Data-driven Real-time Economic Regulation Method for Household Energy

Yubin WANG; Wei DONG; Yuanyi CHEN; Qiang YANG

doi:10.7500/AEPS20210517013

您当前的位置：

首页 >

文章列表页 >

Data-driven Real-time Economic Regulation Method for Household Energy

Basic Research | 更新时间：2025-06-16

- Data-driven Real-time Economic Regulation Method for Household Energy
- Automation of Electric Power Systems Vol. 46, Issue 13, Pages: 21-29(2022)
- 作者机构：
  
  1.浙江大学电气工程学院，浙江省杭州市 310027
  2.浙江大学工程师学院，浙江省杭州市 310058
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(52177119)
- DOI：10.7500/AEPS20210517013
  CLC：
- Received：17 May 2021，
  
  Revised：2022-02-09，
  
  Published Online：25 April 2022，
  
  Published：10 July 2022
- 稿件说明：
移动端阅览
王玉彬,董伟,陈源奕等.基于数据驱动的家庭能量实时经济调控方法[J].电力系统自动化,2022,46(13):21-29.

WANG Yubin,DONG Wei,CHEN Yuanyi,et al.Data-driven Real-time Economic Regulation Method for Household Energy[J].Automation of Electric Power Systems,2022,46(13):21-29.
王玉彬,董伟,陈源奕等.基于数据驱动的家庭能量实时经济调控方法[J].电力系统自动化,2022,46(13):21-29. DOI： 10.7500/AEPS20210517013.

WANG Yubin,DONG Wei,CHEN Yuanyi,et al.Data-driven Real-time Economic Regulation Method for Household Energy[J].Automation of Electric Power Systems,2022,46(13):21-29. DOI： 10.7500/AEPS20210517013.

摘要

分布式电源和大量用户侧可调资源的接入使得通过需求侧响应提高系统的用能效率、节约用电成本以及实现清洁能源转型成为现实。然而，分布式发电的不确定性和间歇性以及用户负荷的随机波动使得依赖于预测数据的模型驱动调度方法存在预测误差导致调度效果不佳的问题。针对以上问题，提出了一种基于数据驱动的家庭能量实时经济调控方法。该方法首先建立家庭能量系统的数学模型，然后利用历史数据基于模型驱动方法构建训练数据集；所构建的训练数据集将用于人工神经网络的监督学习，从而建立基于数据驱动的调度决策模型；之后，在新的场景到来时由该模型输出调度结果并施加设备约束得到调度决策。仿真表明，所述方法可以基于电价变化协调用电器和储能系统的运行，在保证用电器和储能系统安全运行的前提下实现经济运行。

Abstract

The integration of distributed generators and a massive amount of customer-side adjustable resources makes it possible to improve system energy efficiency

save electricity costs and achieve clean energy transition through demand-side response. However

the uncertainty and intermittency of distributed generation as well as the random fluctuation of customer load make the model-driven regulation methods that rely on forecasted data have the problems of poor regulation results due to forecast errors. To address the above problems

a data-driven real-time economic regulation method for the household energy is proposed. The method first establishes a mathematical model of the household energy system

and then uses historical data to construct a training sample dataset based on the model-driven approach. The constructed training dataset will be used for the supervised learning of the artificial neural network to build a data-driven regulation decision model. Afterwards

when a new scenario arrives

the model outputs the regulation results and imposes equipment constraints to obtain regulation decisions. Simulations demonstrate that the proposed method can coordinate the operation of the electrical appliances and the energy storage system based on the change of electricity price

which can achieve the economic operation while ensuring the safe operation of the electrical appliances and the energy storage system.

关键词

Keywords

references

卓振宇，张宁，谢小荣，等 . 高比例可再生能源电力系统关键技术及发展挑战［J］. 电力系统自动化， 2021 ， 45 （ 9 ）： 171 - 191 .

ZHUO Zhenyu ， ZHANG Ning ， XIE Xiaorong ， et al . Key technologies and developing challenges of power system with high proportion of renewable energy ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 9 ）： 171 - 191 .

李鹏，王瑞，冀浩然，等 . 低碳化智能配电网规划研究与展望［J］. 电力系统自动化， 2021 ， 45 （ 24 ）： 10 - 21 .

LI Peng ， WANG Rui ， JI Haoran ， et al . Research and prospect of planning for low-carbon smart distribution network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 24 ）： 10 - 21 .

张甜，赵奇，陈中，等 . 基于深度强化学习的家庭能量管理分层优化策略［J］. 电力系统自动化， 2021 ， 45 （ 21 ）： 149 - 158 .

ZHANG Tian ， ZHAO Qi ， CHEN Zhong ， et al . Hierarchical optimization strategy for home energy management based on deep reinforcement learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 21 ）： 149 - 158 .

吴亚伟 . 参与需求响应的智慧家庭能量优化管理策略研究［D］. 北京：北京交通大学， 2019 .

WU Yawei . Research on smart home energy optimization management strategy participating in demand response ［D］. Beijing ： Beijing Jiaotong University ， 2019 .

江泽昌，刘天羽，江秀臣，等 . 智能电网下多时间尺度家庭能量管理优化策略［J］. 太阳能学报， 2021 ， 42 （ 1 ）： 460 - 469 .

JIANG Zechang ， LIU Tianyu ， JIANG Xiuchen ， et al . Multi-time scale home energy management optimization strategy in smart grid ［J］. Acta Energiae Solaris Sinica ， 2021 ， 42 （ 1 ）： 460 - 469 .

涂京，周明，宋旭帆，等 . 居民用户参与电网调峰激励机制及优化用电策略研究［J］. 电网技术， 2019 ， 43 （ 2 ）： 443 - 453 .

TU Jing ， ZHOU Ming ， SONG Xufan ， et al . Research on incentive mechanism and optimal power consumption strategy for residential users’ participation in peak shaving of power grid ［J］. Power System Technology ， 2019 ， 43 （ 2 ）： 443 - 453 .

陆青，郁浩，赵康丽，等 . 分时电价下基于供用电双方博弈的家庭用户需求响应［J］. 现代电力， 2019 ， 36 （ 6 ）： 68 - 74 .

LU Qing ， YU Hao ， ZHAO Kangli ， et al . Demand response of household users based on game between power supply and consumption side under time-of-use price ［J］. Modern Electric Power ， 2019 ， 36 （ 6 ）： 68 - 74 .

CLARKE D W . Advances in model based predictive control ［J］. IEEE Power Engineering Review ， 1995 ， 15 （ 6 ）： 28 .

LUO F J ， RANZI G ， WAN C ， et al . A multistage home energy management system with residential photovoltaic penetration ［J］. IEEE Transactions on Industrial Informatics ， 2019 ， 15 （ 1 ）： 116 - 126 .

GLAVIC M ， FONTENEAU R ， ERNST D . Reinforcement learning for electric power system decision and control： past considerations and perspectives ［J］. IFAC ， 2017 ， 50 （ 1 ）： 6918 - 6927 .

SUTTON R S ， BARTO A G . Reinforcement learning： an introduction ［J］. IEEE Transactions on Neural Networks ， 1998 ， 9 （ 5 ）： 1054 .

CHUNG H M ， MAHARJAN S ， ZHANG Y ， et al . Distributed deep reinforcement learning for intelligent load scheduling in residential smart grids ［J］. IEEE Transactions on Industrial Informatics ， 2021 ， 17 （ 4 ）： 2752 - 2763 .

张虹，申鑫，穆昊源，等 . 基于Multi-Agent异步深度强化学习的居民住宅能耗在线优化调度研究［J］. 中国电机工程学报， 2020 ， 40 （ 1 ）： 117 - 127 .

ZHANG Hong ， SHEN Xin ， MU Haoyuan ， et al . Research on online optimal dispatching of residential energy consumption based on Multi-Agent asynchronous deep reinforcement learning ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 1 ）： 117 - 127 .

苏永新，吴泽旋，谭貌，等 . 基于深度强化学习的家庭综合需求响应在线优化［J］. 中国电机工程学报， 2021 ， 41 （ 16 ）： 5581 - 5593 .

SU Yongxin ， WU Zexuan ， TAN Mao ， et al . Online optimization for home integrated demand response based on deep reinforcement learning ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 16 ）： 5581 - 5593 .

XU X ， JIA Y W ， XU Y ， et al . A multi-agent reinforcement learning-based data-driven method for home energy management ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 4 ）： 3201 - 3211 .

YE Y J ， QIU D W ， WU X D ， et al . Model-free real-time autonomous control for a residential multi-energy system using deep reinforcement learning ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 4 ）： 3068 - 3082 .

HUSSEIN A ， GABER M M ， ELYAN E ， et al . Imitation learning ［J］. ACM Computing Surveys ， 2018 ， 50 （ 2 ）： 1 - 35 .

DONG W ， YANG Q ， LI W ， et al . Machine-learning-based real-time economic dispatch in islanding microgrids in a cloud-edge computing environment ［J］. IEEE Internet of Things Journal ， 2021 ， 8 （ 17 ）： 13703 - 13711 .

LIU H Z ， SHEN X W ， GUO Q L ， et al . A data-driven approach towards fast economic dispatch in electricity-gas coupled systems based on artificial neural network ［J］. Applied Energy ， 2021 ， 286 ： 116480 .

PARK L ， JANG Y ， CHO S ， et al . Residential demand response for renewable energy resources in smart grid systems ［J］. IEEE Transactions on Industrial Informatics ， 2017 ， 13 （ 6 ）： 3165 - 3173 .

Gurobi ［EB/OL］. ［ 2021-04-26 ］. https：//www.gurobi.com/ https://www.gurobi.com/ .

SANNIGRAHI S ， GHATAK S R ， ACHARJEE P . Multi-scenario based bi-level coordinated planning of active distribution system under uncertain environment ［J］. IEEE Transactions on Industry Applications ， 2020 ， 56 （ 1 ）： 850 - 863 .

CHEN Y Z ， WANG Y S ， KIRSCHEN D ， et al . Model-free renewable scenario generation using generative adversarial networks ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 3 ）： 3265 - 3275 .

YU M M ， HONG S H . Incentive-based demand response considering hierarchical electricity market： a Stackelberg game approach ［J］. Applied Energy ， 2017 ， 203 ： 267 - 279 .

MA K ， YAO T ， YANG J ， et al . Residential power scheduling for demand response in smart grid ［J］. International Journal of Electrical Power & Energy Systems ， 2016 ， 78 ： 320 - 325 .

LU R Z ， HONG S H ， YU M M . Demand response for home energy management using reinforcement learning and artificial neural network ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 6 ）： 6629 - 6639 .

Australian energy market operator ［EB/OL］. ［ 2021-05-27 ］. https：//www.aemo.com.au https://www.aemo.com.au .

National solar radiation database ［DB/OL］. ［ 2021-05-27 ］. https：//nsrdb.nrel.gov https://nsrdb.nrel.gov .

HEATON J T . Introduction to neural networks for Java ［M］. Heaton Research Inc. ， 2008 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Online Reactive Power Optimization Method Based on Data-driven Predictive Control for Distribution Network with Low Situation Awareness

Data-driven Oscillation Mode Prediction Scheme and Resonance Mitigation Analysis

Related Author

CHENG Lilin

LUO Zijie

LI Qun

ZHANG Ningyu

LI Yaran

ZANG Haixiang

HUANG Yu

ZHANG Xiaoxiao

Related Institution

School of Electrical and Power Engineering, Hohai University

Electric Power Research Institute of State Grid Jiangsu Electric Power Co., Ltd.

Institute of Advanced Technology for Carbon Neutrality, Nanjing University of Posts and Telecommunications

NARI Group Corporation (State Grid Electric Power Research Institute)

School of Electrical Engineering, Zhejiang University

⁰