CN103679357B - 基于价格和激励的电力需求响应的智能决策方法 - Google Patents
基于价格和激励的电力需求响应的智能决策方法 Download PDFInfo
- Publication number
- CN103679357B CN103679357B CN201310650091.9A CN201310650091A CN103679357B CN 103679357 B CN103679357 B CN 103679357B CN 201310650091 A CN201310650091 A CN 201310650091A CN 103679357 B CN103679357 B CN 103679357B
- Authority
- CN
- China
- Prior art keywords
- user
- load
- electricity
- period
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的基于价格和激励的电力需求响应的智能决策方法,包括:a).样本采集;b).行业负荷的求取;c).时刻负荷的求取;d).建立安全运行约束条件;e).建立容忍程度约束条件;f).求可控负荷总量;g).求反弹负荷总量;h).建立基本需求关系;i).建立受控时间约束条件;j).建立用户受益约束函数;k).建立舒适度优化函数;l).建立用电成本约束函数;m).建立参与成本约束函数;n).建立公平性约束函数;o).求最优解。本发明的智能决策方法,可将用电时段调整到低电价时段,在高电价时段减少用电,减少了电费支出;用户在系统需要或电力紧张时减少电力需求,具有削峰填谷的作用,保障了电力的正常供应。
Description
技术领域
本发明涉及一种基于价格和激励的电力需求响应的智能决策方法,更具体的说,尤其涉及一种可引导用户进行良性用电、具有削峰填谷作用的电力需求响应的智能决策方法。
背景技术
需求响应(Demand Response,以下简称DR)是电力需求响应的简称,是在电力需求侧管理(简称“需求侧管理”)的基础上发展而来,是需求侧管理在电力市场中的最新发展。自上世纪70年代美国电科院(EPRI-USA)提出需求侧管理概念,得到世界各地的广泛关注,许多国家不同程度的采取需求侧管理措施,有效缓解电力供应紧张局面。
需求侧管理在不同的市场阶段有着不同的表现形式。当前采用最多的是有序用电,即在用电负荷紧缺、电能有限的情况下通过法律、行政、经济、技术等手段,加强用电管理,改变用户用电方式,采取错峰、避峰、轮休、让电、负控限电等一系列措施,控制部分用电需求,充分利用发电资源、尽可能满足电力需求的活动,然而在实施过程中,用户仅能接受统一安排,是一种完全被动的运作模式。
作为需求侧管理最新的技术,美国在应对加州电力危机的背景下提出了需求响应技术,并在欧美部分发达国家进行了实施。需求响应是指通过一定价格信号或激励机制,鼓励电力用户主动改变自身消费行为、优化用电方式,减少或者推移某时段的用电负荷,以确保电网电力平衡、保障电网稳定运行、促进电网优化运行的运作机制。需求响应本质上是通过电力用户主动参与供需双方关系的平衡,实现电力资源优化配置目标的市场行为,是一种以用户主动性为特征的的需求侧管理的实现形式。
按照需求侧用户针对市场价格信号或激励机制作出响应并改变正常电力消费模式的市场参与行为,需求响应实施项目一般可以分为基于价格的需求响应与基于激励的需求响应。
基于价格型需求响应,即通过设定阶梯电价、分时电价、实时电价(尖峰电价)等方式,引导用户根据自身情况主动的调整电力需求,在接收到电价上升的信号时减少电力需求,而在其他时段则享受优惠电价,从而实现削峰填谷的目的,主要包括分时电价、实时电价、尖峰电价、阶梯电价等实施类型。
基于激励的需求响应是由实施机构根据电力系统供需情况制定需求响应策略,用户在系统需要或电力紧张时减少电力需求,以此获得直接补偿或其他时段的优惠政策。基于激励的需求响应一般是通过事先签订协议合同的方式来约束双方的需求响应实施行为,包括直接负荷控制、可中断负荷、需求侧竞价、紧急需求响应、容量市场项目、辅助服务项目等实施类型。
在实际执行中,两种类型的需求响应相互补充,相互渗透,基于价格型需求响应的大规模实施可以减少电价波动及电力储备短缺的严重性和频度,从而减少于激励型需求响应发生的可能性。
前述的价格对负荷的引导作用展示了在供求信息互动的条件下,价格-需求弹性系数对负荷曲线的修正作用,这正是需求响应得以实施的经济学原理。因此,基于需求响应的经济学原理,本节将从价格型需求响应项目机制、激励型需求响应项目机制两部分展开论述。
(一)价格型需求响应实现机制
基于价格的需求响应一般是由实施方发布电价信息(或由政府监管机构制定),用户根据收到的电价信息,根据自身意愿选择是否调整电力需求并改变用电消费行为,即由用户通过内部的经济决策过程,将用电时段调整到低电价时段,并在高电价时段减少用电,来实现减少电费支出的目的,
(1)分时电价响应
电价随一年不同的季节或一天不同的时段而不同,但电价的变化幅度不太大。它通常是根据以往经验,将电力需求高的时段设定为高价段,而在其他时段给用户优惠的电价,并期望用户响应电价,改变其用电模式。这种形式是电力需求响应的雏形,也是最普及、最成熟的一种,它通常实施于一年的某季节或全年。
(2)尖峰电价响应
是一种特殊的分时电价,它的高价时段电价远远高于其他时段价格,并且只有在电力趋于高度紧张,需求趋于临界峰值,系统稳定性受到威胁时,由供电方发出短期通知后方可实施。这种电价通常是提前设定好的,为了保护用户利益,通常这种形式的电力需求响应的年实施天数被限制。作为用户,在临界峰值电价响应实施时,必须采取有效措施,临时减少电力需求。
(3)实时电价响应
电力零售价格不是提前设定,而是直接受批发价格的影响而呈逐时持续变化状态,也有根据预测或经验提前一天通知逐时电价,以便于用户提前计划需求以响应电力供应市场。
(4)阶梯电价响应
阶梯电价是阶梯式递增电价或阶梯式累进电价的简称,是指把户均用电量设置为若干个阶梯分段或分档次定价计算费用。电力企业根据用户一段历史时间段内(通常一个月)的用电水平,制定不同电价政策,对于用电量较大的用户给予经济上的“惩罚”,从而促进耗能大户提高能源效率,主动降低无谓的电力使用,促进节能减排。
(二)激励型需求响应实现机制
基于激励的需求响应是由实施机构根据电力系统供需情况制定响应策略,用户在系统需要或电力紧张时减少电力需求,以此获得直接补偿或其他时段的优惠电价,包括直接负荷控制、可中断负荷、需求侧竞价、紧急需求响应、容量市场项目等实施类型。基于激励的需求响应一般是通过事先签订协议合同的方式来约束双方的需求响应实施行为。
(1)直接负荷控制响应
供电方直接远程控制用户的电器或设备,在必要并发出紧急通知后,系统操作员可以中断向被控制电器或设备的电力供应,而用户则获得相应的补偿。该项目通常适用于住宅以及商业建筑,并且在一年或一季度内用户被中断的次数或小时数是有限制的。
(2)可中断负荷响应
供电方与用户签订协议,在电力短缺或系统突发事件发生时要求用户减少需求,而用户则享受优惠电价或直接经济补偿。如果用户不减少需求,则受到处罚。该项目通常适用于负荷在200kW以上的用户,并且在一年或一季度内用户被通知减少需求的次数或小时数是有上限的。通常,用户必须在接到通知后30min至60min内,作出减少电力需求的反应。
(3)需求竞价/回购响应
该项目鼓励大型用户在其提议的价格下自愿减少电力需求,或在被公布的补偿价格下明示自愿减少多少负荷。该项目通常根据电力需求预测提前一天通知用户,但在必要时也可当天通知。如果用户选择参与,但没有能够减少需求,将受到处罚。
(4)紧急电力需求响应
该项目是为系统稳定性受到威胁时而设计的。供电方为用户减少负荷而提供补偿,用户则自愿选择参与或放弃,而不受到处罚。
(5)容量市场项目
当系统突发事件发生或稳定性受到威胁,该项目被触发时,执行方为参与者提供可保证补偿,而用户则有义务减少预定电力负荷,否则将受到严重处罚。通常,用户必须证明确实能够达到预定负荷减少量,才被接受参与该项目。所以该部分需求可以认为是电网系统的容量或保险,在必要时可保证其发挥作用。
电力负荷大致可分为一产(主要指农业)、二产(工业和建筑业)、三产(服务业及市政机构)和居民生活用电。这三者的用电比例是不相同的,并且有很大差别。我国能源中长期发展战略的研究较为权威地对一产、二产、三产和居民用电进行了预测。以2020年为例,一产用电比例为2.33%,二产用电比例为73.53%,三产用电比例为11.16%,居民生活用电为12.98%。
考虑到城市中农业用电比例较低,负荷量小,需求响应效果不明显,因此本研究中仅考虑工业、商业和居民生活用电。
发明内容
本发明为了克服上述技术问题的缺点,提供了一种可引导用户进行良性用电、具有削峰填谷作用的基于价格和激励的电力需求响应的智能决策方法。
本发明的基于价格和激励的电力需求响应的智能决策方法,其特别之处在于,包括以下步骤:
a).样本数据采集,以日为单位按照一定的采样周期,利用智能电表对作为样本的用户的用电信息进行采集,采集的信息包括负荷数据和相应的电价;其中,采样周期为1h、30min或15min;
设对于第i类用户下有Mi类细分行业,第j类细分行业选取样本用户数量为K,i类包括工业、商业和居民生活用电;j=1,...,Mi,k=1,...,Kij;
b).第i类中第j类细分行业负荷的求取,按照公式(1)和(2)求取出第i类用户第j类细分行业在t时刻的拟合负荷fijt:
(1)
(2)
其中,为第i类用户第j类细分行业在t时刻的标幺后的负荷叠加数据;为第i类用户第j类细分行业第k个样本用户在t时刻的负荷;为第i类用户第j类细分行业第k个样本用户典型日的基值,取日最大负荷;
c).第i类用户t时刻负荷的求取,按照公式(3)求取出第i类用户t时刻的拟合负荷:
(3)
其中,为第i类用户在t时刻的拟合典型负荷;为第i类用户第j类细分行业在该类用户中所占的电量比重;M为第i类用户中细分行业的个数;
d).建立设备安全运行约束条件,建立如公式(4)所示的设备安全运行约束条件:
(4)
其中,为第t时段第k组负荷被控程度的决策变量,其取值为0或1,1表示完全被控,即中断供电;0表示完全不被控;为研究时段T内第k组负荷的最大允许受控次数;
e).建立容忍程度约束条件,建立如公式(5)和(6)所示的用户容忍程度约束条件,
(5)
(6)
其中,为用户当前的舒适度,为用户当前电费支出满意度;分别为标准所规定的用户的舒适度和用户电费支出满意度;
f).求取可控负荷总量,通过公式(7)求出第t时段所有可控负荷:
(7)
其中,为第t时段的可控负荷总量;为第t时段第k组可控负荷;
g).求取反弹负荷总量,依据公式(8)求取反弹负荷总量:
(8)
其中,为第t时段第k组负荷的反弹负荷,分别为第k组负荷在第t-1,t-2,t-3时段的可控负荷;分别为对应时段的系数,其均小于1;
h).建立基本需求关系式,建立如公式(9)所示的基本需求关系式:
(9)
其中,为供电公司当时可以给予用户的电量;
i).建立受控时间约束条件,对于第k组负荷,其在第t时段的累计受控时间为:,建立如公式(10)所示的受控时间约束条件:
(10)
其中,为决策变量,设备受控则取值为1,未受控则取值为0;的值越小,表示分组的累计受控时间越短,因而考虑用户利益时需最小化目标函数;
j).建立用户受益约束函数,建立如公式(11)所示的用户受益约束函数:从经济的角度出发考虑,规定时间T内,用户实施需求响应的收益函数表述为
(11)
其中,G为用户实施需求响应后的收益函数,表示用户未实施需求响应前用电支出的费用,表示为用户实施需求响应后用电支出的费用,表示为电力公司因用户实施需求响应项目提供给用户的经济补偿;
k).建立舒适度优化函数,建立如公式(12)所示的用户用电舒适度优化目标函数:
(12)
式中,为实行需求响应后的用户各时段用电量的变化值;为用户的舒适度;不考虑用户用电量的大幅度变化时,舒适度。当用户未改变各时段用电量时,用户舒适度最大,其值为1;用户用电方式即各时段的用电量改变越大,其满意度越低;在用户完全不用电的极端情况下,用户的满意度为0;
l).建立用电成本约束函数,建立如公式(13)所示的用电成本约束函数:
(13)
其中,为用户电费支出满意度;为未实行需求响应时用户的电费支出,它是原电价的函数;为实行需求响应后用户的电费支出,它是实行需求响应后电价的函数;
m).建立参与成本约束函数,设每种节点设备购买时间为第年,寿命为,电网公司提供的价格补贴率为;整个需求响应规划的实施年数为n年;;视所有,即都在起始年购置;通过公式(14)建立用户的参与成本:
(14)
式中,分别为参与者的总成本和参与者采用第j类节电资源的成本;为第i年参与者的直接费用;n为项目实施的年数;M为项目有关的节电资源种类数;
n).建立公平性约束函数,设有z组用户参与需求响应项目;对于第z组负荷,其在第t时段的连续受控和非受控正常供电时间分别为和 ,其计算公式为:
(15)
第t时段第z组负荷的用户连续受控满意度,连续供电满意度和综合满意度分别为:
(16)
(17)
(18)
式中:和分别为第z组用户的最佳连续受控时间与最佳连续运行时间;在整个时段T内,第z组负荷用户的综合满意度为,所有参与需求响应项目的负荷组的平均用户综合满意度;故调度的公平性为
(19)
的值越小,表示整个负荷控制过程越公平;
o).建立多目标优化数学模型,通过对某函数的极小化可以等价地转化为对的极大化,得到如下统一地对需求响应多目标进行极大化智能决策方法:
(20)
当对所有的目标函数考虑,在搜索空间中求出最优解,实现对工业、商业和居民生活用电方法的仿真。
本发明的有益效果是:本发明的基于价格和激励的电力需求响应的智能决策方法,通过各约束条件可模拟出用户的用电模型,通过模拟出的智能决策模型,用户根据收到的电价信息,根据自身意愿选择是否调整电力需求并改变用电消费行为,即由用户通过内部的经济决策过程,将用电时段调整到低电价时段,并在高电价时段减少用电,来实现减少电费支出的目的。用户在系统需要或电力紧张时减少电力需求,以此获得直接补偿或其他时段的优惠电价,包括直接负荷控制、可中断负荷、需求侧竞价、紧急需求响应、容量市场项目等实施类型。
附图说明
图1中,图a为平稳型工业负荷标幺曲线,图b为波动型工业负荷标幺曲线;
图2为商业用电负荷标幺曲线;
图3为居民生活用电负荷标幺曲线。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
在本方法中,在进行采样、调研和模拟的过程中,首先对负荷类型和基本数据做以下的总体假设和设置:
(1)考虑到需求响应项目的实施环境还需要一定时期的建设,因此部分用户类型的负荷方法考虑使用预测数据。
(2)考虑到城市中农业用电比例较低,负荷量小,需求响应效果不明显,因此本研究中仅考虑工业、商业和居民生活用电。
(3)对于工业用电,由于不同类型的工业负荷特征差别很大,且底层电器设备种类繁杂,因此不考虑底层电器参数和数量,而是以工厂的母线负荷曲线来表征。由于数据有限,在考虑未来实施环境时,以乘系数的方法来扩大规模。
(4)对于商业用电,主要取决于服务性质行业和市政机构的办公用电,电器设备的规模主要取决于办公大楼的规模,因此本项目中三产用电方法用办公用电表征。同样,在考虑未来实施环境时以乘系数扩大规模。
(5)对于居民用电,该类型用电负荷最能反映人民生活水平,与家庭收入密切相关,在考虑未来实施环境下GDP增长的情况下,每百户居民电器水平和用电量参考预测数据。
(6)在考虑不同类型用户的需求弹性时,由于缺乏国内试点城市中实施需求响应项目前后的对比数据,因此在设置时采用美国FERC统计报告的相关数据。在今后的研究中,如果获得大量的统计数据进行分析,则可准确地理想表示负荷与电价的关系。
(7)假设用户已安装数量足够的智能表计,按照一定间隔进行采样(通常可取1h或30min或15min),并能记录相关的电价和负荷数据。
基于上述的假设和设置,负荷方法中共包含3类用户,即工业、商业和居民。若对于第i类用户下有Mi类细分行业,第j类(j=1,...,Mi)细分行业选取样本用户数量为Kij(k=1,...,Kij),依据样本用户典型日负荷数据拟合该类用户典型日负荷数据。对第j类细分行业样本用户的典型日负荷曲线用该典型日的日用电量标幺,标幺后的曲线以该类细分行业中选取的样本用户个数加权平均,得到第i类用户第j类细分行业的典型日负荷数据。由第i类用户下各类细分行业的拟合典型负荷数据,根据每类细分行业在第i类用户中所占的电量比重拟合成第i类用户的典型负荷数据。具体拟合过程如下:
第i类用户第j类细分行业在t时刻的拟合典型负荷fijt:
(1)
(2)
式中,——第i类用户第j类细分行业在t时刻的标幺后的负荷叠加数据;
——第i类用户第j类细分行业第k个样本用户在t时刻的负荷;
——第i类用户第j类细分行业第k个样本用户典型日的基值,通常取日最大负荷。
则第i类用户t时刻的拟合典型负荷为:
(3)
式中,——第i类用户在t时刻的拟合典型负荷;
——第i类用户第j类细分行业在该类用户中所占的电量比重;
M——第i类用户中细分行业的个数。
式中的t视采样间隔而定,1h、30min、15min分别对应24、48、96。
研究中根据上述方法拟合出的负荷数据,依然保持用户原有的负荷特性。
工业用户:工业是国家最大的电力消耗行业,工业负荷主要包括:煤炭、钢铁、铝、石油、机械制造、建筑材料、轻工业、化学工业。各个行业有其不同的特点,总结起来可分为两类用户,即平稳型和波动型。以钢铁工业为代表的负荷为平稳型,负荷设备连续运行工作制较多,负荷率高;以机械工业为代表的负荷为波动型,负荷变化大,自然功率因数低。因此针对不同的行业需要研究不同的行业曲线。
工业用电总负荷作为小区电力负荷方法的主要部分,决定了该小区的电力负荷规模。我国大中型城市的日用电负荷峰值一般为采用两种典型的负荷行业曲线,一是负荷平稳型,记为工厂A,其标幺负荷曲线如图1中的图a所示;二是负荷波动型,记为工厂B,其标幺负荷曲线如图1中的图b所示。
商业用户:本方法中的三产用电,主要是指商业用电和市政机构用电。这两个类型的负荷,以商业和办公大楼为主。鉴于获取数据存在困难性,故在本项目的研究中仅为有类细分用户,采取用电器模拟的方式对该类用户进行负荷模拟,获取其负荷标幺曲线。
以目前最为典型的综合商业大楼为例,设定其建筑面积为100,000m2,包括多功能影院2层、饭店4层、购物商场6层、地下停车场3层和写字间35层,即每层建筑面积为2,000m2不考虑饭店餐饮的租户使用燃气,电力是该商业大楼中公用服务设备和租户使用的唯一能源。为此,根据学校周边商业大楼的调研结果,参考现有各商业大厦的工程设计书,设置办公大楼的电器设备数量和使用时间,如表1所示。
表1
在上述情况下,模拟出的商业大楼的负荷标幺曲线如图2所示。
从模拟的曲线上来看,商业负荷曲线出现两个高峰:上午9点45分至11点45分,下午2点整至4点30分。这与统计结果中的实际情况还是相互吻合的。
居民用户:我国目前的电力市场中居民用电受诸多因素的影响。其中包括经济因素,如电价、家庭收入、替代能源(燃气等)价格、住房条件和家用电器拥有量,也包括非经济因素,如家庭人口数量、生活习惯及气候等因素。本研究中的方法按照统计和Logistic预测方法对全国居民家庭平均每百户年底耐用消费品拥有量的估算,以2020年城市家用电器拥有量做方法基础,如表2所示。
表2
家用电器 | 数量 | 家用电器 | 数量 | 家用电器 | 数量 |
洗衣机/台 | 108 | 电冰箱/台 | 118 | 彩色电视机/台 | 177 |
空调器/台 | 208 | 抽油烟机/台 | 93 | 家用计算机/台 | 193 |
移动电话/部 | 180 | 微波炉/台 | 98 | 淋浴热水器/台 | 98 |
为了准确地搭建居民的负荷方法,本项目分两种手段调研居民用户的家用电器使用情况,包括问卷调查和实地数据采集。
a)居民用电问卷调查
本研究中对山东省济南市、青岛市及济宁市的城市居民进行了调研。调研内容主要为其基本家用电器使用情况,包括以下三个方面的内容:
i.调查对象的基本信息:所在区域、性别、年龄、家庭月收入、工作时间。
ii.普通电器的使用规律:每种电器工作日和周末的使用天数和具体时间段。电器主要包括用电炊具、彩色电视机、洗衣机、家用电脑、充电娱乐设备、空调、热水器。
iii.空调和热水器的使用情况:空调和电热水器作为城市家庭用户的储冷储热设备,其使用习惯有别于其他普通电器,并且不同的温度设定会带来很大的功率差别,因此特别进行统计分析。
在调查过程中,济南市回收有效问卷516份,青岛市回收有效问卷526份,济宁市回收有效问卷514份。
三个城市之间相似度很大,因此选取青岛市作为代表。由于主要采用网络发放的方法,因此共有73.02%的受调查对象为年龄在25岁~35岁之间。
39.34%的用户在中午不使用电饭煲、电磁炉等做饭,中午使用1天、2天、3天、4天、5天的用户比例分别为5.09%、9.25%、11.89%、5.28%、29.06%,因此折合到工作日一天当中的用户比例为
(5–)
针对具体使用时间段的随机性,依照问卷中统计的时间分布得出一天中各使用时间段的比例分布,再以此曲线乘以电器的单机使用功率和使用家庭数目从而得出该种电器一天中的负荷曲线,如图3所示。
约束条件:
1)设备安全运行
根据需求响应项目要求和参与电气设备负荷位置分布情况,可将参与DR的负荷进行分组,假设K组设备参与DR项目。为了避免负荷设备频繁受控影响设备安全运行,每组设备的总受控次数不能过多,即DR的优化调度方案需满足如下约束:
(4)
式中:为第t时段第k组负荷被控程度的决策变量(1表示完全被控,即中断供电;0表示完全不被控;中的任意数表示部分被控,但在此处统一取作1。),为研究时段T内第k组负荷的最大允许受控次数。
2)用户容忍程度
从用户用电舒适满意度来考虑用户的容忍程度以使执行DR过后用户的用电舒适满意度限制在其可容忍范围之内。具体表述为:
(5)
(6)
式中:为用户当前的舒适度,为用户当前电费支出满意度;分别为标准所规定的用户的舒适度和用户电费支出满意度。
3)可控负荷总量
以前述假设为基础,第t时段所有可控负荷为:
(7)
式中:为第t时段的可控负荷总量;为第t时段第k组可控负荷;为第t时段第k组负荷被控程度的决策变量(1表示完全被控,即中断供电;0表示完全不被控;中的任意数表示部分被控。)
4)反弹负荷总量
因精确的反弹负荷方法很难得到,通常使用3阶段反弹负荷方法:
(8)
式中:为第t时段第k组负荷的反弹负荷,分别为第k组负荷在第t-1,t-2,t-3时段的可控负荷;分别为对应时段的系数。综合考虑用户的可控负荷和反弹负荷,实施ADR后第t时段第k组负荷为:
(8-1)
式中:和分别为实施ADR前后第t时段第k组负荷。通过汇总所有ADR负荷分组情况,可以相应得到实施ADR以后用户第t时段的负荷为:
(8-2)
式中:和分别为实施DR前后第t时段用户负荷,为第t时段的可控负荷总量(即当时削减的负荷总量);为第t时段用户的反弹负荷。
5)基本需求
基本需求主要从供电公司可以给予用户的电量与用户实施DR后实际消耗的用电量二者之间的关系来考虑。即
(9)
式中:为供电公司当时可以给予用户的电量;其他变量的定义同上。
6)受控时间
对于第k组负荷,其在第t时段的累计受控时间为:,电力市场下的DR优化调度方案需要考虑尽可能减少用户的累计受控时间,在研究时段T内,所有分组的累计受控时间为
(10)
式中:为决策变量,只要设备受控则取值为1,未受控则取值为0。由此可知,F的值越小,表示分组的累计受控时间越短,因而考虑用户利益时需最小化目标函数。
7)用户收益
从经济的角度出发考虑,规定时间T内,用户实施ADR的收益函数表述为
(11)
其中,表示用户未实施DR前用电支出的费用,表示为用户实施DR后用电支出的费用,表示为电力公司因用户实施ADR项目提供给用户的经济补偿。
(2)优化目标
1)用户用电舒适度
根据用户实际用电曲线和舒适度最大用电曲线的相关系数计算用户的舒适度。在未实行DR之前,用户按照最适合自己的生产生活方式安排用电方式,此时用户的舒适度最大。实行DR后,用户做出响应,改变用电方式以追求较大电费减少量。这时用电量在时间轴上进行了重新组合,形成新的用户负荷曲线。舒适度是建立在调整电量与原负荷曲线的差值基础之上的,具体表示为:
(12)
式中,为实行DR后的用户各时段用电量的变化值;为用户的舒适度。
在实行DR后,不考虑用户用电量的大幅度变化时,舒适度。当用户未改变各时段用电量时,用户舒适度最大,其值为1;用户用电方式即各时段的用电量改变越大,其满意度越低;在用户完全不用电的极端情况下,用户的满意度为0。
2)用电成本
(13)
在用户执行DR前后电费支出的变化中定义电费支出满意度。上式中:为用户电费支出满意度;为未实行DR时用户的电费支出,它是原电价的函数;为实行DR后用户的电费支出,它是实行DR后电价的函数。
3)参与成本
参与成本分为参与初始成本和参与特定事件成本。参与者参加DR项目的动力是在达到同样用电服务的条件下减少电力消费,从而减少经济支出。DR项目提供的节电资源所采取的节电技术和措施,有两种类型,一是节约电量型,如高效照明灯具,变频调速电动机,高效空调,新型隔热建筑等;二是电力负荷调整型,如蓄冷式集中空调,可中断负荷等,或两者兼而有之。由于更新用电设备需要一定的费用,除个别项目可以通过节电在短期内回收设备投资外,大多数还需要电网公司给予奖金鼓励,以便参与者得到经济上的好处,如紧凑式荧光灯及新型节电冰箱的折扣销售。参与者的成本包括他在实施DR规划中的直接费用,如净增加的设备费用,而收益为收到的直接经济效益,如由电网公司提供的补贴资金或政府提供的优惠信贷以及由于节电而减少的电费。
假设参与者考虑接受DR的节电资源,每种购买时间为第年,寿命为,电网公司提供的价格补贴率为。整个DR规划的实施年数为n年。为处理简单,也可视所有,即都在起始年购置。
用户的参与成本的现值定义如下:
(14)
式中,分别为参与者的总成本和参与者采用第j类节电资源的成本;为第i年参与者的直接费用,例如,,其中:为第i年第j类节电资源的购置费,为第i年第j类节电资源的补贴率,一般,补贴在采购时一次出现,为第i年因购第j类节电资源而避免的普通资源的费用,如果是改造项目,则本项记为0;为用户贴现率;n为项目实施的年数;M为项目有关的节电资源种类数。
4)内部调度的公平性
保证参与DR的用户的综合满意度是相近的,以提高用户参与的积极性。在DR决策过程中,除了考虑所有用户的平均综合满意度以外,还应考虑调度的公平性。只有公平性较好的DR调度方案才能保证用户参与的积极性。DR的公平性指标是根据用户综合满意度得到的,用于反映不同用户综合满意度的差异,并且可用用户综合满意度的标准差来描述。
根据DR项目要求和用户类型等情况的差异,可以将参与DR的用户进行分组。假设有z组用户参与DR项目。对于第z组负荷,其在第t时段的连续受控和非受控正常供电时间分别为和 ,计算公式为:
(15)
根据模糊集理论,可以利用用户的连续受控时间与连续运行时间来分别建立模糊隶属度函数,再利用该函数来表征用户满意度。第t时段第z组负荷的用户连续受控满意度,连续供电满意度和综合满意度分别为:
(16)
(17)
(18)
式中:和分别为第z组用户的最佳连续受控时间与最佳连续运行时间。
在整个时段T内,第z组负荷用户的综合满意度为,所有参与DR项目的负荷组的平均用户综合满意度。故调度的公平性为
(19)
的值越小,表示整个负荷控制过程越公平。
(3)多目标优化数学方法
通过对某函数的极小化可以等价地转化为对的极大化,可以得到如下统一地对需求响应多目标进行极大化智能决策方法
(20)
(4)多种控制模式
上述多目标优化方法涉及到多个目标的优化,这些目标并不是独立存在的,而是通过决策变量耦合在一起且处理相互制约相互竞争的状态,而且每个目标具有不同的单位和量纲,因此很难客观的评价多目标问题的解。他们的竞争和复杂性使得对其优化变得十分困难,与单目标优化问题不同的是,多目标优化问题的解很难唯一,而是一组均衡解,称为最优非劣解集或Pareto最优解集,所以实际上的多目标优化往往是如何寻求Pareto解集的过程,而Pareto解集中的元素就所有目标而言是彼此不可比较的,因此不能简单地把多个目标归并为单目标求解,并且这组解是无差别的。换言之,当对所有的目标函数考虑时,在搜索空间中不存在比这些解更优的解,而且这些解之间没有绝对的优劣之分。
(5)算法实施细则
1)确定各种群决策变量信息
由上述量化分析后的含有约束的多目标优化方法可以求得,约束条件含有的决策变量有:,,,, ;优化目标含有的决策变量有:用户用电舒适度,用电成本,用户的参与成本和,用户的参与程度,控制的公平性。由此可知,辅助种群1对应的决策变量为,,,,,,, ;辅助种群2对应的决策变量为,,,,,,,;辅助种群3对应的决策变量为,,,,,,,,;辅助种群4对应的决策变量为,,,,,,;主种群的决策变量为,,,,,,,,,,,,。故辅助种群1、2、3、4中的每个粒子的维度分别为7、7、9、7,而主种群中粒子的维度为13。
对于辅助种群1:分别对应,,,,,,;
对于辅助种群2:分别对应,,,,,,;
对于辅助种群3:分别对应,,,,,,,,;
对于辅助种群4:分别对应,,,,,,;
对于主种群:分别对应,,,,,,,,,,,,。
其中,为种群规模,即粒子数,全部设置为80。
2)初始化主种群和辅助种群
为平衡算法的全局搜索能力和局部开采能力,对于惯性权值采用如下公式进行动态调整:
(21)
其中,为常数因子,其值选为0.975,的初始值设定为1.4;对于加速度因子分别设为1.5,2.5,0.7。
将上述求得的4个辅助种群和主种群中所有粒子的所有维度值进行初始化,即初始化主种群和辅助种群中每个粒子的速度和位置。并设置种群规模、外部档案文件大小、迭代次数、运行次数等。考虑到初始化时,不同的随机种子对算法的影响,每次迭代实验算法运行300次。种群规模、外部档案文件大小、迭代次数及算法运行次数的设定如表3所示。
表3
主种群规模 | 80 |
每一个辅助种群规模 | 80 |
外部档案文件大小 | 80 |
迭代次数 | 200 |
算法运行次数 | 300 |
为了计算关系矩阵R及剩余值,根据前面讨论的、、、和之间的关系,在本研究中,对这五个参数分别设定如下:,,,,。
通过以上模拟出的智能决策模型,用户根据收到的电价信息,根据自身意愿选择是否调整电力需求并改变用电消费行为,即由用户通过内部的经济决策过程,将用电时段调整到低电价时段,并在高电价时段减少用电,来实现减少电费支出的目的。用户在系统需要或电力紧张时减少电力需求,以此获得直接补偿或其他时段的优惠电价,包括直接负荷控制、可中断负荷、需求侧竞价、紧急需求响应、容量市场项目等实施类型。
Claims (1)
1.一种基于价格和激励的电力需求响应的智能决策方法,其特征在于,包括以下步骤:
a).样本数据采集,以日为单位按照一定的采样周期,利用智能电表对作为样本的用户的用电信息进行采集,采集的信息包括负荷数据和相应的电价;其中,采样周期为1h、30min或15min;
设对于第i类用户下有Mi类细分行业,第j类细分行业选取样本用户数量为K′,i类包括工业、商业和居民生活用电;j=1,...,Mi,K′=1,...,Kij,Kij表示选取的第i类用户第j类细分行业的数量;
b).第i类中第j类细分行业负荷的求取,按照公式(1)和(2)求取出第i类用户第j类细分行业在t时刻的拟合负荷fijt:
其中,为第i类用户第j类细分行业在t时刻的标幺后的负荷叠加数据;fijkt为第i类用户第j类细分行业第k个样本用户在t时刻的负荷;Qijkt为第i类用户第j类细分行业第k个样本用户t时刻典型日的基值,取日最大负荷;
c).第i类用户t时刻负荷的求取,按照公式(3)求取出第i类用户t时刻的拟合负荷:
其中,fit为第i类用户在t时刻的拟合典型负荷;λj为第i类用户第j类细分行业在该类用户中所占的电量比重;M为第i类用户中细分行业的个数;
d).建立设备安全运行约束条件,建立如公式(4)所示的设备安全运行约束条件:
其中,Xkt为第t时段第k组负荷被控程度的决策变量,其取值为0或1,1表示完全被控,即中断供电;0表示完全不被控;NADR,k为研究时段t内第k组负荷的最大允许受控次数;
e).建立容忍程度约束条件,建立如公式(5)和(6)所示的用户容忍程度约束条件,
ε≥ε0 (5)
θ≥θ0 (6)
其中,ε为用户当前的舒适度,θ为用户当前电费支出满意度;ε0,θ0分别为标准所规定的用户的舒适度和用户电费支出满意度;
f).求取可控负荷总量,通过公式(7)求出第t时段所有可控负荷:
其中,LADR,t为第t时段的可控负荷总量;LADR,kt为第t时段第k组可控负荷;
g).求取反弹负荷总量,依据公式(8)求取反弹负荷总量:
LPB,kt=αLADR,k(t-1)+βLADR,k(t-2)+γLADR,k(t-3) (8)
其中,LPB,kt为第t时段第k组负荷的反弹负荷,LADR,k(t-1),LADR,k(t-2),LADR,k(t-3)分别为第k组负荷在第t-1,t-2,t-3时段的可控负荷;α,β,γ分别为对应时段的系数,其均小于1;
h).建立基本需求关系式,建立如公式(9)所示的基本需求关系式:
Wt≥Lnew,t=Lold,t-LADR,t+LPB,t (9)
其中,Wt为供电公司当时可以给予用户的电量,Lold,t和Lnew,t分别为实施智能决策前后前后第t时段用户负荷,LADR,t为第t时段的可控负荷总量,LPB,t为第t时段用户的反弹负荷;
i).建立受控时间约束条件,对于第k组负荷,其在第t时段的累计受控时间Skt为:Skt=Sk(t-1)+xktΔt,建立如公式(10)所示的受控时间约束条件:
其中,xkt为决策变量,设备受控则取值为1,未受控则取值为0;F1的值越小,表示分组的累计受控时间越短,因而考虑用户利益时需最小化目标函数F1,k表示第k组负荷,Skt表示第k组负荷在第t时段的累计受控时间;
j).建立用户受益约束函数,建立如公式(11)所示的用户受益约束函数:从经济的角度出发考虑,规定时间T内,用户实施需求响应的收益函数表述为
其中,G为用户实施需求响应后的收益函数,表示用户未实施需求响应前用电支出的费用,表示为用户实施需求响应后用电支出的费用,表示为电力公司因用户实施需求响应项目提供给用户的经济补偿;
k).建立舒适度优化函数,建立如公式(12)所示的用户用电舒适度优化目标函数:
式中,为实行需求响应后的用户各时段用电量的变化值,ft(Pt)表示用户的未执行智能决策前的用电曲线,fADR,t(PADR)表示用户执行智能决策后的用电曲线;ε为用户的舒适度;不考虑用户用电量的大幅度变化时,舒适度ε∈[0,1];当用户未改变各时段用电量时,用户舒适度最大,其值为1;用户用电方式即各时段的用电量改变越大,其满意度越低;在用户完全不用电的极端情况下,用户的满意度为0;
l).建立用电成本约束函数,建立如公式(13)所示的用电成本约束函数:
其中,θ为用户电费支出满意度;c(P0)为未实行需求响应时用户的电费支出,它是原电价P0的函数;c(PADR)为实行需求响应后用户的电费支出,它是实行需求响应后电价的函数;
m).建立参与成本约束函数,设每种节点设备购买时间为第nj年,寿命为Lj,电网公司提供的价格补贴率为bj;整个需求响应规划的实施年数为n年;视所有nj=1,即都在起始年购置;通过公式(14)建立用户的参与成本:
式中,Cp,Cpj分别为参与者的总成本和参与者采用第j类节电资源的成本;DCij为第i年参与者、采用第j类节电资源的直接费用;n为项目实施的年数;M为项目有关的节电资源种类数;rp为用户贴现率;
n).建立公平性约束函数,设有z组用户参与需求响应项目;对于第z组负荷,其在第t时段的连续受控和非受控正常供电时间分别为Soff,zt和Son,zt,其计算公式为:
Soff,zt=Soff,z(t-1)+xztΔt
Son,zt=Son,z(t-1)+(1-xzt)Δt (15)
xzt为第t时段第z组用户被控程度的决策变量;
第t时段第z组负荷的用户连续受控满意度Uoff,zt,连续供电满意度Uon,zt和综合满意度Uzt分别为:
Uzt=xztUoff,zt+(1-xzt)Uon,zt (18)
式中:Toff,z,best和Ton,z,best分别为第z组用户的最佳连续受控时间与最佳连续运行时间;在整个时段T内,第z组负荷用户的综合满意度Uz为所有参与需求响应项目的负荷组的平均用户综合满意度xzt为第t时段第z组用户被控程度的决策变量;Toff,z,max和Ton,z,min分别为第z组用户的最大连续受控时间与最小连续运行时间;故调度的公平性为:
F2的值越小,表示整个负荷控制过程越公平;
o).建立多目标优化数学模型,通过对某函数f(X1,…,Xn)的极小化等价地转化为对-f(X1,…,Xn)的极大化,得到如下统一地对需求响应多目标进行极大化智能决策模型:
当对所有的目标函数考虑,在搜索空间中求出最优解,实现对工业、商业和居民生活用电模型的仿真。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310650091.9A CN103679357B (zh) | 2013-12-06 | 2013-12-06 | 基于价格和激励的电力需求响应的智能决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310650091.9A CN103679357B (zh) | 2013-12-06 | 2013-12-06 | 基于价格和激励的电力需求响应的智能决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679357A CN103679357A (zh) | 2014-03-26 |
CN103679357B true CN103679357B (zh) | 2017-05-10 |
Family
ID=50316834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310650091.9A Expired - Fee Related CN103679357B (zh) | 2013-12-06 | 2013-12-06 | 基于价格和激励的电力需求响应的智能决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679357B (zh) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102952B (zh) * | 2014-06-17 | 2017-06-06 | 国家电网公司 | 一种基于电网运行效率的负荷优化配置方法 |
CN104408663B (zh) * | 2014-09-03 | 2018-08-07 | 上海大学 | 智能电网用户需求响应调度系统及方法 |
CN104268817B (zh) * | 2014-09-25 | 2018-01-26 | 国家电网公司 | 一种耗能用户节能减排的多代理互动推演模拟系统 |
CN104376379B (zh) * | 2014-11-17 | 2018-03-23 | 南方电网科学研究院有限责任公司 | 一种考虑双边交易的零售商购售电策略的优化方法 |
CN104766156B (zh) * | 2015-03-04 | 2018-04-06 | 电子科技大学 | 一种能源自动分配方法及管理系统 |
CN104807143B (zh) * | 2015-05-14 | 2017-05-10 | 南通大学 | 基于电能友好空调负荷侧主动需求策略 |
CN107016477A (zh) * | 2016-01-28 | 2017-08-04 | 株式会社日立制作所 | 基于分时电价对生产任务进行调度的方法和装置 |
CN105761022A (zh) * | 2016-03-14 | 2016-07-13 | 东南大学 | 一种直接负荷控制方案评估及甄选方法 |
CN106022592B (zh) * | 2016-05-16 | 2021-12-28 | 中国电子科技集团公司电子科学研究院 | 一种用电行为异常检测与治安风险预警方法及装置 |
CN107887975B (zh) * | 2016-09-29 | 2022-03-18 | 中国电力科学研究院 | 一种需求侧资源调控方法及系统 |
US10949777B2 (en) * | 2017-06-07 | 2021-03-16 | Johnson Controls Technology Company | Building energy optimization system with economic load demand response (ELDR) optimization |
US11238547B2 (en) | 2017-01-12 | 2022-02-01 | Johnson Controls Tyco IP Holdings LLP | Building energy cost optimization system with asset sizing |
CN106816878B (zh) * | 2017-03-09 | 2020-07-24 | 中国电力科学研究院 | 一种应用于电力排灌设施的需求响应调控装置和方法 |
CN107341562A (zh) * | 2017-05-25 | 2017-11-10 | 杭州赫智电子科技有限公司 | 一种融合需求响应的楼宇能源管理系统及能源管理方法 |
US11022947B2 (en) | 2017-06-07 | 2021-06-01 | Johnson Controls Technology Company | Building energy optimization system with economic load demand response (ELDR) optimization and ELDR user interfaces |
US11301941B2 (en) | 2017-06-12 | 2022-04-12 | Tata Consultancy Services Limited | Systems and methods for optimizing incentives for demand response |
CN107403276A (zh) * | 2017-07-31 | 2017-11-28 | 国家电网公司 | 分析用电需求的方法和装置 |
CN107612041B (zh) * | 2017-08-23 | 2021-04-06 | 浙江工业大学 | 一种考虑不确定性的基于事件驱动的微电网自动需求响应方法 |
CN107665378B (zh) * | 2017-09-25 | 2021-05-28 | 燕山大学 | 基于需求侧竞价交易机制的电力系统多目标优化调度方法 |
CN108288132B (zh) * | 2018-03-19 | 2021-10-08 | 云南电网有限责任公司电力科学研究院 | 一种基于源荷互动电力系统调度的建模方法 |
CN108764509B (zh) * | 2018-03-22 | 2021-06-01 | 国网天津市电力公司 | 一种对电源电网负荷三者之间进行相互协调优化的方法 |
CN110390443A (zh) * | 2018-04-16 | 2019-10-29 | 中国电力科学研究院有限公司 | 一种考虑需求响应的生产计划调整方法及系统 |
CN109242286A (zh) * | 2018-08-27 | 2019-01-18 | 华北电力大学 | 一种基于径向基神经网络的需求侧响应潜力挖掘方法 |
CN109190818B (zh) * | 2018-08-28 | 2021-02-09 | 交叉信息核心技术研究院(西安)有限公司 | 电力资源管理方法及系统、服务端、计算机可读存储介质 |
CN109544400A (zh) * | 2018-11-29 | 2019-03-29 | 河南飙风信息科技有限公司 | 一种基于大数据技术的智能电网量测数据信息化系统 |
CN109687429B (zh) * | 2018-11-30 | 2020-11-10 | 国电南瑞南京控制系统有限公司 | 一种柔性负荷设备的调度方法、系统及存储介质 |
CN110020806A (zh) * | 2019-04-11 | 2019-07-16 | 广东工业大学 | 基于综合电力需求响应的任务表制定方法、装置和介质 |
CN110390492B (zh) * | 2019-07-30 | 2022-06-14 | 丁勇 | 一种电网需求侧负荷平衡的分析方法 |
CN111415030B (zh) * | 2019-11-19 | 2022-11-29 | 广西电网有限责任公司 | 计及用能舒适度的楼宇能源系统综合需求响应优化方法 |
CN110837983A (zh) * | 2019-11-21 | 2020-02-25 | 国网江苏省电力有限公司南通供电分公司 | 考虑分布式电源、储能装置、混合式负荷的多场景需求响应策略 |
CN111080113A (zh) * | 2019-12-10 | 2020-04-28 | 国网天津市电力公司 | 一种用于电力需求侧管理的激励定价方法 |
CN110929964B (zh) * | 2019-12-18 | 2022-12-06 | 国网福建省电力有限公司 | 一种基于近似动态规划算法的含储能配电网优化调度方法 |
CN111461920B (zh) * | 2020-03-23 | 2022-07-19 | 青海大学 | 一种面向智能电网的数据中心需求响应方法和系统 |
CN111798620A (zh) * | 2020-07-13 | 2020-10-20 | 深圳供电局有限公司 | 一种智能预付费系统及其预付费方法 |
CN111784409B (zh) * | 2020-07-13 | 2024-04-26 | 南方电网能源发展研究院有限责任公司 | 用于配置削峰措施的模型构建方法、装置、设备及介质 |
CN112183809B (zh) * | 2020-08-12 | 2024-05-17 | 国网江西省电力有限公司经济技术研究院 | 一种基于时空推演法的电力负荷特性指标测算方法 |
CN112488372A (zh) * | 2020-11-23 | 2021-03-12 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 多时间尺度下电采暖负荷双层优化调度方法 |
CN112884242B (zh) * | 2021-03-13 | 2022-09-16 | 国网山东省电力公司泰安供电公司 | 一种短流程钢企需求响应潜力分析方法及系统 |
CN112996200B (zh) * | 2021-04-14 | 2022-07-05 | 国网浙江省电力有限公司电力科学研究院 | 面向地下停车场灯光负荷的需求侧响应控制方法 |
CN113325896B (zh) * | 2021-05-31 | 2022-03-01 | 浙江工业大学 | 一种智能零售机的多目标温度优化控制方法 |
CN113297799B (zh) * | 2021-06-10 | 2024-02-06 | 国网综合能源服务集团有限公司 | 一种基于数据驱动的空调集群负荷需求响应潜力评估方法 |
CN116955968B (zh) * | 2023-09-21 | 2023-12-12 | 湖北华中电力科技开发有限责任公司 | 一种基于机器学习的用户用电行为分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7062361B1 (en) * | 2000-05-02 | 2006-06-13 | Mark E. Lane | Method and apparatus for controlling power consumption |
CN101281637A (zh) * | 2008-05-09 | 2008-10-08 | 天津大学 | 基于超平面形式安全域边界的电力系统优化潮流和实时定价方法 |
CN103325009A (zh) * | 2013-05-30 | 2013-09-25 | 清华大学 | 电网供不应求情况下电力负荷移峰的控制及费用计算方法 |
CN103401239A (zh) * | 2013-08-07 | 2013-11-20 | 国家电网公司 | 电力需求侧参与缓解配电线路过载的方法 |
-
2013
- 2013-12-06 CN CN201310650091.9A patent/CN103679357B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7062361B1 (en) * | 2000-05-02 | 2006-06-13 | Mark E. Lane | Method and apparatus for controlling power consumption |
CN101281637A (zh) * | 2008-05-09 | 2008-10-08 | 天津大学 | 基于超平面形式安全域边界的电力系统优化潮流和实时定价方法 |
CN103325009A (zh) * | 2013-05-30 | 2013-09-25 | 清华大学 | 电网供不应求情况下电力负荷移峰的控制及费用计算方法 |
CN103401239A (zh) * | 2013-08-07 | 2013-11-20 | 国家电网公司 | 电力需求侧参与缓解配电线路过载的方法 |
Non-Patent Citations (1)
Title |
---|
电网企业购售电经营中的优化模型与方法研究;曹福成;《中国博士学位论文全文数据库 经济与管理科学辑》;20070815;J150-43 * |
Also Published As
Publication number | Publication date |
---|---|
CN103679357A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103679357B (zh) | 基于价格和激励的电力需求响应的智能决策方法 | |
Shakouri et al. | Multi-objective cost-load optimization for demand side management of a residential area in smart grids | |
Stavrakas et al. | A modular high-resolution demand-side management model to quantify benefits of demand-flexibility in the residential sector | |
Panda et al. | Residential Demand Side Management model, optimization and future perspective: A review | |
Luo et al. | A multistage home energy management system with residential photovoltaic penetration | |
Celik et al. | Electric energy management in residential areas through coordination of multiple smart homes | |
Shirazi et al. | Cost reduction and peak shaving through domestic load shifting and DERs | |
Fiorini et al. | Energy management for user’s thermal and power needs: A survey | |
Saberi et al. | Data-driven distributionally robust hierarchical coordination for home energy management | |
Huang et al. | A collaborative demand control of nearly zero energy buildings in response to dynamic pricing for performance improvements at cluster level | |
Han et al. | Home energy management systems: A review of the concept, architecture, and scheduling strategies | |
Fangjie et al. | Community decision-makers’ choice of multi-objective scheduling strategy for integrated energy considering multiple uncertainties and demand response | |
Saberi et al. | Capacity of virtual energy storage system for frequency regulation services via a data-driven distributionally robust optimization method | |
Bandyopadhyay et al. | As one falls, another rises? Residential peak load reduction through electricity rate structures | |
Dorahaki et al. | A sharing economy model for a sustainable community energy storage considering end-user comfort | |
Imanloozadeh et al. | A new stochastic optimal smart residential energy hub management system for desert environment | |
Cui et al. | Improved normal-boundary intersection algorithm: A method for energy optimization strategy in smart buildings | |
Tan et al. | Optimization and trading of district multi-energy system in university community considering carbon emission | |
Ran et al. | Robust scatter index method for the appliances scheduling of home energy local network with user behavior uncertainty | |
Siepermann et al. | The potential of shifting residential energy consumption for the energy transition | |
Huang et al. | A hybrid PSO-DE algorithm for smart home energy management | |
Bandyopadhyay et al. | Energetic potential for demand response in detached single family homes in Austin, TX | |
Yanine et al. | Grid-tied distributed generation with energy storage to advance renewables in the residential sector: tariffs analysis with energy sharing innovations | |
Yi et al. | Multi-objective global dynamic optimal scheduling of smart building loads considering carbon emissions | |
Amadeh et al. | Building cluster demand flexibility: An innovative characterization framework and applications at the planning and operational levels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170510 Termination date: 20171206 |
|
CF01 | Termination of patent right due to non-payment of annual fee |