【智能系统】需求侧管理下智能家庭用电多目标优化控制

第13卷第1期 智能系统学报 Vol.13 No.I 2018年2月 CAAI Transactions on Intelligent Systems Feb.2018 D0:10.11992/tis.201705030 网络出版t地址：http:/kns.cnki.net/cms/detail/23.1538.TP.20180127.1542.002.html 需求侧管理下智能家庭用电多目标优化控制 鲍毅，楼凤丹2，王万良 (1.杭州天丽科技有限公司，浙江杭州310051；2.国网浙江省电力公司信息通信分公司，浙江杭州310073,3.浙江 工业大学计算机科学与技术学院，浙江杭州310023) 摘要：针对家庭内附加型负载进行需求侧管理，缓解高峰时刻电网压力，提出一种智能电网环境的家庭用电控制系 统。设计了智能控制器，可以获取用户家庭负荷信息并为用户提供分时电价计量，同时便于供电侧直接进行需求侧 控制。提出了多目标蜻蜓算法，针对降低负载功率和减少需求响应延时时间两个目标进行求解，其迭代速度快，满足 即时响应的需求。500个家庭的实验结果显示，家庭用电控制系统合理，降低了用户用电费用：算法计算速度快，响 应时间延时少，有效缓解了高峰时刻的电网负荷。 关键词：需求侧管理：智能电网；多目标决策：优化控制：蜻蜓算法：家庭用电；智能控制：负载分类 中图分类号：TP18 文献标志码：A文章编号：1673-4785(2018)01-0125-06 中文引用格式：鲍毅，楼凤丹，王万良.需求侧管理下智能家庭用电多目标优化控制.智能系统学报，2018,13(1)：125-130. 英文引用格式：BAO Yi,,LOU Fengdan,VANG Wanliang.Multiobjective optimization control of intelligent household electricity with demand managementJ.CAAI transactions on intelligent systems,2018,13(1):125-130. Multiobjective optimization control of intelligent household electricity with demand management BAO Yi',LOU Fengdan',WANG Wanliang' (1.Hangzhou TianLi Electronic Technology co.,LTD,Hangzhou 310051,China,2.State Network Zhejiang Electric Power Corpora- tion Information Communications Branch,Hangzhou 3100073,China;3.School of Computer Science and Technology,Zhejiang University of Technology,Hangzhou 310023,China) Abstract:In this paper,we propose a home electricity control system with a smart grid for managing the demand of home appliances and to ease the peak-time grid pressure.We designed an intelligent controller that can obtain user power information and provide users with time-sharing electricity metering,while also being convenient for suppliers to apply the demand management system.To reduce the load power and demand-response delay time,we propose a multi- objective optimization technique.Its convergence rate is rapid and it can satisfy the immediate response requirement. The results for 500 families taking part in the experiment show that the proposed household electricity control system is reasonable,reduces user electricity costs,and reduces the response time delay due to its fast calculation speed,thereby effectively alleviating the peak time of the power grid. Keywords:demand management;smart grid;multi-objective decision;optimal control;dragonfly algorithm;household electricity:intelligent control;load classification 家庭用电系统作为需求侧的重要组成部分，其 越来越多地引入到平衡电网负载中四。现阶段需求 规律性明显，用户数目众多，用电总量庞大，也是电 响应操作主要可划分为基于价格的方式和基于激励 网负荷管理的重要部分。因此，需求侧响应概念被 的方式。基于价格的需求响应主要依靠分时电价 收稿日期：2017-05-22.网络出版日期：2018-01-29 策略，依靠需求侧的主观调节方式来减少电网高峰 基金项目：国家电网公司科技项目(SGZJ0000BGJS1500460) 通信作者：王万良.E-mail:wangwanliang@zjut.edu.cn. 负荷。基于激励的需求响应是指供电侧制定响应

DOI: 10.11992/tis.201705030 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20180127.1542.002.html 需求侧管理下智能家庭用电多目标优化控制 鲍毅1 ，楼凤丹2 ，王万良3 （1. 杭州天丽科技有限公司，浙江 杭州 310051; 2. 国网浙江省电力公司信息通信分公司，浙江 杭州 310073; 3. 浙江 工业大学 计算机科学与技术学院，浙江 杭州 310023） 摘 要：针对家庭内附加型负载进行需求侧管理，缓解高峰时刻电网压力，提出一种智能电网环境的家庭用电控制系 统。设计了智能控制器，可以获取用户家庭负荷信息并为用户提供分时电价计量，同时便于供电侧直接进行需求侧 控制。提出了多目标蜻蜓算法，针对降低负载功率和减少需求响应延时时间两个目标进行求解，其迭代速度快，满足 即时响应的需求。500 个家庭的实验结果显示，家庭用电控制系统合理，降低了用户用电费用；算法计算速度快，响 应时间延时少，有效缓解了高峰时刻的电网负荷。 关键词：需求侧管理；智能电网；多目标决策；优化控制；蜻蜓算法；家庭用电；智能控制；负载分类 中图分类号：TP18 文献标志码：A 文章编号：1673−4785(2018)01−0125−06 中文引用格式：鲍毅, 楼凤丹, 王万良. 需求侧管理下智能家庭用电多目标优化控制[J]. 智能系统学报, 2018, 13(1): 125–130. 英文引用格式：BAO Yi, LOU Fengdan, WANG Wanliang. Multiobjective optimization control of intelligent household electricity with demand management[J]. CAAI transactions on intelligent systems, 2018, 13(1): 125–130. Multiobjective optimization control of intelligent household electricity with demand management BAO Yi1 ，LOU Fengdan2 ，WANG Wanliang3 (1. Hangzhou TianLi Electronic Technology co., LTD, Hangzhou 310051, China; 2. State Network Zhejiang Electric Power Corpora￾tion Information Communications Branch, Hangzhou 3100073, China; 3. School of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, China) Abstract: In this paper, we propose a home electricity control system with a smart grid for managing the demand of home appliances and to ease the peak-time grid pressure. We designed an intelligent controller that can obtain user power information and provide users with time-sharing electricity metering, while also being convenient for suppliers to apply the demand management system. To reduce the load power and demand-response delay time, we propose a multi￾objective optimization technique. Its convergence rate is rapid and it can satisfy the immediate response requirement. The results for 500 families taking part in the experiment show that the proposed household electricity control system is reasonable, reduces user electricity costs, and reduces the response time delay due to its fast calculation speed, thereby effectively alleviating the peak time of the power grid. Keywords: demand management; smart grid; multi-objective decision; optimal control; dragonfly algorithm; household electricity; intelligent control; load classification 家庭用电系统作为需求侧的重要组成部分，其 规律性明显，用户数目众多，用电总量庞大，也是电 网负荷管理的重要部分。因此，需求侧响应概念被 越来越多地引入到平衡电网负载中[1]。现阶段需求 响应操作主要可划分为基于价格的方式和基于激励 的方式[2]。基于价格的需求响应主要依靠分时电价 策略，依靠需求侧的主观调节方式来减少电网高峰 负荷。基于激励的需求响应是指供电侧制定响应， 收稿日期：2017−05−22. 网络出版日期：2018−01−29. 基金项目：国家电网公司科技项目 (SGZJ0000BGJS1500460). 通信作者：王万良. E-mail: wangwanliang@zjut.edu.cn. 第 13 卷第 1 期 智 能 系 统 学 报 Vol.13 No.1 2018 年 2 月 CAAI Transactions on Intelligent Systems Feb. 2018

·126- 智能系统学报 第13卷 策略，激励需求侧在电网负荷较大时及时响应，如 构图如图1所示。智能家庭用电管理系统中，多项 削减一定的负荷)。然而，现有需求响应尚存在诸 附加型负载均通过控制器再接入电路中。供电侧可 多问题：)由于电量计量方式的误差，数据传输滞 从控制器中获取用户家庭耗电量，如某一家电的单 后，需求侧与供电侧所统计结果存在差异；2)缺乏 位时间电能消耗情况，并对统计信息进行优化计 合理的激励机制，进一步导致需求侧主观积极性下 算，将计算结果返回控制器，进一步对家庭中的附 降；3)缺乏有效的响应交互机制，不利于供电侧对 加型负载进行控制，以减弱高峰时刻的电网负荷。 电能资源进行再分配。故将智能电网引入需求 WIFI无线通信 响应有重要实际意义。 肉 控制器 随着物联网的快速发展，智能电网作为智能化 网络 保障 1供电 型负戟 的电能服务网络，提高了供电侧与用电侧的交互 性，有利于整体电能的资源合理优化和高效利用， 附加型负载 进一步有利于稳定电网负荷。智能电网在传统供电 侧到需求侧的传输基础上，集合了传感测量技术 网络通信技术、智能计算技术和自动控制技术。 引入智能电网可以有效地提高计量方式的准确性， 提高电能资源的分配效率。通过引入智能电网的实 时交互策略，调动需求侧参与响应或通过提前签订 图1智能家庭用电管理系统 协议，对需求侧直接进行远程的需求响应，可以有 Fig.1 Diagram of home energy management system 效地实现电网负荷的柔性化管理⑧。 图1中所示控制器采用交互式通信平台，集成 随着分时电价、峰值电价等策略的提出，需求 用电量计量技术，除获取电网负荷数据并对管理家 侧管理更需要保证实时性。针对需求侧大规模的家 庭用电量进行管理的功能之外，其还可以对用户提 庭用电，单一的优化算法已不能满足电网实时性的 供电价的分时段计量，减少用户的用电费用。并通 需求。现有针对需求响应的算法大多应用于处理单 过控制器内置的光线传感器和温度传感器，获取家 个目标优化问题，或简单地将多目标加权之后转化 庭内的环境信息以进一步对家庭中电器做出多级调 为单目标来进行优化。这种算法在增加了需求侧 整，在尽可能保证用户舒适度的同时实现电网平 用电器数量之后，算法延时时间也会相应地增加。 衡。控制器系统结构图如图2所示。 本文提出采用多目标进化算法，以最小化电能消耗 MINIUSB 扩展接口 和最小化延时时间为目标，应用于需求响应控制。 AC 220V 供电侧可以通过提前与用户签订协议，在家庭中布 开关 地线悬 继电器 电源 控、 置智能控制器，对家用电器进行实时控制，以便在 220V 零线错 转5V 位监测 电网高峰时期减小电网负荷。 用户电器 1 智能电网环境下家电系统运行方式 与弱电板接口 金 智能电网领域有各种通信架构，而在互联网等 与强电板接▣ 公共领域，合适架构的选择问题是至关重要的。适 合的架构可以使用户便捷地参与到需求响应的过程 计量模块 电网 中，并且保证了系统的实时性。针对家庭常用电 控制芯片 网络模块 电网和用户 器，如冰箱、空调、热水器、饮水机、电视机、电脑、 洗衣机及照明电路等，这些负载可分为保障型负载 光线 温度 和附加型负载。保障型负载（如照明电路等）作为 感应 感应 居民生活条件的基本保障，且由于其功率相对较 图2控制器系统结构 低，因此不作为家庭用电优化控制的对象。图1所 Fig.2 Chart of control system structure 示的智能电网下的家庭用电管理系统，只显示出附 2 多目标算法在需求侧管理中的应用 加型负载，而不包括对保障型负载的控制，以实现 在需求侧管理过程中，对需求侧居民生活所造成的 需求侧管理下的家庭用电响应模式是指家庭用 影响降到最小。智能电网下的家庭用电管理系统结 户依据自己的经济和舒适型要求采取的负荷响应方

策略，激励需求侧在电网负荷较大时及时响应，如 削减一定的负荷[3]。然而，现有需求响应尚存在诸 多问题：1) 由于电量计量方式的误差，数据传输滞 后，需求侧与供电侧所统计结果存在差异；2) 缺乏 合理的激励机制，进一步导致需求侧主观积极性下 降；3) 缺乏有效的响应交互机制，不利于供电侧对 电能资源进行再分配[4-6]。故将智能电网引入需求 响应有重要实际意义。 随着物联网的快速发展，智能电网作为智能化 的电能服务网络，提高了供电侧与用电侧的交互 性，有利于整体电能的资源合理优化和高效利用， 进一步有利于稳定电网负荷。智能电网在传统供电 侧到需求侧的传输基础上，集合了传感测量技术、 网络通信技术、智能计算技术和自动控制技术[7]。 引入智能电网可以有效地提高计量方式的准确性， 提高电能资源的分配效率。通过引入智能电网的实 时交互策略，调动需求侧参与响应或通过提前签订 协议，对需求侧直接进行远程的需求响应，可以有 效地实现电网负荷的柔性化管理[8]。 随着分时电价、峰值电价等策略的提出，需求 侧管理更需要保证实时性。针对需求侧大规模的家 庭用电，单一的优化算法已不能满足电网实时性的 需求。现有针对需求响应的算法大多应用于处理单 个目标优化问题，或简单地将多目标加权之后转化 为单目标来进行优化[9]。这种算法在增加了需求侧 用电器数量之后，算法延时时间也会相应地增加。 本文提出采用多目标进化算法，以最小化电能消耗 和最小化延时时间为目标，应用于需求响应控制。 供电侧可以通过提前与用户签订协议，在家庭中布 置智能控制器，对家用电器进行实时控制，以便在 电网高峰时期减小电网负荷。 1 智能电网环境下家电系统运行方式 智能电网领域有各种通信架构，而在互联网等 公共领域，合适架构的选择问题是至关重要的。适 合的架构可以使用户便捷地参与到需求响应的过程 中，并且保证了系统的实时性[10]。针对家庭常用电 器，如冰箱、空调、热水器、饮水机、电视机、电脑、 洗衣机及照明电路等，这些负载可分为保障型负载 和附加型负载。保障型负载 (如照明电路等) 作为 居民生活条件的基本保障，且由于其功率相对较 低，因此不作为家庭用电优化控制的对象。图 1 所 示的智能电网下的家庭用电管理系统，只显示出附 加型负载，而不包括对保障型负载的控制，以实现 在需求侧管理过程中，对需求侧居民生活所造成的 影响降到最小。智能电网下的家庭用电管理系统结 构图如图 1 所示。智能家庭用电管理系统中，多项 附加型负载均通过控制器再接入电路中。供电侧可 从控制器中获取用户家庭耗电量，如某一家电的单 位时间电能消耗情况，并对统计信息进行优化计 算，将计算结果返回控制器，进一步对家庭中的附 加型负载进行控制，以减弱高峰时刻的电网负荷。 图 1 中所示控制器采用交互式通信平台，集成 用电量计量技术，除获取电网负荷数据并对管理家 庭用电量进行管理的功能之外，其还可以对用户提 供电价的分时段计量，减少用户的用电费用。并通 过控制器内置的光线传感器和温度传感器，获取家 庭内的环境信息以进一步对家庭中电器做出多级调 整，在尽可能保证用户舒适度的同时实现电网平 衡。控制器系统结构图如图 2 所示。 2 多目标算法在需求侧管理中的应用 需求侧管理下的家庭用电响应模式是指家庭用 户依据自己的经济和舒适型要求采取的负荷响应方 䭰ߌಷ䉋䒩 ԉ䯈 ಷ䉋䒩 Ӈ⩡ ᣓݢஔ 㑽㐈 WIFIᬌ㏫䕆ԍ 图 1 智能家庭用电管理系统 Fig. 1 Diagram of home energy management system AC 220V ౜㏫ᗘ ⾦ȟ▗ 䰢㏫䩅 ѹ⯽≷ ڟᐬ ⩡⎼ 220 V 䒘5 V MINIUSB ផᆁᣑए 㐓⩡ஔ ̺ᑝ⩡Ძᣑए ̺ᑦ⩡Ძᣑए 䃍䛻Ὅಃ 㑽㐈Ὅಃ ᣓݢ㟛❳ ㏫اٴ ᙋᏀ ⍕Ꮢ ᙋᏀ ⩡㑽 ⩡㑽স⩔ᝣ ⩔ᝣ⩡ஔ 图 2 控制器系统结构 Fig. 2 Chart of control system structure ·126· 智 能 系 统 学 报 第 13 卷

第1期 鲍毅，等：需求侧管理下智能家庭用电多目标优化控制 ·127· 式，为了使供电侧（如电力公司等）具有即时管理能 法，其主要灵感来自于蜻蜓在哺食与避敌过程中通 力，需要用户与供电侧签订合同，使供电侧可以通 过对路径的规划与探索来完成预定目标的特性，在 过智能控制器，直接控制用户家中的部分附加型负 两者均需要达到最佳的时候选取最近的路径，在 载。并且用户可以根据本家庭负载情况，自主对家 此将捕食与避敌过程分别看成用户总耗电量和所受 庭中多种大功率附加型负载进行权值设置四，权值 影响时间两个目标。在算法中，将一系列过程抽象 大的优先级高，在用电高峰时期到来之前，供电侧 化为3个特征，即分散、同步、汇聚，并以数学方式 可以对权值较小的负载进行优先降负荷处理。 建模。 2.1附加型负载系统模型 将上述算法引入系统优化控制模型中，将附加 根据家庭用电负载的特点，选取空调、热水器 型负载的数量视为蜻蜓的数量，耗电量和响应延时 等附加型负载作为优化控制对象，设置空调权重为 时间视为捕食与避敌过程，设定优化个体数量为 a,热水器权重为a,o m,m表示为家庭总数。针对系统负载影响最大的 附加型负载耗电模型2为 空调和热水器等附加型负载进行试验，目标为耗电 O=(∑BA+∑A,P)g (1) 量最小和高峰时段需求响应时间最短。根据某用电 式中：P为空调功率，P,为热水器功率，i为空调数 监管平台数据，对全天多户家庭负载功率数的平均 量，j为热水器数量，9，为时隙1内电价，Ba和B。均 值进行了统计。为了清晰描述出优化控制过程中的 为负载的工作指数，Q,为时隙1内附加型负载的耗 最小化负载数和最小化响应延时时间这两个目标参 电所产生的用电费用。该模型同样可以应用到电网 数，本文将用式（⑤）(11)来对其进行模拟，其表达式 系统集中控制中，对多个家庭的用电负荷进行计量 如下均 与优化，同时也便于扩展其他类型的家用电器进行 1)分散行为： 优化运算。其中，用户家庭中当前用电功率为 (5) W,=BaP&+B.Pr (2) 式中W,为时隙1内用户的附加型负载总功率。 式中：X表示当前个体的位置，X表示第j个相邻个 由于需求侧管理机制直接操作了用户家庭电器 体的位置，n为相邻个体的总数。在本控制过程中， 情况，在一定程度上影响了用户体验，引入最小操 X为j时隙过程中系统的耗电量。 作量函数Z: 2)同步行为： Z=△W.T (3) = △W=W,-W (4) A:= N (6) 式中：W,为控制器监测到时隙1内，电网负荷逼近 式中：V,表示第j个相邻个体的速度，n为相邻个体 高峰时刻需要进行需求管理时的家庭内负荷总功 的总数，N为个体总数。在本控制过程中，将其视为 率，W,为用户端响应后，对附加型负载进行调节后 响应时的速度，即智能控制器调节负载过程的行为。 的家庭内负荷总功率；T为响应总时间，即在响应过 3)汇聚行为： 程中对用户造成的总影响的时间；Z为响应过程中， 供电侧为了削峰保护而对需求侧做出的管理后所节 C= ZiX -X (7) 约的电能总量，单位是kWh。 式中：X表示当前个体的位置，X表示第j个相邻个 2.2多目标蜻蜓算法 体的位置，n为相邻个体的总数，N为个体总数。汇 目前，在家庭用电优化控制中主要采用的方 聚行为即表示优化过程中算法的收敛过程。 法有粒子群算法16和遗传算法1等，主要思想均是 4)优化过程： 明确目标函数与约束条件信息，在全局范围内寻求 蜻蜓在捕食过程中，趋向于食物的定义为 概率最大的解，适合解决复杂的非线性寻优问题。 F:=-X (8) 但是考虑到需求响应的即时性，即为了防止电网负 式中：X表示当前个体的位置，表示食物源的位 荷达到峰顶，需要在负荷增长的过程中就开始对协 置。在本控制过程中，将F视为响应延时时间，为 议用户进行一定量的响应控制。而粒子群算法和遗 目标函数之一。 传算法均需要较长时间的初始化和迭代过程，很难 5)避敌行为： 达到所要求分钟级别的响应时间，因此需要计算时 另一方面，蜻蜓规避天敌的定义为 间更短、反应速度更快的多目标优化算法。 E=X+X (9) 多目标蜻蜓算法是近年来新提出的一种进化算 式中：X为当前个体的位置，表示当前天敌的位

式，为了使供电侧 (如电力公司等) 具有即时管理能 力，需要用户与供电侧签订合同，使供电侧可以通 过智能控制器，直接控制用户家中的部分附加型负 载。并且用户可以根据本家庭负载情况，自主对家 庭中多种大功率附加型负载进行权值设置[11] ，权值 大的优先级高，在用电高峰时期到来之前，供电侧 可以对权值较小的负载进行优先降负荷处理。 2.1 附加型负载系统模型 根据家庭用电负载的特点，选取空调、热水器 等附加型负载作为优化控制对象，设置空调权重为 αk，热水器权重为 αr。 附加型负载耗电模型[12-14]为 Qt = ( ∑ i βdPk + ∑ j βePr)· qt (1) 式中：Pk 为空调功率，Pr 为热水器功率，i 为空调数 量，j 为热水器数量，qt 为时隙 t 内电价，βd 和 βe 均 为负载的工作指数，Qt 为时隙 t 内附加型负载的耗 电所产生的用电费用。该模型同样可以应用到电网 系统集中控制中，对多个家庭的用电负荷进行计量 与优化，同时也便于扩展其他类型的家用电器进行 优化运算。其中，用户家庭中当前用电功率为 Wt = βdPk +βePr (2) 式中 Wt 为时隙 t 内用户的附加型负载总功率。 由于需求侧管理机制直接操作了用户家庭电器 情况，在一定程度上影响了用户体验，引入最小操 作量函数 Z： Z = ∆W ·T (3) ∆W = Wt − Wx (4) 式中：Wt 为控制器监测到时隙 t 内，电网负荷逼近 高峰时刻需要进行需求管理时的家庭内负荷总功 率，Wx 为用户端响应后，对附加型负载进行调节后 的家庭内负荷总功率；T 为响应总时间，即在响应过 程中对用户造成的总影响的时间；Z 为响应过程中， 供电侧为了削峰保护而对需求侧做出的管理后所节 约的电能总量，单位是 kW·h。 2.2 多目标蜻蜓算法 目前，在家庭用电优化控制[15]中主要采用的方 法有粒子群算法[16]和遗传算法[17]等，主要思想均是 明确目标函数与约束条件信息，在全局范围内寻求 概率最大的解，适合解决复杂的非线性寻优问题。 但是考虑到需求响应的即时性，即为了防止电网负 荷达到峰顶，需要在负荷增长的过程中就开始对协 议用户进行一定量的响应控制。而粒子群算法和遗 传算法均需要较长时间的初始化和迭代过程，很难 达到所要求分钟级别的响应时间，因此需要计算时 间更短、反应速度更快的多目标优化算法。 多目标蜻蜓算法是近年来新提出的一种进化算 法，其主要灵感来自于蜻蜓在哺食与避敌过程中通 过对路径的规划与探索来完成预定目标的特性，在 两者均需要达到最佳的时候选取最近的路径，在 此将捕食与避敌过程分别看成用户总耗电量和所受 影响时间两个目标。在算法中，将一系列过程抽象 化为 3 个特征，即分散、同步、汇聚，并以数学方式 建模。 将上述算法引入系统优化控制模型中，将附加 型负载的数量视为蜻蜓的数量，耗电量和响应延时 时间视为捕食与避敌过程，设定优化个体数量为 m，m 表示为家庭总数。针对系统负载影响最大的 空调和热水器等附加型负载进行试验，目标为耗电 量最小和高峰时段需求响应时间最短。根据某用电 监管平台数据，对全天多户家庭负载功率数的平均 值进行了统计。为了清晰描述出优化控制过程中的 最小化负载数和最小化响应延时时间这两个目标参 数，本文将用式 (5)~(11) 来对其进行模拟，其表达式 如下[18-19]。 1) 分散行为： S i = − ∑n j=1 X − Xj (5) 式中：X 表示当前个体的位置, Xj 表示第 j 个相邻个 体的位置，n 为相邻个体的总数。在本控制过程中， Xj 为 j 时隙过程中系统的耗电量。 2) 同步行为： Ai = ∑n j=1 Vj N (6) 式中：Vj 表示第 j 个相邻个体的速度, n 为相邻个体 的总数，N 为个体总数。在本控制过程中，将其视为 响应时的速度，即智能控制器调节负载过程的行为。 3) 汇聚行为： Ci = ∑n j=1 Xj N − X (7) 式中：X 表示当前个体的位置，Xj 表示第 j 个相邻个 体的位置，n 为相邻个体的总数，N 为个体总数。汇 聚行为即表示优化过程中算法的收敛过程。 4) 优化过程： 蜻蜓在捕食过程中，趋向于食物的定义为 Fi = X − X (8) 式中：X 表示当前个体的位置， X 表示食物源的位 置。在本控制过程中，将 Fi 视为响应延时时间，为 目标函数之一。 5) 避敌行为： 另一方面，蜻蜓规避天敌的定义为 Ei = Xe+ X (9) 式中：X 为当前个体的位置， Xe表示当前天敌的位 第 1 期 鲍毅，等：需求侧管理下智能家庭用电多目标优化控制 ·127·

·128· 智能系统学报 第13卷 置。在本控制过程中，将E,视为负载总功率数，为 热水器权值相等，aw=a,: 另一个目标函数。为了方便更新个体的位置，算法 4)根据式(10)（位置和加速度）对系统的耗电量 定义了步伐向量和位置向量，其具体定义为 和响应时间进行迭代计算，初始化迭代步数为30： △X+1=(sSi+aA:+cC:+fF:+eE)+w△X (10) 5)进行响应管理时刻，优先对权值较小的负载 式中：s表示分散行为的权重，S,表示第i个个体行 进行处理； 进分散行为，a表示同步行为的权重，A,表示第i个 6)选取收敛标准，当系统整体耗电量降为历史 个体行进同步行为，c表示汇聚行为的权重，C,表示 数据的80%时，即认为算法运行有效，选取所受影 第i个个体行进汇聚行为，∫表示食物特征系数， 响时间最短的值作为输出结果。 F,表示第i个个体的食物源，e表示天敌特征系数， E,表示第i个个体天敌的位置，w为迭代权重，1为 3仿真实验结果分析 迭代计数。此外，位置向量定义为 X+1=X,+△X+ (11) 通过对某小区内500余户家庭的家电负荷进行 综上，该算法可同时以两个目标为收敛条件， 实地调查，排除照明设施等保障性负载，仅考虑空 比传统优化算法收敛速度快，可以达到及时响应的 调和热水器两种负荷较大的家电。现有参数信息如 效果。 表1，表1展示了某小区主要家电负荷信息统计，从 具体算法步骤： 中可以看出，虽然空调热水器作为附加型负载，但 1)算法读取当前系统耗电量，S=Q: 是居民的日常使用频率依然很高，且电器数量也 2)读取当前系统响应时间，E=Z: 超过了家庭总数。表2展示了该小区的分时电价 3)输入待优化数目，初始设为m,设置空调和 信息。 表1某小区主要家电负荷信息统计 Table 1 Home appliance load information 平均每天运行 平均每天运行 高峰时段运行 高峰时段运行 高峰时段 用电器 平均功率！ 总量 时间1<2h的户数时间2h<<4h的 时间1<0.5h的户时间0.5h<<1h 使用比例% kW 所占比例% 户数所占比例% 数所占比例/%户数所占比例% 空调 768 65.7 23.5 67.4 1.87 53.2 40.5 热水器 513 48.4 13.7 53.8 1.26 61.6 14.9 表2分时电价信息 有较好的处理效果，如图3中“+”型曲线所示。同时 Table 2 Time-sharing electricity price 从用户角度出发，本文计算了高峰时刻用户用电所 时段 时段划分 电价元·度 花费的情况，其对比结果如图4所示，图4 7:00-8:00 展示了多目标优化后的用户平均花费情况。类似于 平时段 11:00-15:00 0.5 图3，图4中“。”型曲线为优化前高峰时段用户用电 22:00-23:00 平均花费，“△”型曲线为应用遗传算法之后的效果， 尖时段 19:00-22:00 0.9 50 ⊙优化前年遗传算法+本文算法 8:00-11:00 5 峰时段 0.7 15:00-19:00 % 谷时段 23:00-次日7：00 0.3 35 之 30 针对电网运行高峰时段，展示出对比响应前后 3 的家庭附加型负载总功率数，如图3所示。从图3 可明显看出，应用了本算法之后，相较于优化前和 遗传算法情况，用户用电量的平均功率数有了明显 下降。图3中“o”型曲线所显示的为优化前的500 50100150200250300350400450500 户用户的平均功率数，其分布较散，且均值较大。 样本数量/个 应用了遗传算法进行优化之后，用户的平均功率数 图3优化前后平均功率数对比 下降了20.6%，如图中“*”型曲线所示，而本算法则 Fig.3 Comparison of average power

置。在本控制过程中，将 Ei 视为负载总功率数，为 另一个目标函数。为了方便更新个体的位置，算法 定义了步伐向量和位置向量，其具体定义为 ∆Xt+1 = (sS i +aAi +cCi + f Fi +eEi)+w∆Xi (10) 式中：s 表示分散行为的权重，Si 表示第 i 个个体行 进分散行为，a 表示同步行为的权重，Ai 表示第 i 个 个体行进同步行为，c 表示汇聚行为的权重，Ci 表示 第 i 个个体行进汇聚行为，f 表示食物特征系数， Fi 表示第 i 个个体的食物源，e 表示天敌特征系数， Ei 表示第 i 个个体天敌的位置，w 为迭代权重，t 为 迭代计数。此外，位置向量定义为 Xt+1 = Xt + ∆Xt+1 (11) 综上，该算法可同时以两个目标为收敛条件， 比传统优化算法收敛速度快，可以达到及时响应的 效果。 具体算法步骤： 1) 算法读取当前系统耗电量，Si=Qt； 2) 读取当前系统响应时间，Ei=Z； 3) 输入待优化数目，初始设为 m，设置空调和 热水器权值相等，αk=αr； 4) 根据式 (10)(位置和加速度) 对系统的耗电量 和响应时间进行迭代计算，初始化迭代步数为 30； 5) 进行响应管理时刻，优先对权值较小的负载 进行处理； 6) 选取收敛标准，当系统整体耗电量降为历史 数据的 80% 时，即认为算法运行有效，选取所受影 响时间最短的值作为输出结果。 3 仿真实验结果分析 通过对某小区内 500 余户家庭的家电负荷进行 实地调查，排除照明设施等保障性负载，仅考虑空 调和热水器两种负荷较大的家电。现有参数信息如 表 1，表 1 展示了某小区主要家电负荷信息统计，从 中可以看出，虽然空调热水器作为附加型负载，但 是居民的日常使用频率依然很高，且电器数量也 超过了家庭总数。表 2 展示了该小区的分时电价 信息。 针对电网运行高峰时段，展示出对比响应前后 的家庭附加型负载总功率数，如图 3 所示。从图 3 可明显看出，应用了本算法之后，相较于优化前和 遗传算法情况，用户用电量的平均功率数有了明显 下降。图 3 中“o”型曲线所显示的为优化前的 500 户用户的平均功率数，其分布较散，且均值较大。 应用了遗传算法进行优化之后，用户的平均功率数 下降了 20.6%，如图中“*”型曲线所示，而本算法则 有较好的处理效果，如图 3 中“+”型曲线所示。同时 从用户角度出发，本文计算了高峰时刻用户用电所 花费的情况，其对比结果如 图 4 所示， 图 4 展示了多目标优化后的用户平均花费情况。类似于 图 3，图 4 中“o”型曲线为优化前高峰时段用户用电 平均花费，“Δ”型曲线为应用遗传算法之后的效果， 表 1 某小区主要家电负荷信息统计 Table 1 Home appliance load information 用电器 总量 高峰时段 使用比例% 平均每天运行 时间t<2 h的户数 所占比例% 平均每天运行 时间2 h<t<4 h的 户数所占比例/% 平均功率/ kW 高峰时段运行 时间t<0.5 h的户 数所占比例/% 高峰时段运行 时间0.5 h<t<1 h 户数所占比例/% 空调 768 65.7 23.5 67.4 1.87 53.2 40.5 热水器 513 48.4 13.7 53.8 1.26 61.6 14.9 表 2 分时电价信息 Table 2 Time-sharing electricity price 时段 时段划分 电价/元·度 -1 平时段 7:00-8:00 11:00-15:00 22:00-23:00 0.5 尖时段 19:00-22:00 0.9 峰时段 8:00-11:00 15:00-19:00 0.7 谷时段 23:00-次日7:00 0.3 0 50 100 150 200 250 300 350 400 450 500 ᵣ᱘᪜䛻/͖ 5 10 15 20 25 30 35 40 45 50 ᎟౳ߋ⢳/kW фݹࡂ 䖃ьッ∁ ᱘᪳ッ∁ 图 3 优化前后平均功率数对比 Fig. 3 Comparison of average power ·128· 智 能 系 统 学 报 第 13 卷

第1期 鲍毅，等：需求侧管理下智能家庭用电多目标优化控制 ·129· “+”型曲线为本算法的应用效果，结果显示本算法也 时耗电量较为平稳，且相较于遗传算法优化结果和 帮助用户节约了一定费用。为了展示本算法的运算 未优化前结果，本算法在高峰时期有较好的降负载 过程，本文对遗传算法与本算法的延时时间进行了 效果。 实验并统计了结果，平均延时时间如图5所示。 35 分优化前一年遗传算法+本文算法 60 。优化前4遗传算法+本文算法 30 55 50 20 45 40 335 10 30 25 0 10 15 20 25 20 0 h 50 100150200250300350400450500 样本数量/个 图6一天内电量消耗情况 图4优化前后用户用电花费对比 Fig.6 Power consumption during one day Fig.4 Comparison of user electricity consumption 4结束语 45 4遗传算法+本文算法 需求侧管理作为一种缓解电网高峰负荷的有效 40 手段，一直以来面对着需求侧用户数量众多、单一 耗电量低、应用困难的问题。在智能电网的环境 下，在对需求侧众多用户应用了多目标优化算法之 后，可以在较短的时间内得出计算结果并通过智能 控制器对家庭用电器进行需求侧管理。实验结果显 示，对小规模群体用户施行需求侧管理操作可以有 效地降低其功率平均数，同时降低了用户的用电费 用，进一步可以降低电网负荷，保障电网的稳定 0 50100150200250300350400450500 性。优化控制过程中引入多目标蜻蜓算法，在约束 样本数量/个 了系统耗电量降低的最低标准后，实验中算法收敛 图5平均延时时间对比 速度快，可以达到分钟级别的响应效果，适合在实 Fig.5 Comparison of average delay times 际生活中应用。本实验尚存在一些不足，如尚未对 从响应的延时时间角度可明显看出，传统遗传 多数小区同时进行需求响应的集中控制，下一阶段 算法其响应时间长且波动较大，上下浮动在10~ 的主要目标是针对中大规模的家庭群进行需求响应 40min,而实施本文算法之后，由于算法收敛速度 优化控制。 快，计算结果迅速，其整体的响应时间在4.5min上 参考文献： 下波动，可以达到及时响应的效果。 针对一天内的高峰时刻电量消耗变化量，本文 [1]中国电力企业联合会规划发展部.2016年电力供需形势 进行了500户家庭一天内各个时间段的电量消耗量 分析预测与建议.中国电力企业管理，2016(4)：27-29. 的统计，结果如图6所示。图6显示了500户家庭 China federation of electric power enterprise planning and 在一天内各个时刻的平均电能消耗量与应用了遗传 development.2016 Analysis and forecast of electricity sup- 算法和本算法之后的效果对比。从图6中优化前的 ply demand and the suggestion[J].China electric power en- terprise management,2016(4):27-29 数据可以看出，每小时的平均电能消耗量 [2]SIANO P.Demand response and smart grids-a survey[J]. kWh)在6.00之后有了明显的上升趋势，并且在1200 Renewable and sustainable energy reviews,2014,30: 13:00维持了较高的消耗量，一直持续到晚上 461-478. 21:00开始有了下降趋势。本算法的结果如图6中 [3]薛晨，黎灿兵，曹一家，等.智能电网中的电网友好技术概 “+”形曲线所示，可以看出本算法在高峰时期的每小 述及展望J.电力系统自动化，2011,35(15)：102-107

“+”型曲线为本算法的应用效果，结果显示本算法也 帮助用户节约了一定费用。为了展示本算法的运算 过程，本文对遗传算法与本算法的延时时间进行了 实验并统计了结果，平均延时时间如图 5 所示。 从响应的延时时间角度可明显看出，传统遗传 算法其响应时间长且波动较大，上下浮动在 10~ 40 min ，而实施本文算法之后，由于算法收敛速度 快，计算结果迅速，其整体的响应时间在 4.5 min 上 下波动，可以达到及时响应的效果。 针对一天内的高峰时刻电量消耗变化量，本文 进行了 500 户家庭一天内各个时间段的电量消耗量 的统计，结果如图 6 所示。图 6 显示了 500 户家庭 在一天内各个时刻的平均电能消耗量与应用了遗传 算法和本算法之后的效果对比。从图 6 中优化前的 数据可以看出，每小时的平均电能消耗 量 (kW·h) 在 6:00 之后有了明显的上升趋势，并且在 12:00~ 13:0 0 维持了较高的消耗量，一直持续到晚上 21:00 开始有了下降趋势。本算法的结果如图 6 中 “+”形曲线所示，可以看出本算法在高峰时期的每小 时耗电量较为平稳，且相较于遗传算法优化结果和 未优化前结果，本算法在高峰时期有较好的降负载 效果。 4 结束语 需求侧管理作为一种缓解电网高峰负荷的有效 手段，一直以来面对着需求侧用户数量众多、单一 耗电量低、应用困难的问题。在智能电网的环境 下，在对需求侧众多用户应用了多目标优化算法之 后，可以在较短的时间内得出计算结果并通过智能 控制器对家庭用电器进行需求侧管理。实验结果显 示，对小规模群体用户施行需求侧管理操作可以有 效地降低其功率平均数，同时降低了用户的用电费 用，进一步可以降低电网负荷，保障电网的稳定 性。优化控制过程中引入多目标蜻蜓算法，在约束 了系统耗电量降低的最低标准后，实验中算法收敛 速度快，可以达到分钟级别的响应效果，适合在实 际生活中应用。本实验尚存在一些不足，如尚未对 多数小区同时进行需求响应的集中控制，下一阶段 的主要目标是针对中大规模的家庭群进行需求响应 优化控制。 参考文献： 中国电力企业联合会规划发展部. 2016 年电力供需形势 分析预测与建议[J]. 中国电力企业管理, 2016(4): 27–29. China federation of electric power enterprise planning and development. 2016 Analysis and forecast of electricity sup￾ply demand and the suggestion[J]. China electric power en￾terprise management, 2016(4): 27–29. [1] SIANO P. Demand response and smart grids—a survey[J]. Renewable and sustainable energy reviews, 2014, 30: 461–478. [2] 薛晨, 黎灿兵, 曹一家, 等. 智能电网中的电网友好技术概 述及展望[J]. 电力系统自动化, 2011, 35(15): 102–107. [3] 0 50 100 150 200 250 300 350 400 450 500 ᵣ᱘᪜䛻/͖ 20 25 30 35 40 45 50 55 60 фݹࡂ 䖃ьッ∁ ᱘᪳ッ∁ ٯ/⩔䉥᎟౳ 图 4 优化前后用户用电花费对比 Fig. 4 Comparison of user electricity consumption 50 100 150 200 250 300 350 400 450 500 ᵣ᱘᪜䛻/͖ 0 5 10 15 20 25 30 35 40 45 ᎟౳ᐢᬢᬢ䬠/min 䖃ьッ∁ ᱘᪳ッ∁ 图 5 平均延时时间对比 Fig. 5 Comparison of average delay times 0 5 10 15 20 25 5 10 15 20 25 30 35 ⃻ᄻᬢ⊴㕃⩡䛻/(kw·h) фݹࡂ 䖃ьッ∁ ᱘᪳ッ∁ t/h 图 6 一天内电量消耗情况 Fig. 6 Power consumption during one day 第 1 期 鲍毅，等：需求侧管理下智能家庭用电多目标优化控制 ·129·

·130· 智能系统学报 第13卷 XUE Chen,LI Canbing,CAO Yijia,et al.An overview and ment on optimal distributed generation(DG)sizing and al- prospects of grid friendly technology in smart grid[J].Auto- location using improved harmony search algorithm[C]// mation of electric power systems,2011,35(15):102-107. Proceedings of 2013 Smart Grid Conference.Tehran,Iran, [4]GUNGOR V C,SAHIN D,KOCAK T,et al.Smart grid 2013:210-218. technologies:communication technologies and standards [15]张延宇，曾鹏，李忠文，等.智能电网环境下空调系统多 [J].IEEE transactions on industrial informatics,2011,7(4): 目标优化控制算法[.电网技术，2014,38(7)小：1819- 529-539. 1826. [5]GKATZIKIS L,KOUTSOPOULOS I,SALONIDIS T.The ZHANG Yanyu,ZENG Peng,LI Zhongwen,et al.A role of aggregators in smart grid demand response multi-objective optimal control algorithm for air Condi- markets[J].IEEE journal on selected areas in communica- tioning system in smart grid[J].Power system technology, tions.2013,31(7):1247-1257. 2014,38(7)1819-1826. [6]IWAYEMI A,YI Peizhong,DONG Xihua,et al.Knowing [16]XIONG Gang,CHEN Chen,KISHORE S,et al.Smart (in- when to act:an optimal stopping method for smart grid de- home)power scheduling for demand response on the smart mand response[J].IEEE network,2011,25(5):44-49. grid[C]//Proceedings of 2011 IEEE PES Innovative Smart [刀刘壮志，许柏婷，牛东晓.智能电网需求响应与均衡分析 Grid Technologies.Anaheim.CA.USA.2011:1-7. 发展趋势.电网技术，2013,37(6：1555-1561 [17]MOHSENIAN-RAD A H,WONG V WS,JATSKEVICH LIU Zhuangzhi,XU Baiting,NIU Dongxiao.Development J,et al.Optimal and autonomous incentive-based energy tendency of equilibrium analysis and demand response for consumption scheduling algorithm for smart grid[Cl//Pro- smart grid[J].Power system technology,2013,37(6): ceedings of 2010 Innovative Smart Grid Technologies. 1555-1561. Gaithersburg.MD,USA,2010:1-6. [8]王丹，范孟华，贾宏杰.考虑用户舒适约束的家居温控负 [18]BASU B,MAHANTI G K.Thinning of concentric two- 荷需求响应和能效电厂建模).中国电机工程学报，2014， ring circular array antenna using fire fly algorithm[J].Sci- 3413):2071-2077 entia iranica2012,196):1802-1809. WANG Dan,FAN Menghua,JIA Hongjie.User comfort [19]REYNOLDS C W.Flocks,herds and schools:a distrib- constraint demand response for residential thermostatically- uted behavioral model[C]//Proceedings of the 14th Annual controlled loads and efficient power plant modeling[J].Pro- Conference on Computer Graphics and Interactive Tech- ceedings of the CSEE,2014,34(13):2071-2077. niques.New York,NY,USA,1987:25-34. [9]SAELE H,GRANDE O S.Demand response from house- 作者简介： hold customers:experiences from a pilot study in norway 鲍毅，男，1982年生，本科，工程 [J].IEEE transactions on smart grid,2011,2(1):102-109. 师，高级经理，主要研究方向为电力自 [10]陆苏青，唐楠，王蓓蓓，等，美国需求响应技术和思考 动需求响应。 (下)U.电力需求侧管理，2016(1)60-64. LU Suqing,TANG Nan,WANG Beibei,et al.Demand re- sponse technology and thinking in America[J].Power de- mand side management,2016(1):60-64. [11]NORRIS S,PENDAKUR K.Imputing rent in consump- 楼凤丹，女，1982年生，本科，高 tion measures,with an application to consumption poverty 级工程师，主要研究方向为电力自动 需求响应。 in Canada,1997-2009[J].Canadian journal of economics/ revue canadienne d'economique,2013,46(4):1537-1570. [12]CONSTANTOPOULOS P,SCHWEPPE F C,LARSON R C.Estia:a real-time consumer control scheme for space conditioning usage under spot electricity pricing[J].Com- puters and operations research,1991,18(8):751-765. 王万良，男，1957年生.教授，博 士生导师，博士，主要研究方向为深度 [13]LEE J,PARK GL,KIM S W,et al.Power consumption 学习、人工智能、网络控制。 scheduling for peak load reduction in smart grid homes [C]//Proceedings of 2011 ACM Symposium on Applied Computing.TaiChung,China,2011:584-588. [14]NASIRAGHDAM H,JADID S.Load model effect assess-

XUE Chen, LI Canbing, CAO Yijia, et al. An overview and prospects of grid friendly technology in smart grid[J]. Auto￾mation of electric power systems, 2011, 35(15): 102–107. GUNGOR V C, SAHIN D, KOCAK T, et al. Smart grid technologies: communication technologies and standards [J]. IEEE transactions on industrial informatics, 2011, 7(4): 529–539. [4] GKATZIKIS L, KOUTSOPOULOS I, SALONIDIS T. The role of aggregators in smart grid demand response markets[J]. IEEE journal on selected areas in communica￾tions, 2013, 31(7): 1247–1257. [5] IWAYEMI A, YI Peizhong, DONG Xihua, et al. Knowing when to act: an optimal stopping method for smart grid de￾mand response[J]. IEEE network, 2011, 25(5): 44–49. [6] 刘壮志, 许柏婷, 牛东晓. 智能电网需求响应与均衡分析 发展趋势[J]. 电网技术, 2013, 37(6): 1555–1561. LIU Zhuangzhi, XU Baiting, NIU Dongxiao. Development tendency of equilibrium analysis and demand response for smart grid[J]. Power system technology, 2013, 37(6): 1555–1561. [7] 王丹, 范孟华, 贾宏杰. 考虑用户舒适约束的家居温控负 荷需求响应和能效电厂建模[J]. 中国电机工程学报, 2014, 34(13): 2071–2077. WANG Dan, FAN Menghua, JIA Hongjie. User comfort constraint demand response for residential thermostatically￾controlled loads and efficient power plant modeling[J]. Pro￾ceedings of the CSEE, 2014, 34(13): 2071–2077. [8] SAELE H, GRANDE O S. Demand response from house￾hold customers: experiences from a pilot study in norway [J]. IEEE transactions on smart grid, 2011, 2(1): 102–109. [9] 陆苏青, 唐楠, 王蓓蓓, 等. 美国需求响应技术和思考 (下)[J]. 电力需求侧管理, 2016(1): 60–64. LU Suqing, TANG Nan, WANG Beibei, et al. Demand re￾sponse technology and thinking in America[J]. Power de￾mand side management, 2016(1): 60–64. [10] NORRIS S, PENDAKUR K. Imputing rent in consump￾tion measures, with an application to consumption poverty in Canada, 1997–2009[J]. Canadian journal of economics/ revue canadienne d'économique, 2013, 46(4): 1537–1570. [11] CONSTANTOPOULOS P, SCHWEPPE F C, LARSON R C. Estia: a real-time consumer control scheme for space conditioning usage under spot electricity pricing[J]. Com￾puters and operations research, 1991, 18(8): 751–765. [12] LEE J, PARK G L, KIM S W, et al. Power consumption scheduling for peak load reduction in smart grid homes [C]//Proceedings of 2011 ACM Symposium on Applied Computing. TaiChung, China, 2011: 584–588. [13] [14] NASIRAGHDAM H, JADID S. Load model effect assess￾ment on optimal distributed generation (DG) sizing and al￾location using improved harmony search algorithm[C]// Proceedings of 2013 Smart Grid Conference. Tehran, Iran, 2013: 210–218. 张延宇, 曾鹏, 李忠文, 等. 智能电网环境下空调系统多 目标优化控制算法[J]. 电网技术, 2014, 38(7): 1819– 1826. ZHANG Yanyu, ZENG Peng, LI Zhongwen, et al. A multi-objective optimal control algorithm for air Condi￾tioning system in smart grid[J]. Power system technology, 2014, 38(7): 1819–1826. [15] XIONG Gang, CHEN Chen, KISHORE S, et al. Smart (in￾home) power scheduling for demand response on the smart grid[C]//Proceedings of 2011 IEEE PES Innovative Smart Grid Technologies. Anaheim, CA, USA, 2011: 1–7. [16] MOHSENIAN-RAD A H, WONG V W S, JATSKEVICH J, et al. Optimal and autonomous incentive-based energy consumption scheduling algorithm for smart grid[C]//Pro￾ceedings of 2010 Innovative Smart Grid Technologies. Gaithersburg, MD, USA, 2010: 1–6. [17] BASU B, MAHANTI G K. Thinning of concentric two￾ring circular array antenna using fire fly algorithm[J]. Sci￾entia iranica, 2012, 19(6): 1802–1809. [18] REYNOLDS C W. Flocks, herds and schools: a distrib￾uted behavioral model[C]//Proceedings of the 14th Annual Conference on Computer Graphics and Interactive Tech￾niques. New York, NY, USA, 1987: 25–34. [19] 作者简介： 鲍毅，男，1982 年生，本科，工程 师，高级经理，主要研究方向为电力自 动需求响应。 楼凤丹，女，1982 年生，本科，高 级工程师，主要研究方向为电力自动 需求响应。 王万良，男，1957 年生，教授，博 士生导师，博士，主要研究方向为深度 学习、人工智能、网络控制。 ·130· 智 能 系 统 学 报 第 13 卷