可控家用电器负荷优化模型及用电策略研究

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (24): 246-250.

可控家用电器负荷优化模型及用电策略研究

张晓芳1，谢俊2

1.苏州健雄职业技术学院电气工程学院，江苏太仓 215411
2.南京邮电大学自动化学院，南京 210003

出版日期:2016-12-15 发布日期:2016-12-20

Research on optimization model and power strategy of controllable household appliances’ loads

ZHANG Xiaofang1, XIE Jun2

1.School of Electrical Engineering, Suzhou Chien-shiung Institute of Technology, Taicang, Jiangsu 215411, China
2.College of Automation, Nanjing University of Posts and Telecommunications, Nanjing 210003, China

Online:2016-12-15 Published:2016-12-20

摘要/Abstract

摘要： 在家庭智能用电系统下，以经济性和舒适性为目标，构建了电动汽车、空调、热水器的优化用电模型。并使用基于Q学习的粒子群算法求解优化模型，阐述家用电器的智能用电策略。以空调负荷为例，采用优化模型和算法后，经仿真实验，满足温度控制要求，且费用最少，收敛速度快，有效减少了空调负荷的用电量，削减电费的同时又保证用户的舒适度。

关键词: 家用电器, 优化模型, 粒子群算法, Q学习算法, 家庭智能用电系统

Abstract: The optimization model of electric vehicle, air conditioner, water-heater is instituted based on the household intelligent power utilization system, with the goal of economy and comfort. The particle swarm optimization based on Q-learning is used to solve the optimization model, so the intelligent power strategy of household electric appliances is solved. With the optimization model and the algorithm of air conditioner, and through the simulation experiment, the room temperature is controlled, the cost is least and the convergence rate is fast, so the electricity consumption of air conditioner load is reduced and the comfort of the consumer is guaranteed.

Key words: household appliances, optimization model, particle swarm optimization, Q-learning algorithm, household intelligent power utilization system

张晓芳1，谢俊2. 可控家用电器负荷优化模型及用电策略研究[J]. 计算机工程与应用, 2016, 52(24): 246-250.

ZHANG Xiaofang1, XIE Jun2. Research on optimization model and power strategy of controllable household appliances’ loads[J]. Computer Engineering and Applications, 2016, 52(24): 246-250.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[3]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[4]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[5]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[6]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[7]	杨薛钰，陈建平，傅启明，陆悠，吴宏杰. 基于随机方差减小方法的DDPG算法[J]. 计算机工程与应用, 2021, 57(19): 104-111.
[8]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[9]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[10]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[11]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[12]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[13]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[14]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[15]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.