基于聚类和模糊逻辑的太阳能微网运行需求侧管理——以坦桑尼亚阿鲁沙的Ngurudoto微网为例

摘要

永久的电力供应不应该被认为是理所当然的，因为当供需不平衡时，电网的可持续性和可靠性就处于危险之中。本文采用基于模糊逻辑的负荷平衡需求侧管理方法，考虑低能耗用户对系统峰值影响不显著的情况。通过K-means聚类算法，确定适合DSM的候选方案，并采用基于能量利用和负荷优先级的控制机制。结果表明，该系统每月可节约约3.7 kW的电能。这一结果表明，只要对单个客户采用适当的能量管理策略，几乎可以实现更平坦的负荷分布和节电。

1.介绍

电能已成为最不可替代和最灵活的能源来源之一[1.］．它是任何国家经济发展的重要资源。因此，用电量不断增加，导致电网效率不可靠、低[2.］．要满足这种日益增长的需求，就意味着要通过建立新的发电厂来过度开发有限的资源。3.］．为了实现可持续能源目标，微电网已成为全球探索绿色能源技术的趋势[4.–6.］．微电网在可靠性和稳定性方面的挑战迫使许多类型的研究如何使需求与可用供应相匹配[7.–9］．此外，透过客户及公用事业部门的参与，找到适当的节约能源的方法，从而产生了需求侧管理的概念[10］．透过用电需求管理，减低耗电量及减少高峰用电需求已成为客户及公用事业公司最关注的问题[11,12］．因此，在实现任何电网的可持续性、可靠性和稳定性方面，DSM是不可缺少和不可避免的[11］．

用电需求管理是指通过提高效率或转移电网客户端的负荷来调整消费者能源消耗的计划[13］．他们鼓励顾客在高峰时段少消费，在非高峰时段多消费，并透过财政奖励和行为改变[10,14］．DSM可分为能源效率和需求响应(DR)，如图所示1.．能源效率计划鼓励用户减少能源消耗，同时通过节能设备享受同等的服务水平[15］．DR计划以需求概要为目标，客户可以在高峰期间减少消费，而不改变非高峰时期[16–18]或因高峰时段收费偏高，将部分车辆由高峰时段转至非高峰时段[13,16］．电力需求调整包括终端用户预期的电力消费模式调整，目的是改变总能源消费或需求突然上升的时间和水平[16,19]它有三大类：使用时间（ToU）、直接负荷控制和负荷转移。分时电价法是指没有固定电价的情况；相反，其他使用时间会设定不同的价格，高峰负荷期间会收取较高的费用。电价由用电量和用电时间决定[20.］．

在直接控制方法中，公用事业公司可以接触终端用户，并通过在高峰需求期间关闭一些设备来限制用户的用电。大多数适合直接负载控制的设备是重负载，如冰箱、空调和冷却设备[21］．负荷转移是指将负荷从高峰时段转移到非高峰时段，以使负荷均匀分布。这种方法不改变消耗的总能量;作为一种替代方案，它将需求和供应保持在可能需要的水平，以提高系统效率。

除上述计划外，电力需求管理亦采用多种方法，例如电价[22,激励23]，刑罚[24]、节电技术及政府政策[25–27］．激励机制是指客户在高峰时段减少负载的能力可以得到一定金额的报酬的程序。这一数额与它们的标准电价是分开的，它可以作为账单回扣或现金补偿来执行[28,29］．该定价机制使用分时电价以外的不同价格来揭示该小时内的电价成本和价值。它分为两种:实时定价(RTP)和临界峰值定价(CPP)。RTP通过将一天分成若干时段来计算一天内不同的价格，而CPP是指电力市场根据电力供应成本收取不同的费用[30.].DSM和DR可以互换使用。

传统上，公用事业公司一直通过减少输电损耗和增加发电容量来管理自身的需求，但没有成功[31］．通过DRPs，成功的能源管理是可能的;然而，当考虑到使用模式和客户行为时，可以得到更现实的结果，因为它们对成功的负荷管理和决策至关重要[32］．

2.相关工作及贡献

在查阅已有文献的基础上，不同的研究人员利用模糊逻辑实现了电力市场的能量管理。Yuan等(2018)提出了一种基于模糊逻辑的能量管理策略，可以根据需求充分分配发电量。该方法提高了系统的整体性能[9］．另一方面，Nehrir等人(1999)采用模糊逻辑来改变热水器的使用模式，实施了客户互动的DSM策略[33］．结果表明，通过模糊规则可使载荷曲线变平。

同样，通过模糊控制器，考虑了三个参数:成本、需求和舒适度。分析了可再生能源的好处，以说明它们如何影响成本和节能。结果显示，在繁忙时间关闭负荷，可较好地改善负荷分布[34］．

此外，模糊逻辑在混合微电网中的应用已经实现，用于能源管理和监控[35–38］．基于模糊逻辑的多智能体能源管理，针对独立可再生能源系统的能源管理问题[39］．Ravibabu等人(2009)开发了一种基于模糊的DSM控制器，通过在高峰时段对重要负荷进行优先排序来减少峰值[1.]。他没有考虑客户的舒适度，研究仅限于一间房子。通过假设负荷和发电量都是不可控的，为并网微电网的居民客户实施了另一个基于模糊的DSM。25条规则的模拟结果表明，在文件[40］．

此外，采用多尺度多层方法建立了住宅客户需求侧管理模型。每户均设有控制系统，以限制高峰期的负荷[41］．为保证微电网系统的可靠性和降低成本，提出了一种基于多智能体的多级分级算法的多智能体容灾算法。该方法被证明比传统能源管理系统更具成本效益[42］．基于强化学习的动态定价策略考虑了服务提供商的利益和客户成本的降低。仿真结果表明，电力系统平衡可靠，能源和运行成本降低[43］．为提高网格弹性，为系统操作员提供成本最优解，采用混合整数线性近似和非线性近似。MINLP结果对于非线性和非凸网络来说太大了，无法提供有效的解[44］．

另一方面，使用混合整数线性规划提供最优解是耗时和缓慢的，特别是对于较大的数据集[45］．解释的能量管理系统大多依赖于抽象、确定性规则等传统方法，主要存在无法保证最优结果的缺点，尤其是在变量存在波动的情况下。此外，抽象作品通常接近现实，依赖于开发人员的经验，因此有时不现实[43］．模糊逻辑相对于其他逻辑的显著优势是，控制器设计不需要数学建模。将模糊控制器的输出和输入映射为隶属函数，并设置最终规则以获得期望的结果[46］．此外，当系统参数发生意外变化时，不需要对控制器进行任何修改，由于输出依赖于输入的影响，因此仍然可以使用相同的规则库[47］．

一般来说，许多基于模糊逻辑的DSM方法已经实现;然而，大多数研究并没有考虑到客户的使用模式和负载类型。此外，与发展中国家相比，电力市场的需求响应项目主要是在发达国家进行的[10,48,49］．由于较不灵活的负荷和甚至较低的人均能源消耗，所得结果可能对大多数发展中国家的负荷分布不可行[2.］．此外，发展中国家有许多孤立的微电网，其行为观点不同于有可靠电力的成熟国家。因此，本研究旨在通过开发一种基于模糊逻辑的DSM来独立控制其他客户集群，增强客户参与，因为能源管理是遵循他们的用电量和用电量的多少。在本研究中，集群和负荷限制降低了低能耗用户的负担，因为它们不影响系统的峰值。这项研究利用了从坦桑尼亚阿鲁沙的Ngurudoto太阳能微电网收集的数据。提出了一种基于负荷限制的微电网能量平衡方法。

这项工作的新贡献如下：(我)针对发展中国家微电网用户消费差异较大的实际情况，提出了一种基于模糊逻辑的需求侧管理方法(2)集群方法已用于促进客户优先级的确定;因此，低能耗用户不会遭受能源管理负担(iii)采用的方法可以提高或促进DSM的普及，因为根据能源使用的潜力，收益是平均分配的(四)客户使用模式已经建立，这有助于电力供应商和客户计划能源、舒适和节约成本

3.材料和方法

３．１．数据收集

消费数据是从坦桑尼亚阿鲁沙一个名为Ngurudoto的太阳能电池微电网收集的。它的容量为7.5 kW，带有无线和通信模块用于数据通信，如图所示2.. 用安装在每户房子里的智能电表记录用电量。对于每个智能仪表，使用遥感设备、数据记录器和远程PC组合记录实时数据。使用Microsoft Excel、Python和Matlab分析收集的需求数据。模糊逻辑是使用MATLAB R2018a软件完成的。

3.2. 群集分析

K-means聚类是一种无监督机器学习算法，根据相似性和差异进行分组。它需要以下输入：(我)集群中心数(K)(2)训练集(x_1.,x_2.,x_3.…)

图中总结了K-means聚类所涉及的方法3.并解释如下:(我)第一步是随机初始化K的值，K表示要形成的簇数。的最优值K可以用弯头法计算。(2)数据点和初始化簇中心之间的距离通过使用平方距离之和计算，如下所示： (iii)根据获得的最小距离，将数据点分组到最近的簇中心。(四)新质心由移动到同一组的数据点组计算得到，即: (v)平均值现在被重新定位为一个新的质心。(vi)这一过程对所有的星团重复，直到表示所形成的星团的星团中心没有变化为止。

３．３．案例研究

本研究的主要目的是设计一个DSM模型用于高峰时段的负荷管理。位于坦桑尼亚阿鲁沙的微电网被认为是一个案例研究，通过聚类，连接的房屋根据它们的使用模式进行分组。负荷也分为两组:重要负荷和非重要负荷，如表所示1.来欣赏它们的重要性。采用基于负荷优先级的需求侧管理和直接负荷控制技术，通过在高峰时段切断非关键负荷，向关键负荷供电来限制消耗。数字4.表示在高峰时段根据负荷优先级控制负荷的建议模型。F1、F2、F3和F4是连接到各个集群中房屋非重要负荷的保险丝。根据负荷分布分类产生的能源使用情况选择适合能源管理的集群。此选择on有助于防止低能耗用户承担高能耗管理成本的负担。

熔断器有一个来自模糊控制器的控制信号，当负荷超过设定值时，该信号在高峰时间断开。这种机制只允许关闭非关键负载，使关键负载保持连接。负载的选择是基于客户优先级的。模糊控制器是电路的核心部分，有两个输入:时间和比较器。比较器比较参考设置的最大电流和流动的电流，而在输入时间中的定时器检查它是峰值还是非峰值。两者的输出然后馈给模糊控制器。控制器的输出将所需的控制信号发送到连接的房屋，以限制功耗。

3.4.模糊逻辑控制器

模糊控制器是一种人工智能系统，可用于降低、控制或修改功耗。它的工作原理是在高峰时间仅连接用户的优先负载，在非高峰时间内，可以在不超过限制的情况下增加负载。模糊控制器的一般工作机构包括以下部件：(我)输入(2)模糊化(iii)推理引擎(规则)(四)解模糊(v)输出

3．5．模糊隶属度函数

对于所有的输入和输出变量，模糊隶属函数对于定义控制它们之间关系的语言规则至关重要。在这种情况下，输入时间采用梯形隶属函数，如图所示5.．

数字6.显示了zmf和smf，这是反馈或比较器最合适的隶属函数。对于输出信号，使用了常数和线性隶属函数，如图所示7.．

模糊控制器设计中最关键的任务是模糊规则的开发。规则的数量始终取决于输入和输出块所考虑的隶属函数的数量。在本研究中，模糊控制器被设计成通过根据优先级设置关闭一些负载来限制高峰时段的用电。在本研究中，使用了几种规则，其中一些规则如下所述：(我)如果时间为非高峰(am)，反馈<设定的电流限制(A)，则集群3为全部，集群4为全部，集群8为全部(2)如果时间为峰值(am)，反馈<设定的电流限制(A)，则集群3为全部，集群4为全部，集群8为全部(iii)如果时间是非高峰(pm)和反馈<设置的电流限制(A)，那么集群3是全部，集群4是全部，集群8是全部(四)如果时间低且反馈中等，则集群3无变化，集群4无变化，集群8无变化(v)如果时间为峰值(am)，反馈为>设置电流限制(A)，则集群3是至关重要的，集群4是至关重要的，集群8是至关重要的(vi)如果时间为非峰值（am）且反馈为无，则集群3为全部，集群4为全部，集群8为全部(七)如果时间为峰值（pm）且反馈>设置电流限制（A），则簇3至关重要，簇4至关重要，簇8至关重要(八)如果时间是非高峰(下午)，并且没有反馈，则集群3是全部，集群4是全部，集群8是全部

4.结果与讨论

4.1. 个案研究

提出了一种基于模糊逻辑的孤立式太阳能微电网负荷管理方法。研究考虑了22个住宅，使用Scikit-Learn Python包对收集的实时用电数据进行K-means聚类算法[50］．通过集群来识别客户的典型使用模式，将他们分组到各自的集群中，从而根据他们如何消耗电力来控制他们的需求。负载限制和负载优先级技术被用于单个集群，以实现更平坦的负载轮廓。

用K-means聚类得到10组聚类，如图所示8.，通过肘弯法从提供的样本数据中确定聚类的数量得到。结果由弯头点或图的第一个转折点表示，在这里观察到误差和的小减少。适当的K值位于所用数据的第十位，如图所示8.．因此，发现的簇数是10。

从聚类结果如图所示9在美国，房屋是根据类似的使用模式进行分组的。所有的集群显示出需求的变化，这表明有需求侧管理的需求。除了使用模式外，第3、4和10组代表住户落在使用最多的组群中。考虑到太阳能微电网，这些客户可能被视为潜在用户，他们主要决定或影响系统的总体峰值需求。另一方面，集群6和集群9由最低用电用户组成;人们可能会认为它们的主要用途是照明和手机充电。在DSM的背景下，这些客户不应该负担高价格或关闭一些负载，因为它们不会影响系统的峰值。其余的集群(1、2、5、7和8)代表中等使用的客户。本研究的聚类结果显示，由于适当的负载平衡技术，成功的DSM程序具有巨大的潜力。集群通过评估峰值产生的程度，帮助确定负责能源管理的客户。 The importance of clustering results can be supported by Hannes et al. (2019), who explained that customers would strongly participate in any program if only they generate profit from it [51］．

数字10显示每个集群中房屋的组成。集群2代表一个拥有大多数客户的组，而集群4、6、8、9和10每个集群都只有一个客户，这表明它们具有独特的使用模式。

根据获得的结果，为每个感兴趣的集群选择一个单独的房屋作为DSM的案例研究。根据每个集群中最高的消费者做出选择，以满足最坏的情况。桌子2.显示集群及其各自选定的参考房屋。本研究所作的假设是，使用模式为600瓦及以上的客户适合进行DSM。因此，选择了第3、4、8和10组，用房屋14、12、22和10的荷载剖面表示。

然后根据消费模式和消费规模对分组的顾客进行特征分析。利用收集到的人口统计数据，对不同类型的客户分为不同的消费类别和负荷概况进行了描述。数字11显示了不同人口属性与所有房屋用电量之间的关系。结果表明，14屋的能耗最高，属于聚类3。高消费的顾客也倾向于有室内生意，就像14号屋一样，它有酒吧生意。参考文献[作者进一步支持这些结果。52他分析了坦桑尼亚农村微电网的用户消费模式。从人口统计结果可以清楚地看到，家庭成员的数量和他们的室内业务影响用电量。以10号屋为代表的中型用户(属于第10组)的用电量相当可观。根据调查数据，有人可能会说，用电是由于许多学生声称用电是为了学习。这个观点与Elizabeth et al.(2020)的研究是相关的，她认为中等能源家庭的存在是由于学校儿童的存在[53］．同样的情况也适用于8号房子，因为他们拥有一个小商店，所以似乎有很大的消费。1号、9号、19号、20号和21号的特点是小用户，因为它们要么包含一个家庭成员，要么包含更多的老年人，这些老年人由于他们的生活方式而不消耗大量的能源。本研究试图通过提出一种DSM机制来适应低能耗用户，这种机制不会对他们造成负担，因为他们的用电量在系统高峰发电中并不显著。

图中的表面查看器12显示了三个参数的三维图：时间、功率和模糊逻辑DSM后的集群功率输出。该图显示了受管理的集群3、4和8。在集群3中，由于未达到设定功率限制，以14天前的天数表示的非高峰日期不受控制。这种情况下，重要负载和非重要负载都会受到影响类似于Nehrir等人（1999年）对非高峰时段热水器运行的解释[33］．在18-22的峰值天数标记了模糊逻辑控制器使用7.5 a保险丝将功耗限制在1300w的集中区域。黄色表示DSM后的切割区域，这是操作员的目标。对于集群4，在高峰时段允许的负载设置为800w。负载限制是通过一个4a熔断器，它关闭了在21观察到的超额负载^圣的一天。同样，在集群8中，所有负载在高峰时段被限制为600 W。如图所示，在24-26天范围内发现的过度负载被削减到600 W。

数据13和14分别显示集群3和集群4的输出的规则查看器。规则查看器用于显示输出的有效性。从这些图表中，我们考虑了两点:非高峰和高峰时期。第六天，第3组，如图所示13表示非峰值点。反馈电流为2.99 A，功率为657.8 W，模糊化后输出功率为657 W。结果表明，模糊化前后的能量几乎相同，这表明载荷没有被管理或转移。在确切的图中，峰值点用17表示^th白天观察到的功率为1738 W单相，反馈电流为7.9 控制器的电源为A，因此，电源限制为1000 W通过关闭非重要负载。

类似地，第四组，如图所示14，显示了非高峰和高峰时段的结果。在高峰时段观察到负荷缩减，而在非高峰时段未进行任何操作。模糊控制器通过接收到的反馈电流实现上述目的。

数据15–18分别为第3组、第4组、第8组和第10组实施DSM之前和之后的月负荷曲线。结果表明，通过实施基于模糊逻辑的能量管理方案，除高峰时段外，发电功率可以得到充分利用。9].优化前，负载需求高于设定的限制。应用模糊逻辑控制器后，可以看到更接近平坦的负荷曲线，这有助于避免系统崩溃和停电，尤其是在高峰时段。剖面图清楚地表明，每个簇的峰值都受到限制，以匹配相应的限值集。此外，实施模糊逻辑DSM前后的总体负荷曲线如图所示19．由于参与电力需求管理的集群，在高峰时段的需求显著减少。与Ravibabu等人的报告相比，这些结果显示了设计和实现方面的更多改进。[1.因为群集方法中包含了许多房屋。同时，采用这种方法，小电用户在满足DSM需求之前不被考虑在内。

数字20.显示每月不同天数的节能情况和每月的整体节能情况。图中显示了每月将近3700 W的节电。在DSM环境下实现的节省量是非常重要的，它确保了系统在高峰负荷情况下的稳定性。由于需求的性质不同，不同的日子也会有不同的节能情况[54］．此外，对3^{理查德·道金斯}， 5^th， 7^th, 11^圣, 13^th, 14^th、16^th, 19岁^th, 22岁^nd, 24^th每天，节省几乎为零，有人可能会说没有负载被转移或关闭。在这种情况下，争论可能是大多数房屋处于非高峰范围，因此在DSM之前和之后保持相同的能量。同样，27号的节能率最高^th人们可能会认为，为了避免系统过载，关闭了几个非重要的负载。

结果表明，采用基于模糊逻辑的能源管理策略，可以将需求曲线平等化，适当优化可用发电量，以满足消费者的需求。由于该方法尝试对负载进行部分操作，可以提高系统的效率。以上观察结果与ref.[一致。55]，并进一步得到ref. [33］．另一方面，由于用户的负荷需求和太阳能微电网的发电量都是不确定的和随机的，与文献中作者讨论的数学模型相比，模糊逻辑控制器被证明是最有效的方法。9］．

5.结论

随着家电产品的增加，在用电高峰时出现电力不足的情况，供需差距正在扩大。DSM项目提供了一个更好的机会来利用消费多样性，从而减少电力的高峰需求。将负载从高峰切换到非高峰，或在高峰时段关闭某些负载，对特定客户来说可能是一个挑战;因此，通过聚类利用它们的使用模式可以产生更灵活的DSM技术。在本工作中，基于模糊逻辑的DSM程序被用作负荷限制器来控制高峰时段的负荷。这种控制机制通过根据用户设定的优先级对重要负载进行优先处理，有助于在给定时间内适当地利用可用电源。

此外，建议的计划有利于各类客户，因此鼓励他们参与DSM。因此，本研究对于保证节能和客户满意度至关重要。它可以进一步扩展到考虑消费者因愿意参与DSM计划而获得激励的情况。

数据可用性

用于支持本研究结果的数据将根据要求提供。

的利益冲突

作者声明，他们不知道对可能影响报告的工作的经济利益或个人关系的竞争。

作者的贡献

这篇论文是作者之间的合作，作者们从构思发展到手稿准备都做出了集体贡献。

致谢

作者衷心感谢纳尔逊·曼德拉非洲科学技术研究所(NM-AIST)推动了这项研究，并感谢水基础设施和可持续能源期货(WISE-Futures)对这项工作的赞助。作者还感谢大家的热心协助，特别是阿博加斯特·尼安德维先生和杰拉迪乌斯·德奥格拉提亚斯先生。

参考文献

1. P. Ravibabu, A. Praveen, C. V. Chandra, P. R. Reddy，和M. K. R. Teja，“使用模糊逻辑的国内负荷管理的DSM技术方法”，刊于2009年IEEE模糊系统国际会议论文集，页1303-1307，济州岛，韩国，2009年8月。视图:出版商的网站|谷歌学者
2. J. Thakur和B. Chakraborty，“发展中国家的需求侧管理:能源不平衡和高峰负荷管理的缓解工具”能源，第114卷，第895-912页，2016。视图:出版商的网站|谷歌学者
3. A. U. Mahin, M. A. Sakib, M. A. Zaman, M. S. Chowdhury, and S. A. Shanto，“为达卡市的居民电力消费者发展需求侧管理计划”，刊于2017国际电气、计算机和通信工程会议(ECCE)，第743-747页，Cox 'z Bazar，孟加拉国，2017年2月。视图:谷歌学者
4. C. K. Sao和P. W. Lehn，《变换器馈电微电网的控制和电力管理》，IEEE电力系统汇刊，第23卷，第2期。3, pp. 1088-1098, 2008。视图:出版商的网站|谷歌学者
5. M.Malekzadeh、A.Khosravi和M.Tavan，“基于浸入和不变性的滤波变换及其在一类DC-DC转换器估计器设计中的应用，”计量与控制研究所学报号，第41卷。5，第1323-1330页，2019。视图:出版商的网站|谷歌学者
6. G. H. Philipo, Y. A. Chande Jande，和T. kiveele，“太阳能微电网运行的需求侧管理:使用时间定价和激励的影响”，可再生能源杂志，第6956214号，12页，2020年。视图:出版商的网站|谷歌学者
7. A. A. Zaidi, T. Zia，和F. Kupzog，“使用负荷识别的微电网自动化需求侧管理”，在第8届IEEE工业信息学国际会议论文集，页774-779，大阪，日本，2010年7月。视图:谷歌学者
8. P. R. Babu, H. Gopal, K. Sreenivasulu，“通过需求侧管理技术的能源管理——案例研究”，刊于27个国家系统会议会议记录，第74-77页，印度理工学院Kharagpur, 2003年12月。视图:谷歌学者
9. 袁勇，张涛，“基于实验数据库的光伏/柴油/电池混合动力船舶模糊逻辑能量管理策略”，能量，第11卷，第9号，p。2211, 2018.视图:出版商的网站|谷歌学者
10. D.Kuiken和H.F.Más，“将需求侧管理整合到欧盟配电系统运营中：荷兰的一个例子，”能源政策，第129卷，第153-160页，2019。视图:出版商的网站|谷歌学者
11. M. H. Imani, K. Yousefpour, M. T. Andani，和M. J. Ghadi，“激励和惩罚变化对微电网运行中可中断/可削减需求响应项目的影响”，刊于2019年IEEE德克萨斯州电力和能源会议记录（TPEC），第1-6页，College Station, TX, USA, 2019年2月。视图:谷歌学者
12. 郭建军，郑学军，“需求侧管理对中国居民用电需求的影响:来自中国居民调查的实证研究”，《经济研究》，2014年第4期。能源政策，第95卷，113-125页，2016。视图:出版商的网站|谷歌学者
13. T. Logenthiran, D. Srinivasan，和T. Z. Shun，“使用启发式优化的智能电网需求侧管理”，IEEE智能电网学报，第3卷，第2期。3, pp. 1244-1252, 2012。视图:出版商的网站|谷歌学者
14. C.W.Gellings，智能电网:实现能源效率和需求响应，费尔蒙特出版社，亚特兰大，佐治亚州，2009。
15. P.Palensky和D.Dietrich，“需求侧管理：需求响应、智能能源系统和智能负荷，”IEEE工业信息学学报，第7卷，第3期，第381-388页，2011年。视图:出版商的网站|谷歌学者
16. M. H. Albadi和E. F. El-Saadany，《电力市场需求响应总结》，电力系统研究第78期第11页，1989-1996,2008。视图:出版商的网站|谷歌学者
17. M. A. Piette, O. Sezgen, D. S. Watson, N. Motegi, C. Shockman，和L. Ten Hope，大型设施中全自动需求响应的开发和评估美国加州大学伯克利分校，2004年。
18. K. Herter和S. Wayland，“居民对电力高峰电价的反应:加州的证据”能源第35期4, pp. 1561-1567, 2010。视图:出版商的网站|谷歌学者
19. M. H. Albadi和E. F. El-Saadany，“电力市场的需求响应:概述”，刊于动力工程学会大会论文集，2007。IEEE，第1-5页，IEEE，美国佛罗里达州坦帕，2007年6月。视图:谷歌学者
20. J. Mays和D. Klabjan，“时变电价的优化”，能源杂志第38卷第2期5, 2017。视图:出版商的网站|谷歌学者
21. A. U. Mahin, M. A. Sakib, M. A. Zaman, M. S. Chowdhury, and S. A. Shanto，“为达卡市的居民电力消费者发展需求侧管理计划”，刊于国际电气、计算机和通信工程会议录（ECCE），第743-747页，Cox 's Bazar，孟加拉国，2017年2月。视图:出版商的网站|谷歌学者
22. J. Torriti，“基于价格的需求侧管理:评估使用时间电价对意大利北部居民用电需求和峰值漂移的影响”能源，第44卷，第5期。1, pp. 576-583, 2012。视图:出版商的网站|谷歌学者
23. 马建军，邓军，宋磊，“基于拍卖的智能电网需求侧管理激励机制研究”，IEEE智能电网学报，第5卷，第5期。3, pp. 1379-1388, 2014。视图:出版商的网站|谷歌学者
24. Q. B. Dam, S. Mohagheghi，和J. Stoupis，“客户端负荷管理的智能需求响应方案”IEEE能源2030会议论文集，第1-7页，亚特兰大，佐治亚州，2008年11月。视图:谷歌学者
25. i . k . Maharjan需求侧管理:负荷管理，负荷分析，负荷转移，居民和工业消费，能源审计，可靠性，城市，半城市和农村设置， LAP Lambert学术出版社，美国加州森尼维尔，2010年。
26. P. Warren，《英国需求侧管理政策综述》可再生和可持续能源评论， vol. 29, pp. 941-951, 2014。视图:出版商的网站|谷歌学者
27. M. M. Eissa，“基于工业和商业现场数据的需求侧管理计划评估”，能源政策第39卷第3期10, pp. 5961-5969, 2011。视图:出版商的网站|谷歌学者
28. 版的《四年防务评估》,电力市场需求响应的好处及实现建议，美国能源部，华盛顿特区，美国，2006年。
29. S. Ahmad, A. Ahmad和R. Yaqub，“智能电网智能技术中的能源消费和需求侧优化管理”，研究与实践的突破2018年，美国宾夕法尼亚州好时市，IGI Global。视图:谷歌学者
30. M. P. Moghaddam, A. Abdollahi和M. Rashidinejad，《竞争性电力市场中的灵活需求响应方案建模》，应用能源，第88卷，第9期，第3257-3269页，2011年。视图:出版商的网站|谷歌学者
31. G.Strbac，“需求侧管理：好处和挑战，”能源政策第36卷第2期12，页4419-4426,2008。视图:出版商的网站|谷歌学者
32. S.Mohajeriami、I.N.Moghadam、M.Doostan、B.Vatani和P.Schwarz，“基于价格的需求响应的新经济模型，”电力系统研究，第135卷，第1-9页，2016。视图:出版商的网站|谷歌学者
33. M. Nehrir, B. LaMeres和V. Gerez，基于模糊逻辑的客户交互电热水器需求侧管理策略， IEEE电力工程学会，Bozeman, MT，美国，1999,1999年冬季会议(Cat。99号ch36233)。
34. M. M. Rahman, S. Hettiwatte，和S. Gyamfi，“通过基于国内负荷管理的模糊逻辑实现需求响应的智能方法”2014澳大利亚大学动力工程会议论文集，第1-6页，英国珀斯，2014年9月。视图:谷歌学者
35. M.-H。Khooban, T. Dragicevic, F. Blaabjerg, M. Delimar，“船上微电网:负载频率控制的新方法”，IEEE可持续能源汇刊，第9卷，第5期。2，页843-852,2017。视图:谷歌学者
36. A. A. Ferreira, J. A. Pomilio, G. Spiazzi, L. de Araujo Silva，“电动汽车电源系统的能量管理模糊逻辑监督”，电力电子学报，第23卷，第1期，第107-115页，2008年。视图:出版商的网站|谷歌学者
37. “基于模糊逻辑的混合动力汽车能量管理策略研究”，2012.01 - 2012.12IEEE交通电气化汇刊，第2卷，第2期3, pp. 300-311, 2016。视图:出版商的网站|谷歌学者
38. C.Corchero、M.Cruz Zambrano和F.-J.Heredia，“包括车辆到电网系统的住宅微电网的最佳能源管理，”IEEE智能电网学报，第5卷，第5期。4, pp. 2163-2172, 2014。视图:谷歌学者
39. J.Lagorse、M.G.Simões和A.Miraoui，“基于多智能体模糊逻辑的混合系统能量管理，”IEEE工业应用汇刊第45卷第5期6, pp. 2123 - 2129,2009。视图:出版商的网站|谷歌学者
40. D. Arcos-Aviles, F. Guinjoan, J. Pascual等，建筑和城市环境中基于模糊的住宅微电网并网能量管理策略研究柏林，德国，2019。
41. D.L.Ha、F.F.DeLamotte和Q.H.Huynh，“需求侧负荷管理的实时动态多级优化”，年2007年IEEE工业工程和工程管理国际会议记录，第945-949页，新加坡，2007年12月。视图:出版商的网站|谷歌学者
42. V.-H.Bui、A.Hussain和H.-M.Kim，“考虑可调功率和需求响应的基于多智能体的多微电网分层能源管理策略，”IEEE智能电网学报，第9卷，第5期。2, pp. 1323-1333, 2016。视图:谷歌学者
43. 吕瑞华、洪世华和张晓阳，“智能电网的动态定价需求响应算法：强化学习方法，”应用能源， 2018年，第220卷，第220 - 230页。视图:出版商的网站|谷歌学者
44. M.拜纳姆，A. Castillo, J. P. Watson, C. D. Laird，“利用MILP和MINLP公式评估电力系统弹性的需求响应机会”，AIChE杂志，第65卷，第5期7, p. 16508, 2019。视图:出版商的网站|谷歌学者
45. F. Khoshniyat和J. Törnquist Krasemann，“修正铁路交通时刻表的MILP模型的优缺点分析”，载于第17届运输建模、优化和系统算法方法研讨会论文集(ATMOS 2017)2017年9月，奥地利维也纳。视图:谷歌学者
46. A. Keshtkar和S. Arzanpour，“智能电网环境中住宅能源管理的自适应模糊逻辑系统”，应用能源， 2017，第186卷，第68-81页。视图:出版商的网站|谷歌学者
47. P. yazdkhsti和C. P. Diduch，“在直接负荷控制程序中使用无模型模糊控制器的需求侧管理”2020年IEEE电力和能源会议记录（EPEC），第1-5页，埃德蒙顿，AB，加拿大，2020年10月。视图:谷歌学者
48. M.Paulus和F.Borggrefe，“德国电力市场能源密集型行业需求侧管理的潜力，”应用能源第88期2，页432-441,2011。视图:出版商的网站|谷歌学者
49. K. Herter, P. McAuliffe和A. Rosenfeld，《加州住宅客户对电力高峰定价的反应的探索性分析》能源，第32卷，第2期1，页25-34,2007。视图:出版商的网站|谷歌学者
50. F. Pedregosa, G. Varoquaux, A. Gramfort等人，“Scikit-learn: Python中的机器学习，”机器学习研究杂志，第12卷，第2825-2830页，2011年。视图:谷歌学者
51. H.Kirchhoff和K.Strunz，“成功开发用于集群电气化的点对点微电网的关键驱动因素，”应用能源，第244卷，第46-62页，2019年。视图:出版商的网站|谷歌学者
52. N.J.Williams、P.Jaramillo、K.Campbell、B.Musanga和I.Lyons Galante，“坦桑尼亚农村微电网客户的电力消费和负荷概况细分分析”，年2018 IEEE PES/IAS PowerAfrica会议论文集，第360-365页，南非开普敦，2018年6月。视图:谷歌学者
53. E. Yoder和N. J. Williams，“使用客户特征的负荷剖面预测”2020年IEEE PES/IAS电力非洲会议论文集，页1-5，肯尼亚内罗毕，2020年8月。视图:谷歌学者
54. N.J.Williams、P.Jaramillo、B.Cornell、I.Lyons Galante和E.Wynn，“东非微电网的负荷特性”，年2017 IEEE PES PowerAfrica会议论文集，第236-241页，加纳阿克拉，2017年6月。视图:谷歌学者
55. G. Kyriakarakos, A. I. Dounis, K. G. Arvanitis，和G. Papadakis，“多代微电网的模糊逻辑能量管理系统”，可再生能源， vol. 41, pp. 315-327, 2012。视图:出版商的网站|谷歌学者

版权

版权所有©2021 Godiana Hagile Philipo et al。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。