文摘
应用优化问题,得到最优电力供应和价格。然而,如何使真正的能耗接近最优电源仍值得研究。本文提出了一种新颖的基于函数数据驱动的逆比例repeated-feedback调整策略来控制用户的实际功耗。repeated-feedback调整,我们根据变化调整价格实时功率差异的最佳电源和用户的实际功耗。当且仅当权力差异偏离预设范围内,在不同时期真正的功耗将通过的变化调整价格,调整时间是最少的。数值结果在实际电力市场表明,小说逆比例基于函数repeated-feedback调整策略本文提出了比线性达到更好的效果,也就是说,调整时间和标准误差残差的更少。与此同时,利润和整个社会福利更。提出的策略可以获得更加稳定和可靠的消费负载接近最优供电,这有利于平衡供应电能。
1。介绍
越来越多的研究都集中在环境保护和节约能源。由于传统能源的不可再生和高污染,人们越来越倾向于使用清洁和可再生能源(1]。新能源汽车的快速发展可能会增加的电力需求。我们需要做更多来平衡供电,以确保电网的安全性和可靠性。
作为上述问题迫切需要解决,许多国家已经广泛研究和应用智能电网(SG)。SG解决能源问题通过优越的电子通信技术和电网系统(2]。智能电表,SG的重要节点之一,具有实时交互功能,可以实现互动的消费者之间的通信和电力供应商在任何时候,由于智能算法的科技进步和能源网络。
作为智能电网的需求反应机制控制器,结合智能电表,向我们展示了一幅实时定价(RTP) [3,4RTP),可以实现实时价格和负载之间的交互消费者和电力供应商更多的弹性和巧妙。这是一个优势,没有其他传统定价策略。胡锦涛等人提出了一个分布式算法解决电力公司之间的电力调度策略和多个用户(5]。Goudarzi等人提出了博弈论方法考虑激励和价格在降低功耗,提高用户的利益6]。赵等人开发了一个模型来获取动态定价和引导消费者的功耗模式和更新电力负荷(7]。
SG实现RTP的主要目的是获得最优功耗,电源,电力价格。当电力供应商实现最优电价时,用户可以使用电力根据最优电力消耗,可以稳定运行。然而,现实情况是真正的功耗从根本上改变,减少电网的稳定性和可靠性。到目前为止,研究人员已经很少关注如何保持真正的负载稳定。Kb和女士提出了一个双向变换器,提供更优化的控制策略控制功耗管理(8]。Yildirim和Khooban研究控制器noninteger秩序的稳定的MGs[利物浦9]。
因为上述原因,我们想研究策略,改变了实时价格真正的能耗控制在一个特定的边界。他等人研究了自动过程控制(APC)在智能电网战略得到稳定的电力消耗(10,11]。丹尼斯等人开发了一个小型的生物质能燃烧室过程热的一代,这是“最大燃烧电流”技术的基础上,重复反馈APC (12]。Efheij Albagul提出一个全面的repeated-feedback过程控制器,是维护稳定的神经网络(13]。事实上,它仍然是一个挑战,选择控制器控制能耗过程通过使用重复反馈调节方法,和几乎没有文献。
在本文中,我们提出一种新颖的基于函数数据驱动的逆比例repeated-feedback调整策略来控制用户的实际功耗之间的差异和最佳的电源。repeated-feedback调整策略纳入定价算法实时调整定价通过最小化偏离客观,那就是真正的电力消耗等于最优供电。它改变的差异是一个离散时间系列,以固定的间隔,每小时。SG,经验表明,频繁的电力价格的变化并不是可行的,开车离开客户(14]。要解决这些问题,我们预测能耗和最优电源差异下一时期的历史数据与指数加权移动平均(EWMA)控制器15,16]。在不同时期,我们设置一个EWMA预测偏差作为控制器。当且仅当控制器超过既定的范围,我们可以调整价格。因为历史数据的EWMA用作控制器,调整并不取决于一定时期内的异常,但在这一时期的发展趋势。因此,可以减少调整时间而获得更稳定的能耗和维护之间的平衡供给和需求。借助智能电表的自动监测下一个时期,一个最优数据驱动repeated-feedback调整策略。预测未来的策略价值移动平均时间序列,EWMA方法有效地最小化均方误差。近年来,各种各样的文学研究如何使用EWMA控制器组成控制图监控未来的数据10,11,17,18]。监测碳排放,Shamsuzzaman等人集成一个EWMA控制图戴明将其理念与方案降低成本(19]。张等人专注于检测的异常变化Wilcoxon rank-sum统计基于免费发放EWMA [20.]。
本文的其余部分的具体结构如下。部分2描述了系统模型和知识储备。我们证明这个问题制定和解决方案部分3。部分4提供了数值测试和分析。节5,我们得出这个研究。
2。系统模型和初步知识
2.1。系统模型
假设智能电网包括一个电源供应器,大量的电力用户智能电表,双方应当遵守一些规则。智能电表监视和调整电力负荷通过价格调整和协调每一个用户与电力供应商和其他用户。高级用户和电力供应商交换信息,如电价和电力负荷每小时通过网络等通讯设施。表总结了符号和变量1。我们系统的周期分为ℋ时期,集 。让表示数量的用户,电力用户的集合 。让表示每个用户所使用的电力消耗n∈Ξ时期 ,在哪里和解释在表1。
2.1.1。利润函数和收益函数
让 表示电源供应器的电源和代表提供成本时期 。假设供应能满足消费, , 和 解释在表1。根据(10,11),电源供应器的供电成本函数是 在哪里 如表所示1。电力供应商的利润函数是 在哪里定义在表1。
在经济学中,专家用来描述幸福的程度产生功耗效用函数。本文假设效用随用户能耗和不会增加增加到一定量时,不会增加到一定数量增长。让 表示用户n的偏好。我们模型的对数函数作为效用函数(11]: 在用户n的收益函数是
2.1.2。最优问题
我们假设电源供应器的电源功耗不小于总在每一个时期 ,
最优问题被描述为(10] 总结在表的变量在哪里1和功能和都用(表示1)和(3),分别。
2.2。初步知识
最优电源 ,电力消耗 ,和电力价格时期可以通过解决优化问题(7)和(8)。理想情况下,用户的实际功耗与最优电源是一致的。然而,实际情况是,有一个特定的实际消费之间的差异和最佳的供应 ,甚至在某些时期差异波动广泛。真正的功耗没有最优供电的稳定性和可靠性。时期的权力差异被描述为(10,11]
保持真正的功耗可靠和稳定,我们要调整来通过价格的动机。用户可能减少电力消耗在高峰时段价格上涨,增加谷时间减少。接下来,我们需要将最优问题(7)和(8)到指数加权移动平均(EWMA)过程的标准误差最小化。
3所示。问题公式化和解决方案
3.1。问题公式化
Undependability意味着没有固定的全球平均值,所以我们需要研究当地的平均偏差。我们使用EWMA代表当地的平均水平。
定义1(见[10])。 一开始权力差异, 是调整的, 被称为下一时期的权力差异EWMA吗 + 1, 是参数。
定义2(见[11])。 开始实时价格, 调整后的价格吗 , 下一时期被称为实时价格EWMA吗 。
定义3(见[11])。
实时调整的价格吗
,
被称为下一时期的EWMA调整价格
。
接下来,我们将讨论一个数据驱动repeated-feedback调整策略,减少权力偏离客观差异利用过程监控和调整。如果
拥有在期
,价格将会调整,是客观、标准负荷最优问题和差异l是边界。
正如我们所知,如果实际功耗等于最优供电,这将是最好的。因此,标准的权力差异在我们的模型中
。让
上边界和
较低的边界;用(13),
通过(14),自动监测过程。时期
,如果
,价格将会上升,本期的功耗将转向其他时期,从而减少能耗,是适应客观
。如果
,增加功耗在当前时期,价格将会减少,然后,修改目标
。
3.2。问题解决方案
定义4。设置一个逆比例函数(此后称为“IPF”)需求函数。因此,EWMA权力差异逆EWMA价格成正比吗的形式 ,在哪里 是一个常数。
定理1。假设一个IPF常数 是需求函数。然后,如果 ,我们将调整来 ,和价格的变化
如果 ,我们将调整来 ,和价格的变化
证明。条件,在时间
,如果
,我们将调整来
。在这一点上,从EWMA价格变化来
。
根据定义4,
和
,
表示
价格的变化,(20.)可以转化为以下:
类似地,如果
,(16)持有。
3.3。算法
从定理1如果(14),我们将调整用户的实际功耗与价格变化达到一个平衡状态。
Lemma1。假设调整能耗的变化价格成反比。因此,修改后的用户的实际功耗
证明。如果 ,用户的实际功耗将减少,如果 ,它增加。因此, 完成证明。
引理2。集之间的权力差异调整用户的实际功耗和最优电源 ;因此,
证明。的条件, 根据引理1和(25),调整权力差异 完成证明。
根据数据驱动repeated-feedback调整策略,在这段时间 ,监视和调整的算法如下。
4所示。数值测试
在本节中,我们进行模拟演示的有效性提出了数据驱动IPF-based repeated-feedback调整策略通过真实数据(21]。我们模拟智能电网由电力供应商和1000个用户 。两天的周期划分为48小时 。的参数 在(1)是0.01,0,0。每个用户的效用函数被定义为(3),偏好参数选择随机的时间间隔(1,4]。
4.1。结果的分析
功耗加载的配置文件,获得电力供应和价格数据来自新加坡(21]。仿真中使用的数据表中列出2。图1之前显示了电能负荷调整。
从图1,我们可以看到,电源供应器的最佳电源运行稳定,但用户之间的差异的实际能耗和最优电源相对较大。为了缩短差距,供应商应采取行动来鼓励用户调整实际功耗。我们的目的是减少能耗高峰时间,增加在低小时,以达到节能的效果由数据驱动的IPF-based repeated-feedback调整策略,从而导致稳定的实际功耗。
集 和列表中的参数算法1在表3。repeated-feedback调整的过程,从算法的性能1在48期如图2。图2表明总调整乘以12。残差的标准误差是
图2表明,应用该算法后,所有点都在边界,所以没有异常,我们可以得到稳定的电力消耗。
我们可以从图中学习3电价是略为平衡权力差异。最明显的改变价格是1.929 F0B4 10−3美元/千瓦时。图3还表明,相比之下,原用户的电力消耗,调整用户的能耗接近最佳的电源,达到预期的效果。
表3和图4说明整个社会福利计算根据(5根据()和利润计算2)。我们可以向他们学习,整个社会福利的提议repeated-feedback调整策略明显高于原来的,因为用户的实际调整功耗更接近于最优电源。利润比原来稍高,因为功耗更稳定。
通过运行算法1,我们不仅可以获得最优调整战略和稳定的电力消耗,还可以提高双方的经济利益。
4.2。调整效果的比较
来验证提出IPF-based repeated-feedback调整策略是更合理的获得稳定、可靠的电力消耗,我们比较它与线性函数(此后称为“低频”)的战略模型,如(10),调整低频的功耗。附录中提供了详细的方法。
表中列出的参数4,比较见表4和数字5- - - - - -7。
这是显示在表4和图5的时间和调整IPF调整策略下不到,在低频情况下,和IPF调整权力差异比低频情况下的稳定。
表4和图6表明双方的经济效益在IPF调整定价超过在低频下调整定价。
它可以观察到在图7IPF调整下价格定价的变化小于在低频的场景中。
测试结果意味着它是更合理的考虑提出了数据驱动IPF-based repeated-feedback调整策略比低频的场景。
5。结论
基于函数数据驱动的逆比例repeated-feedback调整策略,电力供应商可能采用监控消费能力差异的实际能耗和最优供电。电力供应商可以得到最优电源智能电网最优问题。只有当权力差异的趋势被确定为一个异常指数加权移动平均,我们将调整实时价格。也就是说,基于函数数据驱动的逆比例repeated-feedback调整策略进行了只有当权力差异远远偏离了标准的权力差异超过的上界或下界。采用基于函数数据驱动的逆比例repeated-feedback调整策略,我们可以得到最小的调整时间和稳定、可靠的电力消耗接近最优电源和整个社会福利和利润。提出的策略可以应用到丰富的电网监测和调整理论。同时,在实际应用中,它可以帮助电力供应商制定合理的电价和管理消费能力。
附录
线性函数(低频)的调整策略
定理a . 1。如果 和调整到 ,的影响价格调整的10]
如果 和调整到 ,的影响价格调整的10] 在哪里定义在(10)。
因此,当超过了边界或 ,用户的实际调整消费负担和权力差异时期τ+ 1会改变如下(10]:
数据可用性
使用的数据来支持本研究的结果都包含在这篇文章中的引用。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作是由中国国家自然科学基金(没有。11401369)。