运用SBOA-QCGNN方法优化含可再生能源的智能电网中的需求侧管理

《International Journal of Hydrogen Energy》：Optimizing demand-side management in smart grid with renewable energy sources using SBOA-QCGNN approach

　　

Byeon Haewon|M.S.Sivagama Sundari

韩国技术教育大学D-Health实验室工作关怀部门，韩国

摘要

智能电网改变了当前的能源市场，让用户能够参与需求响应计划，但由于用户认知度较低，这一举措难以推广。本文提出的方法结合了SBOA和QCGNN，称为SBOA-QCGNN技术。该技术的目标在于降低碳排放、减少电费支出以及缩小负荷波动幅度。SBOA用于优化消费者的能源消耗，而QCGNN则用于预测可再生能源的发电量。通过MATLAB平台对所提技术进行了评估，并与现有的PSO、GWO和GA等算法进行了比较。结果表明，所提技术相比现有方法具有更优的性能：成本为10美元，碳排放减少10.5%，PAR值为3.04，计算时间为1.41秒，表现优于传统方法。这一方案为提升经济和环境可持续性提供了解决方案，有助于实现高效的能源管理。

引言

在工业、城乡地区、环境领域以及信息通信技术领域，智能电网作为推动绿色能源发展的关键力量发挥着重要作用[1]。传统的电力网络无法有效应对当今面临的分布式发电、需求侧管理以及可再生能源整合等挑战。因此，智能电网通过将传统电力系统与信息通信技术相结合，实现了电力公司与用户之间的双向互动[2]，同时还涵盖了可再生能源、储能系统、智能电表、分布式存储装置以及各种传感器[3]。此外，它还促进了Prosumer模式的发展，通过需求响应机制实现各方协作，鼓励用户参与节能行动[4]。然而，从电网本身以及可再生能源的角度来看，要将可再生能源高效地整合到智能电网中仍存在诸多障碍[5]。由于天气状况的变化，可再生能源方很难应对其发电量的间歇性特征[6]。

在需求侧管理方面，将可再生能源整合到智能电网中也面临诸多挑战。由于担心可靠性问题以及发电量波动可能打乱日常生活，许多用户不愿采用可再生能源。Kumar等人[7]指出，实时需求侧管理在应对动态需求和变化不定的可再生能源发电量时也存在困难，这可能会影响用户的舒适度。另外[8]认为，缺乏明确的激励措施以及人们对需求侧管理长期益处的认识不足，也是阻碍人们参与的缘由。要克服这些障碍，就需要建立用户信任，提供针对性的激励措施，同时提升系统的功能，从而实现可再生能源与实时运营的无缝整合。

对近年来基于优化的需求侧管理和需求响应相关研究的综述表明，现有方法的效率受到诸多因素的限制，比如计算复杂度高、容易陷入局部最优解、可再生能源预测与负荷调度之间的协调性较差，以及对可再生能源发电不确定性的处理能力有限。许多研究者试图通过PSO、GWO和GA等方法来解决这些问题。基于PSO的元启发式算法在优化社会福利方面效果不错，但存在计算负担重且对可变可再生能源输出适应性较差的问题。GWO方法有助于实现需求侧管理目标的优化，但在大规模应用以及应对负荷和可再生能源发电的不确定性方面存在困难。GA方法则有助于实现智能能源共享和设备调度，但它容易陷入局部最优解，而且往往忽视动态价格变化和可再生能源的间歇性特征。在现有文献中，只有少数研究致力于开发既具备高计算效率、可扩展性，又能在不确定环境下将可再生能源预测与自适应负荷调度相结合的框架。正是这些局限性促使本研究致力于设计一种更为集成化和自适应的优化框架，以便在包含可再生能源的微电网中实现高效、可靠且实用的能量管理和需求响应。

所提出的SBOA-QCGNN框架的创新之处在于其预测引导型优化机制——QCGNN能够准确预测动态电网条件下的可再生能源供应情况，而SBOA则利用这些预测结果来优化消费者的能源使用方式，从而实现降低电费、减少碳排放、降低峰值负荷、提高可再生能源利用率以及提升用户舒适度等需求侧管理目标，因此它提供了一种超越传统优化和预测方法的、更为统一、自适应且智能的能源管理解决方案。

本文的主要贡献如下：

• •
  提出了一种将可再生能源预测与需求侧能源管理相结合的统一SBOA-QCGNN框架，用于智能电网的运行。
• •
  设计了一种预测引导型控制机制，其中QCGNN负责可再生能源的预测，而SBOA则根据预测到的能源供应情况来优化灵活负荷的调度。
• •
  构建了一种多目标需求侧管理优化策略，能够在单一框架内同时考虑成本、碳排放减少、峰值负荷管理、可再生能源利用率以及用户需求满足度等问题。
• •
  采用了受量子原理启发的基于图的学习结构，用于捕捉动态电网条件下可再生能源发电与负荷行为之间的非线性依赖关系和空间相关性。
• •
  建立了一种适合智能电网及多微电网能源管理应用的可扩展框架结构，具备协同预测和决策功能。

本文的结构安排如下：第二部分为文献综述，第三部分介绍包含可再生能源的智能电网中的需求侧管理配置，第四部分阐述所提出的SBOA-QCGNN框架，第五部分对实验结果进行分析与讨论，第六部分对全文进行总结。

章节节选

文献综述

已有许多关于包含可再生能源的智能电网中需求侧管理的研究成果，此处将对其中一些内容进行综述。

包含可再生能源的智能电网中的需求侧管理配置

如图1所示，包含可再生能源的智能电网中的需求侧管理系统由多种可再生能源组成，比如光伏板、风力发电机以及微型热电联产系统，这些设备都通过逆变器将产生的电能转换为适合接入电网的形式。能源管理控制器会收集智能家电的功率参数、用户偏好、室内环境状况、本地可再生能源情况以及能源存储系统的相关数据，之后再将生成的电能进行分配。

基于智能电网需求侧管理的所提出的SBOA-QCGNN方法

本文提出了一种名为SBOA-QCGNN的混合方法，旨在降低用电成本、减少碳排放并缩小负荷波动幅度。该方法结合了SBOA用于优化能源消耗行为，以及QCGNN用于预测可再生能源的发电量。SBOA能够有效优化消费者的能源使用方式，从而降低成本并稳定电网运行，而QCGNN则有助于提高可再生能源发电量的预测精度。

结果与讨论

本小节将通过仿真结果来分析所提出的SBOA-QCGNN模型的性能。我们将利用MATLAB环境来展示该技术的效率，并将其与现有的其他技术进行对比。

本文提出的需求侧管理方法将通过针对智能家庭24小时能源消耗情况的仿真结果来进行建模。所研究的智能家庭系统将包括外部电网、光伏系统等组成部分。

结论

综上所述，所提出的基于SBOA-QCGNN的能源管理方法通过有效整合可再生能源、电池存储以及需求响应策略，提升了微电网的运行效率，实现了可靠且经济的能源供应。该框架能够在平衡能源供需的同时，减少碳排放，降低峰值负荷，还能通过降低峰值负荷以及减少对传统电网电力的依赖来提升电网的稳定性。

CRediT作者贡献说明

Byeon Haewon：负责指导工作。M.S.Sivagama Sundari：负责撰写原始稿件。

支持数据的获取情况

由于本研究并未生成或分析任何新数据，因此无需分享相关数据。

资金支持情况

本研究没有获得来自公共机构、商业机构或非营利组织方面的任何资助。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。