楊曦華，胡曉敏

1.中山大學(xué)信息科學(xué)與技術(shù)學(xué)院，廣州 510006

2.中山大學(xué)公共衛(wèi)生學(xué)院，廣州 510080

遺傳算法的階梯電價(jià)用電需求管理方案

楊曦華1，胡曉敏2

1.中山大學(xué)信息科學(xué)與技術(shù)學(xué)院，廣州 510006

2.中山大學(xué)公共衛(wèi)生學(xué)院，廣州 510080

用電需求管理是智能電網(wǎng)中的重要部分，能讓消費(fèi)者根據(jù)自己的用電量做出合適的決策，幫助供電者減少峰值負(fù)載，讓負(fù)載的時(shí)空分布更為均衡，從而增加智能電網(wǎng)的可持續(xù)性，并減少運(yùn)營成本和碳排放量。一種基于負(fù)載轉(zhuǎn)移技術(shù)的用電需求管理方案可以滿足對(duì)大量、多種設(shè)備的調(diào)節(jié)需求。用電需求管理的解決方案使用改進(jìn)的遺傳算法，并引入了一個(gè)新的算子，模擬測(cè)試的結(jié)果顯示通過改進(jìn)的算法獲得的方案節(jié)省了可觀的成本，并且在使用階梯式電價(jià)的情況下，減少了智能電網(wǎng)的峰值負(fù)載。

智能電網(wǎng)；遺傳算法；階梯電價(jià)；用電需求管理；負(fù)載轉(zhuǎn)移

1 引言

根據(jù)美國能源部的定義，智能電網(wǎng)[1-2]是一個(gè)完全自動(dòng)化的電力傳輸網(wǎng)絡(luò)，能夠監(jiān)視和控制每個(gè)用戶和電網(wǎng)節(jié)點(diǎn)，保證從電廠到終端用戶整個(gè)輸配電過程中所有節(jié)點(diǎn)之間的信息和電能的雙向流動(dòng)，建立在先進(jìn)的傳感技術(shù)、控制技術(shù)、通信技術(shù)以及決策系統(tǒng)的應(yīng)用之上。其主要特征[2]包括消費(fèi)者友好、安全性能高、能兼容各種發(fā)電形式、高效地保持電力市場(chǎng)的運(yùn)作、保證高質(zhì)量的電力供給、獲取最大經(jīng)濟(jì)效益等。這種現(xiàn)代電網(wǎng)是在經(jīng)濟(jì)、政治、環(huán)境、社會(huì)和科技等多種因素的共同作用下出現(xiàn)的。用電需求管理[3-4]是未來智能電網(wǎng)的電力管理中的重要部分，能夠保證智能電網(wǎng)在多個(gè)區(qū)域中運(yùn)作。合理地管理電力需求可以減少峰值負(fù)載，讓用電曲線更為平滑，使電網(wǎng)使用具備可持續(xù)性，同時(shí)降低運(yùn)營成本和碳排放量。

在用電需求管理中，各種文獻(xiàn)[4-16]都提出了多種可供采用的技術(shù)和算法，但其中大部分都是只適用于特定系統(tǒng)的方案，另外一些則不能應(yīng)用于實(shí)際的、具有大量不同種類設(shè)備的系統(tǒng)。這些方案有許多都是用動(dòng)態(tài)編程[11]、線性編程[5，8]等傳統(tǒng)方式來實(shí)現(xiàn)的，而它們并不能處理大量的、種類繁多的可控制設(shè)備的用電需求。在智能電網(wǎng)中，一個(gè)好的調(diào)度方案必須能夠處理多種的、大量的可控制設(shè)備的負(fù)載請(qǐng)求，另外還要能夠考慮到這些負(fù)載有可能在時(shí)間上延續(xù)多個(gè)時(shí)段。因此，所求的方案應(yīng)該具有在其可控時(shí)間內(nèi)不斷處理大量可調(diào)控負(fù)載的能力。一些文獻(xiàn)[12-16]則提出了更適合應(yīng)用于智能電網(wǎng)的算法：文獻(xiàn)[12-13]提出了根據(jù)市場(chǎng)變化來動(dòng)態(tài)地對(duì)用電需求進(jìn)行調(diào)度的負(fù)載遷移算法，達(dá)到了使每個(gè)時(shí)刻的負(fù)載變化更為平滑的目的。文獻(xiàn)[14-16]提出了針對(duì)動(dòng)態(tài)變化電價(jià)的電價(jià)預(yù)測(cè)算法，運(yùn)用了小波變換、神經(jīng)網(wǎng)絡(luò)、模糊邏輯、支持向量機(jī)等工具來對(duì)電價(jià)進(jìn)行預(yù)測(cè)。本文也參考了這些文獻(xiàn)中提出的方法，其中文獻(xiàn)[12-13]的負(fù)載遷移算法使得負(fù)載曲線變得更為平滑，但是沒有考慮到可能多階電價(jià)的情況，單純考慮負(fù)載平滑可能反而在某些情境下會(huì)導(dǎo)致高電價(jià)。而文獻(xiàn)[14-16]則達(dá)到了較為精確地預(yù)測(cè)電價(jià)變化并依此進(jìn)行決策的目的，考慮到國內(nèi)主要采用的是固定多階電價(jià)，因此文獻(xiàn)[14-16]中的算法并不能完全適應(yīng)我國國情。

另外，在現(xiàn)代電網(wǎng)逐漸向智能電網(wǎng)轉(zhuǎn)變的過程中，人們又發(fā)現(xiàn)了用電需求管理的新特性。首先，在智能電網(wǎng)中發(fā)電的一個(gè)重要特點(diǎn)是發(fā)電來源很有可能來自風(fēng)能、太陽能等可再生能源[17]，而這些能源的不穩(wěn)定性會(huì)導(dǎo)致智能電網(wǎng)中的電力分配難度較高。其次，智能電網(wǎng)的運(yùn)營需要在中央控制器和許多系統(tǒng)組件之間進(jìn)行雙向通信，因此相應(yīng)的用電需求管理系統(tǒng)應(yīng)該能夠處理中央控制器和可控制設(shè)備之間的通信。最后，決定最優(yōu)用電曲線的標(biāo)準(zhǔn)可能十分多樣化，有可能包括以最大化地利用可再生能源、獲得最大經(jīng)濟(jì)效益、最小化從外部主電網(wǎng)輸入的電量或減少峰值負(fù)載等。

本文提出了一種用于給出可供智能電網(wǎng)使用的用電需求管理方案的算法（Demand Side Management algorithm，下稱DSM算法），該算法基于負(fù)載轉(zhuǎn)移技術(shù)，可以用于處理大量且種類較多的設(shè)備的用電請(qǐng)求。應(yīng)用了遺傳算法的思想來解決這一問題[18-21]，并模擬了一個(gè)包含不同種類的消費(fèi)者和大量設(shè)備的智能電網(wǎng)來進(jìn)行測(cè)試。同時(shí)，對(duì)遺傳算法的一些算子進(jìn)行了優(yōu)化，使其性能相比傳統(tǒng)遺傳算法有所提高。

DSM算法采用了負(fù)載轉(zhuǎn)移的思想，即通過中央控制器對(duì)某些請(qǐng)求進(jìn)行延時(shí)，把位于用電高峰的請(qǐng)求盡量向用電低谷轉(zhuǎn)移，可以用于提高可再生能源的利用率、增加經(jīng)濟(jì)效益、降低峰值負(fù)載等等[22]。根據(jù)調(diào)控目標(biāo)的不同，可以根據(jù)每天的電價(jià)變化曲線、能源利用率曲線等信息計(jì)算出一條對(duì)應(yīng)的最優(yōu)用電量曲線，而DSM算法的目的就是通過對(duì)各設(shè)備的用電請(qǐng)求進(jìn)行調(diào)度，讓實(shí)際用電量曲線最可能地向最優(yōu)用電量曲線靠近。中央控制器要知道一天中每個(gè)時(shí)刻各類設(shè)備的使用數(shù)量，得出一個(gè)用電請(qǐng)求的序列，對(duì)于每一個(gè)請(qǐng)求要判斷是否接受，若不接受要延后到什么時(shí)刻執(zhí)行，而判斷是否接受請(qǐng)求的依據(jù)與最優(yōu)用電曲線有關(guān)。這一算法的一個(gè)優(yōu)勢(shì)就是只需要稍作改動(dòng)就可以執(zhí)行不同的目標(biāo)、應(yīng)用于不同的系統(tǒng)，具有較好的重用性。

用電需求管理從一個(gè)約定好的控制時(shí)段的開頭開始運(yùn)行，這個(gè)時(shí)段一般是一天，對(duì)用電請(qǐng)求的調(diào)度是實(shí)時(shí)的。用電設(shè)備需要用電時(shí)會(huì)向中央控制器提出請(qǐng)求，而中央控制器則根據(jù)已經(jīng)計(jì)算好的調(diào)度方案回復(fù)對(duì)這個(gè)請(qǐng)求的處理結(jié)果，處理結(jié)果要么立即接受請(qǐng)求，要么給出一個(gè)允許下次提出請(qǐng)求的時(shí)間。

為了讓算法更好地適應(yīng)實(shí)際情況，本文使用的實(shí)驗(yàn)數(shù)據(jù)采用了分兩階的階梯電價(jià)。階梯電價(jià)的基本模式與國內(nèi)用電政策保持同步，用電量為0～800單位時(shí)為基礎(chǔ)用電量，電費(fèi)按照一階電價(jià)計(jì)算，超過800單位時(shí)，電費(fèi)按照二階電價(jià)計(jì)算。而在一天中的各個(gè)時(shí)刻，電價(jià)保持不變。

2 數(shù)學(xué)模型

該方案通過將某些用電請(qǐng)求進(jìn)行延遲以使得實(shí)際用電曲線向最優(yōu)用電曲線靠近，即令

最小化，其中N為時(shí)間段的數(shù)量，Objective(t)為時(shí)刻t的最優(yōu)用電量，如何判斷是否最優(yōu)與該方案要達(dá)到的目標(biāo)有關(guān)，Pload(t)為時(shí)刻t的實(shí)際用電量。Pload(t)通過下式得出：

其中Unshiftable(t)為該時(shí)刻不可調(diào)節(jié)的固定電量，Connect(t)為在該時(shí)刻接受請(qǐng)求的用電設(shè)備的總用電量與在該時(shí)刻之前接受請(qǐng)求且持續(xù)運(yùn)行到該時(shí)刻的用電設(shè)備的總用電量之和。Connect(t)通過下式得出：

其中Xkit是請(qǐng)求被從時(shí)刻i轉(zhuǎn)移到時(shí)刻t的第k種設(shè)備的數(shù)量，P1k是在第k種設(shè)備在開始運(yùn)作的第1個(gè)時(shí)間段內(nèi)的用電量，D是設(shè)備數(shù)量，j是第k種設(shè)備的持續(xù)工作時(shí)長。

在實(shí)際問題中還有一些額外的約束，包括：

對(duì)請(qǐng)求的延時(shí)必須為非負(fù)整數(shù)，即調(diào)度只能向后延遲，不能把請(qǐng)求向前提前。

3 算法描述

由于實(shí)際問題中涉及到大量的設(shè)備種類、數(shù)量，傳統(tǒng)的線性編程和動(dòng)態(tài)編程應(yīng)用的算法難以處理這樣的復(fù)雜問題[19]，因此本文采用的是遺傳算法，目的是獲取相對(duì)優(yōu)良的解決方案[18-19]。問題的規(guī)模影響的只是算法中個(gè)體的長度，而只要對(duì)算法的評(píng)價(jià)函數(shù)作少量修改就可以讓該算法針對(duì)不同的目標(biāo)進(jìn)行運(yùn)作。在文中以用電費(fèi)用最小化為算法運(yùn)行目標(biāo)。

3.1 編碼方案

算法中個(gè)體的基因數(shù)量L=N×K，其中N為時(shí)間段的數(shù)量，K為設(shè)備類型總數(shù)。每位基因表示對(duì)該時(shí)刻該種設(shè)備提出請(qǐng)求的處理情況，為一個(gè)形式如a1，s1，a2，s2…的數(shù)列，其中ai和si表示該時(shí)刻該種設(shè)備的請(qǐng)求中，有ai個(gè)請(qǐng)求需要延后si個(gè)時(shí)間段才能被接受。

3.2 適應(yīng)性評(píng)價(jià)

在實(shí)際問題中，電價(jià)是分階段收費(fèi)的，用電量較少的用戶平均單位電費(fèi)也較低，從而達(dá)到促進(jìn)節(jié)約用電的目的。在本文算法中同樣引入了這種模型，若Stagei≤Pload(t)＜Stagei+1，則代表該時(shí)刻的用電量對(duì)應(yīng)第i階電價(jià)。對(duì)適應(yīng)值的評(píng)價(jià)函數(shù)如下：

其中C是一個(gè)用于調(diào)整適應(yīng)值區(qū)間的常數(shù)，Pricest表示在時(shí)刻t，該區(qū)域的用電量對(duì)應(yīng)的第s階電價(jià)。

3.3 遺傳算子

遺傳算法從已有的種群中不斷擇優(yōu)產(chǎn)生新種群，本文提出的算法中用到的算子包括兩點(diǎn)雜交、單點(diǎn)變異、扭轉(zhuǎn)。較高的雜交率會(huì)讓解較快收斂，而過高的變異率則會(huì)讓優(yōu)秀的個(gè)體難以出現(xiàn)和保持。通過測(cè)試，可以根據(jù)不同的問題分別找到最優(yōu)的雜交率和變異率（本文采用0.7和0.02作為雜交率和變異率）。

之所以采用兩點(diǎn)雜交而不是單點(diǎn)雜交，是因?yàn)閮牲c(diǎn)雜交時(shí)交換的個(gè)體段的長度較短，能夠更好地豐富種群多樣性，也避免發(fā)生雜交時(shí)對(duì)種群的影響過大。

在算法運(yùn)行的后期，變異率過高有可能導(dǎo)致算法的解不穩(wěn)定，但在前期變異率過低又有可能降低種群多樣性，因此在變異算子上乘上了一個(gè)隨著進(jìn)化代數(shù)呈指數(shù)形式減小的常數(shù)，讓變異率在進(jìn)化過程中隨著進(jìn)化代數(shù)增加而逐漸減小，同時(shí)解決了兩方面的問題。

與原算法相比，提出了借鑒生物界中近親雜交的扭轉(zhuǎn)算子。近親雜交的特點(diǎn)是交配雙方的基因比較相似，因此相比遠(yuǎn)緣雜交而言會(huì)同時(shí)提高致病基因和優(yōu)良基因的出現(xiàn)概率。在遺傳算法中，可能難以判斷單個(gè)基因是致病基因還是優(yōu)勢(shì)基因，但是可以將個(gè)體和該問題理論上的最優(yōu)個(gè)體進(jìn)行比較。在微電網(wǎng)電力調(diào)度問題中評(píng)價(jià)函數(shù)的函數(shù)值不會(huì)因?yàn)榛虻奈⑿∽儎?dòng)而出現(xiàn)大幅度的波動(dòng)，從而在這一背景下，兩個(gè)個(gè)體的基因越接近，它們的適應(yīng)值相近的概率也就越大。

因此，扭轉(zhuǎn)算子被用來以某個(gè)個(gè)體為藍(lán)本，快速復(fù)制出一些與該個(gè)體基因相近的近親個(gè)體。當(dāng)藍(lán)本個(gè)體本身就是一個(gè)優(yōu)勢(shì)個(gè)體時(shí)，如果在這些近親個(gè)體之間應(yīng)用雜交算子，雖然會(huì)產(chǎn)生許多劣勢(shì)個(gè)體，但是同時(shí)與原種群相比也提高了優(yōu)勢(shì)個(gè)體的出現(xiàn)概率；即使在某些情況下該算子可能產(chǎn)生較大的破壞性，也可以通過調(diào)整觸發(fā)概率的方式來解決這個(gè)問題。

同時(shí)這個(gè)算子還有另一個(gè)應(yīng)用，如果當(dāng)算法的進(jìn)化代數(shù)遠(yuǎn)未達(dá)到最大代數(shù)時(shí)，適應(yīng)值的增長就已經(jīng)開始長時(shí)間停滯，就有理由認(rèn)為該算法有可能收斂到了一個(gè)次優(yōu)解。此時(shí)可以保存當(dāng)前最優(yōu)的若干個(gè)體，并以其為藍(lán)本制造出若干近親個(gè)體，替換掉原種群中的一部分個(gè)體，再讓算法繼續(xù)運(yùn)行。這實(shí)際上是讓算法進(jìn)行了部分的回滾，但在回滾過程中并未完全浪費(fèi)之前的進(jìn)化過程，而是保留了其中有可能代表優(yōu)秀性狀的部分基因。扭轉(zhuǎn)算子的工作原理并不復(fù)雜，讓藍(lán)本個(gè)體的每個(gè)基因與一個(gè)微小的隨機(jī)實(shí)數(shù)相加，就得到了一個(gè)近親個(gè)體。

3.4 選擇

選擇算法采用的是錦標(biāo)賽與輪盤賭的結(jié)合。但單純使用這兩種方法容易引發(fā)結(jié)果收斂過快，因此在選擇過程中先從親代種群中用輪盤賭選擇一部分個(gè)體復(fù)制到新種群中，然后再通過錦標(biāo)賽、輪盤賭等方式選出足夠數(shù)量的各不相同的個(gè)體加入新種群。這種方式可以避免因超級(jí)個(gè)體導(dǎo)致的多樣性喪失。當(dāng)種群進(jìn)化了一定代數(shù)（如5 000代）時(shí)，算法終止。DSM算法流程圖如圖1所示。

圖1 DSM算法流程圖

4 實(shí)驗(yàn)設(shè)置

為了便于比較，本文使用的測(cè)試實(shí)例數(shù)據(jù)來自文獻(xiàn)[17]，包括商業(yè)區(qū)和居住區(qū)兩種用電區(qū)域，對(duì)于每個(gè)區(qū)域內(nèi)部都需要計(jì)算出一個(gè)最優(yōu)調(diào)度方案。因?yàn)楦鱾€(gè)區(qū)域之間、該電網(wǎng)和外部電網(wǎng)之間都可以互相傳輸電力，因此測(cè)試時(shí)假定提出的用電請(qǐng)求一定可以被滿足。測(cè)試中算法的運(yùn)行目標(biāo)是使消費(fèi)者支付的電費(fèi)最少。

表1給出了用電價(jià)格和24 h內(nèi)的預(yù)測(cè)用電量。居民區(qū)和商業(yè)區(qū)兩種區(qū)域的區(qū)別在于居民區(qū)的用電設(shè)備種類最多，包括14種共2 604個(gè)可控設(shè)備，商業(yè)區(qū)中有8種共808個(gè)可控設(shè)備，設(shè)備的運(yùn)作持續(xù)時(shí)間較居民區(qū)的時(shí)間長。商業(yè)區(qū)每種設(shè)備的運(yùn)作時(shí)間和每小時(shí)的耗電量見表2，居住區(qū)情況見表3。在本文采用的測(cè)試用例中，電價(jià)分級(jí)，用電量在800單位以下時(shí)按一階電價(jià)計(jì)算，超過800單位的部分按二階電價(jià)計(jì)算，因此理想的調(diào)度方案應(yīng)當(dāng)使得一天中大部分時(shí)間的用電量維持在800單位以下。

表1 用電價(jià)格和預(yù)測(cè)用電量

表2 商業(yè)區(qū)設(shè)備工作時(shí)間和用電量

下面將分析各區(qū)域的測(cè)試情況以及電價(jià)曲線，檢驗(yàn)電價(jià)階數(shù)為2時(shí)DSM算法的性能表現(xiàn)，并與傳統(tǒng)遺傳算法進(jìn)行性能對(duì)比。此處傳統(tǒng)遺傳算法是指去除了DSM算法中的扭轉(zhuǎn)算子和回滾函數(shù)的算法，其他算子、函數(shù)、參數(shù)和測(cè)試數(shù)據(jù)保持不變。

表3 居住區(qū)設(shè)備工作時(shí)間和用電量

在測(cè)試時(shí)，對(duì)每個(gè)區(qū)域都使用了10個(gè)樣例進(jìn)行測(cè)試，樣例之間的差別主要在于用電器提出請(qǐng)求的順序、時(shí)間和數(shù)量，而電價(jià)、用電器總量、一天的總用電量都是相同的。對(duì)于每個(gè)樣例都獨(dú)立進(jìn)行20次測(cè)試，由于在幾次測(cè)試之間可以記錄最優(yōu)個(gè)體的基因用作扭轉(zhuǎn)算子的藍(lán)本，因此隨著測(cè)試次數(shù)增多會(huì)對(duì)結(jié)果有一定的改進(jìn)，這里取最優(yōu)結(jié)果作圖。圖2和圖3中的初始用電量曲線代表由設(shè)備用電請(qǐng)求直接構(gòu)成的初始方案對(duì)應(yīng)的用電量曲線。

圖2 商業(yè)區(qū)初始預(yù)測(cè)用電量曲線

圖3 居住區(qū)初始用電量曲線

5 結(jié)果分析

從圖2和圖3可以看出在10個(gè)樣例中，初始的可調(diào)節(jié)用電量的分布很隨機(jī)。由于初始每個(gè)時(shí)刻的用電量已知，在初始可調(diào)節(jié)用電量確定的前提下，每個(gè)時(shí)的固定用電量就可以得出。采用算法調(diào)度可調(diào)節(jié)設(shè)備的用電量，使每個(gè)時(shí)刻的用電量盡量控制在800單位以下，才能盡可能減少電費(fèi)的開支。

圖4 兩種算法對(duì)商業(yè)區(qū)的計(jì)算結(jié)果對(duì)比圖

圖4和圖5給出了采用本文提出的DSM算法與使用傳統(tǒng)的GA算法對(duì)商業(yè)區(qū)和居住區(qū)測(cè)試實(shí)例的優(yōu)化曲線圖?？梢钥闯觯趦蓚€(gè)區(qū)域的大部分樣例的進(jìn)化過程中，DSM算法的收斂速度均優(yōu)于傳統(tǒng)GA算法，尤其是在算法運(yùn)行的中前期和停滯期，這使得DSM算法可以更快地獲得一個(gè)較優(yōu)的調(diào)度方案。

圖5 兩種算法對(duì)居住區(qū)的計(jì)算結(jié)果對(duì)比圖

表4和表5給出了商業(yè)區(qū)和居住區(qū)采用DSM算法、傳統(tǒng)GA算法與對(duì)初始方案不進(jìn)行優(yōu)化（無優(yōu)化）下的電費(fèi)測(cè)試平均值。優(yōu)化率A-B一欄表示的是A算法獲得的結(jié)果相對(duì)B算法獲得的結(jié)果改善了多少。

表4 商業(yè)區(qū)測(cè)試結(jié)果對(duì)比

表5 居住區(qū)測(cè)試結(jié)果對(duì)比

從表4和表5可以看到對(duì)于商業(yè)區(qū)，DSM算法在用電費(fèi)用上相對(duì)于初始方案都起到了5%以上的優(yōu)化作用，平均可以達(dá)到9%，而對(duì)于居住區(qū)，平均可以節(jié)省23%的費(fèi)用，對(duì)于一個(gè)經(jīng)濟(jì)問題來說這些節(jié)省的電費(fèi)是相當(dāng)可觀的。而對(duì)于傳統(tǒng)的GA算法，DSM算法也能得到較優(yōu)的優(yōu)化率。

綜合上面的圖示和表格的結(jié)果，首先從兩個(gè)區(qū)域的進(jìn)化曲線對(duì)比圖可以看出，應(yīng)用了扭轉(zhuǎn)算子和回滾函數(shù)后，DSM算法在收斂速度上優(yōu)于傳統(tǒng)GA算法，同時(shí)也沒有因?yàn)榧涌炝怂俣榷諗康骄植孔顑?yōu)解，而是在大多數(shù)測(cè)試用例中相比傳統(tǒng)GA算法都獲得了更好的解。從表4、表5中可以看出應(yīng)用了扭轉(zhuǎn)算子和回滾函數(shù)后，在商業(yè)區(qū)的10個(gè)樣例中有6個(gè)樣例的測(cè)試結(jié)果優(yōu)于傳統(tǒng)遺傳算法所得結(jié)果，電費(fèi)平均減少了0.21%；在居住區(qū)的10個(gè)樣例中有7個(gè)樣例的測(cè)試結(jié)果優(yōu)于傳統(tǒng)遺傳算法所得結(jié)果，電費(fèi)平均減少了0.04%。這種性能提升看似微不足道，但是對(duì)于區(qū)域電費(fèi)這種基數(shù)較大的經(jīng)濟(jì)活動(dòng)而言仍然是值得重視的，同時(shí)扭轉(zhuǎn)算子和回滾函數(shù)對(duì)于收斂速度的改善也不容忽視。

下面進(jìn)一步分析算法對(duì)于減少峰值負(fù)載的優(yōu)勢(shì)。從表6可以看出DSM算法在兩個(gè)區(qū)域的所有樣例中都使峰值負(fù)載顯著地降低了。當(dāng)然，實(shí)際問題中初始方案可能優(yōu)于測(cè)試中使用的初始方案，但只要初始方案并不是最優(yōu)解，就可以嘗試使用DSM算法進(jìn)行進(jìn)一步優(yōu)化。

表6 基于DSM算法優(yōu)化后商業(yè)區(qū)和居住區(qū)峰值負(fù)載

圖6 應(yīng)用DSM算法后得到的商業(yè)區(qū)總用電量

圖6和圖7給出了應(yīng)用DSM算法后得到的商業(yè)區(qū)和居民區(qū)每時(shí)刻的用電量曲線圖?？梢钥闯觯趹?yīng)用了DSM算法后，算法盡可能地把一天當(dāng)中相當(dāng)長時(shí)間段的用電量控制在了800單位以下，即滿足一階電價(jià)，因此DSM起到了讓用電量曲線趨向于目標(biāo)曲線的目的，而之所以不能完全吻合，主要與最大延長時(shí)間的限制和該時(shí)段固定電量占總用電量的比例有關(guān)?？傮w來說，模擬測(cè)試的結(jié)果顯示，DSM算法得出的用電需求管理方案大體上完成了讓實(shí)際用電曲線向最優(yōu)用電曲線靠攏的目的，使用的算法成功有效地處理了大量、多種設(shè)備的用電請(qǐng)求，使智能電網(wǎng)得以良好運(yùn)營。

圖7 應(yīng)用DSM算法后得到的居住區(qū)總用電量

6 結(jié)論

在智能電網(wǎng)的運(yùn)營中，由于涉及到的因素較多、較為復(fù)雜，用傳統(tǒng)的算法來解決效率相對(duì)較低，因此可以使用本文中的DSM算法，對(duì)于快速地獲得最優(yōu)或次優(yōu)的解決方案是很有幫助的。本文的實(shí)驗(yàn)結(jié)果表明該算法具有較好的收斂性和運(yùn)行速度，可以較為準(zhǔn)確快速地解決智能電網(wǎng)中電力調(diào)度的問題。同時(shí)，該算法中應(yīng)用的扭轉(zhuǎn)算子和回滾函數(shù)均對(duì)算法性能有所提高，這兩個(gè)機(jī)制的缺點(diǎn)是對(duì)于不同的問題表現(xiàn)出的性能不夠穩(wěn)定，并不是所有情況下性能都優(yōu)于傳統(tǒng)GA算法，有待在以后的研究中繼續(xù)改進(jìn)。

[1]Li Q，Zhou M.The future-oriented grid-smart grid[J].J Comput，2011，6（1）：98-105.

[2]Agrawal P.Overview of DOE microgrid activities[C]//Proc Symp Microgrid，Montreal，QC，Canada，2006.

[3]Rahman S，Rinaldy.An efficient load model for analyzing demand side management impacts[J].IEEE Trans on Power Syst，1993，8（3）：1219-1226.

[4]Cohen A I，Wang C C.An optimization method for load management scheduling[J].IEEE Trans on Power Syst，1988，3（2）：612-618.

[5]Ng K H，Sheblé G B.Direct load control—a profit-based load management using linear programming[J].IEEE Trans on Power Syst，1998，13（2）：688-694.

[6]Schweppe F C，Daryanian B，Tabors R D.Algorithms for a spot price responding residential load controller[J].IEEE Trans on Power Syst，1989，4（2）：507-516.

[7]Lee H，Wilkins C L.A practical approach to appliance load control analysis：a water heater case study[J].IEEE Trans on Power App Syst，1983，PAS-102（4）：1007-1013.

[8]Kurucz C N，Brandt D，Sim S.A linear programming model for reducing system peak through customer load control programs[J].IEEE Trans on Power Syst，1996，11（4）：1817-1824.

[9]Chu W C，Chen B K，F(xiàn)u C K.Scheduling of direct load control to minimize load reduction for a utility suffering from generation shortage[J].IEEE Trans on Power Syst，1993，8（4）：1525-1530.

[10]Weller H G.Managing the instantaneous load shape impacts caused by the operation of a large-scale direct load control system[J].IEEE Trans on Power Syst，1988，3（1）：197-199.

[11]Hsu Y Y，Su C C.Dispatch of direct load control using dynamic programming[J].IEEE Trans on Power Syst，1991，6（3）：1056-1061.

[12]Deindl M，Block C，Vahidov R，et al.Load shifting agents for automated demand side management in micro energy grids[C]//Second IEEE International Conference on Self-Adaptive and Self-Organizing Systems，2008.

[13]Steen D，Tuan A，Bertling L.Price-based demand-side management for reducing peak demand in electrical distribution systems—with examples from Gothenburg[C]// NORDAC，2012.

[14]Motamedi A，Zareipour H，Rosehart W D.Electricity price and demand forecasting in smart grids[J].IEEE Trans on Smart Grid，2012，3（2）：664-674.

[15]Catal?o J P S，Pousinho H M I，Mendes V M F.Shortterm electricity prices forecasting in a competitive market by a hybrid intelligent approach[J].Energy Conversion and Management，2011，52：1061-1065.

[16]Zareipour H，Janjani A，Leung H，et al.Electricity price thresholding and classification[C]//IEEE Power and Energy Society General Meeting，2011.

[17]Logenthiran T，Srinivasan D，Shun T Z.Demand side management in smart grid using heuristic optimization[J]. IEEE Trans on Smart Grid，2012，3（3）：1244-1252.

[18]Yao L，Chang W C，Yen R L.An iterative deepening genetic algorithm for scheduling of direct load control[J]. IEEE Trans on Power Syst，2005，20（3）：1414-1421.

[19]Back T，F(xiàn)ogel D，Michalewicz Z.Handbook of evolutionary computation[M].New York：IOP Publ and Oxford Univ Press，1997.

[20]Hu Xiaomin，Zhang Jun.Hybrid genetic algorithm using a forward encoding scheme for lifetime maximization of wireless sensor networks[J].IEEE Transactions on Evolutionary Computation，2010，14（5）：766-781.

[21]Hu Xiaomin.Multiobjective genetic algorithm for demand side management of smart grid[C]//Proc of the IEEE Symposium Series on Computational Intelligence（SSCI2013），2013：14-21.

[22]Maharjan I K.Demand side management：load management，load profiling，load shifting，residential and industrial consumer，energy audit，reliability，urban，semi-urban and rural setting[M].Saarbrücken，Germany：LAP（Lambert Acad Publ），2010.

YANG Xihua1,HU Xiaomin2

1.School of Information Science and Technology,Sun Yat-sen University,Guangzhou 510006,China
2.School of Public Health,Sun Yat-sen University,Guangzhou 510080,China

Demand side management plays an important role in smart grid business,which allows consumers to choose a suitable electricity consuming strategy according to their demand,lowers the peak load in smart grid,and makes the load curve even.These characteristics lead to a more sustainable,economical smart grid,and a reduction on carbon emission.A demand side management strategy based on a load-shifting technique is proposed,which will be able to manage the demand that comes from large quantities and types of devices.The strategy is carried out with an improved genetic algorithm which imports a new operator.Simulation shows that the resulting strategy generated by the proposed algorithm saves appreciable cost,and reduces the peak load of the smart grid when involving a multistep electricity price.

smart grid;Genetic Algorithm（GA）;multistep electricity price;demand side management;load shifting

A

TP391

10.3778/j.issn.1002-8331.1308-0199

YANG Xihua,HU Xiaomin.Demand side management strategy on multistep electricity price using Genetic Algorithm.Computer Engineering and Applications,2014,50（21）：264-270.

國家自然科學(xué)基金（No.61202130）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助（No.12lgpy47）；高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金資助課題（No.20120171120027）；廣東省自然科學(xué)基金（No.S2012040007948）。

楊曦華，男，主要研究領(lǐng)域?yàn)閮?yōu)化算法、智能計(jì)算；胡曉敏（1983—），通訊作者，女，博士，講師，主要研究領(lǐng)域?yàn)橛?jì)算智能、數(shù)據(jù)挖掘、建模與優(yōu)化。E-mail：xmhu@ieee.org

2013-08-15

2013-09-30

1002-8331（2014）21-0264-07

CNKI出版日期：2014-01-15，http://www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1308-0199.html