基于WPSN的智能電網需求管理與家用設備使用預測機制

崔婷婷, 曹 英, 張飛飛, 高 霞

(1.北京博納電氣股份有限公司,北京 102208; 2.宿州學院數學與統計學院,安徽 宿州 234000)

基于WPSN的智能電網需求管理與家用設備使用預測機制

崔婷婷1, 曹 英1, 張飛飛1, 高 霞2

(1.北京博納電氣股份有限公司,北京 102208; 2.宿州學院數學與統計學院,安徽 宿州 234000)

電力需求管理機制可通過動態定價策略減少各建筑用電高峰時期的用電量。為使此類管理機制更具有可用性與擴展性,本文提出一種方法來預測家用設備的使用以自動獲得電力管理機制的輸入參數。文中通過無線功率計傳感器網絡(Wireless Power meter Sensor Network,WPSN)監控家用設備用電消耗,依據人們使用設備的習慣呈現周期性的特點,每24小時處理一次傳感器提供的數據來預測次日哪種設備將會使用以及開始使用的時間。仿真與實驗驗證了預測設備使用的有效性,預測信息為負載需求管理系統自動輸入參數,避免了用戶復雜的手動設置。

家用設備使用預測; 電力需求管理機制; 無線功率計傳感器網絡

1 引 言

在智能電網中,大量的數據可以提供給用戶,如設備功耗與能源實時價格。這些信息可使居民用戶通過改善使用家庭設備的行為實施節能策略[1]。為促使用戶改變其使用習慣,若干電力需求管理機制已被提出[2-4]。此類機制不僅使用戶節省能源,且有益于提高智能電網本身的效率以減少尖峰時刻的用電量。

文[5-7]研究了動態電價機制下對空調系統進行優化調度最小化用電費用的問題,但沒有考慮空調系統與其余設備以及能源之間的互相影響。文[8]提出的模型基于能源價格與次日的預測數據(如光伏板產能量與之后設備的使用情況),其可實現家用設備第二天自動且最優的調度,最終使用戶消費最少。盡管此模型在通訊與控制性能方面得到了很大改善,但由于仍需要用戶提供一系列設置信息,如一天中設備最可能被使用的時間等,因此減少了系統在大眾市場的可用性與擴展性。基于以上原因,在智能電網架構中,監控家用設備[9]電能消耗的功率計網絡[10]起到了至關重要的作用。功率計提供的數據經過處理可提取出重要的信息為需求管理機制自動獲取輸入參數,為此,需要預測方法來預測用戶次日電能使用的選擇。

文[11]提出兩個算法預測建筑能源消耗,但沒能預測單個設備的使用,因此同樣降低了能源管理系統的適用性。文[12]基于模糊理論了解用戶的選擇來預測用戶需要(如光強、溫度)。文[13]基于神經網絡提出一種不同的方法來控制溫度、光、通風設備與熱水器。對于預測設備使用情況神經網絡是一個好的潛在方法,但在確定最優拓撲與參數方面仍存在很多問題,而且最優神經網絡嚴格依賴于所使用的家庭環境。

本文提出一種方法來預測家用設備的使用,預測過程包括兩部分:一個記錄家用設備使用相關數據(如耗電量)的機制與一種允許從全部數據中提取需求管理系統設置參數的預測算法。文中運用無線功率計傳感器網絡(Wireless Power meter Sensor Network,WPSN)作為監控體系,每個傳感器節點負責監測與其相連接的家用設備。由無線功率計傳感器網絡提供的數據被處理用于預測次日用戶的用電選擇。本文算法提供了兩方面的預測:哪件家用設備將被使用以及在一天中什么時間使用。

2 設備使用預測系統

為減少人與需求管理系統的交互,本文將每一家用設備與一個傳感器節點相連來部署WPSN,且通過傳感器網絡提供的數據預測次日家用設備的使用。為收集家用設備狀態信息,文中采用了加州大學伯克利分校開發的無線傳感器節點(ACme)[9]。ACme節點基于符合IEEE802.15.4標準的CC2420通訊芯片,可測量與其相連設備的交流電使用。由于在所考慮情況下監控的區域相對比較小,傳感器節點不需要互相連接,因此提出了星狀網絡結構,如圖1所示,此外,家用設備監控適合于WPSN多對一的傳輸模式。在所述網絡中,每一ACme直接與具有基站作用的一個Telosb節點相連,Telosb節點在WASN中起著協調作用:其接收由ACme收集來的數據并將信息向前傳輸到一個網關,最終存儲在一個數據庫中。

圖1 功率計傳感器網絡拓撲結構Fig.1 Topology structure of the power meter sensor network

WPSN最終將收集到一組每天家用設備日常功率消耗相關的數據曲線,為獲得日常設備狀態,功率曲線被做如下處理:

(1) 24小時被分割為一分鐘的時間點;

(2) 對于每一時間點,若平均功率消耗高于一個閾值(每一設備在之前校準階段實驗定義的值),則認為此設備狀態為“ON”,否則,為“OFF”。

圖2為設備功耗與狀態曲線的一個示例。

預測算法將處理之前N天的日常狀態曲線,以最終預測次日的設備相關信息:

(1) 哪些設備將被使用:狀態預測;

發病時，全池潑灑阿維菌素或伊維菌素，嚴重時，可以隔天再潑灑1次。用硫酸銅也有療效，但是硫酸銅藥效受水體環境影響較大，加之其安全濃度范圍較小，在生產中不推薦使用。

(2) 在一天中什么時間使用:時間預測。

運用這些信息可自動設置需求管理系統的參數。但若在前N天沒有獲取到設備狀態、開始時間、持續時間足夠的信息,系統則不能預測出設備的使用情況。

圖2 電腦顯示器的日常功耗與狀態曲線Fig.2 Daily power consumption and state profiles of a computer monitor

以下參考一類家用電器詳細描述二種預測步驟。在此運用的基本概念為人們使用設備的習慣呈現周期性。因此,在對過去收集的數據進行處理時,行為周期被提取并用于預測之后設備如何被使用。

2.1 狀態預測

定義N個元素的字符串“Z”為日常狀態描述,每一元素對應監控周期中的一天。若設備在第i天被使用,字符串的第i個元素值為1,否則為0。狀態預測算法的目的是預測在監控周期N天后的時間里設備是否將被使用。為此,運用以下方法計算在字符串“Z”后的元素為1或0的概率,具體如下:

(1) 另一長度為m(1≤m

(2) 數出“P”、“P+1”與“P+0”在字符串“Z”中出現的次數n,序列“P”之后1或0發生的概率計算如下:

(1)

(2)

若P=“0”,則P+1=“01”,P+0=“00”。

若P=“1”,則P+1=“11”,P+0=“10”。

從定性的角度來看,當算法停止意味著在訓練期間“預測序列”之后的時間(稱為“臨界日”)設備總會被使用(或不被使用),以至于同樣的行為在將來很可能會發生。表1為所提出算法的示例,當m=2時算法停止,預測設備在次日會被使用。

若預測到設備不會被使用,預測系統停止,否則將進行時間預測。

表1 N=9,訓練周期字符串Z=“100100100”的狀態預測

2.2 時間預測

時間預測主要預測設備使用的次數以及在一天中使用的確切時間。為此,時間預測僅依據狀態預測中找出的“臨界日”,如表1中所示,字符串Z=“100100100”的第1位、第4位和第7位均為“1”，表示第1天、第4天、第7天為“臨界日”,而不是所有的訓練日。對于其中任何一天,選擇其相應的狀態曲線,且通過增加一個參數為δ分鐘(實驗設計為30)的正態函數設計臨界曲線,正態函數表示設備在一天中給定時間被開啟的概率,如圖3所示。

為預測設備使用的時間,所有樣本臨界曲線對應概率進行相加,所得曲線的尖峰時刻代表設備次日被使用的預測時間。圖4為表1示例中相對應的時間預測。

圖3 日常狀態曲線與臨界曲線Fig.3 Daily state profiles and critical profiles

3 仿真與分析

為驗證算法性能,本文進行了仿真與實驗測試。仿真用于定義系統參數以及測試算法基于大數據集的性能,由于大數據集在真實環境中需要長時間來收集,因此幾乎不能實現大數據的實驗測試。

仿真考慮時長為一年以及設備為:烤箱、空調與洗碗機。每一設備對應的一系列功耗與狀態曲線已被提供。由于用戶使用設備習慣會在一年中有所改變,如冬天與秋天的時候不會使用空調,因此,為使仿真更接近用戶使用設備真實情況,數據中引入一些隨機變化與異常。測試結果如表2、表3所示。

從表2結果中可看出,N值越小,算法在預測次日設備使用情況的準確度越小。增加訓練周期時間使得預測系統變得越來越精確,且當N大于28時,準確率沒有大幅度的增加。因此,在實驗測試中設定N=28。時間預測結果如表3所示,除烤箱的時間預測之外,其余都體現了系統良好的準確度。在仿真中,我們假設用戶在周末比在工作日晚兩小時使用設備,因此烤箱開始使用的預測時間并不能說明系統差的性能。

圖4 設備時間預測Fig.4 Equipment time and duration prediction

為測試系統在真實使用情況下的性能,本文也進行一系列實驗測試。為此,我們部署了WPSN,此網絡用于監控一間45平米一人居住的房屋中四種設備(烤箱、電視機、熱水器與電腦)的功率消耗。數據收集時長為45天,實驗數據如表4所示。

表2 不同訓練周期狀態預測的正確率

表3 設備開始時間的預測誤差(單位:minute)

表4 實驗測試狀態、開始時間預測性能

如表4所示,實驗測試與仿真一樣證實了系統的性能。本文算法時設備狀態預測的精確度更高,而對設備開始使用的時間預測準確度略有下降,這也正反應了用戶習慣并不能完全被預測。但是,由于需求管理機制并不需要完全準確的預測家用設備的使用情況,因此實驗中的預測誤差并不影響到需求管理機制。

4 結 論

本文提出一種方法來預測家用設備使用,WPSN用于自動獲取設備功耗信息。為預測次日哪個設備會被使用以及什么時候使用,傳感器提供的數據每24小時進行一次處理。基于上述預測,電力需求管理機制可自動設置一些參數,提高了此類機制的可用性。

為驗證所提出的預測方法,文中通過實驗驗證了預測設備使用的有效性。同時,進行了一系列仿真來定義系統參數以及測試的算法。實驗結果表明了解決方法的有效性。

[1] Stern P C.Information,incentives,and proenvironmental consumer behavior[J].Journal of Consumer Policy,1999,22(4):461-478.

[2] 張延宇,曾鵬,臧傳治.智能電網環境下家庭能源管理系統優化調度算法[J].電力系統保護與控制,2016(2):18-26. ZHANG Yanyu,ZENG Peng,ZANG Chuanzhi.A scheduling algorithm for home energy management system in smart grid[J].Power System Protection and Control,2016(2):18-26.

[3] 代業明,高巖.基于智能電網需求側管理的多零售商實時定價策略[J].中國電機工程學報,2014,34(25):4244-4249.

DAI Yeming,GAO Yan.Real-time Pricing Strategy With Multi-retailers Based on Demand-side Management for the Smart Grid[J].Proceedings of the CSEE,2014,34(25):4244-4249.

[4] Leonard J M,Decker C S.Determinants of voluntary electricity demand management program participation[J].Utilities Policy,2012,20(1):17-21.

[5] Molina D,Lu C,Sherman V,et al.Model predictive and genetic algorithm-based optimization of residential temperature control in the presence of time-varying electricity prices[J].IEEE Transactions on Industry Applications,2013,49(3):1137-1145.

[6] 張延宇,曾鵬,李忠文,等. 智能電網環境下空調系統多目標優化控制算法[J].電網技術,2014,38(7):1819-1826.

ZHANG Yanyu,ZENG Peng,LI Zhongwen,et al.A Multi-Objective Optimal Control Algorithm for Air Conditioning System in Smart Grid[J].Power System Technology,2014,38(7):1819-1826.

[7] Thomas A G,Jahangiri P,Wu D,et al.Intelligent residential air-conditioning system with smart-grid functionality[J].IEEE Transactions on Smart Grid,2012,3(4):2240-2251.

[8] Hatima S,Pedram M.Minimizing the electricity bill of cooperative users under a quasi-dynamic pricing model[C]∥2010 First IEEE International Conference on Smart Grid Communications (SmartGridComm),Gaithersburg MD,2010:421-426.

[9] Jiang X,Dawson-Haggerty S,Dutta P,et al.Design and implementation of a high-fidelity AC metering network[C]∥Proc. of Information Processing in Sensor Networks,San Francisco,California,USA,2009:253-264.

[10] Bressan N,Bazzaco L,Bui N,et al.The deployment of a smart monitoring system using wireless sensor and actuator networks[C]∥2010 First IEEE International Conference on IEEE Smart Grid Communications (SmartGridComm),Gaithersburg MD,2010:49-54.[11] Newsham G R,Birt B J.Building-level occupancy data to improve ARIMA-based electricity use forecasts[C]∥ACM Workshop on Embedded Sensing Systems for Energy-Efficiency in Building,New York,USA,2010:13-18.

[12] Hagras H,Callaghan V,Colley M,et al.Creating an ambient-intelligence environment using embedded agents[J].IEEE Intelligent Systems,2004,19(6):12-20.

[13] Mozer M C.The Neural Network House:An environment that adapts to its inhabitants[C]∥Proceedings of the Aaai Spring Symposium on Intelligent Environments,Menlo Park CA,1998:110-114.

崔婷婷 女(1991-),內蒙古烏蘭察布人,碩士生,主要研究方向為智能電網、儀器儀表。

曹 英 女(1976-),黑龍江省哈爾濱市人,工程師,主要研究方向儀器儀表電磁兼容。

The Household Devices Usage Prediction Mechanisms for ElectricityDemand Management Based on WPSN in the Smart Grid

CUITingting1,CAOYing1,ZHANGFeifei1,GAOXia2

(1.Beijing Banner Electric Company Limited,Beijing 102208,China;2.School of Mathematics and Statistics,Suzhou University,Suzhou 234000,China)

Electricity demand management mechanisms can reduce buildings power demand at peak hours,by means of dynamic pricing strategies.In order to make these kinds of mechanisms more usable,this paper proposed a method for predicting the usage of household appliances to automatically provide inputs to electricity management mechanism.In our architecture we use a wireless power meter sensor network (WPSN) to monitor home appliances consumption.Based on the characteristics of people habits in using a device being nearly periodic,data provided by sensors are then processed every 24 hours to forecast which device will be used on the next day,at what time and for how long.The simulation and experimental test validate the effectiveness in predicting devices usage,and this information provides the input parameters required by load demand management systems,hence avoiding complex manual setting by the user.

household appliances usage prediction; electricity demand management mechanisms; WPSN

宿州學院2015年大學生創新創業計劃項目(201510379083)

TM 715

A