چطور این مقاله مهندسی برق را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008667 رایگان است. ترجمه چکیده این مقاله مهندسی برق در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل انگلیسی :
687 Kb
حجم فایل فارسی :
765 کیلو بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
مدل سازی مبتنی بر عامل برای بازارهای خرده فروشی انرژی الکتریکی بر اساس پاسخ به تقاضا
عنوان انگليسي
Agent-Based Modeling of Retail Electrical Energy Markets With Demand Response
نویسنده/ناشر/نام مجله
ACCEPTED FOR PUBLICATION IN IEEE TRANSACTIONS ON SMART GRID
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی برق شامل 11 صفحه انگلیسی به صورت پی دی اف و 27 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
در این مقاله، رفتار یک بازار خرده فروشی انرژی الکتریکیِ روز بعد (DA) با استفاده از پاسخ به تقاضای (DR) مبتنی بر قیمت برای بارهای AC با استفاده از یک چارچوب چند-عامله سلسله-مراتبی و به کارگیری یک رویکرد آموزش مبتنی بر ماشین مورد مطالعه قرار گرفت. در اولین سطح، یک عامل خرده فروش، انرژی را از بازار عمده‌فروشی DA خریداری کرده و آن را به مشتری می فروشد. هدف عامل خرده فروش بیشینه کردن سود با تنظیم قیمت های خرده‌فروشی بهینه است؛ با در نظر داشتن پاسخ‌ِ بارهای حساس به قیمت. به محض دریافت قیمت خرده فروشی، در سطح پایین تر سلسله مراتب، عامل های AC یک الگوریتم آموزش-Q را برای بهینه کردن الگوهای مصرفشان با اصلاح نقاط تنظیم دمای دستگاه ها به کار می گیرند؛ با در نظر داشتن قیمت‌های مصرف و اولویت های کاربر. به دلیل اینکه عامل خرده فروش دسترسی مستقیم به دینامیک بارهای AC و فرآیند تصمیم ندارد (اطلاعات ناقص)، امنیت داده های مشتری ها تبدیل به منبعی از عدم قطعیت ها در مدل تصمیم خرده فروش می شود. خرده فروش بر تکنیک هایی در زمینه آموزش ماشینی اتکا می کند تا یک مدل قابل اطمینان را برای رفتار تجمیعی بارهای حساس به قیمت برای کاهش عدم قطعیت فرآیند تصمیم سازی توسعه بخشد. از این رو، یک فریمورک چند-عامله مبتنی بر آموزش ماشین ما را قادر می سازد تا مسائلی مانند قابلیت همکاری و تصمیم سازی را با استفاده از اطلاعات ناقص در سیستمی مورد ارزیابی قرار دهیم که حریم خصوصی مشتری را حفظ می کند. نشان خواهیم داد که با استفاده از مدل پیشنهادی، همه عامل ها قادر خواهند بود به طور همزمان رفتارشان را بهینه کنند. نتایج شبیه سازی نشان می دهد که رویکرد پیشنهادی منجر به کاهش هزینه کل مصرف همزمان با همگرایی به نقطه تعادل خواهد شد. این مسئله همچنین همزمان می شود با بیشینگی در سود خرده فروش. همچنین نشان خواهیم داد که معماری تصمیمِ مشابهی را می توان برای کاهش بار پیک به منظور ارتقای سیستم توزیع تحت نفوذ بالای توان فتوولتاییک (PV) در فیدر توزیع مورد استفاده قرار داد.
1-مقدمه
با تکامل ساختار سیستم های قدرت به همراه افزایش سریع نفوذ منابع انرژی تجدیدپذیر به شبکه های برق، تکنیک های جدید در چارچوب شبکه های هوشمند [1] برای اطمینان از عملکرد ایمن و مطلوب سیستم های انرژی الکتریکی معرفی شدند [2]. در این زمینه، پاسخ تقاضا (DR) معرفی شده است تا به مصرف کنندگان فرصت بدهد در مدیریت و کنترل فرایندهای سیستم قدرت مشارکت کنند...
بازارهای خرده فروشی انرژی الکتریکی بازار برق
:کلمات کلیدی
Abstract
In this paper, we study the behavior of a Day-Ahead (DA) retail electrical energy market with price-based Demand Response (DR) from Air Conditioning (AC) loads through a hierarchical multiagent framework, employing a machine learning approach. At the top level of the hierarchy, a retailer agent buys energy from the DA wholesale market and sells it to the consumers. The goal of the retailer agent is to maximize its profit by setting the optimal retail prices, considering the response of the price-sensitive loads. Upon receiving the retail prices, at the lower level of the hierarchy, the AC agents employ a Q-learning algorithm to optimize their consumption patterns through modifying the temperature set-points of the devices, considering both consumption costs and users’ comfort preferences. Since the retailer agent does not have direct access to the AC loads’ underlying dynamics and decision process (i.e., incomplete information) the data privacy of the consumers becomes a source of uncertainty in the retailer’s decision model. The retailer relies on techniques from the field of machine learning to develop a reliable model of the aggregate behavior of the price-sensitive loads to reduce the uncertainty of the decision-making process. Hence, a multiagent framework based on machine learning enables us to address issues such as interoperability and decision-making under incomplete information in a system that maintains the data privacy of the consumers. We will show that using the proposed model, all the agents are able to optimize their behavior simultaneously. Simulation results show that the proposed approach leads to a reduction in overall power consumption cost as the system converges to its equilibrium. This also coincides with maximization in the retailer’s profit. We will also show that the same decision architecture can be used to reduce peak load to defer/avoid distribution system upgrades under high penetration of Photo-Voltaic (PV) power in the distribution feeder.
Keywords:
agent-based modeling demand response ma- chine learning retail electrical energy markets
سایر منابع مهندسی برق در زمینه بازار خرده فروشی