دانلود ترجمه مقاله مدیریت انرژی پویا در شبکه هوشمند: یک الگوریتم بهینه سازی مرتبه اول تصادفی سریع

1. مقدمه 2. فرمول بندی مسأله 3. روش حل 4. نتایج شبیه سازی 5. نتیجه گیری

چکیده – یک موضوع مهم در شبکه هوشمند، نحوه مدیریت منابع بار قابل کنترل کاربران نهایی به منظور کاهش هزینه های اقتصادی عملیاتی سیستم و تسهیل در استفاده از انرژی های تجدیدپذیر می باشد. این مقاله یک روش بهینه سازی مرتبه اول تصادفی سریع در کشف راه حل مدیریت انرژی پویا (DEM) برای شبکه هوشمند ادغام شده با منابع انرژی پراکنده در مقیاس بزرگ را مورد بررسی قرار داده است. یک مسأله بهینه سازی چند متغیره کوپلینگ زمانی پیچیده به منظور تعیین زمان بندی بار برای مشتریان برق ارائه شده است. چالش اصلی مسأله پیشنهادی، پردازش مؤثر داده های زیاد و بهینه سازی داده های جمع آوری شده دخیل در DEM می باشد. روش مرتبه اول به عنوان یکی از الگوریتم های بهینه سازی داده بزرگ قادر به ارائه عملکرد قابل توجهی برای محاسبه کلی راه حل های بهینه سازی مبتنی بر روش های تصادفی می باشد. با استفاده از چنین رویکرد راه حلی، ما می توانیم مسأله اصلی را در یک تابع لاگرانژی تکمیل شده نامحدودی فرمول بندی مجدد کنیم. نتایج بهینه را می توان از محاسبه گرادیان مبتنی بر اطلاعات مشتق مرتبه اول به دست آورد. به منظور سرعت بخشیدن به محاسبات حصول راه حل های قابل اجرا، ماتریس متغیر بهینه سازی به کار رفته برای به روز رسانی ضرب کننده لاگرانژی را می توان با نمایش رتبه پایین مرتبط در فرآیند تکراری جایگزین کرد. آنالیز تئوریک و نتایج شبیه سازی نشان می دهند که روش پیشنهادی می تواند مسأله زمان بندی بهینه DEM را با در نظر گرفتن مشارکت مشتریان به طور مؤثری حل کند.

A crucial issue in the smart grid is how to manage the controllable load resources of end-users, in order to reduce the economic costs of system operation and facilitate to utilize renewable energies. This paper investigates a fast randomized first-order optimization method to explore the solution of dynamic energy management (DEM) for the smart grid integrated large-scale distributed energy resources. A complicated time-coupling and multi-variable optimal problem is presented to determine the load scheduling for the electricity customers. The main challenge of the proposed problem is to enable the efficient processing of the large data volumes and optimization of aggregated data involved in DEM. The first-order method as one of big data optimization algorithms is able to exhibit significant performance for computing globally optimal solutions based on randomization techniques. Using such solution approach, we can reformulate the original problem into an unconstrained augmented Lagrangian function. The optimal results can be obtained from computing the gradient based on the information of the first-order derivative. To speed up the calculations of obtaining the feasible solutions, the optimization variable matrix used to update the Lagrangian multiplier can be replaced with the corresponding low-rank representation in the iteration process. Both theoretical analysis and simulation results suggest that the proposed approach may effectively solve the optimal scheduling problem of DEM considering users’ participation.