《Energy Exploration & Exploitation》：Multiobjective residential load scheduling in smart homes using an improved artificial hummingbird optimizer with MCDM-based decision support
编辑推荐：
随着电力需求与可用发电容量之间日益加剧的不平衡，智能电网中（尤其是住宅领域）对有效需求响应（DR）策略的需求不断增强。负荷调度程序（LSPs）已成为将灵活家庭负荷从高峰时段转移至非高峰时段的关键方法，从而在维持可接受用户舒适度的同时降低用电成本与峰值需求。研究
随着电力需求与可用发电容量之间日益加剧的不平衡，智能电网中（尤其是住宅领域）对有效需求响应（DR）策略的需求不断增强。负荷调度程序（LSPs）已成为将灵活家庭负荷从高峰时段转移至非高峰时段的关键方法，从而在维持可接受用户舒适度的同时降低用电成本与峰值需求。研究人员提出了一种多目标住宅负荷调度框架，该框架同时最小化能源成本、峰值负荷需求与用户不便。该优化问题通过改进的多目标自适应人工蜂鸟算法求解，该算法融合了增强初始化与局部搜索机制，以改善探索与收敛性能。为客观确定各优化准则的重要性，采用基于准则移除效应的方法（MEREC）导出准则权重，并采用组合妥协解（COCOSO）方法对帕累托最优解进行排序，以确定最平衡的调度策略。研究考虑了一种分时电价方案，以评估所提框架在住宅能源管理中的有效性。仿真结果表明，所提方法可实现高达62%的电费削减与44%的峰值负荷削减，同时维持可接受程度的用户不便。与现有方法的对比分析证实了所提出的混合优化与决策框架的有效性。该方法为改善需求响应性能和支持智能住宅环境中的高效能源管理提供了实用解决方案。
**研究背景与问题**
随着住宅部门用电需求的快速增长，传统通过扩建电厂满足峰值需求的方式成本高、不环保且效率低。需求响应（DR）成为平衡供需、提升电网可靠性的重要手段，而负荷调度程序（LSPs）通过将灵活家用负荷从高峰时段转移至非高峰时段，可降低电费和峰值需求。然而现有研究存在三方面不足：一是大多仅关注成本或峰值最小化，未考虑多设备同时转移可能引发的负荷同步效应，从而可能在新的时段制造尖峰；二是多目标权衡常依赖主观或预设权重，易引入决策偏差；三是元启发式算法虽能生成帕累托最优解集，但缺乏系统化机制从中选出最适合实际实施的折中方案。因此，有必要将先进多目标优化算法与客观多准则决策（MCDM）技术相结合。
**研究内容与结论**
研究人员提出一种多目标住宅负荷调度框架，同时最小化能源成本、峰值负荷需求与用户不便。优化问题由改进的多目标自适应人工蜂鸟算法（MAAHA）求解，并集成基于准则移除效应的方法（MEREC）和组合妥协解（COCOSO）以客观确定准则权重并选出最均衡的折中调度策略。基于包含十种家用电器和分时电价（ToU）方案的住宅算例，该方法实现62%的电费削减和44%的峰值负荷削减，同时维持可接受程度的用户不便。该研究为智能住宅环境中的需求响应实施和高效率能源管理提供了实用方案，论文发表在《Energy Exploration 》。
**关键技术与方法**
主要关键技术方法包括：①改进MAAHA算法，采用对角线线性均匀初始化（DLUI）增强初始种群多样性，利用替换局部搜索（RLS）改进迁移阶段的局部开发与全局探索，并通过支配排序机制扩展至多目标优化；②MEREC客观加权法，根据移除某一准则后对备选方案综合性能产生的偏差大小导出准则权重；③COCOSO排序法，综合加权和法（WSM）与加权积法（WPM）计算评价指标，对帕累托前沿解进行排序选出最佳折中方案；④负荷同步指数（LSI）定量评估调度后设备同时运行程度。算例数据来源于Li和Xu研究中的一户典型家庭，包含10种电器及其运行特性。此部分方法概括不超过250字。
**研究结果（结果与讨论）**
在结果与讨论部分，研究人员针对包含十种家用电器的算例，在ToU电价（峰段为10:00–11:00和19:00–20:00）下进行仿真。MAAHA生成30个帕累托最优解，其中最低成本解成本为0.626美元，对应峰荷5000W，较基准情景分别节省62%和44%；最小用户不便解的不便值为20，对应成本0.743美元和峰荷5300W。MEREC分析得出成本、不便和峰荷的权重分别为0.379、0.251和0.371，表明成本与峰荷重要性接近且明显高于用户不便。随后COCOSO排序选出最佳折中解，其排序分数为3.919，对应成本0.68美元（节省62%）、不便值21和峰荷5000W（降低44%）。调度后负荷曲线显示原8900W峰值时段（19:00–19:30）被转移至非高峰时段，且未在替代时段形成新的明显尖峰。定量评估显示，LSI从调度前的0.390降至0.219，下降43.8%，证实了负荷同步效应的缓解。对比分析表明，相同数据下已有方法仅实现约2%的成本削减，而所提方法显著更优；但研究人员同时强调，跨研究直接比较需谨慎，因为各研究采用的数据集、电价结构和约束条件存在差异。计算效率方面，30次独立运行平均耗时为51秒，满足日前调度的时间要求；框架可扩展至更多电器或社区级需求响应场景。
**讨论与结论**
讨论部分指出，负荷同步的缓解主要通过优化后的负荷曲线和最大需求下降加以评估，未来可引入更多分布式负荷指标进行更精细刻画；与已发表方法的数值对比仅用于展示所提框架的竞争力，而非断言其普遍优越性；更大规模应用可能需要增加种群规模或迭代次数以维持解质量，从而增加计算开销。此外，最终折中解依赖MAAHA生成的帕累托前沿和MEREC导出的权重，因此参数设置会影响选优结果，本研究基于重复试验选取种群规模30、最大代数100。
结论部分可总结为：本研究提出一种面向智能电网环境的混合
