信息和認(rèn)知信息的共享。每個粒子都有一個位置(Xi)和速度(Vi)值。粒子群的位置及速度更新公式如式(18)和式(19):

(18)

(19)

本研究對粒子群算法做出的改進(jìn)如下:利用S函數(shù)將速度值映射到[0,1]之內(nèi),當(dāng)粒子處于非整數(shù)值時(shí),通過映射將粒子拉回到0或者1的位置,從而確?？梢越鉀Q非線性問題,如式(20)。

(20)

由式(20)可知,當(dāng)Vi的值都等于0時(shí),粒子位置更換概率為0而非0.5,會對模型的最優(yōu)解產(chǎn)生影響,因此對二進(jìn)制的位置更新的S函數(shù)進(jìn)行修改,修改結(jié)果如式(21):

(21)

則二進(jìn)制粒子群算法最終位置更新如式(22):

(22)

3.1.2 改進(jìn)的PSO優(yōu)化HEMS結(jié)果

本文選取了13個家庭常用負(fù)荷,如空調(diào)、熱水器、電磁爐、照明用電等,并分別根據(jù)其負(fù)荷特性進(jìn)行建模,基于改進(jìn)的二進(jìn)制粒子群算法進(jìn)行優(yōu)化,帶有光伏發(fā)電的家庭用電管理系統(tǒng)優(yōu)化結(jié)果收斂圖如圖4,電器工作時(shí)間段如圖5,優(yōu)化的結(jié)果見表2。

圖4 帶有光伏發(fā)電的HEMS收斂圖

表2 優(yōu)化結(jié)果

從表2可得,優(yōu)化后的目標(biāo)函數(shù)值較優(yōu)化前降低了13.96%,證明該優(yōu)化算法有效。圖4為仿真優(yōu)化結(jié)果收斂圖,圖5為優(yōu)化后電器的工作時(shí)間圖,圖5中的電器集中工作于電價(jià)較低的區(qū)間段且充分利用了光伏產(chǎn)生的電能,同時(shí)在光伏不產(chǎn)生電能的高電價(jià)時(shí)間段如19:00—23:00,除了用戶下班后使用的電器外,其余時(shí)間未安排電器進(jìn)行工作并將可轉(zhuǎn)移負(fù)荷中的部分電器如烤箱轉(zhuǎn)移至光伏發(fā)電時(shí)間,將光伏發(fā)電產(chǎn)生的多余的電能儲存于儲能裝置中。從圖5可以得到,熱水器設(shè)置的可工作時(shí)間段共2個時(shí)段,分別為上午的4:00—9:00和9:30—24:00兩個時(shí)段,從圖5得到,熱水器最終選擇的工作時(shí)間分別為早上的7:00工作以及第二個時(shí)間段選擇了晚上的23:30工作;熱水器從2個預(yù)設(shè)的包含峰價(jià)和谷價(jià)的時(shí)間段中最終選擇了電費(fèi)較低的谷價(jià)時(shí)間段進(jìn)行工作。

圖5 帶有光伏發(fā)電的HEMS中電器工作時(shí)間圖

3.2 光伏發(fā)電功率預(yù)測誤差為+10%情況下的仿真結(jié)果

為了研究不同光伏預(yù)測誤差下對家庭用電管理系統(tǒng)性能的影響,本文選取了當(dāng)預(yù)測誤差為+10%時(shí)的情況,并與無誤差時(shí)的HEMS系統(tǒng)性能進(jìn)行對比。圖6誤差為+10%時(shí)HEMS收斂圖,圖7光伏預(yù)測為+10%時(shí)HEMS中電器工作時(shí)間圖,預(yù)測誤差為+10%的結(jié)果見表3。

表3 預(yù)測誤差為+10%的結(jié)果

圖6 光伏預(yù)測誤差為+10%時(shí)HEMS收斂圖

由于誤差為+10%時(shí),優(yōu)化中光伏發(fā)電功率輸入值大于實(shí)際發(fā)電真實(shí)值,因此,優(yōu)化結(jié)果收斂圖會小于無誤差時(shí)的結(jié)果。但實(shí)際由于光伏并未產(chǎn)生這么多的電能,因此,實(shí)際運(yùn)行時(shí),用戶需在電價(jià)較高時(shí)向電網(wǎng)額外購電以滿足用戶的電能使用,故當(dāng)誤差為+10%時(shí),系統(tǒng)的實(shí)際優(yōu)化結(jié)果要差些。如負(fù)荷烤箱,烤箱的工作時(shí)間段包含峰價(jià)時(shí)間段及谷價(jià)時(shí)間段,但系統(tǒng)優(yōu)化時(shí)考慮了光伏發(fā)電量較大,因此將烤箱優(yōu)化放在光伏發(fā)電時(shí)間段內(nèi),但此時(shí)光伏發(fā)電與實(shí)際值誤差較大,因此需額外向電網(wǎng)購買峰價(jià)時(shí)的電能滿足烤箱用電需求。

HEMS結(jié)果優(yōu)化的根本原理是通過對可轉(zhuǎn)移負(fù)荷在時(shí)間跨度上的轉(zhuǎn)移,如烤箱、冰箱等電器。從圖5可得到,當(dāng)光伏發(fā)電無誤差時(shí),HEMS優(yōu)化結(jié)果顯示,負(fù)荷多工作在電價(jià)較低的區(qū)間段,如峰谷電價(jià)的臨界處,大功率電器如烤箱工作在光伏發(fā)電次高的時(shí)間段,功率較大熱水器的工作時(shí)間段為8:00—8:30時(shí)間段;電磁爐工作在光伏發(fā)電的高峰期,充分利用了光伏發(fā)電和儲能裝置發(fā)出的電能;空調(diào)有一半時(shí)間工作在了谷價(jià)的時(shí)段,且全天最大峰值為5.46 kW。

從圖7可以得到,當(dāng)光伏發(fā)電預(yù)測誤差為+10%時(shí),此時(shí)光伏發(fā)電實(shí)際功率小于預(yù)測的發(fā)電量,工作在光伏發(fā)電期間的電器較多,如功率較大的烤箱,圖5共工作了2次,一次工作在早上7:30,另一次工作在16:00;而圖7的兩次工作區(qū)間分別為電價(jià)較高的14:00和16:30,因此會產(chǎn)生較高的電費(fèi)。圖7的優(yōu)化結(jié)果顯示當(dāng)天峰值也出現(xiàn)在光伏發(fā)電期間;與光伏發(fā)電無誤差時(shí)相比,由于實(shí)際光伏發(fā)電并沒有這個多的電能,會造成在此期間工作的負(fù)荷,當(dāng)光伏發(fā)電不夠時(shí),需從電網(wǎng)購買電價(jià)較高的電能,因此會增加用戶的用電成本。

圖7 光伏預(yù)測為+10%時(shí)HEMS電器工作時(shí)間圖

3.3 光伏發(fā)電誤差不同情況下對HEMS影響的實(shí)驗(yàn)數(shù)據(jù)與分析

本研究在家庭用電管理系統(tǒng)的基礎(chǔ)上,研究光伏發(fā)電預(yù)測對家庭用電管理系統(tǒng)性能的影響。分別通過與光伏發(fā)電預(yù)測誤差為-10%、-5%、+5%、+10%的情況下對家庭用電管理系統(tǒng)的最終指標(biāo)的影響。家庭用戶通過對比不同的光伏發(fā)電預(yù)測精度下對家庭用電管理系統(tǒng)性能的影響,不同預(yù)測誤差結(jié)果如表4,不同預(yù)測誤差結(jié)果對比圖如圖8。

表4 不同預(yù)測誤差結(jié)果對比

圖8 不同預(yù)測誤差結(jié)果對比圖

由表4和圖8可知,當(dāng)光伏發(fā)電預(yù)測誤差分別為-10%、-5%、+5%、+10%時(shí),系統(tǒng)性能分別降低了6.78%、3.45%、4.48%、9.19%。光伏發(fā)電預(yù)測誤差對家庭用電管理系統(tǒng)性能有影響,且預(yù)測誤差值越小,家庭用電管理系統(tǒng)越有效。

4 結(jié) 語

本研究重點(diǎn)研究了不同光伏發(fā)電預(yù)測精度下對家庭用用電管理性能影響,采用改進(jìn)的二進(jìn)制粒子群算法優(yōu)化家庭用電管理系統(tǒng),提出麻雀算法優(yōu)化BP網(wǎng)絡(luò)權(quán)值和閾值以此提高光伏發(fā)電預(yù)測精度。結(jié)果表明:

1)光伏發(fā)電預(yù)測誤差會降低家庭用電管理系統(tǒng)性能;

2)改進(jìn)的二進(jìn)制粒子群算法可以有效優(yōu)化家庭用電管理系統(tǒng);

3)麻雀算法優(yōu)化BP的預(yù)測能降低預(yù)測誤差。

家庭用電管理系統(tǒng)中,如能降低光伏發(fā)電預(yù)測誤差,則可以更高效地降低對家庭用電管理性能的影響;負(fù)荷的用電量預(yù)測對家庭用電管理系統(tǒng)性能的影響也可作為接下來的研究方向。