一种基于多代理系统的智能家居经济优化方法

摘要

本发明公开了一种基于多代理系统的智能家居经济优化方法，该方法考虑了动态的环境因素，把每个用户考虑为一个自动代理，以所有代理组成一个系统，基于目前和预测的用电负荷总量、生产电能总量、所储存的电能总量、以及相关电价和用户满意度函数进行合理的出售、购买或者储存电能，得到系统经济性最优的方案。本发明能够有效地最小化居民用户的电费，同时能够使总负荷需求曲线更为平滑。

说明书

技术领域

本发明涉及一种基于多代理系统的智能家居经济优化方法，属于电力系统技术领域。 

背景技术

智能电网的一个内涵就是要求把用户的积极性调动起来，实现用户与电网的双向互动，最终达到削峰填谷、提高能源利用率的目的。 

电力系统作为主要的电能提供和结构，必须不停的适应新科技和新概念来改进电能的适用效率。 

电力提供方必须不停的研究电能使用方的需求和行为，然后开发可靠，合理，效率的系统。由于大量的电力用户分散在系统中，很难总体研究消费用户的用电行为,所以采用模拟的方法来研究和预测用电负荷大小。 

随着智能电网和智能分布式系统的产生，许多目前的研究主要集中于模拟智能家居和电网的互动，以及基于需求响应的负荷管理。 

分布式电源和储能系统能够使得居家和小企业通过向电网售卖多余的电能获得利润。通过智能自动管理设备，用户能够基于预测的负荷需求总量、产能总量、和电价等做出合理的决定，购电、售电、或储能。 

传统的家居设备不具有小型生产电能设备(风能、太阳能系统)，和储能设备，也不能向电网售电，但是随着智能电网的发展，智能家居的概念随之产生，凭借智能设备、监控设备和高级量测系统的开发，能够较好的与电网进行互动。 

智能家居，作为与智能电网互动的主动参与者，不再被简单的视为负荷曲线，由于目前他们能够很好的和电网进行交互，能够影响电力需求，电能生产，和电力价格。 

智能家居不仅能消费电能，而且能够产生电能，储存起来或者自己使用。这些智能家居用户能够智能合理的做出自动决策来管理自己的负荷，生产的电能和电力储能，同时和电网交互，降低自己的消费，同时能达到消峰填谷的作用，平滑负荷曲线。 

发明内容

本发明提供一种基于多代理系统的智能家居经济优化方法，以每个居家用户为一个代理，以所有代理组成的多代理作为一个系统，利用目前和预测的家电用电总量和发电总量以及储能总量进行自动智能处理，最小化家居用户分电费费用。 

本发明具体采用以下技术方案实现： 

一种基于多代理系统的智能家居经济优化方法，包括以下步骤： 

1)建立具有随机性出力的风力发电系统出力模型，太阳能光伏发电系统出力模型和电动汽车充放电系统出力模型； 

2)计算居家用户满意度，具体包括以下步骤： 

2-1)计算居家用电需求反馈前的电价P(h-)和需求响应后的实际电价P(h)： 

$P(h-)={\Sigma }_{\tau =0}^m{k}^{\tau }·P(h-\tau ),{\Sigma }_{\tau =0}^m{k}^{\tau }=1$

其中：k^τ是电价的权重系数，代表了目前和τ天前电价之间的相关程度， 

$P\left(h\right)={\propto }_{1·}{e}^{{\propto }_{2·}\bar{I}\left(h\right)}+{\propto }_{3·}{e}^{{\propto }_{4·}\bar{I}\left(h\right)}$

其中：∝_1·、∝_2·、∝_3·、∝_4·是相关系数，代表了平均每个居家用户在h小时内的实际的负荷需求； 

2-2)计算居家用户的售电倾向Sell(h)， 

$\mathrm{Sell}\left(h\right)=\left(\begin{array}{c}{(\frac{P(h-)}{\max \left(P(h-)\right)}·\frac{((g_i\left(h\right)+s_i\left(h\right))-l_i(h-))·P(h-)}{\max (((g_i\left(h\right)+s_i\left(h\right))-l_i(h-))·P(h-))})}^{\frac{1}{2}}...(g_i\left(h\right)+s_i\left(h\right))>l_i(h-)\\ \frac{P(h-)}{\max \left(P(h-)\right)}...(g_i\left(h\right)+s_i\left(h\right))<l_i(h-)\end{array}\right)$

其中，g_i(h)为风力发电系统生产的电能总量，s_i(h)为太阳能发电系统生产的电能总量，l_i(h)为电动汽车充电负荷，P(h-)表示用电需求反馈前的电价，max(P(h-))表示用电需求反馈前的最大电价，l_i(h-)为储能系统的电能总量； 

2-3)计算居家用户的储能倾向Store(h)，表达式如下： 

$\mathrm{Store}\left(h\right)=\left(\begin{array}{c}\frac{\mathrm{Average}\left(P\left(h\right)\right)}{\max \left(P\left(h\right)\right)}...(g_i\left(h\right)+s_i\left(h\right))>l_i\left(h\right)\\ {(\frac{\mathrm{Average}\left(P\left(h\right)\right)}{\max \left(P\left(h\right)\right)}·\frac{\mathrm{Average}(l_i\left(h\right)-(g_i\left(h\right)+s_i\left(h\right)))·\left(P\left(h\right)\right)}{\max (l_i\left(h\right)-(g_i\left(h\right)+s_i\left(h\right)))·\left(P\left(h\right)\right)})}^{\frac{1}{2}}...(g_i\left(h\right)+s_i\left(h\right))<l_i\left(h\right)\end{array}\right)$

2-4)计算居家用户满意度计算公式如下： 

$W^h(X_a^h,E_h,\mathrm{Sell}\left(h\right),\mathrm{Store}\left(h\right))={\Sigma }_{i=1}^n\left(\right|\mathrm{Sell}\left(h\right)-{\mathrm{Sell}}_s\left(h\right)|+|\mathrm{Store}\left(h\right)-{\mathrm{Store}}_s\left(h\right)|-P\left(h\right)*[{\Sigma }_{a\in A}{X}_a^h-E_h]-P(h-)*E_h)$

其中，表示在h时段内设备a消耗的总电能，E_h为用户在h时段内储存的电能， Store_s(h)是储能意向判断边界条件数值，Sell_s(h)是售电意向判断边界条件数值，n为所有的居家用户； 

3)以每个居家用户为1个代理，所有用户作为1个多代理系统，以系统最小化电费为目标，以居家用户满意度最大为目标函数，采用遗传算法进行整个系统的经济性优化，根据评判标准值，做出相应的操作。 

前述的步骤1)的随机性出力模型，是指根据所选取的时间段内的历史数据，生成随机模型的均值和方差。 

前述的步骤1)风力发电系统出力模型的构建过程为： 

1-11)根据历史风速数据，计算风力发电系统的风速； 

1-12)计算风力发电系统风速的概率密度f(v)，计算公式如下： 

$f\left(v\right)=\frac{k}{c}·{\left(\frac{v}{c}\right)}^{k-1}·\exp [-{\left(\frac{v}{c}\right)}^k]$

其中：v为风速，k和c为威布尔分布的两个参数； 

1-13)计算风力发电系统的风机出力P_w，计算公式如下： 

$P_w=\left(\begin{array}{cc}0& v\le v_{\mathrm{ci}}\\ k_1·v+k_2& v_{\mathrm{ci}}\le v\le v_r\\ P_r& v_r\le v\le v_{\mathrm{co}}\\ 0& v_{\mathrm{co}}\le v\end{array}\right)$

其中：P_r为风机额定功率，v_ci为切入风速，v_r为额定风速，v_co为切出风速； 

1-14)计算风力发电系统的风机出力的概率密度f(P_w)，计算公式如下： 

$f\left(P_w\right)=\exp [-{\left(\frac{P_w-k_2}{k_{1}c}\right)}^k]*{\left(\frac{P_w-k_2}{k_{1}c}\right)}^{k-1}*\frac{k}{k_{1}c}.$

前述的步骤1)太阳能光伏发电系统出力模型的构建方法为： 

1-21)根据历史太阳能光照强度数据，计算太阳能光伏发电系统的日照强度； 

1-22)计算太阳能光伏发电系统日照强度的概率密度f(r)，计算公式如下： 

$f\left(r\right)=\frac{\Gamma (\alpha +\beta )}{\Gamma \left(\alpha \right)·\Gamma \left(\beta \right)}·{\left(\frac{r}{r_{\max }}\right)}^{\alpha -1}·{(1-\frac{r}{r_{\max }})}^{\beta -1}$

其中：r和r_max分别是计算时间段内的实际光强和最大光强，α和β为Beta分布的形状参数，Γ为Gamma函数； 

1-23)计算太阳能光伏发电系统的输出功率P_M，计算公式如下： 

P_M＝r·A·η 

其中：A和η分别为太阳能光伏发电系统的面积和光电转换效率； 

1-24)计算太阳能光伏发电系统输出功率的概率密度f(P_M)，计算公式如下： 

$f\left(P_M\right)={(1-\frac{P_M}{R_M})}^{\beta -1}*{\left(\frac{P_M}{R_M}\right)}^{\alpha -1}*\frac{\Gamma (\alpha +\beta )}{\Gamma \left(\alpha \right)·\Gamma \left(\beta \right)}$

其中：R_M表示太阳能光伏发电系统输出的最大输出功率。 

前述的步骤1)电动汽车充放电系统出力模型的构建过程为： 

1-31)根据历史电动汽车充电负荷数据，计算电动汽车充电功率的均值和方差； 

1-32)电动汽车类型k_ev，电池的剩余电量C_bat服从二维正太分布： 

$f(k_{\mathrm{ev}},C_{\mathrm{bat}})=\frac{1}{2\pi \sqrt{\det C}}\exp \{-\frac{1}{2}{(X-\mu )}^T{C}^{-1}(X-\mu )\}$

其中，X表示变量，μ表示电动汽车充电功率的均值，C电池的剩余电量参数； 

电动汽车充电功率P_CI服从正太分布： 

$f\left(P_{\mathrm{CI}}\right)=\frac{1}{\sqrt{2\mathrm{\pi d}}{\sigma }_{\mathrm{pci}}}\exp \{-\frac{1}{2}{(P_{\mathrm{CI}}-\mu )}^2{{\sigma }_{\mathrm{pci}}}^{-1}\}$

其中，d表示充电效率，σ_pci表示充电功率的方差； 

电动汽车充电时刻T服从正太分布： 

$f\left(T\right)=\left(\begin{array}{c}\frac{1}{\sqrt{2\mathrm{\pi d}}{\sigma }_{\mathrm{pci}}}\exp \{-\frac{1}{2}{(T-{\mu }_t)}^2{{\sigma }_{\mathrm{pci}}}^{-1}\}...({\mu }_t-12)<T<24\\ \frac{1}{\sqrt{2\mathrm{\pi d}}{\sigma }_{\mathrm{pci}}}\exp \{-\frac{1}{2}{(T+24-{\mu }_t)}^2{{\sigma }_{\mathrm{pci}}}^{-1}\}...0<T<({\mu }_t-12)\end{array}\right)$

其中，μ_t为电动汽车充电时刻均值； 

电动汽车日行驶路程M服从正太分布： 

$f\left(M\right)=\frac{1}{\sqrt{2\pi d_d}{\sigma }_M}\exp \{-\frac{1}{2}{(\mathrm{InM}-\mu )}^2{{\sigma }_M}^{-1}\}$

其中，d_d表示日行驶里程数损耗；σ_M表示日行驶路程数方差； 

前述的步骤3)中的操作包括：Ⅰ)从电网购电；Ⅱ)对储能电池进行充电或者放电；Ⅲ)向电网售电。 

前述的做出相应的操作的评判标准为： 

Ⅰ)从电网购电的评断标准为： 

$\left|\frac{\mathrm{Sell}\left(h\right)-{\mathrm{Sell}}_s\left(h\right)}{\mathrm{Store}\left(h\right)-{\mathrm{Store}}_s\left(h\right)}\right|<1$且Store(h)-Store_s(h)＞0或者$X_a^h-E_h<0$

Ⅱ-1)储能电池进行充电的评断标准为： 

$\left|\frac{\mathrm{Sell}\left(h\right)-{\mathrm{Sell}}_s\left(h\right)}{\mathrm{Store}\left(h\right)-{\mathrm{Store}}_s\left(h\right)}\right|<1$且Store(h)-Store_s(h)＞0 

Ⅱ-2)储能电池进行放电的评断标准为： 

$\left|\frac{\mathrm{Sell}\left(h\right)-{\mathrm{Sell}}_s\left(h\right)}{\mathrm{Store}\left(h\right)-{\mathrm{Store}}_s\left(h\right)}\right|>1$且Store(h)-Store_s(h)＞0或者$X_a^h-E_h>0$

Ⅲ)向电网售电的评断标准为： 

$\left|\frac{\mathrm{Sell}\left(h\right)-{\mathrm{Sell}}_s\left(h\right)}{\mathrm{Store}\left(h\right)-{\mathrm{Store}}_s\left(h\right)}\right|>1$且Store(h)-Store_s(h)＞0。 

前述的步骤3)中采用遗传算法进行整个系统的经济性优化的具体过程如下： 

(a)对参数、Store(h)、Sell(h)、E_h进行采用遗传算法的二进制编码； 

(b)初始化种群迭代次数t₁＝0，个体迭代次数t₂＝0，计数参数n＝0，种群数组Node，设置种群大小为N_all，种群和个体最大迭代次数T₁，T₂； 

(c)生成初始种群； 

(d)计算种群中每个个体的适应度F和聚集距离P； 

(e)采用选择操作从种群中选取n₁个个体，并对聚集距离从大到小进行排序，选取前n₂个个体，其中，n₁和n₂满足n₁+n₂＝N_all； 

(f)对种群进行遗传和变异操作； 

(g)重复步骤(d)～(f)直至达到最大迭代次数； 

(h)输出最优解并退出。 

本发明利用基于JAVA语言的Repast Simphony软件行建模，建立了智能家居代理系统，定义了若干智能家居代理系统进行自动选择方案的公式及概念，即售电意愿，购电意愿，储能意愿，通过目前的生产电能总量，电价和预测的生产电能总量，负荷需求总量，预测电价进行计算，根据判据进行方案选择，得到售电，买电或储能的方案，能够最大化的减少居家用户的用电费用，同时能够消峰填谷，平滑负荷曲线。 

附图说明

图1为本发明的智能家居经济优化方法的流程图； 

图2为采用遗传算法进行整个系统的经济性优化的流程图。 

具体实施方式

下面对本发明的技术方案进行详细说明： 

本发明把智能电网中的每一个用电用户看成一个代理，利用目前和预测的家电用电总量、发电总量、储能总量以及用户对用电满意度情况进行自动智能处理，最小化家居用户分电费费用，消峰填谷，平滑负荷曲线。 

每一个代理具有各种用电设备，包括产生电能的分布式电源(风力发电系统、太阳能发电系统)，使用电能的设备(空调、电视等)以及储存电能的设备(储能电池等)。 

本发明采用基于JAVA语言的Repast Simphony软件进行建模，由于输入模型的数据(风力发电系统、负荷预测值，预测电价值)具有较大的随机性，智能家居智能代理系统自动控制的方案受这些输入变量的影响较大，为了使得操作方案更为精确，更好的减少居家用户的电费，为此，本发明建立了描述随机性的模型，即根据所选取的时间段内的历史数据，生成随机模型的基本参数(均值和方差)以及确定其概率分布。 

根据居家用户发电总量和用电总量比较得到储能意向的大小，该值越大，表明居家用户越有意向储存电能。智能家居代理想要储存电能，在未来产生足够的电能以一个较高的价格卖给电网。如果预期生产的电能小于预期的负荷大小，电能不足或电价较高的时，智能用户代理将会更愿意储存电能。 

如图1所示，本发明包括以下步骤： 

一、首先建立具有随机性出力的风力发电系统出力模型，太阳能光伏发电系统出力模型和电动汽车充放电系统出力模型； 

1)风力发电系统 

根据历史风速数据，计算风力发电系统的风速，得到风速的概率密度函数如下： 

其中，历史风速数据可由当地的风力发电系统管理单位获得， 

$f\left(v\right)=\frac{k}{c}·{\left(\frac{v}{c}\right)}^{k-1}·\exp [-{\left(\frac{v}{c}\right)}^k]$

式中：v为风速，k和c为威布尔分布的两个参数，可以由平均风速μ和标准差σ近似算出， 

$k={\left(\frac{\sigma }{\mu }\right)}^{-1.086},c=\frac{\mu }{\Gamma (1+1/k)}.$

风机的出力大小P_w可由下式得到： 

$P_w=\left(\begin{array}{cc}0& v\le v_{\mathrm{ci}}\\ k_1·v+k_2& v_{\mathrm{ci}}\le v\le v_r\\ P_r& v_r\le v\le v_{\mathrm{co}}\\ 0& v_{\mathrm{co}}\le v\end{array}\right)$

其中：P_r为风机额定功率，v_ci为切入风速，v_r为额定风速，v_co为切出风速。 

进而可以得到风力发电系统的风机出力的概率密度f(P_w)： 

$f\left(P_w\right)=\exp [-{\left(\frac{P_w-k_2}{k_{1}c}\right)}^k]*{\left(\frac{P_w-k_2}{k_{1}c}\right)}^{k-1}*\frac{k}{k_{1}c}$

根据风机出力的概率密度f(P_w)可以计算出风力发电系统生产的电能总量。 

2)太阳能发电系统 

根据历史太阳能光照强度数据，计算太阳能光伏发电系统的日照强度，然后得到太阳能光照强度的概率密度函数f(r)如下： 

其中，历史太阳能光照强度数据，可由当地的太阳能发电系统管理单位获得， 

$f\left(r\right)=\frac{\Gamma (\alpha +\beta )}{\Gamma \left(\alpha \right)·\Gamma \left(\beta \right)}·{\left(\frac{r}{r_{\max }}\right)}^{\alpha -1}·{(1-\frac{r}{r_{\max }})}^{\beta -1}$

式中：r和r_max(W/m2)分别是计算时间段内的实际光强和最大光强，α和β都是Beta分布的形状参数；Γ为Gamma函数。 

Beta分布的参数可由该段时间内的光照强度平均值μ和方差σ得到，关系如下： 

$\alpha =\mu ·[\frac{\mu ·(1-\mu )}{{\sigma }^2}-1,\beta =(1-\mu )·[\frac{\mu ·(1-\mu )}{{\sigma }^2}-1].$

太阳能光伏发电系统的输出功率P_M为： 

P_M＝r·A·η 

式中：A和η分别为太阳能光伏发电系统的面积和光电转换效率。 

进而可以得到太阳能光伏发电系统输出功率的概率密度f(P_M)： 

$f\left(P_M\right)={(1-\frac{P_M}{R_M})}^{\beta -1}*{\left(\frac{P_M}{R_M}\right)}^{\alpha -1}*\frac{\Gamma (\alpha +\beta )}{\Gamma \left(\alpha \right)·\Gamma \left(\beta \right)},$

其中，R_M表示太阳能光伏发电系统输出的最大输出功率， 

根据f(P_M)可以计算出太阳能发电系统生产的电能总量。 

3)电动汽车充放电系统出力模型 

电动汽车的随机模型主要受电动汽车类型、充电方式、用户行为因素。 

汽车的类型k_ev和电池的剩余电量C_bat存在关系： 

$k_{\mathrm{ev}}=\frac{C_{\mathrm{bat}}}{C_{\mathrm{bat}}+C_{\mathrm{Fuel}}}$

其中，C_Fuel为燃料剩余量； 

电动汽车类型k_ev，电池的剩余电量C_bat服从二维正太分布： 

$f(k_{\mathrm{ev}},C_{\mathrm{bat}})=\frac{1}{2\pi \sqrt{\det C}}\exp \{-\frac{1}{2}{(X-\mu )}^T{C}^{-1}(X-\mu )\}$

其中，X表示k_ev,C_bat这两个变量，μ表示电动汽车充电功率的均值，C电池的剩余电量参数。 

电动汽车充电功率P_CI服从正太分布： 

$f\left(P_{\mathrm{CI}}\right)=\frac{1}{\sqrt{2\mathrm{\pi d}}{\sigma }_{\mathrm{pci}}}\exp \{-\frac{1}{2}{(P_{\mathrm{CI}}-\mu )}^2{{\sigma }_{\mathrm{pci}}}^{-1}\}$

其中，d表示充电效率，σ_pci表示充电功率的方差。 

电动汽车充电时刻T服从正太分布： 

$f\left(T\right)=\left(\begin{array}{c}\frac{1}{\sqrt{2\mathrm{\pi d}}{\sigma }_{\mathrm{pci}}}\exp \{-\frac{1}{2}{(T-{\mu }_t)}^2{{\sigma }_{\mathrm{pci}}}^{-1}\}...({\mu }_t-12)<T<24\\ \frac{1}{\sqrt{2\mathrm{\pi d}}{\sigma }_{\mathrm{pci}}}\exp \{-\frac{1}{2}{(T+24-{\mu }_t)}^2{{\sigma }_{\mathrm{pci}}}^{-1}\}...0<T<({\mu }_t-12)\end{array}\right)$

其中，μ_t为电动汽车充电时刻均值； 

电动汽车日行驶路程M服从正太分布： 

$f\left(M\right)=\frac{1}{\sqrt{2\pi d_d}{\sigma }_M}\exp \{-\frac{1}{2}{(\mathrm{InM}-\mu )}^2{{\sigma }_M}^{-1}\}$

其中，d_d表示日行驶里程数损耗；σ_M表示日行驶路程数方差。 

根据f(P_CI)可以计算得到电动汽车充电负荷。 

二、目标函数的计算，目标函数指的是居家用户满意度。 

本发明基于实时电价、设备的运行状态(储存的电能大小)和未来的电价建立用户的满意度评价函数： 

1)计算居家用电需求反馈前的电价P(h-)和需求响应后的实际电价P(h) 

$P(h-)={\Sigma }_{\tau =0}^m{k}^{\tau }·P(h-\tau ),{\Sigma }_{\tau =0}^m{k}^{\tau }=1$

其中：k^τ是电价的权重系数，代表了目前和τ天前电价之间的相关程度， 

$P\left(h\right)={\propto }_{1·}{e}^{{\propto }_{2·}\bar{I}\left(h\right)}+{\propto }_{3·}{e}^{{\propto }_{4·}\bar{I}\left(h\right)}$

其中：∝_1·、∝_2·、∝_3·、∝_4·是相关系数，代表了平均每个居家用户在h小时内的实际的负荷需求。 

2)售电倾向Sell(h)的计算 

售电倾向代表了居家代理出售自己生产的额外电能的意愿大小，其表达式如下所示： 

$\mathrm{Sell}\left(h\right)=\left(\begin{array}{c}{(\frac{P(h-)}{\max \left(P(h-)\right)}·\frac{((g_i\left(h\right)+s_i\left(h\right))-l_i(h-))·P(h-)}{\max (((g_i\left(h\right)+s_i\left(h\right))-l_i(h-))·P(h-))})}^{\frac{1}{2}}...(g_i\left(h\right)+s_i\left(h\right))>l_i(h-)\\ \frac{P(h-)}{\max \left(P(h-)\right)}...(g_i\left(h\right)+s_i\left(h\right))<l_i(h-)\end{array}\right)$

式中：g_i(h)为风力发电系统生产的电能总量，s_i(h)为太阳能发电系统生产的电能总量，l_i(h)为电动汽车充电负荷，P(h-)表示用电需求反馈前的电价，max(P(h-))表示用电需求反馈前的最大电价，l_i(h-)为储能系统的电能总量； 

如果目前时间内居家的生产的电能大小大于负荷需求，那么，对于居家用户来说，就有更高的意愿来出售电力给电网，应为目前居家有较多的电能剩余，或者出售的电价比预测的高。 

为了计算Sell(h)智能家居必须获得目前时刻的售电电价P(h-)，并且使用概率模型来预测需要的变量，越高的Sell(h)表明，在该时刻售电给电网，居家用户能够得到更多的好处。 

3)计算居家用户的储能倾向Store(h)， 

储能倾向表达了居家用户代理储存额外电能的意愿大小，其表达式如下所示： 

$\mathrm{Store}\left(h\right)=\left(\begin{array}{c}\frac{\mathrm{Average}\left(P\left(h\right)\right)}{\max \left(P\left(h\right)\right)}...(g_i\left(h\right)+s_i\left(h\right))>l_i\left(h\right)\\ {(\frac{\mathrm{Average}\left(P\left(h\right)\right)}{\max \left(P\left(h\right)\right)}·\frac{\mathrm{Average}(l_i\left(h\right)-(g_i\left(h\right)+s_i\left(h\right)))·\left(P\left(h\right)\right)}{\max (l_i\left(h\right)-(g_i\left(h\right)+s_i\left(h\right)))·\left(P\left(h\right)\right)})}^{\frac{1}{2}}...(g_i\left(h\right)+s_i\left(h\right))<l_i\left(h\right)\end{array}\right)$

智能家居代理想要储存电能，然后在未来产生足够的电能以一个较高的价格出售给电网。如果预期的产能小于预期的负荷大小，代理将会更愿意储存电能。如果他们预测未来有一个较大的电能不足时刻或较高的电价，同样的，代理将会更愿意储存电能。 

4)用户满意度函数的计算 

用户根据负荷需求预测值和电价预测值在h时段储存的电能为E_h，这部分的电能会产生预先储存电能费用P(h-)*E_h，在实际调度阶段，该部分的电能会以实时电价提供给使用者。当储存的电能E_h不能满足用电需求时，就需要从电力市场购买额外的电能 

来满足需求，这将会产生额外的用以平衡负荷的费用 

$P\left(h\right)*[{\Sigma }_{a\in A}{X}_a^h-E_h].$

满意度函数表示用户对于该时段调度的满意程度， 

$W^h(X_a^h,E_h,\mathrm{Sell}\left(h\right),\mathrm{Store}\left(h\right))={\Sigma }_{i=1}^n\left(\right|\mathrm{Sell}\left(h\right)-{\mathrm{Sell}}_s\left(h\right)|+|\mathrm{Store}\left(h\right)-{\mathrm{Store}}_s\left(h\right)|-P\left(h\right)*[{\Sigma }_{a\in A}{X}_a^h-E_h]-P(h-)*E_h)$

其中，表示在h时段内设备a消耗的总电能，E_h为用户在h时段内储存的电能，Store_s(h)是储能意向判断边界条件数值，Sell_s(h)是售电意向判断边界条件数值，n为所有的居家用户；、E_h通过计算机对设备能耗进行记录。 

三、以每个居家用户为1个代理，所有用户作为1个多代理系统，以系统最小化电费为目标，以居家用户满意度最大为目标函数，采用遗传算法进行整个系统的经济性优化，根据评判标准值，做出相应的操作。 

其中，所述操作包括：Ⅰ)从电网购电；Ⅱ)对储能电池进行充电或者放电；Ⅲ)向电网售电； 

上述操作的是在目标函数最优化的情况下得到的参变量然后根据下述评判标准进行的： 

表1 操作评判标准 

如图2所示，采用遗传算法进行整个系统的经济性优化，具体过程如下： 

(a)对参数、Store(h)、Sell(h)、E_h进行采用遗传算法的二进制编码； 

(b)初始化种群迭代次数t₁＝0，个体迭代次数t₂＝0，计数参数n＝0，种群数组Node，设置种群大小为N_all，种群和个体最大迭代次数T₁，T₂； 

(c)生成初始种群； 

(d)计算种群中每个个体的适应度F和聚集距离P； 

(e)采用选择操作从种群中选取n₁个个体，并对聚集距离从大到小进行排序，选取前n₂个个体，其中，n₁和n₂满足n₁+n₂＝N_all； 

(f)对种群进行遗传和变异操作； 

(g)重复步骤(d)～(f)直至达到最大迭代次数； 

(h)输出最优解并退出。