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

摘要

电力供应的永久可用性不应被视为理所当然，因为当供应和需求之间没有平衡时，电网的可持续性和可靠性就处于危险之中。本文考虑对系统峰值影响不显著的低能用户，采用基于模糊逻辑的负荷平衡需求侧管理方法。通过K-means聚类算法，确定了合适的用电需求侧管理方案，并根据能源利用率和负荷优先级确定了控制机制。结果显示，每月可节省约3.7 kW的电力。必威2490这一结果表明，对单个客户采用适当的能源管理策略，几乎可以实现更平坦的负载分布和节能。

1.简介

电能一直是最不可替代和最灵活的能源之一[1］．它是促进任何国家经济发展的重要资源。因此，进电量不断增加，导致电网不可靠，电网效率不高[2］．要满足日益增长的需求，就必须建立新的发电厂，过度开发有限的资源。3.］．为实现可持续能源目标，微电网已成为探索绿色能源技术的世界性趋势，受到广泛欢迎[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匹配需求与可用供应[7- - - - - -9］．此外，透过顾客与公用事业单位的参与，寻找节省能源的适当方法，也引出了需求侧管理的概念[10］．通过用电需求管理，降低电力消耗和高峰需求已成为客户和公用事业公司最关心的问题[11，12］．因此，要实现任何电网的可持续性、可靠性和稳定性，DSM都是不可或缺的，也是不可避免的[11］．

用电需求管理是指通过提高效率或转移电网客户端负荷来改变消费者能源消耗的计划[13］．他们通过财务激励和行为改变，鼓励顾客在高峰时段减少消费，在非高峰时段增加消费[10，14］．DSM可分为能源效率和需求响应(DR)，如图所示1．能源效益计划透过节能装置，鼓励使用者在享用同等服务水平的同时，减少耗用能源[15］．DR计划以需求概况为目标，客户可以在不改变非高峰时段的情况下减少高峰时段的消费[16- - - - - -18]或将部分负荷由高峰时段转移至非高峰时段，因为高峰时段收费较高[13，16］．可再生能源由最终用户调整预期的电力消耗模式，以改变总能源消耗或需求突然上升的时间和水平[16，19］．它主要有三种类型:使用时间(ToU)、直接负载控制和负载转移。分时电价法是在没有固定电价的情况下;相反，根据不同的使用时间设定不同的价格，在高峰负载期间征收高额费用。电价是由用电量和用电量决定的[20.］．

在直接控制方法中，公用事业公司可以接触最终用户客户，并通过在用电高峰期间关闭一些电器来限制客户的用电量。适用于直接负荷控制的电器大多为重负荷电器，如电冰箱、冷气机及冷却装置[21］．负载转移是将负载从高峰时间转移到非高峰时间，以使负载均匀分布。这种方法不会改变总能耗;作为一种替代方案，它将需求和供应保持在所需的可能水平，以提高系统效率。

除上述计划外，用电需求管理亦采用多种方法，例如电费[22]、激励措施[23]、罚则[24]、节能技术及政府政策[25- - - - - -27］．激励机制是一种程序，其中客户因其在高峰时段减少负荷的能力而获得一定金额的报酬。该金额与他们所使用的标准电价是分开的，并可作为账单回扣或现金补偿[28，29］．定价机制使用除分时电价外的不同价格来揭示该小时内的成本和价值。它分为两种:实时定价(RTP)和临界峰值定价(CPP)。RTP通过将一天划分为不同的时段，在一天中制定不同的价格，而CPP则是电力市场根据电力供应成本而不同收费[30.］．DSM和DR可以互换使用。

按照传统，公用事业公司一直在通过减少输电损耗和增加发电能力来管理需求，但没有成功。31］．通过DRPs，成功的能源管理成为可能;然而，当考虑到使用模式和客户行为时，可以获得更现实的结果，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

参考现有文献，不同的研究者使用模糊逻辑在电力市场中实现了能源管理。Yuan et al.(2018)提出了一种基于模糊逻辑的能量管理策略，根据负荷需求充分分配产生的能量。该方法提高了系统的整体性能[9］．另一方面，Nehrir等人(1999)实施了一种客户交互的DSM策略，使用模糊逻辑来改变热水器的使用模式[33］．结果表明，采用模糊规则可以使负荷分布趋于平坦。

同样，通过模糊控制器，考虑了三个参数:成本、需求和舒适性。分析了可再生能源的好处，以展示它们如何影响成本和节能。结果显示，在高峰时段关闭负荷可较好地改善负荷分布[34］．

实现了模糊逻辑在混合微电网中的应用，用于能源管理和监督控制[35- - - - - -38］．针对单机可再生能源系统的能源管理问题，引入了基于模糊逻辑的多智能体能源管理方法[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载进行优先排序来减少峰值[1］．他没有考虑到客户的舒适度，研究仅限于一套房子。另一种基于模糊的DSM的实现是在假定负荷和代数都不可控的情况下，为并网微电网的住宅用户进行的。25条规则的仿真结果表明:40］．

在此基础上，采用多尺度、多层方法对住宅客户进行了需求需求管理。每户住户均设有控制系统，以限制高峰时段的负荷[41］．为了保证多微电网系统的可靠性和降低成本，提出了一种基于多agent的多节点容灾算法。事实证明，与传统能源管理系统相比，该方法更具成本效益[42］．在考虑服务提供商利益和客户成本降低的情况下，采用强化学习方法对动态定价DR进行了说明。仿真结果表明，电力系统能够实现平衡可靠，降低能耗和运行成本[43］．为了提高电网的弹性，并为系统运营商提供成本最优的解决方案，混合整数线性和非线性近似都被使用。MINLP结果对于非线性和非凸网络来说太大，无法提供有效的解决方案[44］．

另一方面，使用混合整数线性规划提供最优解决方案是耗时和缓慢的，特别是对于较大的数据集[45］．所述的大部分能源管理系统都依赖于抽象规则和确定性规则等传统方法，这些方法的缺点主要是无法保证最优结果，特别是当变量存在波动时。此外，抽象作品往往接近现实，依赖于开发者的经验，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用隶属度函数映射，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，控制器不需要修改，由于输出取决于输入的效果，因此仍然可以使用相同的规则库[47］．

一般来说，基于模糊逻辑的DSM方法已经实现了很多;然而，这些研究大多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计划主要在发达国家进行[10，48，49］．由于大多数发展中国家的负荷弹性较低，甚至人均能耗较低，上述结果可能不适用于大多数发展中国家的负荷分布[2］．此外，拥有许多孤立微电网的发展中国家的行为观点与拥有可靠电力的成熟国家不同。因此，本研究旨在通过开发基于模糊逻辑的DSM来独立控制其他客户集群，以提高客户的参与度，因为能源管理是跟踪他们消耗了多少电力以及何时消耗电力。在本研究中，聚类和负载限制降低了低能量用户的负担，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。该方法提出了基于负荷限制的微电网能量平衡潜力。

本工作的新贡献可归纳如下:(我)提出了一种新的基于模糊逻辑的需求侧管理方法，以匹配发展中国家微电网用户的实际情况和巨大的消费差异(2)聚类方法已用于促进客户优先级;因此，低能耗用户没有能源管理负担(3)采用的方法可以增强或触发DSM的接受，因为根据能源使用的潜力，利益是平均分配的(iv)客户使用模式已经建立，这有助于电力供应商和客户适当地规划能源、舒适性和成本节约

3.材料与方法

3.1.数据收集

消费数据是从位于坦桑尼亚阿鲁沙的太阳能电池微电网Ngurudoto收集的。它具有7.5 kW的容量，具有无线和通信模块，用于数据通信，如图所示2．使用安装在每家每户的智能电表记录用电量。对于每个智能电表，使用遥感设备、数据记录器和远程PC机组合记录实时数据。收集到的需求数据使用Microsoft Excel、Python和Matlab进行分析。采用MATLAB R2018a软件进行模糊逻辑分析。

3.2.k - means聚类

k均值聚类是一种无监督的机器学习算法，它是基于相似和差异进行分组的。它需要以下投入:(我)集群中心数量(K)(2)训练集(x₁，x₂，x_3.…)

图中总结了K-means聚类所涉及的方法3.并解释如下:(我)第一步涉及随机初始化K的值，K表示要形成的集群的数量。的最优值K可以用弯头法计算。(2)数据点与初始化的聚类中心之间的距离通过使用平方和来计算，如下所示: (3)根据获得的最小距离，数据点被分组到最近的聚类中心。(iv)新的质心由移动到同一组的数据点组计算，即 (v)平均值现在被重新定位为一个新的质心。(vi)这个过程重复到所有的簇，直到表示所形成的簇的簇心没有变化为止。

3.3.案例研究

本研究的主要目的是设计一个用电需求侧管理模型，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。负载也分为两组:重要和非重要，如表所示1欣赏它们的重要性。采用基于负荷优先级的用电需求侧管理和直接负荷控制技术，在用电高峰时段切断非重要负荷，为重要负荷供电，实现用电限制。数字4表示在高峰时段根据优先级控制负载的建议模型。F1、F2、F3和F4是连接到各自集群中房屋的非重要负载的保险丝。根据负荷剖面划分的能耗情况，选择适合进行能量管理的集群。这种选择有助于防止低能源用户承担能源管理高成本的负担。

熔断器具有来自模糊控制器的控制信号，当负载超过设定的限制时，该控制信号在高峰时段断开。这种机制允许只关闭非重要负载，而保持重要负载的连接。负载的选择基于客户的优先级。模糊控制器作为电路的核心部分，有两个输入:时间输入和比较器输入。比较器比较参考集最大电流和流过的电流，而输入时间的定时器检查它是峰值还是非峰值。然后将两者的输出馈送给模糊控制器。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，只在高峰时段连接用户的优先负载，在非高峰时段，负载可以在不超过限制的情况下增加。模糊控制器的一般工作机制包括以下几个部分:(我)输入(2)模糊化(3)推理引擎(规则)(iv)去模糊化(v)输出

3.5.模糊隶属函数

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是必不可少的。对于这种情况，输入时间采用梯形隶属度函数，如图所示5．

数字6显示ZMF和smf，反馈或比较器最合适的隶属函数。输出信号分别采用常数隶属度函数和线性隶属度函数，如图所示7．

在模糊控制器的设计中，最关键的任务是模糊规则的制定。规则的数量总是取决于考虑的输入和输出块的成员函数的数量。在本研究中，模糊控制器的设计是通过根据优先级集关闭一些负载来限制高峰时段的电力使用。在这项研究中，使用了一些规则，其中一些如下所述:(我)如果时间是非高峰(am)且反馈<设置的电流限制(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)，且反馈<设置电流限制(A)，则集群3为全部，集群4为全部，集群8为全部(3)如果时间是非高峰(pm)且反馈<设置的电流限制(A)，则集群3为全部，集群4为全部，集群8为全部(iv)如果时间较短，反馈为中等，则集群3没有变化，集群4没有变化，集群8也没有变化(v)如果时间是峰值(am)，反馈是>，设置电流限制(A)，集群3是重要的，集群4是重要的，集群8是重要的(vi)如果时间是非高峰(am)且反馈为零，则集群3为all，集群4为all，集群8为all(七)如果时间是峰值(pm)，反馈是>，设置电流限制(A)，集群3是重要的，集群4是重要的，集群8是重要的(八)如果时间是非高峰(pm)且反馈为零，则集群3为全部，集群4为全部，集群8为全部

4.结果与讨论

4.1.案例研究

针对孤立型太阳能微电网，提出了一种基于模糊逻辑的负荷管理方法。以22户住宅为研究对象，利用Scikit-Learn Python包对采集的实时用电量数据进行K-means聚类算法[50］．集群是为了识别客户的典型使用模式，将他们分组到各自的集群中，从而根据他们的用电方式控制他们的需求。负载限制和负载优先级技术用于单个集群，以实现更平坦的负载配置。

用K-means聚类给出10组聚类，如图所示8，这是通过弯头法从提供的样本数据中确定聚类数量得到的。结果由弯头点或图的第一个转折点表示，在那里可以观察到误差和的小幅下降。适当的K值为所使用数据的第10个，如图所示8．因此，发现的簇数是10个。

来自图中所示的集群结果9在美国，房屋是根据相似的使用模式进行分组的。所有的集群都显示出需求的变化，这表明需要DSM。除了使用模式外，集群3、4和10代表了最高使用集群的家庭。考虑到太阳能微电网，这些客户可以被视为主要决定或影响系统总体峰值需求的潜在用户。另一方面，第6和第9组由最低用电量者组成;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，这些客户不应该承受高昂的价格或关闭一些负载，因为它们不影响系统的峰值。其余的集群(1、2、5、7和8)代表中等用途的客户。由于采用了适当的负载平衡技术，本研究的聚类结果显示了成功的DSM程序的巨大潜力。集群通过评估客户的峰值发电程度来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表示拥有大多数客户的组，而集群4、6、8、9和10每个都只有一个客户，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。选择是基于每个集群中最高的消费者，以应对最坏的情况。表格2显示选择了各自参考房屋的集群。本研究假设使用模式为600w及以上的客户适合用电需求管理。因此，选择了集群3、4、8和10，由房屋14、12、22和10的负荷分布表示。

然后根据消费模式和规模对分组的顾客进行了特征分析。通过使用收集到的人口统计数据，不同类型的客户落入每个消费类别和负载特征。数字11显示了所有房屋的不同人口统计属性和电力使用之间的关系。结果表明，能耗最高的是14号房屋，属于聚类3。高消费的顾客也倾向于有室内生意，就像14号房子里有酒吧生意一样。这些结果得到了文献中作者的进一步支持。[52他分析了坦桑尼亚农村微电网的客户消费模式。从人口统计结果来看，家庭成员的数量及其室内业务显然会影响用电量。以10号房屋为代表的中等用途客户，属于第10组，显示相当大的用电量。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。这一论点与Elizabeth等人(2020)的研究相关联，他们认为中等能源家庭的存在是由于学校儿童的存在[53］．8号房子也是如此，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号房子是小户型，因为它们要么只有一个家庭成员，要么有更多的老年人，他们的生活方式并不消耗大量的能源。本研究试图通过提出一种DSM机制来适应低能耗用户，该机制不会给他们带来负担，因为他们的用电量在系统峰值发电时并不显著。

图中的表面查看器12给出了模糊逻辑DSM后的时间、功率和集群功率输出三个参数的三维图。该图显示了托管集群3、4和8。在聚类3中，由于未达到设置的功率限制，以14日前的天数表示的非高峰日期是不受控制的。这种情况允许开启重要和非重要负荷，类似于Nehrir等人(1999)解释在非高峰时段安排热水器运行的方式[33］．峰值日在18-22的范围内标记的集中区域，模糊逻辑控制器帮助限制功率使用到1300 W使用7.5 a保险丝。黄色表示DSM后剃除或修剪的区域，这是操作员的目标。对于集群4，高峰时段允许负载设置为800w。负载限制是通过一个4a保险丝来完成的，它关闭了在21上观察到的多余负载^圣的一天。同样，在集群8中，所有负载在高峰时段都限制在600 W。如图所示，在24-26天的范围内发现的过度负载被削减到600w。

数据13而且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:非高峰期和高峰期。第6天，集群3，如图所示13表示非峰值点。采用2.99 A的反馈电流对应657.8 W的功率，模糊化后输出功率为657 W。结果表明，模糊化前后荷载的能量基本相同，表明荷载没有被管理或转移。在准确的图中，峰值点用17表示^th的一天。观察到的功率为1738 W单相，给控制器的反馈电流为7.9 a，因此，通过关闭非重要负载，功率限制在1000 W。

类似地，集群4，如图所示14，显示非高峰时段和高峰时段的结果。在高峰时段观察到负荷减少，而在非高峰时段什么都不做。模糊控制器通过接收到的反馈电流来实现上述目标。

数据15- - - - - -18分别为集群3、集群4、集群8和集群10实施DSM之前和之后的每月负荷分布。结果表明，如文献所述，采用基于模糊逻辑的能源管理方案，除了在电力高峰时段外，发电量可以得到充分利用。9］．优化前，负载需求高于设置的限制。在应用模糊逻辑控制器后，可以看到更接近平坦的负载分布，这有助于避免系统崩溃和停电，特别是在高峰时段。概要文件清楚地显示，每个集群的峰值都受到限制，以匹配设置的相应限制。实现模糊逻辑DSM前后的总体负荷分布如图所示19．由于参与DSM的集群，高峰时期的需求显著减少。这些结果表明在设计和实现方面比Ravibabu等人报道的改进更多。[1]因为许多房子已经被包括在聚类方法中。此外，通过这种方法，小电力消费者直到满足DSM时才被考虑在内。

数字20.显示一个月内不同日期的节能情况，以及每个月的总体节能情况。该图显示每月节省近3700瓦的电力。实现的节余量在DSM上下文中是非常重要的，并且它确保了系统在峰值负载情况下的稳定性。由于需求的不同性质，不同的日子也观察到不同的能源节约[54］．此外，3^{理查德·道金斯}, 5^th7^th, 11^圣, 13^th, 14^th、16^th, 19岁^th, 22岁^nd、24^th天，节省大约接近于零，有人可能会说没有负载被转移或关闭。在这种情况下，论点可以是大多数房屋处于非峰值范围，因此在DSM前后保持相同的能量。同样，27日达到了最高的节能^th日，人们可能会认为几个非重要的负载被关闭，以避免系统过载。

从所得结果可以看出，采用基于模糊逻辑的能源管理策略，可以使需求曲线趋于均衡，并适当优化可用发电量以满足用户需求。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。上述观察结果与参考文献一致。[55]并由ref进一步支持。[33］．另一方面，由于客户的负荷需求和太阳能微电网产生的功率都是不确定和随机的，与文献中作者讨论的数学模型相比，模糊逻辑控制器已被证明是最高效和有效的方法。[9］．

5.结论

由于电器的增加，导致用电高峰期间电力短缺的需求和供应之间的可用缺口正在显现。用电需求管理计划提供了一个更好的机会来利用消费多样性，并相应地减少电力的高峰需求。将负载从高峰转移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，通过集群来利用它们的使用模式可以带来更灵活的DSM技术。在本研究中，采用基于模糊逻辑的DSM程序作为负荷限制器来控制高峰时段的负荷。这种控制机制有助于在给定时间内适当利用可用电力，根据客户设置的偏好优先考虑重要负载。

此外，所提出的方案有利于各种类型的客户，从而鼓励他们参与DSM。因此，本研究对于保证节能和客户满意是必不可少的。它可以进一步扩展，以解释消费者因愿意参与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。

利益冲突

作者声明，他们没有已知的可能影响所报告工作的经济利益或个人关系的竞争。

作者的贡献

这篇论文是作者合作的成果。作者从想法的发展到稿件的准备，共同做出了贡献。

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)为这项研究提供便利，并感谢水资源基础设施和可持续能源期货(WISE-Futures)对这项工作的赞助。作者还感谢大家的友好协助，特别是阿博加斯特·尼亚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，“使用模糊逻辑进行国内负荷管理的DSM技术方法”，在2009年IEEE模糊系统国际会议论文集，第1303-1307页，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:缓解能源不平衡和峰值负荷管理的工具”，能源， vol. 114, pp. 895-912, 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和S. A. Shanto，“为达卡市居民电力消费者开发需求侧管理计划”，在2017电气、计算机与通信工程国际会议(ECCE)，第743-747页，考克斯巴扎尔，孟加拉国，2017年2月。视图:谷歌学者
4. C. K. Sao和P. W. Lehn，“转换器馈电微电网的控制和电源管理”，IEEE电力系统汇刊，第23卷，no。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变换器估计器设计中的应用”，计量控制学会学报，第41卷，no。5，第1323 - 1330,2019。视图:出版商的网站|谷歌学者
6. G. H. Philipo, Y. A. Chande Jande和T. Kivevele，“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，卷2020，文章ID 6956214, 12页，2020。视图:出版商的网站|谷歌学者
7. A. A. Zaidi, T. Zia和F. Kupzog，“使用负载识别的微电网自动化需求侧管理”，见2010第八届IEEE工业信息学国际会议论文集，第774-779页，日本大阪，2010年7月。视图:谷歌学者
8. P. R. Babu, H. Gopal，和K. Sreenivasulu，“通过需求侧管理技术的能源管理-一个案例研究”，在27年国家系统会议记录，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，沈博，闫晓霞，龙涛，“基于实验数据库的光伏/柴油/电池混合动力船舶的模糊逻辑能量管理策略，”能量，第11卷，no。9，页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行中:一个荷兰的例子”能源政策2019年，中国科学院学报，vol. 129, pp. 153-160。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/可缩减需求响应程序的影响”，在2019年IEEE德州电力与能源会议论文集，第1-6页，大学城，德克萨斯州，美国，2019年2月。视图:谷歌学者
12. 郭健，郑晓明，“需求侧管理对中国家庭用电量的影响:基于中国家庭调查的实证研究”，能源政策《中国科学院学报》，vol. 95, pp. 113-125, 2016。视图:出版商的网站|谷歌学者
13. T. Logenthiran, D. Srinivasan和T. Z. Shun，“基于启发式优化的智能电网需求侧管理”，IEEE智能电网汇刊，第3卷，no。3, pp. 1244-1252, 2012。视图:出版商的网站|谷歌学者
14. c·w·盖林斯，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年。
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工业信息学汇刊，第7卷，no。3, pp. 381-388, 2011。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卷，no。11，页1989-1996,2008。视图:出版商的网站|谷歌学者
17. M. A.皮亚特，O.塞兹根，D. S.沃森，N.茂木，C.肖克曼，L.滕·霍普，大型设施中全自动需求响应的开发与评估，加州大学伯克利分校，加州，美国，2004。
18. K. Herter和S. Wayland，“居民对电力临界峰值定价的反应:加州的证据”能源，第35卷，no。4，第1561-1567页，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”，见电力工程学会会员大会论文集，2007。IEEE，第1-5页，IEEE，坦帕，佛罗里达州，美国，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，no。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和S. A. Shanto，“为达卡市居民电力消费者开发需求侧管理计划”，在电气、计算机与通信工程国际会议论文集，第743-747页，孟加拉国考克斯巴扎尔，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:评估使用时间关税对意大利北部居民电力需求和峰值转移的影响，”能源，第44卷，no。1, pp. 576-583, 2012。视图:出版商的网站|谷歌学者
23. 马俊杰，邓俊杰，宋磊，韩宗泽，“基于拍卖的智能电网需求侧管理激励机制研究”，IEEE智能电网汇刊，第5卷，no。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，“客户端负载管理的智能需求响应方案”，在IEEE 2030年能源会议论文集，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，住宅和工业消费者，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回顾》《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项目评估”，能源政策，第39卷，no。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和实现它们的建议，美国能源部，华盛顿特区，2006年。
29. S. Ahmad, A. Ahmad和R. Yaqub，“智能电网智能技术中的优化能源消耗和需求侧管理”，研究与实践的突破， IGI Global, Hershey, PA, USA, 2018。视图:谷歌学者
30. M. P. Moghaddam, A. Abdollahi, 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，no。9, pp. 3257-3269, 2011。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，no。12，页4419-4426,2008。视图:出版商的网站|谷歌学者
32. S. Mohajeryami、I. N. Moghaddam、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， vol. 135, pp. 1 - 9,2016。视图:出版商的网站|谷歌学者
33. M. Nehrir, B. LaMeres, V. Gerez，基于模糊逻辑的用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(猫。99号ch36233)。
34. M. M. Rahman, S. Hettiwatte和S. Gyamfi，“基于模糊逻辑的国内负荷管理实现需求响应的智能方法”，在2014澳大拉西亚大学动力工程会议论文集，第1-6页，珀斯，英国，2014年9月。视图:谷歌学者
35. M.-H。Khooban, T. Dragicevic, F. Blaabjerg和M. Delimar，“舰载微电网:负载频率控制的新方法”，IEEE可持续能源汇刊，第9卷，no。2, pp. 843-852, 2017。视图:谷歌学者
36. A. A. Ferreira, J. A. Pomilio, G. Spiazzi，和L. de Araujo Silva，“电动汽车供电系统的能量管理模糊逻辑监督”，IEEE电力电子汇刊，第23卷，no。1, pp. 107-115, 2008。视图:出版商的网站|谷歌学者
37. 尹浩，周玮，李敏，马春华，赵春华，“基于自适应模糊逻辑的电池/超级电容混合动力汽车能量管理策略”，IEEE交通电气化汇刊，第2卷，no。3，页300-311,2016。视图:出版商的网站|谷歌学者
38. C.科切罗，M.克鲁兹-桑布拉诺，f - j。Heredia，“住宅微电网的最佳能源管理，包括车辆到电网系统，”IEEE智能电网汇刊，第5卷，no。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，no。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等人，基于模糊的住宅并网微电网能源管理策略研究综述，施普林格，德国柏林，2019年。
41. D. L. Ha, F. F. de Lamotte和Q. H. Huynh，“需求侧负荷管理的实时动态多级优化”，在2007年IEEE工业工程与工程管理国际会议论文集，新加坡，2007年12月，第945-949页。视图:出版商的网站|谷歌学者
42. V.-H。Bui, A. Hussain, h - m。Kim，“考虑可调功率和需求响应的多微电网基于多代理的分层能源管理策略，”IEEE智能电网汇刊，第9卷，no。2, pp. 1323-1333, 2016。视图:谷歌学者
43. 卢荣华，洪世宏，张旭明，“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《中国科学》，2018年第2期，第220 - 230页。视图:出版商的网站|谷歌学者
44. M. Bynum, A. Castillo, J. P. Watson和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，no。7, p. e16508, 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MILP模型的优缺点分析”，在第17届交通建模、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， vol. 186, pp. 68-81, 2017。视图:出版商的网站|谷歌学者
47. P. Yazdkhasti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”，在2020年IEEE电力与能源会议论文集，第1-5页，埃德莫顿，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卷，no。2, pp. 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关键高峰定价反应的探索性分析”，能源，第32卷，no。1, pp. 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， vol. 12, pp. 2825-2830, 2011。视图:谷歌学者
51. H. Kirchhoff和K. Strunz，“成功开发用于蜂群电气化的点对点微电网的关键驱动因素”，应用能源2019年，中国科学院学报，vol. 244, pp. 46-62。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耗和负荷剖面细分分析”，在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，“利用客户特征预测负荷剖面”，见2020年IEEE PES/IAS PowerAfrica会议论文集，第1-5页，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”，在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，“多联供微电网的模糊逻辑能源管理系统”，可再生能源， vol. 41, pp. 315-327, 2012。视图:出版商的网站|谷歌学者

betway赞助

betway赞助版权所有©2021 Godiana Hagile Philipo et al.。这是一篇开放获取的文章，在创作共用署名许可协议它允许在任何媒介上不受限制地使用、传播和复制，前提是正确地引用原始作品。