ارائه طرحی جدید برای پاسخگویی بار یک جامعه مسکونی هوشمند با انواع مدل‌های پاسخگویی بار

افزایش با استفاده از توانایی کنتورهای هوشمند و فناوری‌های شبکه هوشمند، یک شرکت‌کننده پاسخگویی بار (dr[1]) جدید با انعطاف‌پذیری بار قابل‌توجهی از سمت مسکونی ایجاد می‌شود که جامعه مسکونی هوشمند نام دارد. در این مقاله روشی جدید مبتنی‌بر الگوریتم بهینه‌سازی ازدحام ذرات باینری (bpso[2]) برای حل مسئله dr ارائه شده است. در ابتدا با به‌دست‌آوردن متغیرهای باینری برای برداشت بار، نوع برداشت بار برای بارهای مختلف تعیین می‌شود. سپس با استفاده از حل متغیرهای پیوسته، میزان برداشت بار در بارهای مختلف به‌دست می‌آید. در سیستم پیشنهادی از منابع تولید پراکنده (dg[3])، ذخیره‌ساز باتری و خودروهای الکتریکی استفاده شده است. بارهای مسکونی هوشمند به سه دسته بارهای قابل وقفه (il[4])، قابل جابه‌جایی و قابل کنترل تقسیم می‌شوند. در مدل پیشنهادی، روش بهینه‌سازی مقاوم ([5]ro) برای مقابله با عدم‌قطعیت‌ها ارائه شده است. همچنین، انواع طرح های dr با قیمت‌گذاری زمان واقعی([6]rtp)، زمان استفاده (tou[7]) و قیمت‌گذاری پیک بحرانی (cpp[8]) در قالب یک طرح مقاوم به‌کار رفته‌اند. انواع طرح‌های dr با یکدیگر مقایسه و بهترین طرح برای dr انتخاب می شود. در طرح پیشنهادی برای اعتبارسنجی روش پیشنهادی، شبیه‌سازی روی یک سیستم آزمون انجام شد و نتایج نشان از کارایی روش پیشنهادی در برنامه‌ریزی و کاهش هزینه‌های مصرفی مشترکین دارند. [1] demand response[2] binary particle swarm optimization[3] distributed generation[4] interruptible load[5] robust optimization[6] real time pricing[7] time of use[8] critical peak pricing

introducing a new scheme for demand response of a smart residential community with a variety of demand response models

using the capabilities of smart meters and smart grid technologies, a new demand response (dr) participant with considerable load flexibility was created from the residential side called the intelligent residential community. in this paper, smart residential loads were divided into three categories of shiftable, interruptible, and controllable loads and a new method based on binary particle swarm algorithm (bpso) to solve the dr problem is presented. the type of load shedding was determined for different loads. then, by solving the continuous variables of the problem, the amount of load shedding at different loads was determined. the proposed system uses distributed generation sources, battery storage, and electric vehicles. furthermore, in the proposed model, a robust optimization method for dealing with uncertainties is presented using a variety of real-time pricing (rtp), time-of-use (tou), and critical peak pricing (cpp) schemes in a robust design. a comparison of the different types of demand response schemes was made and the best design for optimal demand response was selected. to validate the proposed method, a simulation was performed on a test system and the results indicated the efficiency of the proposed method in planning and reducing users’ consumption costs.