[发明专利]一种自学习用户行为的电热水器负荷优化及控制方法

权利要求书

1.一种自学习用户行为的电热水器负荷优化及控制方法，其特征在于：包括如下步骤：

步骤1：通过智能插座获取电热水器各时刻的负荷数据，每日的通断时间记录，监测环境温度，通过无线网络将数据发送给后台主站；

步骤2：主站结合季节、节假日因素的影响，并结合气象数据和电价机制，进行电热水器使用模式训练及优化；

步骤3：后台主站通过无线网络将训练及优化后的电热水器使用模式中的运行模式参数下发给智能插座；

步骤4：智能插座接收优化后的热水器运行模式参数，用户通过智能终端内设置的移动APP对电热水器运行模式参数进行远程自定义设定；

步骤5：用户自定义设定具有优先级，自定义设定数据通过智能插座发送给后台主站；

步骤6：后台主站结合自定义设定数据对电热水器使用模式进一步训练及优化；

步骤7：在日常长期运行过程中，后台主站会周期重复执行步骤1-6对电热水器使用模式进行训练及优化；

步骤8：用户通过移动APP的用户界面监视当前热水器的运行状态及负荷信息；

所述电热水器使用模式训练及优化过程如下：

步骤a：负荷优化：

1-1：负荷优化时，需考虑价格因素，令P(t)和P₀(t)分别为第t时间段用户的实际用电负荷和原始用电需求，A(t)表示第t时间段的用电单价，B(t)表示第t时间段的激励补偿，计算该时段的用电价格：L(t)＝A(t)*P(t)-B(t)*(P₀(t)-P(t))，总电价L：

1-2：负荷优化时，需考虑用户的舒适度，假设某一时段用户用水的最佳温度为T_m，实际水温为T_t，C_t表示该时段用户的舒适度，C_t＝|T_t-T_m|；用户一天内的整体舒适度C:C值越小，舒适度越高；

1-3：综合考虑电价和用户使用舒适度，整体的负荷优化模型为：M＝α·L+(1-α)·C，求解M的最小值，其中α为权重因子；

步骤b：确定用户的价格敏感度：

2-1：时间段价格敏感度通过价格变动点前后一段时间内平均用电负荷的增量比与电价的增量比的比值来体现：其中Q_t和A_t为某一时间段t用户的平均负荷及价格，ΔQ_t和ΔA_t为该时间段内平均负荷及价格的增量；

2-2：综合价格敏感度为该用户每个时间段价格敏感度的加权价格敏感度：

2-3：根据综合价格敏感度，设置一个值为负的阈值，若用户的综合敏感度小于该值，则认为用户对价格的敏感度较高，将其判定为价格敏感型用户；反之，则认为该用户对价格的敏感度不明显，将其判定为非价格敏感型用户；

步骤c：当用户为价格敏感型用户，其负荷优化模型主要考虑价格因素，此时权重因子α设置为一个0.5到1之间的数，且综合价格敏感度越高，α越大；当用户为非价格敏感型用户，其负荷优化模型主要考虑舒适度因素，此时权重因子α设置为一个0到0.5之间的数，且综合价格敏感度越低，α越小；

步骤d：设置约束条件：

4-1：根据智能插座监测的热水器工作特征，确定最小连续工作时间T；

4-2：根据电热水器本身的参数信息及负荷曲线，确定转移负荷的功率区间；

4-3：根据用户使用热水的时间、环境温度和热水器的参数，确定负荷可转移的时间区间。