دانلود ترجمه مقاله حداکثر کردن سود برای خرده فروش برق با یادگیری نوین رفتار مشتریان

1. مقدمه 2. بیان مساله 3. مدل پیشنهادی 4. نتایج عددی و تحلیل 5. نتیجه گیری

چکیده – در سالهای اخیر با ایجاد پلتفرم شبکه های هوشمند و همچنین افزایش مشارکت مشتریان، برنامه های پاسخگویی به تقاضا (DR) به بهبود عملکرد و قابلیت اطمینان شبکه برق منجر شده است. مطالعه حاضر، موضوع استراتژی مناقصه در رابطه با یک خرده‌فروش برق را که با مجموعه‌ای از مشتریان مسکونی در تعامل است را مورد مطالعه و بررسی قرار می دهد. در این محیط، مشتریان پاسخگو به قیمت به قیمت های اعلام شده به صورت اختیاری واکنش نشان می دهند. از اینرو، خرده‌فروش بایستی از رفتار مشتریان خود آگاهی داشته باشد. مدل پیشنهادی شامل فرآیند تحلیل سلسله مراتبی (AHP) و الگوریتم یادگیری عمیق قدرت (DL) است که یک مطالعه پیشتاز در زمینه استفاده از روش داده محور در مسئله استراتژی مناقصه محسوب می شود. در مطالعه حاضر، برای مدیریت DR با توجه به محدودیت‌های بازار، در ابتدا الگوهای مصرف انرژی مشتریان در پاسخ به قیمت‌گذاری پویا استخراج شده و یک مسئله بیشینه سازی سود خرده‌فروش ایجاد می‌شود. نتایج عددی حاکی از عملکرد خوب رویکرد پیشنهادی برای بهبود سودآوری خرده‌فروش می باشد. مقدمه: بررسی های صورت گرفته حاکی از آن است که در سالهای اخیر با افزایش فزاینده تقاضای برق و ادغام فناوری های جدید در زندگی افراد، سیستم برق سنتی در معرض چالش های متعددی قرار گرفته است. همچنین برای رسیدگی به این چالش ها، رویکردهای پاسخ به تقاضا (DR)، راه حل امیدبخشی را ارائه داده و همچنین فرصتی را در اختیار مصرف کنندگان قرار داده است تا از نقش مهمی در شبکه های هوشمند جدید برخوردار باشند [1]. قیمت گذاری پویا نوعی استراتژی DR به شمار می آید که در آن مشتریان بر طبق نوسانات بازار عمده فروشی، به تدریج از قیمت های متغیر با زمان مطلع می شوند.

With the establishment of the smart grids platform, demand response (DR) programs have improved the operation and reliability of the power grid by increasing the participation of customers. This article investigates the issue of bidding strategy for an electricity retailer, which interacts with a set of residential customers. In this environment, the price-responsive customers react to the announced prices optionally. Thus, the retailer requires to learn the behavior of its customers. The proposed model enlisting the analytic hierarchy process (AHP) and a strength deep learning (DL) algorithm represents a pioneer study of applying a data-driven method into the bidding strategy problem. Herein, the energy usage patterns of customers in response to the dynamic pricing are firstly extracted, and a profit maximization problem of the retailer for the DR management is then developed with the consideration of the market constraints. The numerical results show the good performance of the proposed approach for improving the profitability of the retailer. Introduction: With the increasing electricity demand and the integration of new technologies in human life, the traditional electricity system is facing many challenges. Demand response (DR), a promising solution to address those challenges, provides an opportunity for consumers to play a significant role in the new smart grids [1]. Dynamic pricing is a kind of DR strategy, where the customers receive the time-variant prices according to the fluctuation of the wholesale market over time.