CN117610888A - 基于用户偏好和混合整数线性规划的需求响应调度方法 - Google Patents
基于用户偏好和混合整数线性规划的需求响应调度方法 Download PDFInfo
- Publication number
- CN117610888A CN117610888A CN202410066494.7A CN202410066494A CN117610888A CN 117610888 A CN117610888 A CN 117610888A CN 202410066494 A CN202410066494 A CN 202410066494A CN 117610888 A CN117610888 A CN 117610888A
- Authority
- CN
- China
- Prior art keywords
- residential
- user
- energy
- load
- demand response
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000004044 response Effects 0.000 title claims abstract description 28
- 238000005265 energy consumption Methods 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 7
- 230000018044 dehydration Effects 0.000 description 2
- 238000006297 dehydration reaction Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 208000037309 Hypomyelination of early myelinating structures Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明适用于需求响应调度技术领域,提供一种基于用户偏好和混合整数线性规划的需求响应调度方法,包括:对NSAs负荷和CAs负荷的历史数据,分别进行模糊C均值聚类;获取住宅用户的能源成本承受能力和设备信息,计算每个住宅用户的用户意愿支付来量化用户偏好,并计算分配能源;基于该用户偏好,采用混合整数线性规划进行住宅社区的需求响应调度,以最小化住宅社区的总能源成本。本发明的需求响应调度方法考虑了能源成本的承受能力和设备信息,考虑用户偏好的情况下以最大限度地降低住宅社区的总能源成本,具有降低社区总能源成本和通信流量的特点。
Description
技术领域
本发明属于需求响应调度技术领域,尤其涉及一种基于用户偏好和混合整数线性规划的需求响应调度方法。
背景技术
需求响应(Demand response,DR)即电力需求响应的简称,是指当电力批发市场价格升高或系统可靠性受威胁时,电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知或者电力价格上升信号后,改变其固有的习惯用电模式,达到减少或者推移某时段的用电负荷而响应电力供应,从而保障电网稳定,并抑制电价上升的短期行为,实现在智能电网中管理需求以匹配可用能源。通过DR,智能电网能以一种可控的、智能的方式将电力从发电端传递给活跃的消费者。住宅能耗约占全球能源消耗的30-40%,因此探索住宅社区需求侧实体的DR具有重要的理论和现实意义。
由于用户偏好的不同,智能电网中住宅社区的负荷具有多样性与灵活性。社区用户可以根据实时电价来决定是否减少用电量,这有助于转移负荷并降低能源成本。然而,同一住宅社区内不同的用户偏好,使得很难找到一个通用的DR调度而不影响不同的住宅用户需求。
针对用户偏好的DR调度研究进展较多,其中主要方法可归纳为三类。第一种方法是基于用户的能耗行为;然而,用户的能源消耗行为涉及大量的能源消耗数据,这使得提取用户偏好变得更加困难。第二种方法是基于能源成本的可承受性,它反映了用户偏好的主观因素。第三种方法是基于家电信息,它反映了用户偏好的客观因素。但是目前的各种方法均无法适应不同的用户偏好需求,无法在考虑用户偏好的情况下最小化住宅社区总能源成本。
发明内容
鉴于上述问题,本发明的目的在于提供一种基于用户偏好和混合整数线性规划的需求响应调度方法,旨在解决现有方法无法在考虑用户偏好的情况下最小化住宅社区总能源成本的技术问题。
本发明采用如下技术方案:
所述基于用户偏好和混合整数线性规划的需求响应调度方法,用于住宅社区的需求响应调度,其中住宅社区侧设置有负荷聚合器,住宅用户侧设置有家庭能源管理系统,本发明方法包括下述步骤:
步骤S1、负荷聚合器获取带标签的不可调度设备NSAs负荷和可控设备CAs负荷的历史数据,对两种历史数据分别进行模糊C均值聚类;
步骤S2、负荷聚合器从各家庭能源管理系统获取住宅用户的能源成本承受能力和设备信息,计算每个住宅用户的用户意愿支付,并根据用户意愿支付和实时电价计算分配给每个住宅用户的能源,即分配能源;
步骤S3、针对每个住宅用户,家庭能源管理系统计算住宅用户的最小需求量,如果分配能源小于当前住宅用户的最小需求量,则提高住宅用户的能源成本承受能力并再次计算分配能源,直至分配能源大于或等于最小需求量;
步骤S4、负荷聚合器采用混合整数线性规划进行住宅社区的需求响应调度。
本发明的有益效果是:本发明首先根据不可调度设备和可控设备的历史数据,将设备按照功率进行聚类,仅通过获取少量的用户信息,包括能源成本承受能力、设备信息,并结合可调度设备的功率和运行时间,引入用户意愿支付来量化用户偏好,最后基于用户偏好和混合整数线性规划,最小化住宅社区总能源成本。本发明方法是一种完整的住宅社区需求响应调度方法,具有降低社区总能源成本和通信流量的特点。
附图说明
图1是住宅社区和住宅用户布置示意图;
图2是本发明实施例提供的基于用户偏好和混合整数线性规划的需求响应调度方法的流程图;
图3是住宅社区一天中UWP分配的负荷与原始负荷比较图;
图4是调度前,MILP和DR-UWP-MILP调度后的住宅社区每小时的负荷比较图;
图5是住宅用户1的UWP分配负荷以及调度前后的每小时负荷比较图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
如图1所示,本实施例提供了一种基于用户偏好和混合整数线性规划的需求响应调度方法,应用于住宅社区的需求响应调度。其中住宅社区侧设置有负荷聚合器,其与智能电网连接。住宅用户侧设置有家庭能源管理系统HEMS,住宅用户侧的电器设备类型有不可调度设备(Nonshiftable appliances, NSAs)、可控设备(Controllable appliances,CAs)以及可调度设备(shiftable appliances, SAs)。如图2所示,本发明方法包括下述步骤:。
步骤S1、负荷聚合器获取带标签的不可调度设备负荷和可控设备负荷的历史数据,对两种历史数据分别进行模糊C均值聚类。
如上所述,住宅用户的电器设备一般分为三大类:NSAs、CAs和SAs。NSAs一天24小时开启,不能通过DR调度关闭,以固定功率工作;例如,安全系统一天24小时运行。CAs可以在不同的额定功率下运行,可以在最大功率和最小功率之间进行调整;例如,空调可以在不同的功率等级下运行。SAs有固定的额定功率和运行时间,这些电器可以换到其他时间运行,一旦开启,在运行结束前就不能关闭,包括电动汽车、热水器等。如下表1为一个住宅社区示例,住宅社区有一个负荷聚合器,35个住宅用户。住宅社区的电器设备数量如表1所示:
表1
本步骤的具体过程如下:
S11、根据标签将历史数据分类,其中不可调度设备负荷记为NSAs负荷,可控设备负荷记为CAs负荷。
由于NSAs负荷和CAs负荷都是带标签数据,负荷数据称为数据对象,记为。首先根据标签将NSAs负荷/>与CAs负荷/>分开,/>是设备类别。这里/>=1表示设备为NSAs,=2表示设备为CAs,/>=3表示设备为SAs。
S12、分别对NSAs负荷与CAs负荷进行模糊C均值聚类,两组历史数据的聚类数均为3,聚类后得到的聚类中心为,/>是设备类别,/>是聚类的不同功率等级,/>。
下面以NSAs负荷为例,描述聚类过程。
设为数据对象到集群中心的隶属度,有:
(1)
是聚类的不同功率等级,/>,/>,/>是住宅社区中NSAs的索引。
模糊C均值的目标函数定义为:
(2)
其中,是数据对象到集群中心的欧氏距离,m是模糊因子。
隶属度和聚类中心/>表达式如下:
(3)
(4)
式中,随机选择初始聚类中心,然后计算每个数据对象到聚类中心/>的初始隶属度,隶属度/>和聚类中心/>迭代更新。其中,r表示第r个类别。
同理,对于CAs负荷,式(1)-(4)同样成立,此时,用E表示住宅社区中CAs的索引。
由于两组数据的聚类数都为3,聚类结果包括不可调度设备的聚类中心分别为、/>、/>,可控设备的聚类中心分别为/>、/>、/>。
步骤S2、负荷聚合器从各家庭能源管理系统获取住宅用户的能源成本承受能力和设备信息,计算每个住宅用户的用户意愿支付,并根据用户意愿支付和实时电价计算分配给每个住宅用户的能源,即分配能源。
用户意愿支付UWP用来量化用户偏好,不用住宅用户对电力的支付意愿和承受能力是不同的。本步骤计算每个住宅用户的用户意愿支付,最后计算分配给每个住宅用户的能源。以住宅用户i为例,本步骤具体过程如下:
S21、针对每个住宅用户i,获取住宅用户i在时隙t的能源成本承受能力,以及住宅用户两种类型设备聚类划分为三个功率等级的设备数量,记为/>。
将一天24小时按时隙划分,一般一小时为一个时隙,时隙即时间段。能源成本承受能力为家庭能源管理系统根据住宅用户的特性进行设置。根据模糊C均值的聚类结果,可将住宅用户的NSAs和CAs分为三个功率等级。负荷聚合器将聚类结果发送至家庭能源管理系统,家庭能源管理系统根据NSAs和CAs的三个功率等级,将自身的用户信息发送至负荷聚合器。
用户信息包括每个住宅用户提供的相应功率等级的电器设备数量,另外还有可调度设备SAs的运行功率/>和运行/>时间,以及能源成本承受能力/>。
无需提供所有电器设备的信息。
S22、计算住宅用户i的用户意愿支付:
(5)
其中、/>、/>为归一化参数,比如可取值如下:ω1=0.59, ω2=0.16, ω3= 0.25,可调度设备SAs的运行功率为/>,运行时间为/>。
前述步骤中,通过聚类可以得到每组NSAs的聚类中心和每组CAs的聚类中心,聚类中心为功率。根据上述式(5)的表达式,可以计算出住宅用户i的用户意愿支付,用于评价住宅用户的偏好。
S23、计算每小时分配给每个住宅用户的能源,即分配能源,其中是实时电价。
根据UWP和实时电价计算分配给每个住宅用户的能源,这里记为分配能源。针对住宅用户i,其分配能源为(6)。
步骤S3、针对每个住宅用户,家庭能源管理系统计算住宅用户的最小需求量,如果分配能源小于当前住宅用户的最小需求量,则提高住宅用户的能源成本承受能力并再次计算分配能源,直至分配能源大于或等于最小需求量。
住宅用户的最小需求量根据用户相应设置,具有一起始量,如果前述计算得到的分配能源小于当前住宅用户的最小需求量,那说明该住宅用户的分配能源过小,因此需要提高分配能源。具体是通过提高住宅用户的能源成本承受能力,将能源成本承受能力每次增加一固定量,再次计算分配能源,直至满足分配能源大于或等于最小需求量。
步骤S4、负荷聚合器用混合整数线性规划进行住宅社区需求响应调度。
线性规划有约束条件和最优解,在满足约束的前提下,求解最优结果,一般为求最大值或者最小值。本实施例中,以最小化社区的总能耗为目标。
混合整数线性规划的约束条件有:
住宅用户i在时隙t的第n个NSAs的约束条件:
(7)
其中是用户i第n个NSAs的固定负荷。
住宅用户i在时隙t的第e个CAs的约束条件:
(8)
其中是住宅用户i第e个CAs的最小负荷,/>是住宅用户i第e个CAs的最大负荷。
假设一天24小时平均分为24个时隙,住宅用户i第s个SAs的固定消费模式向量:
(9)
CAs的调度计划和固定消费模式下的一个循环移位/>相同,/>为列向量,为初始开启状态,列向量的元素/>为相应循环移位/>的每个时隙的功率。由于设备在某一运行时间段都特定功率,比如某洗衣机漂洗功率为0.5kW,脱水功率为1.0kW,烘干功率为1.2kW,为方便表示,举例中假定漂洗、脱水、烘干均为一个时隙,表示为:
对设备进行调度,目的是改变设备开始运行时间与结束运行时间,运行时间段的功率保持不变。可以表示所有调度后可能的各个时间段功率,然后再用向量/>(只有一个非零值的二进制整数向量)得出最后的调度计划/>。即:
向量和调度计划所有可能的位移如下:
(10)
(11)
第s个SAs的调度计划为,然后定义一个二进制整数向量/>作为SAs的开关控制,向量中只有一个等于1的非零元素。
居民用户i在时隙t的功率通过工作电器设备的功率相加得到,即住宅用户在时隙t的功率:
(12)
然后计算所有住宅用户的能耗之和,即住宅社区从电网购买的能量:
(13)
本步骤混合整数线性规划的目标函数是最小化社区的总能耗,即:
(14)
根据上述目标函数,按照式(7)-(11)的约束条件,进行求解调度。
下面通过距离的实际案例进行分析,以证明本发明的效果。
一、如图3所示为住宅社区一天中UWP分配的负荷与原始负荷,UWP分配给每个住宅用户的能源是不同的,且高于原始负荷。每个住宅用户的分配能源不同,反映了用户的偏好不同。本发明方法简称为DR-UWP-MILP方法,分配的能源高于原始能源,因为SAs在低价时段运行。
二、表2为DR-MILP(即不考虑用户偏好,只用混合整数线性规划)和DR-UWP-MILP方法的通信流量的比较。在没有UWP的情况下,DR通信需要传输259个NSAs、34个CAs和92个SAs的信息。使用UWP时,对于NSAs和CAs的DR通信只需传输住宅社区内不同功率等级的数量信息。该住宅社区有35个住宅用户,因此需要传输的NSAs和CAs的数量为35×6=210。
表2 DR-MILP和DR-UWP-MILP的通信流量的比较
三、进一步验证算法的有效性,引入峰均比(Peak average ratio,PAR)
图4是调度前,MILP和DR-UWP-MILP调度后的社区每小时的负荷,高价时段的原始负荷较高,而低价时段的原始负荷较低。DR-MILP和DR-UWP-MILP通过减少和转移负荷降低了住宅社区的总能源成本。DR-MILP负荷集中在低价时段,因此PAR高于原来的负荷。DR-UWP-MILP考虑了用户偏好,改善了负荷曲线,降低了住宅社区的总能源成本和PAR。虚线表示实时电价作为参考。
四、表3是DR-MILP比较DR-UWP-MILP。与DR-MILP相比,DR-UWP-MILP显然减少了通信流量和PAR。DR-UWP-MILP的总能源成本略高于DR-MILP。DR-UWP-MILP和DR-MILP的能耗降低量相同。
表3 DR-MILP比较DR-UWP-MILP
五、图5是住宅用户1的UWP分配负荷以及调度前后的每小时负荷。以住宅用户1的调度为例,该用户有9个NSAs、1个CAs和4个SAs。UWP在低价时段分配了更多的负荷,SAs可以在低价时段工作,而高价时段可以维持居民用户的最低需求,SAs如果不能安排在低价时段,可以在原有时段工作。CAs以最小功率运行,NSAs以固定功率运行。与原有负荷相比,DR-UWP-MILP增加了低价时段的负荷,改善了负荷曲线。虚线表示实时电价作为参考。
六、表4是住宅用户1在使用DR-UWP-MILP前后性能比较。对于住宅用户1来说,DR-UWP-MILP后,通信流量、能耗成本和能耗都降低了。
表4住宅用户1在使用DR-UWP-MILP前后性能比较
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于用户偏好和混合整数线性规划的需求响应调度方法,其特征在于,所述方法用于住宅社区的需求响应调度,其中住宅社区侧设置有负荷聚合器,住宅用户侧设置有家庭能源管理系统,所述方法包括下述步骤:
步骤S1、负荷聚合器获取带标签的不可调度设备NSAs负荷和可控设备CAs负荷的历史数据,对两种历史数据分别进行模糊C均值聚类;
步骤S2、负荷聚合器从各家庭能源管理系统获取住宅用户的能源成本承受能力和设备信息,计算每个住宅用户的用户意愿支付,并根据用户意愿支付和实时电价计算分配给每个住宅用户的能源,即分配能源;
步骤S3、针对每个住宅用户,家庭能源管理系统计算住宅用户的最小需求量,如果分配能源小于当前住宅用户的最小需求量,则提高住宅用户的能源成本承受能力并再次计算分配能源,直至分配能源大于或等于最小需求量;
步骤S4、负荷聚合器采用混合整数线性规划进行住宅社区的需求响应调度。
2.如权利要求1所述基于用户偏好和混合整数线性规划的需求响应调度方法,所述步骤S1的具体过程如下:
S11、根据标签将历史数据分类,其中不可调度设备负荷记为NSAs负荷,可控设备负荷记为CAs负荷;
S12、分别对NSAs负荷与CAs负荷进行模糊C均值聚类,两组历史数据的聚类数均为3,聚类后得到的聚类中心为,/>是设备类别,/>是聚类的不同功率等级,/>。
3.如权利要求2所述基于用户偏好和混合整数线性规划的需求响应调度方法,所述步骤S2的具体过程如下:
S21、针对每个住宅用户i,获取住宅用户i在时隙t的能源成本承受能力,以及住宅用户两种类型设备聚类划分为三个功率等级的设备数量,记为/>;
S22、计算住宅用户i的用户意愿支付:
,
其中、/>、/>为归一化参数,可调度设备SAs的运行功率为/>,运行时间为/>;
S23、计算每小时分配给每个住宅用户的能源,即分配能源,其中/>是实时电价。
4.如权利要求3所述述基于用户偏好和混合整数线性规划的需求响应调度方法,所述步骤S3中,如果分配能源小于住宅用户的最小需求量/>,则将能源成本承受能力增加一固定量,再次计算分配能源,直至满足分配能源/>。
5.如权利要求4所述基于用户偏好和混合整数线性规划的需求响应调度方法,所述步骤S4中,采用的混合整数线性规划的约束条件包括,
住宅用户i在时隙t的第n个NSAs的约束条件:,其中/>是用户i第n个NSAs的固定负荷;
住宅用户i在时隙t的第e个CAs的约束条件:,其中是住宅用户i第e个CAs的最小负荷,/>是住宅用户i第e个CAs的最大负荷;
住宅用户i第s个SAs的固定消费模式向量,/>为循环移位,第s个SAs的调度计划/>,其中/>是二进制整数向量,/>;
计算住宅用户在时隙t的功率;
计算所有住宅用户的能耗之和,即住宅社区从电网购买的能量;
以最小化住宅社区的总能耗为目标函数进行需求响应调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410066494.7A CN117610888A (zh) | 2024-01-17 | 2024-01-17 | 基于用户偏好和混合整数线性规划的需求响应调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410066494.7A CN117610888A (zh) | 2024-01-17 | 2024-01-17 | 基于用户偏好和混合整数线性规划的需求响应调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117610888A true CN117610888A (zh) | 2024-02-27 |
Family
ID=89953818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410066494.7A Pending CN117610888A (zh) | 2024-01-17 | 2024-01-17 | 基于用户偏好和混合整数线性规划的需求响应调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117610888A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080069A (zh) * | 2019-11-19 | 2020-04-28 | 国网江西省电力有限公司电力科学研究院 | 一种基于多维度因子博弈的居民需求响应模型 |
CN115081891A (zh) * | 2022-06-28 | 2022-09-20 | 深圳供电局有限公司 | 一种电力用户增值服务决策方法 |
CN115619015A (zh) * | 2022-10-09 | 2023-01-17 | 上海交通大学 | 一种考虑用户需求响应的综合能源系统优化运行方法 |
CN116231670A (zh) * | 2023-05-08 | 2023-06-06 | 四川大学 | 计及占用影响的集成楼宇hvac负荷群配电网优化方法 |
CN116227806A (zh) * | 2022-12-07 | 2023-06-06 | 西南大学 | 一种基于能源需求响应管理的无模型强化学习方法 |
CN116796662A (zh) * | 2023-06-28 | 2023-09-22 | 国网吉林省电力有限公司电力科学研究院 | 一种集成住宅建筑的社区综合能源系统双层优化方法 |
-
2024
- 2024-01-17 CN CN202410066494.7A patent/CN117610888A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080069A (zh) * | 2019-11-19 | 2020-04-28 | 国网江西省电力有限公司电力科学研究院 | 一种基于多维度因子博弈的居民需求响应模型 |
CN115081891A (zh) * | 2022-06-28 | 2022-09-20 | 深圳供电局有限公司 | 一种电力用户增值服务决策方法 |
CN115619015A (zh) * | 2022-10-09 | 2023-01-17 | 上海交通大学 | 一种考虑用户需求响应的综合能源系统优化运行方法 |
CN116227806A (zh) * | 2022-12-07 | 2023-06-06 | 西南大学 | 一种基于能源需求响应管理的无模型强化学习方法 |
CN116231670A (zh) * | 2023-05-08 | 2023-06-06 | 四川大学 | 计及占用影响的集成楼宇hvac负荷群配电网优化方法 |
CN116796662A (zh) * | 2023-06-28 | 2023-09-22 | 国网吉林省电力有限公司电力科学研究院 | 一种集成住宅建筑的社区综合能源系统双层优化方法 |
Non-Patent Citations (8)
Title |
---|
AYA AMER等: "Home Energy Management System Embedded with a Multi-Object Demand Response Optimization Model to Benefit Customers and Operators", ENERGIES, vol. 14, no. 2, 6 January 2021 (2021-01-06), pages 1 - 19 * |
JUERU HUANG等: "Machine learning-based demand response in PV-based smart home considering energy management in digital twin", SOLAR ENERGY, vol. 252, 31 January 2023 (2023-01-31), pages 8 - 19, XP087273396, DOI: 10.1016/j.solener.2023.01.044 * |
PRADNYA JADHAV等: "Smart Residential distribution energy management system with integration of demand response and Aggregator", CLEANER AND RESPONSIBLE CONSUMPTION, vol. 9, 30 June 2023 (2023-06-30), pages 100115 * |
RENZHI LU等: "Demand Response for Home Energy Management using Reinforcement Learning and Artificial Neural Network", IEEE TRANSACTIONS ON SMART GRID, vol. 10, no. 6, 4 April 2019 (2019-04-04), pages 6629 - 6639, XP011751296, DOI: 10.1109/TSG.2019.2909266 * |
X.M.FAN等: "Demand response scheduling algorithm for smart residential communities considering heterogeneous energy consumption", ENERGY AND BUILDINGS, vol. 279, 15 January 2023 (2023-01-15), pages 112691 * |
汪元芹: "电力市场下考虑用户需求相应的售电商购售电策略研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊), no. 05, 15 May 2022 (2022-05-15), pages 042 - 990 * |
祁兵等: "基于MILP的装配企业参与需求响应的调控策略", 电力建设, no. 09, 1 September 2018 (2018-09-01), pages 1 - 8 * |
谈竹奎等: "实时电价下用户侧电力需求响应模型优化策略及数字仿真", 电力大数据, vol. 23, no. 03, 21 March 2020 (2020-03-21), pages 10 - 18 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AlSkaif et al. | Reputation-based joint scheduling of households appliances and storage in a microgrid with a shared battery | |
AU2013201515B2 (en) | Customer-centric demand side management for utilities | |
Samadi et al. | Tackling the load uncertainty challenges for energy consumption scheduling in smart grid | |
Adika et al. | Autonomous appliance scheduling for household energy management | |
Tang et al. | A real-time dynamic pricing algorithm for smart grid with unstable energy providers and malicious users | |
US9798298B2 (en) | Community energy management system | |
US8417393B2 (en) | Demand response appliance module | |
US9236741B2 (en) | Apparatus, system, and method for managing energy consumption | |
US8682498B2 (en) | Load shedding by an electric utility | |
CN103336444B (zh) | 家居能量管理系统在智能用电中的实现方法 | |
Bera et al. | D2S: Dynamic demand scheduling in smart grid using optimal portfolio selection strategy | |
Baharlouei et al. | Demand side management challenges in smart grid: A review | |
WO2015041010A1 (ja) | 電力需給調整装置、電力システム、および電力需給調整方法 | |
Cakmak et al. | Scheduling of domestic shiftable loads via Cuckoo search optimization algorithm | |
US10372188B2 (en) | Electrical power management | |
Alwan et al. | Demand side management-literature review and performance comparison | |
EP3011656A1 (en) | Charging electronic devices | |
Arabneydi et al. | Optimal dynamic pricing for binary demands in smart grids: A fair and privacy-preserving strategy | |
CN117610888A (zh) | 基于用户偏好和混合整数线性规划的需求响应调度方法 | |
Shafiq et al. | Optimization of home energy management system through application of tabu search | |
Hammou Ou Ali et al. | Dynamic Time‐and Load‐Based Preference toward Optimal Appliance Scheduling in a Smart Home | |
Raj et al. | An efficient framework for brownout based appliance scheduling in microgrids | |
Swain et al. | Efficient hybrid pricing for optimal DSM of home energy management system utilizing load precedence | |
Zhao et al. | An adaptive multi-objective salp swarm algorithm for efficient demand side management | |
CN113077160A (zh) | 一种智能电网能量优化控制方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |