کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6859115 1438696 2019 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Optimization-based estimation of power capacity profiles for activity-based residential loads
ترجمه فارسی عنوان
برآورد بر مبنای بهینه سازی پروفیل های ظرفیت قدرت برای بارهای مسکونی مبتنی بر فعالیت
کلمات کلیدی
ساختمان های هوشمند، قدرت تقاضا، بخش بار بخش مسکونی، رفتار کاربر، بارهای مبتنی بر فعالیت، بهینه سازی تصادفی،
ترجمه چکیده
این مقاله چارچوبی برای تعیین پروفایل های ظرفیت در ساختمان های هوشمند ارائه می دهد. در این طرح کاربران یک سطح از ظرفیت برق را برای حساب تقاضای احتمالی خود در هنگام پرداخت قیمت های مربوط به برق از طریق سیاست قیمت گذاری انعطاف پذیر زمان و سطح استفاده می کنند. ما یک مدل بهینه سازی تصادفی دو مرحله ای را ارائه می دهیم که کل هزینه رزرو یک ظرفیت قدرت و پاسخگویی به تقاضای انرژی را برای افق برنامه ریزی به حداقل می رساند. ما دو رویکرد را برای انتخاب سناریوهای بهینه سازی تصادفی ارائه می دهیم. در رویکرد اول فرض می کنیم که توزیع های احتمالی زمان شروع بارها شناخته شده است و سناریو ها با استفاده از آن توزیع ها تولید می شوند. در رویکرد دوم، ما فرض می کنیم که تنها اطلاعات مصرف تاریخی در دسترس است و ما الگوریتم جدیدی را برای ساختن سناریوها با استفاده از این داده ها پیشنهاد می کنیم. آزمایشات شبیه سازی ما اثربخشی هر دو روش را تایید می کنند و صرفه جویی در هزینه را تا 16٪ گزارش می دهند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
برآورد بر مبنای بهینه سازی پروفیل های ظرفیت قدرت برای بارهای مسکونی مبتنی بر فعالیت
چکیده انگلیسی
This paper proposes a framework to determine capacity profiles in smart buildings. In this scheme the users choose a level of power capacity to account for their stochastic demand while paying the corresponding electricity prices through a flexible time-and-level-of-use pricing policy. We formulate a two-stage stochastic optimization model that minimizes the total cost of booking a power capacity level and meeting the energy demand for the planning horizon. We present two approaches to select the scenarios for the stochastic optimization. In the first approach, we assume that the probability distributions of the start times of the loads are known, and the scenarios are generated using those distributions. In the second approach, we assume that only historical consumption data is available and we propose a new algorithm to build the scenarios using this data. Our simulation experiments validate the performance of both approaches and report cost savings of up to 16%.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Electrical Power & Energy Systems - Volume 104, January 2019, Pages 664-672
نویسندگان
, ,