基于物聯網技術的家庭能源管理

李潤婷 李婷婷

摘要：自從物聯網這一觀念的提出，大量有關物聯網的技術應用不斷出現，比如在智能家居、物流等領域得到廣泛應用。該文提出了一種利用數據驅動的方法，來使用屋頂太陽能光伏系統管理智能家居的最佳能耗、儲能系統。與現有的家庭能源管理系統的方法相比，gauge文提出方法的新穎性如下：將數據驅動的方法應用于個人的能源消耗和可控制的家用電器（空調或洗衣機）以及能量存儲系統充放電。結果表明，該方法的應用可以達到節省能源、保護環境的作用。

關鍵詞：物聯網;智能家居;家庭能源管理系統

中圖分類號：TP393 文獻標識碼：A

文章編號：1009-3044（2020）14-0240-02

1引言

隨著物聯網技術的快速發展，智能傳感器和先進技術的出現，電能系統中的通信和控制方法、用電量增加與能源，將用一種可靠和高效的電力運行能源系統。機器學習（ML）是有效處理此類大數據的一項核心技術，并且當前正在開發各種基于機器學習的應用程序來預測太陽能光伏（PV）生成，負荷預測，能源控制和成本優化。這項研究試圖提供一種新穎的基于ML的框架，用于對住宅進行最佳能源管理。

由于家庭能源消耗的增加以及新興的智能電網住宅領域技術的發展，先進的計量基礎設施智能電表和需求響應計劃，家庭能源管理正變得越來越多，此外，作為使用物聯網技術的其他智能家電，包括空調、洗衣機和冰箱在內的設備正被部署以提供更多高級功能為居民服務，開發更智能的系統，即家庭能源管理系統（HEMS），對于居民來說變得十分必要。

2智能家居

智能家居又稱智能住宅，智能家居是在物聯網的影響之下物聯化體現。智能家居通過物聯網技術將家中的各種設備連接到一起，提供家電控制、照明控制、窗簾控制、電話遠程控制、室內外遙控、防盜報警、環境監測、暖通控制、紅外轉發以及可編程定時控制等多種功能和手段。

3家庭能源管理系統

家庭能源管理系統是未來智能電網中住宅能源管理的關鍵解決方案。家庭能源管理系統具有兩個主要功能：（1）使用智能電表監控消費者的實時能源的使用，以及智能插頭等;（2）使家用電器的最佳能耗以降低能耗為目的，在舒適且首選的環境中降低電費。傳統HEMS中的技術是經濟減少負荷和轉移負荷的優化方法。

通常，將HEMS算法表述為一個優化問題，其目的是在滿足平等的同時，功能（消費者的電費和不適成本）被最小化和不平等約束（例如設備和DER的操作以及消費者舒適度設置），與現有的基于模型的HEMS優化方法相比，我們提出了HEMS使用無模型強化學習（RL）的算法。

在本文中，我們提出了一種基于ML的HEMS模型，該模型可管理具有屋頂光伏系統，ESS和智能家電的智能家居。在HEMS模型中，Q學習方法應用于不同家庭的能耗調度電器（空調，洗衣機和ESS），每個電器將用最佳方法連接，以降低家庭的用電成本，提高用戶舒適度和設備使用效率。此外，我們提出了一個人工神經網絡ANN模型以了解室內溫度與建筑能耗之間的關系，使空調更加精確化，以改善空調劑的性能。

與以往基于模型的HEMS優化方法相比，使用ML方法的數據驅動方法的家庭能源管理因其效率更高將會倍受歡迎，因為現有的基于模型的方法僅限于不確定環境下的決策和近似的能源系統模型，從而導致能耗無法規劃。此外，最佳溫度可以利用隨機期望值模型，來確定智能恒溫器的設置時間表。混合式HEMS將ML方法集成到傳統HEMS優化問題中，規劃了供暖、通風和空調的能耗。為了實現可靠的風能管理，采用了混合風速多步預測模型使用人工神經網絡ANN方法結合模式分解技術。通過多目標salp群算法用于提高預測精度和空氣質量預警系統的穩定性，可改善空氣質量和人體健康。

以往的研究僅限于能源用于控制HVAC或僅用于ESS的消耗調度問題，負載可變且可控制的各種家用電器的能耗，但是沒有考慮對住宅儲能系統ESS充放電的控制。住宅儲能系統ESS的生命周期是HEMS問題的重要限制因素，它是以SOE的有限充電和放電循環次數表示ESS。此任務的關鍵部分是確定充放電的適當極限ESS的周期。為此，擬議框架的一個可能方向是增加限制。充電和放電周期導致ESS代理的不滿意成本。這將啟用ESS確定在其范圍內保持充電和放電循環次數的可接受范圍策略。

4制定基于RL和ANN的家庭能源管理

4.1通過Q學習進行家庭能源管理

無模型強化學習（RL）算法是非確定性最優決策ML的主要技術之一。當代理與環境交互時，代理會學習動作的類型取決于環境的狀態，并將學習到的動作發送到環境，然后環境反饋將環境的新狀態反饋給代理商。整個集結過程一直持續到代理最大化，直到從環境中收到總累積反饋為止。策略定義為代理的一種行為方式，是一種特定狀態，而代理的主要目標是確定使策略最大化，使其達到最佳策略反饋。在這項研究中，我們假設環境是由決策過程描述的，其中，代理狀態轉換僅依賴于當前狀態，以及在代理中選擇當前狀態的操作，而不考慮所有過去的狀態和動作。

4.2通過人工神經網絡預測室內溫度

在這項研究中，我們考慮了HEMS計劃AC能耗的情況基于室內和室外溫度以及用戶首選的熱工條件。傳統上，HEMS使用近似方程式來計算當前的室內溫度（以前的室內和當前室外溫度，AC能耗和室內熱量特征）。與上述基于模型的方法相比，室內溫度預測，我們提出了一種基于人工神經網絡ANN的室內預測方法與交流能量消耗相關的溫度。在提出的ANN模型中，了解交流能量消耗的程度影響當前的室內溫度，這意味室內溫度與交流能耗之間的關系如下：擬議的人工神經網絡近似的溫度預測函數被輸入到AC代理的Q學習模塊，該近似模型使AC代理可以更精確地計算成本，并確定最佳能量在Q學習過程中更有效地被安排消耗。

5結論

本文提出了一種基于機器學習的智能家居能源管理強化學習和人工神經網絡算法，提出的算法可以最小化通過兩個可控家用電器（空調和洗衣機）以及儲能系統的充放電，同時保持使用者的舒適度和電器操作特性。洗衣機時間表在使用者優選的操作期內完成洗衣機的能耗。儲能系統計算充電和放電能量，同時防止儲能系統的過度充電和不足充電。室內溫度預測由人工神經網絡構建的模型，空調執行調度滿足使用者的室內空調能耗溫度。仿真結果證明所提出的人工神經網絡的RL方法可以成功實現。此外，我們對所提出的基于RL的HEMS算法的性能與傳統的基于混合整數線性規劃（MILP）的HEMS算法相比，驗證了所提出的方法在設備之間的標準功能中比傳統方法節省了更多的能源。驗證了該算法的性能，并且結果證實了與現有方法相比，使用該方法具有經濟優勢。