本发明实施例提供了一种面向智慧园区的变压器负荷管理方法及装置，该方法通过将配电变压器的生命损耗成本整合到多个异构用电单元的需求响应模型中，以此构建一个混合整数非线性优化模型来决定配电变压器的总的转移负荷和总的削减负荷。此外，对配电变压器下每个用电单元的用电情况进行了优化调度，构建了一个高维多目标优化模型，利用提出的基于超平面投影的多目标进化算法实现了众多异构用电单元参与需求响应时负荷的最优分配。所提出的多目标进化算法通过投影点的分类对归属同类的种群分别进行评估、排序，以此解决进化算法种群的进化和选择问题。所提出的方法不仅保证了种群的多样性，且收敛速度快，不易陷入局部最优。
1.一种面向智慧园区的变压器负荷管理方法，其特征在于，所述方法包括：构建考虑配电变压器生命损耗成本下智慧园区的随机需求响应模型，优化得到所述配电变压器的总的转移负荷和总的削减负荷；
构建基于多个异构用电单元需求响应的多目标决策模型；
初始化基于超平面投影的多目标进化算法的种群，利用罚函数对所述多目标决策模型中的用电单元包含的用电设备的属性进行约束处理，所述属性为用电设备的可转移负荷量、可削减负荷量、热指数或充电量；
根据所述配电变压器的总的转移负荷和总的削减负荷对参与需求响应的多个用电单元的可延迟负荷总量和可削减负荷总量进行约束处理；
对所述多目标进化算法的初始种群进行评估，更新迭代次数，利用多目标遗传算法中的交叉变异算子对所述初始种群进行交叉变异操作得到子代种群；
根据所述多目标进化算法的极值点构建超平面，将所述子代种群及其父代种群进行组合及归一化处理后投影到所述超平面上；
对所述父代种群和所述子代种群的联合种群进行非支配排序以进行分类；
建立综合距离量度，根据所述综合距离量度对分类得到的各类种群进行评价以选择出精英解，并将选择出的精英解存入当前的帕累托前沿集中；
在满足迭代终止条件或者是迭代到最大次数时，从所得到的帕累托前沿集中查找出距离所述超平面中心点最近的投影点，将该投影点对应的解作为多用电单元的需求响应调度最优解，并基于该最优解得到各所述用电单元的可延迟负荷量和可削减负荷量。
2.根据权利要求1所述的面向智慧园区的变压器负荷管理方法，其特征在于，所述构建考虑配电变压器生命损耗成本下智慧园区的随机需求响应模型，优化得到所述配电变压器的总的转移负荷和总的削减负荷的步骤，包括：按以下公式建立所述配电变压器的最小目标函数：
式中，CD和CR分别表示对延迟负荷和削减负荷的单位激励成本；Tmax为配电变压器负荷可移动的最大时间；Tend为调度的结束时段； 是优化的决策变量，分别表示从时间t0转移到t’的负荷总量和从时间t转移到t’的负荷总量；
分别表示t0和t时段总的负荷削减量；NS是场景总数，且 ρS是场景s发生的概率； 和 分别为t0时段和场景s下在t时段配电变压器的生命损耗成本； 分别为在t0时段和场景s下t时段的购电成本；
式中， 为t时段配电变压器所处条件下的等效生命损耗成本；CDT为配电变压器的初始投资成本；TL为配电变压器在标准条件下的使用寿命； 为配电变压器在t时段所处条件下的等效生命损耗；
以下公式对所述配电变压器的总的转移负荷、总的削减负荷以及功率平衡进行约束处理：式中， tm表示用电单元的可延迟负荷向之后某一时段延
迟之后的时间； 和 分别表示t时刻进行需求响应时配电变压器的最大可移动负荷总量和最大可削减负荷总量； 表示t时段需求响应后的配电变压器负荷； 表示需求响应前的配电变压器负荷； 表示转移到t时段的负荷； 表示从当前t时段转移到之后时段的负荷； 表示当前t时段的负荷削减量； 表示当前t时段光伏电池板的功率输出。
3.根据权利要求2所述的面向智慧园区的变压器负荷管理方法，其特征在于，所述构建基于多个异构用电单元的需求响应的多目标决策模型的步骤，包括：建立如下所示的多个用电单元需求响应时的目标函数：
式中，fh为用电单元h的目标函数， 是用电单元h在t时刻参与需求响应后的效益；
式中，Ah,1，Ah,2和Ah,3分别表示用电单元h的负荷可削减设备、负荷可延迟设备以及电动汽车； 和 分别表示用电单元h的用电设备a在t时刻的转移负荷和削减负荷；λ为电价； 为等待时间； 表示用电单元参与需求响应时的不满意度因子； 为用电单元参与需求响应后热指数值与实际设置的热指数的差值； 是用电单元h在t0时刻参与需求响应后的效益。
4.根据权利要求3所述的面向智慧园区的变压器负荷管理方法，其特征在于，所述用电设备包括负荷可削减设备、负荷可延迟设备、固定负荷设备以及电动汽车，在所述用电设备为负荷可延迟设备时，所述利用罚函数对所述多目标决策模型中的用电单元包含的用电设备的属性进行约束处理的步骤，包括：利用以下公式对所述多目标决策模型中的用电单元包含的用电设备的可转移负荷量进行约束处理：式中， 为用电单元h的用电设备a在t时段的可转移负荷的最大量； 为用电单元h中的用电设备a在t时段的负荷量；Eh,a为用电设备a的总能量需求。
5.根据权利要求4所述的面向智慧园区的变压器负荷管理方法，其特征在于，在所述用电设备为负荷可削减设备时，所述利用罚函数对所述多目标决策模型中的用电单元包含的用电设备的属性进行约束处理的步骤，包括：利用以下公式对所述多目标决策模型中的用电单元包含的用电设备的热指数进行约束处理：式中， 和 分别是用电单元h在时段t需求响应调节后的用电设备a的温度和热指数；M1，M2，M3，M4和M5为用温度、湿度表示热指数时的多项式系数；FR(Rt)是由相对湿度Rt决定的常数，HImin和HImax分别是热指数取值的最小值和最大值；
利用以下公式对所述用电单元包括的用电设备的负荷削减量进行约束处理：式中， 是温度期望值；Lh,a是线性化功率—温度因子；ΔPh,a,max为用电单元h用电设备a的最大负荷削减量。
6.根据权利要求4所述的面向智慧园区的变压器负荷管理方法，其特征在于，在所述用电设备为电动汽车时，所述利用罚函数对所述多目标决策模型中的用电单元包含的用电设备的属性进行约束处理的步骤，包括：利用以下公式对所述多目标决策模型中的用电单元包含的电动汽车的充电量进行约束处理：式中， 分别为需求响应前和需求响应后电动汽车当前时段的充电功率；
Ph,EV,max分别为用电单元h的电动汽车从时间段t延迟到t’的充电量和最大充电功率；
和SOEh,EV,max分别是用电单元h的车载电池在t时段的能量状态和最大能量状态值；
为电动汽车离家时电池能量状态；η是用电设备的充电效率；Th,leave是用电单元h中电动汽车的离家时间。
7.根据权利要求5所述的面向智慧园区的变压器负荷管理方法，其特征在于，根据所述配电变压器的总的转移负荷和总的削减负荷对参与需求响应的多个用电单元的可延迟负荷总量和可削减负荷总量进行约束处理的步骤，包括：根据所述配电变压器的总的转移负荷和总的削减负荷，通过以下公式对参与需求响应的多个用电单元的可延迟负荷总量和可削减负荷总量进行约束处理：式中， 为参与需求响应的所有用电单元的可延迟负荷总量； 为所述配电变压器的总的转移负荷； 为参与需求响应的所有用电单元的可削减负荷总量； 为所述配电变压器的总的削减负荷。
8.根据权利要求3所述的面向智慧园区的变压器负荷管理方法，其特征在于，根据所述多目标进化算法的极值点构建超平面，将所述子代种群及其父代种群进行组合及归一化处理后投影到所述超平面上的步骤，包括：根据所述多目标进化算法的极值点按以下公式构建超平面：
k1·f1+k2·f2+...+kh·fh+...+kH·fH＝1式中，(k1,k2,...,kH)为超平面的单位法向量；(f1,f2,…,fH)为极值点坐标；
利用如下公式对所述多目标进化算法中的父代种群和子代种群的组合后的目标个体进行归一化处理：式中，目标个体h的截距Ih＝1/kh；fh,min为当前目标个体h的最小值； 为归一化处理后的目标个体；
将归一化处理后的目标个体投影到所述超平面上，得到投影点的坐标如下：式中，fh'为用电单元h的目标值在超平面上投影点的坐标。
9.根据权利要求8所述的面向智慧园区的变压器负荷管理方法，其特征在于，通过以下公式建立所述综合距离量度：式中，d为选择个体的综合距离量度；ω1和ω2分别是随着迭代次数变化的权重因子；d1为目标个体到种群理想点之间的距离；d2为目标个体在超平面上的投影点与超平面上距离该投影点最近的参考点之间的距离，其中，距离投影点(f′1,f′2,…,f′H)最近的参考点坐标为 分别为所有个体d1值中对应的最小值和最大值；
式中，Iter为当前迭代次数；Itermax为最大迭代次数。
10.一种面向智慧园区的变压器负荷管理装置，其特征在于，所述装置包括：第一构建模块，用于构建考虑配电变压器生命损耗成本下智慧园区的随机需求响应模型，优化得到所述配电变压器的总的转移负荷和总的削减负荷；
第二构建模块，用于构建基于多个异构用电单元需求响应的多目标决策模型；
第一约束处理模块，用于初始化基于超平面投影的多目标进化算法的种群，利用罚函数对所述多目标决策模型中的用电单元包含的用电设备的属性进行约束处理，所述属性为用电设备的可转移负荷量、可削减负荷量、热指数或充电量；
第二约束处理模块，用于根据所述配电变压器的总的转移负荷和总的削减负荷对参与需求响应的多个用电单元的可延迟负荷总量和可削减负荷总量进行约束处理；
交叉操作模块，用于对所述多目标进化算法的初始种群进行评估，更新迭代次数，利用多目标遗传算法中的交叉变异算子对所述初始种群进行交叉变异操作得到子代种群；
投影模块，用于根据所述多目标进化算法的极值点构建超平面，将所述子代种群及其父代种群进行组合及归一化处理后投影到所述超平面上；
排序模块，用于对所述父代种群和所述子代种群的联合种群进行非支配排序以进行分类；
选择模块，用于建立综合距离量度，根据所述综合距离量度对分类得到的各类种群进行评价以选择出精英解，并将选择出的精英解存入当前的帕累托前沿集中；
查找模块，用于在满足迭代终止条件或者是迭代到最大次数时，从所得到的帕累托前沿集中查找出距离所述超平面的中心点最近的投影点，将该投影点对应的解作为多用电单元的需求响应调度最优解，并基于该最优解得到各所述用电单元的可延迟负荷量和可削减负荷量。
一种面向智慧园区的变压器负荷管理方法及装置
技术领域
[0001] 本发明涉及电力系统技术领域，具体而言，涉及一种面向智慧园区的变压器负荷管理方法及装置。
背景技术
[0002] 随着配电系统中电力消费规模的增长，配电变压器在电力消费高峰时段频繁地过载运行，导致配电变压器加速老化，其使用寿命大幅缩短。变压器负荷管理问题涵盖了包含电动交通工具、各种家用电器、分布式发电在内的多个智能设备的区域协调优化问题。目前，针对智能家用电器和电动汽车(electric vehicle，EV)的研究已经证明在电力需求侧存在巨大的空间，并可以对这类可控负荷进行灵活管理。同时，对配电变压器峰值负荷的优化可以通过鼓励家庭用户参与需求响应(demand response，DR)来实现。需求响应是指为了提高电网运行的稳定性、可靠性、经济性、实现能源的高效利用，针对用户侧提出的一种以激励的形式来鼓励用户参与负荷调节的机制。近年来，美国通过这种激励形式的需求响应，使可控负荷呈现“柔性特征”，实现了大部分地区负荷的“削峰填谷”。需求响应不仅改变了原来仅依靠装机容量来满足电力需求增长的发展模式，还实现了电网的“削峰填谷”及减少用户用电成本的多赢局面。
[0003] 目前，为求解多用户需求响应问题，已有多种基于多代理框架的分布式算法被提出，这些算法的目的是最大限度地降低电力需求的峰均比或者通过最小化电力公司和客户的成本来提高社会福利。对大规模的需求响应调度问题的求解，将其看作一个分层模型，利用解耦技术将其分解成多个子问题来求解。尽管如此，这些需求响应机制并不能保证可以满足配电系统中资产的容量限制。此外，针对负荷服务公司，已有研究提出不同的效用函数以最小化总的家庭用电成本和最大化用户用电的舒适度，与此同时满足峰值负荷减少的目标。在电力市场的价格和需求响应激励机制的驱动下，不同的用户在电力高峰期会有不同的消费行为和不同的获利方式，因此多用户需求响应不协调可能会导致不同的用户间存在竞争行为，导致新一轮的负荷波峰、波谷，而使能源利用效率降低。在对多目标决策问题模型的求解上，现有的模型多采用帕累托优化算法，如非支配排序遗传算法(nondominated sorting genetic algorithm，NSGA)、多目标差分进化算法(multi-objective differential evolution，MODE)、基于分解的多目标进化算法(multiobjective evolutionary algorithm based on decomposition，MOEA/D)等。但是随着电力系统中优化目标的增加，非支配解呈几何性增加，这使得基于非支配排序的算法对种群的选择压力下降，搜索和选择解集的效率低下，在逼近整个帕累托前沿时所需的种群规模呈指数级增长，若仍然采用此类进化算法来获得最优解，不仅非常耗时、不能保持种群的多样性，还容易陷入局部最优。
发明内容
[0004] 有鉴于此，本发明的目的在于，提供一种面向智慧园区的变压器负荷管理方法及装置以解决上述问题。
[0005] 本发明实施例提供一种面向智慧园区的变压器负荷管理方法，所述方法包括：
[0006] 构建考虑配电变压器生命损耗成本下智慧园区的随机需求响应模型，优化得到所述配电变压器的总的转移负荷和总的削减负荷；
[0007] 构建基于多个异构用电单元需求响应的多目标决策模型；
[0008] 初始化基于超平面投影的多目标进化算法的种群，利用罚函数对所述多目标决策模型中的用电单元包含的用电设备的属性进行约束处理，所述属性为用电设备的可转移负荷量、可削减负荷量、热指数或充电量；
[0009] 根据所述配电变压器的总的转移负荷和总的削减负荷对参与需求响应的多个用电单元的可延迟负荷总量和可削减负荷总量进行约束处理；
[0010] 对所述多目标进化算法的初始种群进行评估，更新迭代次数，利用多目标遗传算法中的交叉变异算子对所述初始种群进行交叉变异操作得到子代种群；
[0011] 根据所述多目标进化算法的极值点构建超平面，将所述子代种群及其父代种群进行组合及归一化处理后投影到所述超平面上；
[0012] 对所述父代种群和所述子代种群的联合种群进行非支配排序以进行分类；
[0013] 建立综合距离量度，根据所述综合距离量度对分类得到的各类种群进行评价以选择出精英解，并将选择出的精英解存入当前的帕累托前沿集中；
[0014] 在满足迭代终止条件或者是迭代到最大次数时，从所得到的帕累托前沿集中查找出距离所述超平面中心点最近的投影点，将该投影点对应的解作为多用电单元的需求响应调度最优解，并基于该最优解得到各所述用电单元的可延迟负荷量和可削减负荷量。
[0015] 本发明的另一实施例还提供一种面向智慧园区的变压器负荷管理装置，所述装置包括：
[0016] 第一构建模块，用于构建考虑配电变压器生命损耗成本下智慧园区的随机需求响应模型，优化得到所述配电变压器的总的转移负荷和总的削减负荷；
[0017] 第二构建模块，用于构建基于多个异构用电单元需求响应的多目标决策模型；
[0018] 第一约束处理模块，用于初始化基于超平面的多目标进化算法的种群，利用罚函数对所述多目标决策模型中的用电单元包含的用电设备的属性进行约束处理，所述属性为用电设备的可转移负荷量、可削减负荷量、热指数或充电量；
[0019] 第二约束处理模块，用于根据所述配电变压器的总的转移负荷和总的削减负荷对参与需求响应的多个用电单元的可延迟负荷总量和可削减负荷总量进行约束处理；
[0020] 交叉操作模块，用于对所述多目标进化算法的初始种群进行评估，更新迭代次数，利用多目标遗传算法中的交叉变异算子对所述初始种群进行交叉变异操作得到子代种群；
[0021] 投影模块，用于根据所述多目标进化算法的极值点构建超平面，将所述子代种群及其父代种群进行组合及归一化处理后投影到所述超平面上；
[0022] 排序模块，用于对所述父代种群和所述子代种群的联合种群进行非支配排序以进行分类；
[0023] 选择模块，用于建立综合距离量度，根据所述综合距离量度对分类得到的各类种群进行评价以选择出精英解，并将选择出的精英解存入当前的帕累托前沿集中；
[0024] 查找模块，用于在满足迭代终止条件或者是迭代到最大次数时，从所得到的帕累托前沿集中查找出距离所述超平面中心点最近的投影点，将该投影点对应的解作为多用电单元的需求响应调度最优解，并基于该最优解得到各所述用电单元的可延迟负荷量和可削减负荷量。
[0025] 本发明实施例提供的面向智慧园区的变压器负荷管理方法及装置，首先通过将配电变压器的生命损耗成本整合到多个异构用电单元的需求响应模型中，以此构建一个混合整数非线性优化模型来决定配电变压器的总的转移负荷和总的削减负荷。此外，对配电变压器下每个用电单元的用电情况进行了优化调度，构建了一个高维多目标优化模型，利用提出的基于超平面投影的多目标进化算法实现了众多用电单元参与需求响应时负荷的最优分配。所提出的多目标进化算法通过投影点的分类对归属同类的种群分别进行评估、排序，以此解决进化算法种群的进化和选择问题。所提出的方法不仅保证了种群的多样性，且收敛速度快，不易陷入局部最优。
[0026] 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0027] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0028] 图1为本发明实施例提供的电子设备的结构框图。
[0029] 图2为本发明实施例提供的面向智慧园区的变压器负荷管理方法的流程图。
[0030] 图3为智慧园区下变压器负荷管理框架图。
[0031] 图4为本发明实施例提供的三个目标时解集的投影与分类示意图。
[0032] 图5为本发明实施例提供的面向智慧园区的变压器负荷管理装置的功能模块框图。
[0033] 图6为本发明实施例提供的负荷场景2下策略1-3优化后变压器的负荷分布。
[0034] 图7为本发明实施例提供的负荷场景3下策略1-3优化后变压器的负荷分布。
[0035] 图8为本发明实施例提供的负荷场景3下三种方法优化后家庭激励奖励比较。
[0036] 图9为本发明实施例提供的负荷场景3下3种方法优化后家庭不满意度程度比较。
[0037] 图10为本发明实施例提供的负荷场景3下3种方法优化后家庭需求响应效益比较。
[0038] 图11为本发明实施例提供的家庭2不同用电设备的能量分析。
[0039] 图12为本发明实施例提供的家庭6不同用电设备的能量分析。
[0040] 图13为本发明实施例提供的家庭9不同用电设备的能量分析。
[0041] 图标：100-电子设备；110-面向智慧园区的变压器负荷管理装置；111-第一构建模块；112-第二构建模块；113-第一约束处理模块；114-第二约束处理模块；115-交叉操作模块；116-投影模块；117-排序模块；118-选择模块；119-查找模块；120-处理器；130-存储器。
具体实施方式
[0042] 下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0043] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0044] 请参阅图1，为本发明实施例提供的一种电子设备100的示意性结构框图。在本实施例中，所述电子设备100包括面向智慧园区的变压器负荷管理装置110、处理器120以及存储器130。其中，所述存储器130与处理器120之间直接或间接地电性连接，以实现数据的传输或交互。所述面向智慧园区的变压器负荷管理装置110包括至少一个可以软件或固件的形式存储于所述存储器130中或固化在所述电子设备100的操作系统中的软件功能模块。所述处理器120用于执行存储器130中存储的可执行模块，例如所述面向智慧园区的变压器负荷管理装置110包括的软件功能模块或计算机程序，以对涉及异构用电单元群体参与需求响应的利益分配及其配电变压器上的负荷管理问题进行优化。
[0045] 本实施例中，所述电子设备100可以是，但不限于，计算机或安装于计算机中的数据处理装置等。
[0046] 图2是本发明实施例提供的一种应用于图1所示的面向智慧园区的变压器负荷管理装置110的面向智慧园区的变压器负荷管理方法的示意性流程图。应说明的是，本实施例提供的方法不以图2及以下所述的顺序为限制。下面将对图2所示的具体流程进行详细的阐述。
[0047] 步骤S101，构建考虑配电变压器生命损耗成本下智慧园区的随机需求响应模型，优化得到所述配电变压器的总的转移负荷和总的削减负荷。
[0048] 本实施例中所述的智慧园区为包含多个异构用电单元的园区，其中所述用电单元是指包含电动汽车、光伏电池板(solar photovoltaics，PVs)和各种不同类型的智能家用电器的智能家庭。由于每个家庭的用电习惯、消费水平和对温度的体感舒适度的要求不一样，各个家庭呈现异构性。
[0049] 在本实施例中，假设所研究的智慧园区包含一台配电变压器和H个智能家庭，其框架图如图3所示。智能家庭的负荷由聚合器通过智能电表和家庭区域网进行控制和通信。在用电高峰时期，不同的智能家庭在需求响应期间将会出现竞争行为，所以本发明提出一个分层控制的两阶段模型来优化每个智能家庭可控家用电器的延迟负荷或削减负荷，以此来协调配电变压器的负荷以达到最大经济效益。
[0050] 第一阶段主要是对配电变压器的负荷进行优化，以得到该智慧园区中的配电变压器的总的转移负荷和总的削减负荷。可选地，构建考虑配电变压器生命损耗成本下智慧园区的随机需求响应模型，所构建的模型基于激励机制来鼓励每个智能家庭参与到需求响应调节中。同时，该模型还考虑了负荷、光伏电池板的输出电量、周围环境温度等不确定因素，此外，基于场景的随机需求响应滚动调度策略被用来解决调度中的不确定因素。第一阶段以最小化当前时段t0时配电变压器生命损耗成本、总用电成本、需求响应激励成本及从t0+1到调度结束时预期所有方案成本之和为配电变压器的最小目标函数，具体表示如下：
[0051]
[0052] 式中，CD和CR分别表示对延迟负荷和削减负荷的单位激励成本；Tmax为配电变压器负荷可移动的最大时间；Tend为调度的结束时段； 是优化的决策变量， 分别表示从时间t0转移到t’的负荷总量和从时间t转移到t’的负荷总量；
分别表示t0和t时段总的负荷削减量；NS是场景总数，且 ρS是场
景s发生的概率； 和 分别为t0时段和场景s下在t时段配电变压器的生命损耗成本； 分别为在t0时段和场景s下t时段的购电成本。
[0053] 其中，在t时段，变压器在给定条件下的等效生命损耗成本表示如下：
[0054]
[0055] 式中， 为t时段配电变压器所处条件下的等效生命损耗成本；CDT为配电变压器的初始投资成本；TL为配电变压器在标准条件下的使用寿命； 为配电变压器在t时段所处条件下的等效生命损耗。
[0056] 在第一阶段，利用以下公式对所述配电变压器的总的转移负荷、总的削减负荷以及功率平衡进行约束处理：
[0057]
[0058]
[0059]
[0060] 式中， tm表示用电单元可延迟负荷向之后某一时段延迟之后的时间； 和 分别表示t时段需求响应下配电变压器的最大可移动负荷总量和最大可削减负荷总量； 表示t时段需求响应后的配电变压器负荷； 表示需求响应前的配电变压器负荷； 表示转移到t时段的负荷； 表示从当前t时
段转移到之后时段的负荷； 表示当前时刻的负荷削减量； 表示当前t时段光伏电池板的功率输出。
[0061] 步骤S102，构建基于多用电单元需求响应的多目标决策模型。
[0062] 本实施例中，在第二阶段的优化中，在激励型需求响应下，各个智能家庭之间产生了利益竞争关系。本实施例中应用所提出的高维多目标优化模型，通过对不同需求响应意愿下的智能家庭群体内部各种用电设备用电模式的优化控制实现智能家庭群体效益的最大化。可选地，本实施例中建立如下的基于多用电单元的需求响应的最大目标函数：
[0063] max{f1,f2,...,fh,...,fH} (6)
[0064] 式中，fh为用电单元h的目标函数。
[0065] 其中， 是用电单元h在t时刻参与需求响应后的效益：
[0066]
[0067]
[0068] 式中，Ah,1，Ah,2和Ah,3分别表示用电单元h的负荷可削减设备、负荷可延迟设备以及电动汽车； 和 分别表示用电单元h用电设备a的转移负荷和削减负荷；λ为电价；为等待时间； 表示用电单元参与需求响应时的不满意度因子； 为用电
单元参与需求响应后热指数值与实际设置的热指数的差值； 是用电单元h在t0时刻参与需求响应后的效益。
[0069] 由公式(6)-(8)组成的四个及其以上目标的优化问题称为高维多目标优化问题。家庭用户的不同用电设备及不同的用电喜好导致了不同的用电需求，而家庭用户的效用函数往往是对立的，因此本阶段的多家庭需求响应问题可以被看作是一个多准则决策模型来协调用电高峰时段家庭群体的需求响应策略。
[0070] 步骤S103，初始化基于超平面投影的多目标进化算法的种群，利用罚函数对所述多目标决策模型中的用电单元包含的用电设备的属性进行约束处理，所述属性为用电设备的可转移负荷量、可削减负荷量、热指数或充电量。
[0071] 本实施例中的所述的用电设备包括负荷可削减设备、负荷可延迟设备、固定负荷设备以及电动汽车等。其中，智能家庭的负荷可延迟设备主要包括如洗衣机和洗碗机等具有一定程度用电灵活性的设备。其负荷可从用电高峰时段转移到其他时段，但是负荷可延迟设备的运行时间必须限制在有效时间段，在此时间段下设备的能量消耗可以在需求响应容量下可靠调度。此外，每个负荷可延迟设备的运行任务必须在截止时间之前完成。
[0072] 本实施例中利用罚函数对建立的多目标决策模型中的用电单元包含的负荷可延迟设备的可转移负荷量进行约束处理。其约束条件如下：
[0073]
[0074]
[0075] 式中， 为用电单元h中用电设备a在t时段的可转移负荷的最大量； 为用电单元h中用电设备a移动到t时段的负荷量；Eh,a为用电设备a的总能量需求。
[0076] 本实施例中，所述的负荷可削减设备主要包括暖通空调等设备，该类设备可通过调节用电高峰时段的温度来实现负荷削减。对负荷可削减设备而言，温度变化对家庭用户引起的舒适度水平可用热指数HI来表示，热指数是室内温度和湿度的函数，其值须限制在一定范围内。其约束条件如下：
[0077]
[0078]
[0079] 式中， 和 分别是用电单元h在时段t需求响应调节后的用电设备a的温度和热指数；M1，M2，M3，M4和M5为温度、湿度表示热指数下的多项式系数；FR(Rt)是由相对湿度Rt决定的常数，HImin和HImax分别是热指数取值的最小值和最大值。
[0080] 负荷可削减设备的功率消耗与温度等很多因素有关，本实施例中智能家庭中包含的用电设备的总的可削减负荷 可通过线性化的功率模型表示如下：
[0081]
[0082]
[0083] 式中， 是温度期望值；Lh,a是线性化功率—温度因子；ΔPh,a,max为用电单元h用电设备a的最大数量的负荷削减量。
[0084] 在配电变压器一端，电动汽车在用户侧表现出集群效应，可能对配电变压器造成严重的过载行为。在电动汽车快充模式下可通过优化电动汽车的充电时段来调整负荷分布，因而电动汽车的充电具有灵活的可延迟特性。需求响应后电动汽车当前时段的充电功率 是需求响应前电动汽车的充电功率与之前时段转移到当前时段的功率之和，并减去当前时段转移到之后时段的功率之和。电动汽车的充电功率必须限制在最大充电功率阈值之下。此外，电动汽车电池的能量状态必须保证在第二天离开家之前充满。由此产生的约束条件如下：
[0085]
[0086]
[0087]
[0088]
[0089] 式中， 分别为需求响应前和需求响应后电动汽车当前时段的充电功率； Ph,EV,max分别为用电单元h电动汽车从时间段t延迟到t’的充电量和最大充电功率； 和SOEh,EV,max分别是用电单元h车载电池在t时段的能量状态和最大能量状态值； 为电动汽车离家时电池能量状态；η是用电设备的充电效率；Th,leave是用电单元h中电动汽车的离家时间。
[0090] 步骤S104，根据所述配电变压器的总的转移负荷和总的削减负荷对参与需求响应的多个用电单元的可延迟负荷总量和可削减负荷总量进行约束处理。
[0091] 在本实施例中，根据所述配电变压器的总的转移负荷和总的削减负荷，通过以下公式对参与需求响应的多个用电单元的可延迟负荷总量和可削减负荷总量进行约束处理：
[0092]
[0093]
[0094] 式中， 为参与需求响应的所有用电单元的可延迟负荷总量；为所述配电变压器的总的转移负荷； 为参与需求响应的所有用电单元的
可削减负荷总量； 为所述配电变压器的总的削减负荷。
[0095] 步骤S105，对所述多目标进化算法的初始种群进行评估，更新迭代次数，利用多目标遗传算法中的交叉变异算子对所述初始种群进行交叉变异操作得到子代种群。
[0096] 步骤S106，根据所述多目标进化算法的极值点构建超平面，将所述子代种群及其父代种群进行组合及归一化处理后投影到所述超平面上。
[0097] 步骤S107，对所述父代种群和所述子代种群的联合种群进行非支配排序以进行分类。
[0098] 步骤S108，建立综合距离量度，根据所述综合距离量度对分类得到的各类种群进行评价以选择出精英解，并将选择出的精英解存入当前的帕累托前沿集中。
[0099] 本发明提出的变压器负载管理问题的第一阶段模型是一个混合整数非线性规划模型，可通过调用GAMS软件中的BONMIN求解器解答。第二阶段模型是由多智能家庭参与需求响应的多目标决策模型(many-criteria optimality methodology，MCDM)模型。本实施例利用进化多目标(evolutionary many-objective，EMO)优化算法来求解每个家庭的用电需求，并提出了一种新型的基于超平面投影的多目标进化算法EMOHP来求解众多家庭参与激励型需求响应的问题。EMOHP算法采用中心投影将超立方体坐标上的个体映射到超平面上，然后通过对解集投影点的分类对归属同类的种群分别进行评估、排序，以此解决进化算法种群的进化和选择问题。
[0100] 本实施例中利用NAGA-II遗传算法中的交叉算子对多目标进化算法中的初始种群进行交叉变异操作得到子代种群。根据所述多目标进化算法的极值点构建超平面，将所述子代种群及其父代种群进行组合及归一化处理后投影到所述超平面上。
[0101] EMOHP算法运算过程中产生的动态超平面可以由解集的极值点来确定，H个极值点构成的超平面一般表达式如下：
[0102] k1·f1+k2·f2+...+kh·fh+...+kH·fH＝1 (21)
[0103] 式中，(k1,k2,...,kH)为超平面的单位法向量；(f1,f2,…,fH)为极值点坐标。
[0104] 利用如下公式对所述多目标进化算法中的父代种群和子代种群的组合中的目标个体进行归一化处理：
[0105]
[0106] 式中，目标个体h的截距Ih＝1/kh；fh,min为当前目标个体h的最小值； 为归一化处理后的目标个体，标准化后，理想值变为Z*＝(0,0,...,0)。
[0107] 将归一化处理后的目标个体投影到所述超平面上，得到投影点的坐标如下：
[0108]
[0109] 式中，f′h为用电单元h在超平面上投影点的坐标。
[0110] 如图4为三个目标时解集的投影和分类示意图，从图中可知点B'＝(f′1,f′2,...,f′H)是点 在超平面上的投影。利用最近邻法，可以将进化过程中的解集分成N组，N是通过正交分解法在超平面上生成的N个一致分布的参考点的个数。EMOHP算法利用两个独立的距离度量来评价种群中的精英解，并将选择出的精英解存入当前的帕累托前沿集中。图4中，距离d1是点B到理想点的距离，可以用来控制算法的收敛性，距离d2是点B的投影点B'到参考点Rn的距离，用来控制种群的多样性。因此，综合考虑两个距离度量的公式如下：
[0111]
[0112]
[0113]
[0114] 式中，d为选择个体的综合距离量度；ω1和ω2分别是随着迭代次数变化的权重因子；d1为目标个体到种群理想点之间的距离；d2为目标个体在超平面上的投影点与超平面上距离该投影点最近的参考点之间的距离；距离投影点(f′1,f′2,…,f′H)最近的参考点坐标为 分别为所有个体d1值中对应的最小值和最大值；分别为所有个体d2值中对应的最小值和最大值。
[0115] EMOHP算法中权重因子的选择方式可以加强搜索能力并提高其性能。该算法利用两个有代表性的距离来维持收敛性和多样性之间的平衡。种群中的个体被投影到超平面上，并在超平面上执行种群的选择，对于种群中的每个个体，d1和d2的值分别由式(24)和(25)给出。收敛性距离量度d1和多样性距离量度d2的组合关系由式(26)所示。
[0116] 其中，
[0117] ω1＝1-(Iter/Itermax)2 (27)
[0118] ω2＝1-ω1 (28)
[0119] 式中，Iter为当前迭代次数；Itermax为最大迭代次数。
[0120] 可以看出，EMOHP算法在前期迭代过程中d1的权重ω1取值相对较大，算法优先保持解集的收敛性，在之后的迭代中，权重ω1取值相对减小，而权重ω2取值相对增大，算法将在保持收敛性的基础上使得解集的分布更加均匀。
[0121] 步骤S109，在满足迭代终止条件或者是迭代到最大次数时，从所得到的帕累托前沿集中查找出距离所述超平面的中心点最近的投影点，将该投影点对应的解作为多用电单元的需求响应调度最优解，并基于该最优解得到各所述用电单元的可延迟负荷量和可削减负荷量。
[0122] 在本实施例中，重复上述的进化过程，直到满足迭代终止条件或者是迭代次数达到最大次数为止。最后，从所得到的帕累托前沿集中找到距离超平面中心点最近的投影点对应的解作为多个智能家庭的需求响应调度决策。
[0123] 请参阅图5，本发明另一较佳实施例提供一种面向智慧园区的变压器负荷管理装置110，所述面向智慧园区的变压器负荷管理装置110包括第一构建模块111、第二构建模块112、第一约束处理模块113、第二约束处理模块114、交叉操作模块115、投影模块116、排序模块117、选择模块118以及查找模块119。
[0124] 所述第一构建模块111用于构建考虑配电变压器生命损耗成本下智慧园区的随机需求响应模型，优化得到所述配电变压器的总的转移负荷和总的削减负荷。
[0125] 所述第二构建模块112用于构建基于多个异构用电单元需求响应的多目标决策模型。
[0126] 所述第一约束处理模块113用于初始化基于超平面的多目标进化算法的种群，利用罚函数对所述多目标决策模型中的用电单元包含的用电设备的属性进行约束处理，所述属性为用电设备的可转移负荷量、可削减负荷量、热指数或充电量。
[0127] 所述第二约束处理模块114用于根据所述配电变压器的总的转移负荷和总的削减负荷对参与需求响应的多个用电单元的可延迟负荷总量和可削减负荷总量进行约束处理。
[0128] 所述交叉操作模块115用于对所述多目标进化算法的初始种群进行评估，更新迭代次数，利用多目标遗传算法中的交叉变异算子对所述初始种群进行交叉变异操作得到子代种群。
[0129] 所述投影模块116用于根据所述多目标进化算法的极值点构建超平面，将所述子代种群及其父代种群进行组合及归一化处理后投影到所述超平面上。
[0130] 所述排序模块117用于对所述父代种群和所述子代种群的联合种群进行非支配排序以进行分类。
[0131] 所述选择模块118用于建立综合距离量度，根据所述综合距离量度对分类得到的各类种群进行评价以选择出精英解，并将选择出的精英解存入当前的帕累托前沿集中。
[0132] 所述查找模块119用于在满足迭代终止条件或者是迭代到最大次数时，从所得到的帕累托前沿集中查找出距离所述超平面中心点最近的投影点，将该投影点对应的解作为多用电单元的需求响应调度最优解，并基于该最优解得到各所述用电单元的可延迟负荷量和可削减负荷量。
[0133] 为了使本领域技术人员更好地理解本发明实施例提供的技术方案，下面结合具体应用场景对本发明实施例提供的技术方案进行说明。
[0134] 本实施例中，在3-15个智能家庭组成的智慧园区上进行仿真。其中，异构家庭的可控电器设备、光伏电池板、电动汽车的数量和容量各不相同，由此导致家庭用户的需求响应意愿和负荷控制特性各不相同。所提的需求响应策略是应用在未来24小时的范围内且每15分钟执行一次。
[0135] 通过所提的EMOHP算法求解第二阶段建立的多家庭协调需求响应模型时，该算法的对比算法包括MOEA/D、NSGA-II、ε-NSGA、NSGA-III。对每个算法，种群个数和最大迭代次数分别设置为200，500，交叉率设置为0.9，变异率设置为1/D，其中D是决策变量的总数。算法设置的参数已通过大规模的案例测试。
[0136] 在第一阶段，3种需求响应策略被用在轻负荷、正常负荷、重负荷3种负荷场景下作对比分析，策略1指没有执行需求响应下的基本负荷分布；策略2是指在变压器热点温度限制下最小化需求响应成本；策略3是指所提的需求响应成本和变压器生命损耗成本联合优化。所得的结果如表1所示。可以看出在负荷场景1下，由于热点温度最大值低于110℃，3种策略下的结果一致。
[0137] 表1不同负荷场景下策略1-3的结果比较
[0138]
[0139] 图6和图7分别是负荷场景2和负荷场景3下所得的变压器负荷分布结果。可以看出，在负荷场景2下，策略2和策略3所得的总成本都低于基本负荷下的总成本，原因主要是在需求响应机制下变压器负荷分布得到改善，而使得变压器生命损耗成本降低。在负荷场景3下，从图7和表1可以看出，相比其他策略，无需求响应的策略1使得变压器长时间过载，因此产生了较高的热点温度和变压器生命损耗成本；相比策略1和策略2，策略3由于考虑了变压器的生命损耗成本，总成本最小，原因主要是在此负荷场景下，通过需求响应降低峰值负荷的需求响应成本小于变压器生命损耗成本，且所提的策略3允许变压器在轻微过载。
[0140] 基于第一阶段负荷场景3下策略3优化后的负荷分布，所提的多家庭协调优化方法与其它两种常用方法作对比，图8-10分别是每个家庭的激励奖励、不满意度成本及总的效益的示意图。
[0141] 方法1是将第一阶段的削减负荷和转移负荷平均分配到每个家庭，从图8可以看出，每个家庭得到的需求响应后的奖励是一样的，然而，从图9和图10可以看出，此方法对需求响应不满意度较高的家庭5、10、11产生了负的效益；方法2是优化所有家庭的需求响应效益之和，优化得到的结果是：不满意度低的家庭，如1，7，能得到较多的需求响应激励，与此同时，不满意度高的家庭，如5，10，11，在此方法下参与需求响应时获得激励奖励较少。所提出的多家庭协调需求响应方法3是基于所有家庭效益联合最优的策略，在此策略下所得的拥有不同用电设备和不同需求响应意愿的异构家庭的效益都是正值，且对于拥有较高需求响应容量和较低不满意度因子的家庭用户1，7，14能够得到更多的效益。因此，相比方法1、方法2优化后的结果，所有家庭都能够从两阶段需求响应模型中获得对应效益。
[0142] 在负荷场景3下，通过所提方法对多个家庭的用电优化后，所得的3个典型的家庭的不同用电设备的能量分析如图11-13所示，可以看出，由于每个家庭的电动汽车的到达时间、离开时间和充电功率不一样，它们的充电时间和充电负荷分布各不相同，此外，异构家庭针对用电高峰的激励机制展现出了不同的需求响应行为。
[0143] 为了说明所提EMHOP算法在求解多家庭需求响应问题的优越性能，与其他对比算法都是在运行10次的情况下进行结果比较，且所针对的多家庭需求响应问题的家庭数目分别是3，6，9，15。2个典型的性能指标，即倒代距离指标(inverse generational distance，IGD)和空间分布指标被用来比较不同算法所得前沿的解集的收敛性和多样性，它们的理想值是0。表2和表3分别是不同家庭数目下应用不同算法所得的多家庭需求响应的IGD指标对比结果和运行时间对比结果，可以看出，所提的EMOHP算法在指标上明显优于其他算法，尤其针对家庭数目为6-12时的多家庭协调需求响应问题。除此之外，所提算法在时间上也优于其他算法，由此可见所提EMOHP算法在解决多家庭协调需求响应时优越的收敛性和时效性。
[0144] 表2各个算法指标对比
[0145]
[0146] 表3各个算法指标对比
[0147]
[0148] 综上所述，本发明实施例提供一种面向智慧园区的变压器负荷管理方法及装置，该方法首先通过将配电变压器的生命损耗成本加到多个异构用电单元的需求响应模型中，构建一个混合整数非线性优化模型来决定配电变压器的总的转移负荷和总的削减负荷。然后，对配电变压器下每个用电单元的用电情况进行了优化调度，构建了一个高维多目标优化模型，利用提出的基于超平面投影的多目标进化算法实现了众多用电单元参与需求响应时负荷的最优分配。
[0149] 进一步地，模型第一层级的变压器负荷优化是在园区级配电变压器上进行的。目标函数是最小化变压器的生命损耗成本、购电成本、需求响应的激励成本之和，其中需求响应的激励成本包括了当前时段所有智能家庭用户参与需求响应的激励成本和预期所有方案中从当前时段的下一时段开始到调度结束的需求响应激励成本。模型还考虑了参与需求响应的智能电器的可延迟负荷和可削减负荷约束。通过第一层调度优化，将配电变压器的总成本最小化，减小了变压器的峰谷差和实时负载超过变压器额定负载的频率。
[0150] 模型第二层级的智慧园区的多个异构家庭效益优化是在第一层级优化的基础上进行的，其目标函数是在多个智能家庭用户参与需求响应的基础上同时实现各自利益的最大化。单个智能家庭用户在t时段的效益函数包括参与需求响应的收益、削减负荷所对应的电费减少量、由可控电器不满意因素转换的附加费用。单个智能家庭用户在整个调度时段的效益函数由当前时段t的效益、当前时段以前的效益和从t+1到调度结束的效益。约束包括单个智能家庭用户负荷可延迟电器的约束、负荷可削减电器的约束、电动汽车约束和功率平衡约束。对第二层级的模型求解引入了新提出的基于超平面投影的多目标进化算法，该算法采用中心投影将超立方体坐标上的个体映射到超平面上，然后通过对解集投影点的分类对归属同类的种群分别进行评估、排序，以此解决进化算法种群的进化和选择问题，最后在Pareto前沿中选出距离超平面中心点最近的点作为该高维优化问题的最优解。所提算法不仅保证了种群的收敛性、多样性，且收敛速度快，不易陷入局部最优。
[0151] 在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0152] 需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0153] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0154] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
