基于物联网技术的家庭能源管理
来源:用户上传
作者:李润婷 李婷婷
摘要：自从物联网这一观念的提出，大量有关物联网的技术应用不断出现，比如在智能家居、物流等领域得到广泛应用。该文提出了一种利用数据驱动的方法，来使用屋顶太阳能光伏系统管理智能家居的最佳能耗、储能系统。与现有的家庭能源管理系统的方法相比，gauge文提出方法的新颖性如下：将数据驱动的方法应用于个人的能源消耗和可控制的家用电器（空调或洗衣机）以及能量存储系统充放电。结果表明，该方法的应用可以达到节省能源、保护环境的作用。
关键词：物联网;智能家居;家庭能源管理系统
中图分类号：TP393 文献标识码：A
文章编号：1009-3044（2020）14-0240-02
1引言
随着物联网技术的快速发展，智能传感器和先进技术的出现，电能系统中的通信和控制方法、用电量增加与能源，将用一种可靠和高效的电力运行能源系统。机器学习（ML）是有效处理此类大数据的一项核心技术，并且当前正在开发各种基于机器学习的应用程序来预测太阳能光伏（PV）生成，负荷预测，能源控制和成本优化。这项研究试图提供一种新颖的基于ML的框架，用于对住宅进行最佳能源管理。
由于家庭能源消耗的增加以及新兴的智能电网住宅领域技术的发展，先进的计量基础设施智能电表和需求响应计划，家庭能源管理正变得越来越多，此外，作为使用物联网技术的其他智能家电，包括空调、洗衣机和冰箱在内的设备正被部署以提供更多高级功能为居民服务，开发更智能的系统，即家庭能源管理系统（HEMS），对于居民来说变得十分必要。
2智能家居
智能家居又称智能住宅，智能家居是在物联网的影响之下物联化体现。智能家居通过物联网技术将家中的各种设备连接到一起，提供家电控制、照明控制、窗帘控制、电话远程控制、室内外遥控、防盗报警、环境监测、暖通控制、红外转发以及可编程定时控制等多种功能和手段。
3家庭能源管理系统
家庭能源管理系统是未来智能电网中住宅能源管理的关键解决方案。家庭能源管理系统具有两个主要功能：（1）使用智能电表监控消费者的实时能源的使用，以及智能插头等;（2）使家用电器的最佳能耗以降低能耗为目的，在舒适且首选的环境中降低电费。传统HEMS中的技术是经济减少负荷和转移负荷的优化方法。
通常，将HEMS算法表述为一个优化问题，其目的是在满足平等的同时，功能（消费者的电费和不适成本）被最小化和不平等约束（例如设备和DER的操作以及消费者舒适度设置），与现有的基于模型的HEMS优化方法相比，我们提出了HEMS使用无模型强化学习（RL）的算法。
在本文中，我们提出了一种基于ML的HEMS模型，该模型可管理具有屋顶光伏系统，ESS和智能家电的智能家居。在HEMS模型中，Q学习方法应用于不同家庭的能耗调度电器（空调，洗衣机和ESS），每个电器将用最佳方法连接，以降低家庭的用电成本，提高用户舒适度和设备使用效率。此外，我们提出了一个人工神经网络ANN模型以了解室内温度与建筑能耗之间的关系，使空调更加精确化，以改善空调剂的性能。
与以往基于模型的HEMS优化方法相比，使用ML方法的数据驱动方法的家庭能源管理因其效率更高将会倍受欢迎，因为现有的基于模型的方法仅限于不确定环境下的决策和近似的能源系统模型，从而导致能耗无法规划。此外，最佳温度可以利用随机期望值模型，来确定智能恒温器的设置时间表。混合式HEMS将ML方法集成到传统HEMS优化问题中，规划了供暖、通风和空调的能耗。为了实现可靠的风能管理，采用了混合风速多步预测模型使用人工神经网络ANN方法结合模式分解技术。通过多目标salp群算法用于提高预测精度和空气质量预警系统的稳定性，可改善空气质量和人体健康。
以往的研究仅限于能源用于控制HVAC或仅用于ESS的消耗调度问题，负载可变且可控制的各种家用电器的能耗，但是没有考虑对住宅储能系统ESS充放电的控制。住宅储能系统ESS的生命周期是HEMS问题的重要限制因素，它是以SOE的有限充电和放电循环次数表示ESS。此任务的关键部分是确定充放电的适当极限ESS的周期。为此，拟议框架的一个可能方向是增加限制。充电和放电周期导致ESS代理的不满意成本。这将启用ESS确定在其范围内保持充电和放电循环次数的可接受范围策略。
4制定基于RL和ANN的家庭能源管理
4.1通过Q学习进行家庭能源管理
无模型强化学习（RL）算法是非确定性最优决策ML的主要技术之一。当代理与环境交互时，代理会学习动作的类型取决于环境的状态，并将学习到的动作发送到环境，然后环境反馈将环境的新状态反馈给代理商。整个集结过程一直持续到代理最大化，直到从环境中收到总累积反馈为止。策略定义为代理的一种行为方式，是一种特定状态，而代理的主要目标是确定使策略最大化，使其达到最佳策略反馈。在这项研究中，我们假设环境是由决策过程描述的，其中，代理状态转换仅依赖于当前状态，以及在代理中选择当前状态的操作，而不考虑所有过去的状态和动作。
4.2通过人工神经网络预测室内温度
在这项研究中，我们考虑了HEMS计划AC能耗的情况基于室内和室外温度以及用户首选的热工条件。传统上，HEMS使用近似方程式来计算当前的室内温度（以前的室内和当前室外温度，AC能耗和室内热量特征）。与上述基于模型的方法相比，室内温度预测，我们提出了一种基于人工神经网络ANN的室内预测方法与交流能量消耗相关的温度。在提出的ANN模型中，了解交流能量消耗的程度影响当前的室内温度，这意味室内温度与交流能耗之间的关系如下：拟议的人工神经网络近似的温度预测函数被输入到AC代理的Q学习模块，该近似模型使AC代理可以更精确地计算成本，并确定最佳能量在Q学习过程中更有效地被安排消耗。
5结论
本文提出了一种基于机器学习的智能家居能源管理强化学习和人工神经网络算法，提出的算法可以最小化通过两个可控家用电器（空调和洗衣机）以及储能系统的充放电，同时保持使用者的舒适度和电器操作特性。洗衣机时间表在使用者优选的操作期内完成洗衣机的能耗。储能系统计算充电和放电能量，同时防止储能系统的过度充电和不足充电。室内温度预测由人工神经网络构建的模型，空调执行调度满足使用者的室内空调能耗温度。仿真结果證明所提出的人工神经网络的RL方法可以成功实现。此外，我们对所提出的基于RL的HEMS算法的性能与传统的基于混合整数线性规划（MILP）的HEMS算法相比，验证了所提出的方法在设备之间的标准功能中比传统方法节省了更多的能源。验证了该算法的性能，并且结果证实了与现有方法相比，使用该方法具有经济优势。
转载注明来源:https://www.xzbu.com/8/view-15267094.htm
