کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4944227 1437982 2017 20 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Bi-level particle swarm optimization and evolutionary algorithm approaches for residential demand response with different user profiles
ترجمه فارسی عنوان
بهینه سازی ذرات سطحی و روش الگوریتم تکاملی برای پاسخگویی تقاضای مسکونی با استفاده از پروفایل های مختلف کاربر
کلمات کلیدی
بهینه سازی بی سطح، بهینه سازی ذرات ذرات، الگوریتمهای تکاملی، پاسخ تقاضا، بازار خرده فروشی برق،
ترجمه چکیده
مقررات زدایی بازارهای خرده فروشی برق نیاز به توسعه رویکردهای مدل سازی جدید برای تنظیم بهینه تعرفه های پویا دارد، که در آن پاسخ های مصرف کننده مطابق با انعطاف پذیری آنها برای برنامه ریزی تقاضا در نظر گرفته می شود. خرده فروشان و مصرف کنندگان اهداف متضاد دارند: هدف اول برای به حداکثر رساندن سود و هدف دوم برای کاهش صورتحساب برق است. همچنین بین آنها رابطه سلسله مراتبی وجود دارد، زیرا خرده فروشان (تصمیم گیرندگان سطح بالا) استراتژی های قیمت گذاری را تعیین می کنند و مصرف کنندگان (تصمیم گیرندگان سطح پایین) با برنامه ریزی بارهای خود با توجه به سیگنال های قیمت و الزامات راحتی واکنش نشان می دهند. این یک مشکل بهینه سازی دو سطحی است. در این مقاله، بارهای معمولی مسکونی در نظر گرفته شده و سه سناریو قابل اجرا از پنجره های عملیاتی نصب شده است. دو روش مبتنی بر جمعیت جدید، یک الگوریتم تکاملی و یک الگوریتم بهینه سازی ذرات ذرات برای حل مسئله دو سطحی توسعه داده شده است. نتایج به دست آمده سپس با یک الگوریتم ترکیبی مقایسه می شود که دقیقا مسئله سطح پایین را حل می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
بهینه سازی ذرات سطحی و روش الگوریتم تکاملی برای پاسخگویی تقاضای مسکونی با استفاده از پروفایل های مختلف کاربر
چکیده انگلیسی
The deregulation of electricity retail markets requires the development of new modeling approaches for the optimal setting of dynamic tariffs, in which consumers' responses according to their flexibility to schedule demand are considered. Retailers and consumers have conflicting goals: the former aim to maximize profits and the latter aim to reduce electricity bills. Also, there is a hierarchical relation between them, as retailers (upper-level decision makers) determine the pricing strategy and consumers (lower-level decision makers) react by scheduling their loads according to price signals and comfort requirements. This is a bi-level optimization problem. In this paper, typical residential loads are considered and three scenarios of feasible windows of appliance operation are established. Two new population-based approaches, an evolutionary algorithm and a particle swarm optimization algorithm, are developed to solve the bi-level problem. The results obtained are then compared with a hybrid algorithm that solves the lower-level problem exactly.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volumes 418–419, December 2017, Pages 405-420
نویسندگان
, , ,