دانلود ترجمه مقاله پاسخ به تقاضای خانگی برای منابع انرژی تجدیدپذیر در شبکه هوشمند

1. مقدمه 2. مدل سیستم 3. چارچوب بهینه سازی پیشنهادی 4. ارزیابی عملکرد 5. نتیجه گیری

با وضعیت کنونی توسعه برنامه های پاسخ تقاضا (DR) در سیستم های شبکه هوشمند، تقاضای زیادی برای برنامه ریزی خودکار انرژی برای مشتریان مسکونی بوجود آمده است. اخیراً، برنامه ریزی انرژی در شبکه های هوشمند بر کمینه سازی مبلغ قبوض برق، کاهش پیک تقاضا و بیشینه سازی راحتی کاربر، تاکید کرده است. بنابراین، مدل راحتی یک کاربر با توجه به زمان انتظار کاربر، که یک مسئله غیرمحدب است، پیشنهاد می شود. بنابراین، این غیرمحدب بودن به محدب تبدیل می شود تا اطمینان پیدا کنیم که به جواب های بهینه می رسیم. علاوه بر آن، فرمولاسیون های ریاضیاتی برای بهینه سازی DR براساس مسئله محدب تبدیل شده، استخراج می شوند. علاوه بر آن، دو نوع سیاست قیمت گذاری قبوض برق در فرمولاسیون های ریاضیاتی طراحی می شوند، یعنی، سیاست قیمت گذاری بلادرنگ و سیاست پیشرو. با سیاست قیمت گذاری بلادرنگ، محدب بودن تضمین می شود درحالی که سیاست پیشرو، نمی تواند. بنابراین، الگوریتم های ابتکاری در نهایت برای بدست آوردن جواب های بهینه تقریبی در سیاست پیشرو، طراحی می شوند. مقدمه: در چند دهه اخیر، مصرف جهانی برق افزایش هنگفتی پیدا کرده است و به روش های غیرمعین نوسان پیدا کرده است و باعث خاموشی های سراسری شده است. بخاطر پیک تقاضای غیرمنتظره برق، منبع قابل توجهی از برق لازم است. یکی از راهکارهای امیدوار کننده برای این مسئله، استفاده از سیستم های شبکه هوشمند، در نظر گرفته شده به عنوان یک سیستم قدرت در آینده می باشد [1] تا [3]. سیستم های شبکه هوشمند یا اسمارت گرید، قادر به کاهش پیک برق و القای مصرف برق موثر از طریق سیاست های قیمتی متنوع، روش های کنترل پاسخ تقاضا (DR) و تجهیزات هوشمند مدرن برای بهینه سازی مصرف منابع برق به روش کارآمد می باشند [4 تا 6]. با وضعیت توسعه کنونی سیستم های شبکه هوشمند، تقاضای شدید برای طرح های برنامه ریزی زمانی خودکار در طرف مصرف کننده در سیستم های شبکه هوشمند مسکونی، بوجود آمده است. شکل 1، مفهوم جدید سیستم های شبکه هوشمند مسکونی را نشان می دهد. همانگونه که در شکل 1 دیده می شود، ترکیب کلی سیستم حاوی یک خرده فروش، زیرساخت سنجش پیشرفته (AMI)، کنترلر بار، مدیر برنامه ریزی، پایگاه داده و تعدادی لوازم خانگی می باشد.

With the current state of development in demand response (DR) programs in smart grid systems, there have been great demands for automated energy scheduling for residential customers. Recently, energy scheduling in smart grids have focused on the minimization of electricity bills, the reduction of the peak demand, and the maximization of user convenience. Thus, a user convenience model is proposed under the consideration of user waiting times, which is a nonconvex problem. Therefore, the nonconvex is reformulated as convex to guarantee optimal solutions. Moreover, mathematical formulations for DR optimization are derived based on the reformulated convex problem. In addition, two types of pricing policies for electricity bills are designed in the mathematical formulations, i.e., real-time pricing policy and progressive policy. With real-time pricing policy, convexity is guaranteed whereas progressive policy cannot. Then, heuristic algorithms are finally designed for obtaining approximated optimal solutions in progressive policy. INTRODUCTION: In the last few decades, global electricity consumption has dramatically increased and fluctuated in uncertain ways, causing blackouts. Due to the unexpected peak electricity demands, a significant electricity supply is required. One promising solution to this problem is the use of smart grid systems envisioned as a future power system [1]–[3]. The smart grid systems are capable to reduce the electricity peak and induce effective electricity consumption through various price policies, demand response (DR) control methodologies, and state-of-the-art smart equipment in order to optimize electricity resource usage in an efficient way [4]–[6]. With the current state of development in smart grid systems, there in a strong demand for automated scheduling schemes on the consumer side in residential smart grid systems. Fig. 1 shows the up-to-date concept of residential smart grid systems. As shown in the Fig. 1, the overall composition of the system contains a retailer, advanced metering infrastructure (AMI), load controller, scheduling manager, database, and a number of appliances.