通过综合方法实现储能系统与电动汽车在家庭能源管理中的整合,并充分利用电网容量
《Journal of Energy Storage》:Energy storage system and electric vehicle integration in home energy management with grid capacity through combined approach
【字体:
大
中
小
】
时间:2025年12月05日
来源:Journal of Energy Storage 10.7
编辑推荐:
穆罕默德·阿卜杜勒·拉希姆|阿尔沙德·穆罕默德|G. 赛拉贾|莫哈姆德·哈沙姆·阿里|卡马尔·苏丹娜|阿斯玛·苏丹娜
印度海得拉巴班贾拉山3号路蒙特普莱森特8-2-249至267号,穆法卡姆贾赫工程与技术学院电气与计算机工程系,邮编500034
摘要
智能家居在能源
穆罕默德·阿卜杜勒·拉希姆|阿尔沙德·穆罕默德|G. 赛拉贾|莫哈姆德·哈沙姆·阿里|卡马尔·苏丹娜|阿斯玛·苏丹娜
印度海得拉巴班贾拉山3号路蒙特普莱森特8-2-249至267号,穆法卡姆贾赫工程与技术学院电气与计算机工程系,邮编500034
摘要
智能家居在能源管理中发挥着重要作用,可通过优化能耗、降低成本以及提升电网效率来发挥作用。然而,如何整合储能装置和可再生能源、管理多种家电设备,同时在不影响使用便捷性的前提下实现高效的需求响应,依然是亟待解决的难题。本文提出了一种新的智能家居能源管理方法, specifically利用电动汽车和储能系统。该方法结合了“冠豪猪优化器”与“对称保持双流图神经网络”,称为CPO-SDGNN。其目标在于降低系统成本、提高峰均比,并提升用户满意度。其中,冠豪猪优化器用于优化智能家居系统中各类家电的调度,而对称保持双流图神经网络则用于预测家电的能耗及最优用电成本。该系统通过MATLAB模型构建,并与现有方法进行了对比测试。实验结果表明,所提出的系统在性能上优于改进的差分进化算法、多层迭代随机动态规划算法以及人工神经网络等传统方法。该CPO-SDGNN方法的系统成本为445.64美分,峰均比为3.2,能耗为110千瓦时,显著优于现有方法,从而实现了更高效的能源管理、更低的电费支出以及更高的用户满意度。
引言
智能电网环境中的重要组成部分之一就是智能家居能源管理,它能够协助居民合理分配负荷,从而降低电费[1,2],同时还能灵活应对本地及远端的可再生能源接入需求。除了传统的家用设备外,一个经济实惠且高效的家庭能源管理系统还应考虑诸如储能系统和电动汽车之类的现代设备。借助这些新设备,家庭能源管理系统有望进一步降低费用、缓解高峰负荷,并有效应对可再生能源发电过程中的各种不确定性[3,4]。不过,这些设备也带来了一些挑战。例如,若电动汽车的充放电行为缺乏管理,就可能导致高峰负荷增加、设备过载,甚至损害附近的输电线路[5,6]。因此,由家庭能源管理系统智能调控的储能系统和电动汽车充放电策略对于智能家居的正常运行至关重要。随着智能家居逐渐成为智能调度家电的主要趋势,人们对其给予了极大关注。为降低运营成本,本文提出了一种复杂度较低的家居能源管理系统方法,该系统支持对家电进行调度并实现实时控制。与此同时,为了减少能源浪费、避免高峰负荷以及降低对化石燃料的依赖,人们也在不断改进可再生能源和储能技术。
在相关文献中,已有许多研究探讨了涉及储能系统和电动汽车的智能家居能源管理方法及技术。以下是对其中部分研究的综述:
加塞米等人[7]采用多目标差分进化算法,协调光伏系统、插电式混合动力汽车以及储能系统,旨在最小化总能源成本、峰均比以及光伏能量浪费,从而优化家庭能源管理系统。该方法有助于降低能源成本,同时最大化在高电价时段对光伏能源的利用与销售。不过,该研究并未提及计算复杂度和可扩展性等潜在局限。
阿尔乔哈尼等人[8]进一步开发了多层迭代随机动态规划框架,用于包含电动汽车的智能家居能源管理与优化。该框架能够考虑能源成本的动态变化以及家庭负荷的波动,从而优化电动汽车在不同时间段的充放电行为,以降低成本并延长设备使用时间。但该方法的缺点是计算复杂度较高,且需要精确的输入数据才能有效运行。
阿弗鲁谢等人[9]设计了一种智能家居能源管理系统,该系统通过结合强化学习与约束生成算法,在考虑用户舒适度限制的前提下优化家电的能耗。他们利用人工神经网络预测室内温度,再通过约束协调博弈技术来调整家电的运行计划以及储能系统的充放电行为。由于能够实现精准的温度预测,该方法提升了居住舒适度、降低了能耗成本,并提高了能源利用效率。但其缺点也是计算复杂度较高,且依赖于精确的传感器数据。
蔡等人[10]提出了一种基于模型预测控制的强化学习框架,用于管理配备有热泵、热水箱、光伏阵列及电池储能系统的家庭的能源消耗。该系统通过将多余的电能反馈到电网,以及将能源使用时间从高峰时段转移到非高峰时段,来实现节能目标。此外,该系统还能应对室外温度、光伏发电量以及家庭用户需求等方面的不确定性,其实现依赖于基于梯度Q学习的延迟确定性演员-评论家算法的参数化模型预测控制。总体而言,该方法提升了能源成本节约效果、可再生能源的利用率以及决策的适应性,但其缺点仍是计算复杂度较高,且需要对各项参数进行精确建模。
罗科努扎曼等人[11]提出了一种基于互联网的家庭能源管理系统,该系统可与太阳能光伏系统结合使用,并借助莱文伯格-马夸特算法来满足居民的能源需求。该系统能够更好地控制能源消耗、降低能源成本、提升居民舒适度,同时也能有效管理可再生能源。不过,它同样存在一些局限性,比如依赖于精确的输入数据,且相比简单的人工智能算法,其计算复杂度可能更高。
萨蒂安等人[12]设计了一种由光伏系统供电的电动汽车充电站,该充电站配备了由人工神经网络驱动的能源管理系统,能够实现车辆向电网反向供电的功能,并为电池提供支持。该系统可以通过智能调度对充电站电池及停放在站内的电动汽车进行充放电操作。不过,该方法依赖于精确的实时数据,且由于需要训练人工神经网络,因此计算复杂度较高。
拉兹甘迪等人[13]提出了一种基于变分自编码器与生成对抗网络组合的方法,用于为家庭能源管理系统生成模拟的居民能源消耗时间序列数据。该方法有助于对家庭能源管理系统进行更多测试和训练,从而提升新系统的设计质量与评估水平。不过,它的性能取决于变分自编码器与生成对抗网络训练数据的质量,且模型训练和数据生成需要大量的计算资源。表1总结了上述相关研究的要点。
近年来,随着智能家电、可再生能源、储能系统以及电动汽车的逐步整合,家庭能源管理系统取得了显著进展。虽然这些方法提升了能源效率并降低了成本,但仍存在一些局限性。诸如改进的差分进化算法之类的多目标优化技术虽然能够有效平衡成本、峰均比以及光伏能量浪费问题,但其计算复杂度往往较高,且依赖于精确的预测数据。多层迭代随机动态规划框架虽能优化电动汽车的充放电计划并提供实时决策支持,但它也需要精确的能源消耗模型,而这类模型并非在所有情况下都可用。强化学习与约束生成技术虽然有助于更好地控制室内温度并安排家电运行,但其复杂的训练过程以及较长的收敛时间也构成了限制。尽管如此,那些利用热惯性与电池储能特性的基于模型预测控制的强化学习方法,仍能在降低能源成本和提升可再生能源利用效率方面发挥重要作用。基于莱文伯格-马夸特算法的互联网家庭能源管理系统虽然能够实现可再生能源的有序协调,但它需要大量的历史数据,且在动态环境下可能表现不佳。而为带有电池备份及车辆向电网反向供电功能的光伏驱动电动汽车充电站设计的基于人工神经网络的能源管理系统,虽然能够降低对电网的依赖并减少能源成本,但它同样高度依赖于精确的实时数据。正是这些缺陷促使了本文的研究工作。
本文的创新之处在于采用了冠豪猪优化器与对称保持双流图神经网络相结合的家庭能源管理系统。冠豪猪优化器能够综合考虑动态电价及可用能源资源,优化家电的调度方案;而对称保持双流图神经网络则可以预测能源消耗模式并预报电价走势。该方法的最终目标是降低成本、提升效率,同时加强能源储存与电动汽车的整合应用,进而提升整个系统的可持续性及成本效益。
• 所提出的CPO-SDGNN算法能够优化智能家居能源管理系统中的成本与峰均比;其优势在于能够高效地优化能源资源分配,并精准预测能源需求。
• 该算法能够在考虑动态电价及能源资源可用性的前提下,实现家电的高效调度。
• 其主要优点在于能够最小化系统成本、最大化峰均比,并提升用户满意度。
• 与改进的差分进化算法、多层迭代随机动态规划算法以及人工神经网络相比,该算法性能更优,且通过MATLAB实现后,能够有效降低智能家居能源管理系统的成本并提升峰均比。
本文的其余结构如下:第二部分介绍了考虑储能系统与电动汽车整合的智能家居能源管理系统的架构;第三部分阐述了所提出的CPO-SDGNN方法;第四部分给出了研究结果与讨论;第五部分则对全文进行了总结。
智能家居能源管理系统的架构
图1展示了综合考虑电动汽车与储能系统后的光伏集成型智能家居能源管理系统的架构。该系统中整合了屋顶光伏发电系统、储能系统、电动汽车、各类家用电器、家庭能源管理系统、电力供应商以及具备双向计量与通信功能的智能电表。其中,电动汽车可通过“车辆向家庭”模式为家庭供电,而储能系统则可通过“储能系统向家庭”模式为家庭提供能源支持。此外,为了更高效地安排调度任务,各类家用电器被分为三类。第一类为EA类电器,包括……
基于CPO-SDGNN的智能家居能源管理与电动汽车整合系统
在本文中,我们提出了一种基于冠豪猪优化器与对称保持双流图神经网络的智能家居能源管理系统,该系统可用于整合储能系统与电动汽车。其中,冠豪猪优化器用于优化智能家居系统中储能系统与电动汽车的配置及运行性能;而对称保持双流图神经网络则基于智能家居各组件之间的数据交互关系,用于预测能源消耗情况以及未来的能源需求。下文将对所提出的方法进行详细说明。
结果与讨论
本部分将通过仿真结果展示所提出方法的实际效果。该方法的总体目标在于降低系统成本、最大化峰均比,并提升用户满意度。所采用的混合优化技术即为CPO-SDGNN。光伏数据来源于欧洲输电系统运营商网络[21],而各类家用电器的参数及系统参数则参考自[22]。该方法的实现基于MATLAB模型,并通过相关测试进行了性能评估。
结论
综上所述,本研究针对智能家居中高效的能源管理这一关键问题展开了探索,特别考虑了储能系统与电动汽车的作用。所提出的CPO-SDGNN方法为优化家电调度、降低系统成本、最大化峰均比以及提升用户满意度提供了一种高效且准确的解决方案。通过结合冠豪猪优化器实现调度功能,以及对称保持双流图神经网络实现能源消耗预测与最优电价制定,该方法展现了出色的性能。
作者贡献说明
穆罕默德·阿卜杜勒·拉希姆:负责项目指导工作。阿尔沙德·穆罕默德:负责撰写初稿。G. 赛拉贾:负责项目指导工作。莫哈姆德·哈沙姆·阿里:负责项目指导工作。卡马尔·苏丹娜:负责项目指导工作。阿斯玛·苏丹娜:负责项目指导工作。
出版许可声明
无需特殊许可。
伦理审批与参与同意声明
本文未涉及任何由作者参与的人类受试者相关研究。
人类与动物伦理声明
无需相关声明。
资金支持声明
本研究未获得公共部门、商业机构或非营利组织提供的任何资助。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢声明
无需致谢。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号