A Gaussian Process-based Price-Amount Curve Construction for Demand Response Provided by Internet Data Centers
对于具有互联网数据中心(IDC)的需求响应(DR)计划,估计潜在DR量如何取决于由电力系统确定的DR价格的价格-量曲线是至关重要的。构建这条曲线具有挑战性,主要是由于IDC运营的不确定性。提出了一种基于高斯过程回归的估计方法。计算了反映IDC运行不确定度的曲线方差。
2020-12-02 cs.SY eess.SY
Human-on-the-Loop Distributed Control of Grid-Interactive Buildings for Demand Response Participation
University of California Riverside(加州大学河滨分校);Oklahoma State University(俄克拉荷马州立大学)
该研究针对多建筑需求侧管理,提出人在回路分布式共识控制方法,引入含非自主领导者的框架,用非线性未知输入滑模观测器应对挑战,设计共识协议,仿真验证其能在需求响应中灵活管理能源、平衡舒适度及提升电网适应性。
2026-11-13 cs.SY eess.SY
Demand Response Under Stochastic, Price-Dependent User Behavior
National Renewable Energy Laboratory(美国国家可再生能源实验室)
本文研究了基于价格的住宅需求响应,通过动态调整电价实现,提出随机框架下的需求响应模型,利用随机优化理论解决用户响应不确定性问题,通过数值模拟验证方法有效性。
2026-03-16 cs.SY eess.SY
Large-Scale Demonstration of Precise Demand Response Provided by Residential Heating Systems
Swiss Federal Institute of Technology, Zurich(苏黎世联邦理工学院);IBM Research–Zurich(IBM苏黎世研究实验室)
本文通过300多栋安装热泵的住宅建筑,展示如何利用能耗数据和室外温度数据自主识别系统灵活性,并量化群体需求响应潜力,通过负载削减和反弹阻尼实验验证方法有效性。
2018-06-20 cs.SY eess.SY
Enhancing Resilience of Distribution Networks by Coordinating Microgrids and Demand Response Programs in Service Restoration
在高影响低概率事件的情况下,为了尽可能多地恢复配电网的临界负荷,有必要利用所有可用的资源,如微电网和分布式发电。本文提出了一种两阶段的方法,利用所有可用的分布式发电,微电网和需求响应程序的协调后,极端事件的关键负荷恢复。在第一阶段中,确定网络的灾后重构,并且在第二阶段中,确定响应负载的需求响应输出和所有关键负载的恢复状态。在第一阶段,提出了一种算法来确定电气孤岛,并在第二阶段,提出了一种新的模型的基础上的广义Benders分解算法,考虑需求响应计划和所有的操作约束,并旨在最大限度地恢复临界负荷。通过对33节点和69节点测试系统的仿真,验证了该方法的有效性。
2021-07-13 cs.SY eess.SY
A Bayesian Perspective on Residential Demand Response Using Smart Meter Data
University of California, Berkeley(加州大学伯克利分校)
本文通过引入隐变量区分用户用电行为类型,提升短期负荷预测精度,并发现使用智能家电的用户在需求响应中减少用电量更显著。
2016-08-12 cs.SY eess.SY
Data-Driven Evaluation of Building Demand Response Capacity
Advanced Digital Sciences Center(先进数字科学中心);Singapore University of Technology and Design(新加坡科技设计大学)
本文提出利用建筑传感器数据估算需求响应能力的方法,通过概率度量平衡可用容量与置信水平,结合实验验证了两种建筑的需求响应策略。
2016-02-09 cs.SY eess.SY
Research on a Two-Layer Demand Response Framework for Electric Vehicle Users and Aggregators Based on LLMs
本文提出基于大语言模型的双层需求响应框架,上层聚合商调价获利,下层用户优化充电,采用PSO优化电价,仿真证明可提升充电效率、削峰并稳定电网。
2025-05-27 cs.SY eess.SY
Selling Demand Response Using Options
本文研究在两级结算电力市场下,利用现货市场与场外期权交易需求响应资产,证明现货市场社会最优,并设计最优期权价格以最小化社会福利差距,近似理想市场。
2020-08-03 cs.SY eess.SY
End-to-End Demand Response Model Identification and Baseline Estimation with Deep Learning
University of California San Diego(加利福尼亚大学圣迭戈分校);Columbia University(哥伦比亚大学)
本文提出了一种新的端到端深度学习框架,该框架可以从净需求测量和激励信号中同时识别需求基线和基于激励的代理需求响应模型。该学习框架被模块化为两个模块:1)需求响应参与者的决策过程被表示为可微优化层,其将激励信号作为输入并预测用户的响应; 2)基线需求预测被表示为标准神经网络模型,其采用相关特征并预测用户的基线需求。这两个中间预测被整合,以形成净需求预测。然后,我们提出了一个梯度下降的方法,反向传播的净需求预测误差更新代理模型的权重和基线需求预测的权重,联合。我们证明了我们的方法的有效性,通过计算实验与合成的需求响应跟踪和大规模的现实世界的需求响应数据集。我们的研究结果表明,该方法准确地识别需求响应模型,即使没有任何先验知识的基线需求。
2021-09-02 cs.LG cs.SY eess.SY
Zeroth-Order Feedback-Based Optimization for Distributed Demand Response
本文针对分布式需求响应中模型未知、非凸和隐私等挑战,提出两种基于零阶反馈的分布式算法,分别适用于一般凸紧致可行集和盒约束问题,并给出复杂度界与实验验证。
2023-11-01 cs.SY eess.SY
Optimal Demand Response and Supply Schedule Under Market-Driven Price: A Stackelberg Dynamic Game Approach
在这项工作中,我们使用Stackelberg无限离散时间动态博弈模型来研究市场驱动的动态价格下的最优供应计划和最优需求响应。建立了两层优化框架。在较低层,对于每个用户,针对能量消耗调度不同的电器。对于能源供应商来说,不同的发电机用于发电。在上层,与供应商作为领导者和用户作为追随者,Stackelberg动态博弈是用来捕捉能源供应商和用户之间的互动,能源供应商和用户只关心自己的成本。我们分析了一个领导者-N个追随者的Stackelberg动态博弈,并刻画了Stackelberg均衡。我们提供了一个封闭形式的纳什解的最优动态需求响应问题时,供应宣布。一组线性约束的特点Stackeberg平衡。仿真结果表明,价格被驱动到一个合理的价值。总需求和总供给是平衡的。
2019-11-17 cs.SY eess.SY
Low-complexity control algorithm for decentralised demand response using thermostatic loads
Delft University of Technology(代尔夫特理工大学);Imperial College London(伦敦帝国学院)
本文提出了一种用于冰箱等热控负载的分布式负荷控制算法,旨在实现低计算复杂度和处理可变长度离散时间步的能力,以适应家电嵌入和高吞吐量模拟。
2019-04-28 cs.SY eess.SY
Levelised Cost of Demand Response: Estimating the Cost-Competitiveness of Flexible Demand
Imperial College London(帝国理工学院)
本文提出需求响应的平准化成本(LCODR)以评估灵活需求的成本竞争力,通过考虑消费者奖励支付和可再生能源的可变可用性,对比不同DR方案与储能技术的竞争力。
2025-12-05 cs.SY eess.SY
Efficient Demand Response Location Targeting for Price Spike Mitigation by Exploiting Price-demand Relationship
针对需求响应选址不当或推高电价的问题,提出基于价格-需求分段线性关系的双层混合整数线性规划方法,实现位置与削减量联合优化,鲁棒且计算时间降低逾50%。
2024-08-05 cs.SY eess.SY
A Novel Two-Step Approach for Reactive Power Demand Calculation Using Integrated Voltage Stability Analysis
University of Stuttgart(斯图加特大学)
本文提出一种新两步方法,通过整合电压稳定性分析计算反应功率需求,结合迭代准动态仿真、Q-V分析和动态仿真,全面评估电压稳定性,最终通过案例验证方法有效性。
2026-04-27 cs.SY eess.SY
Towards the Interactive Effects of Demand Response Participation on Electricity Spot Market Price
Energy Production and Infrastructure Center (EPIC)(能源生产与基础设施中心);Belk College of Business(贝尔克商学院);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
本文研究需求响应计划对现货市场价格的积极影响,通过价格弹性模型模拟客户反应,并利用回归模型分析数据,发现DR计划可平抑价格波动并降低客户用电成本。
2016-08-22 cs.SY eess.SY
Optimal Bidding Strategies in Network-Constrained Demand Response: A Distributed Aggregative Game Theoretic Approach
针对配电网供电短缺下的需求响应,本文将聚合商竞争建模为含潮流约束的聚合博弈,并提出一种仅依赖邻居通信的完全分布式广义纳什均衡求解算法,通过前向-后向分裂证明其收敛性。
2024-04-01 cs.SY eess.SY
A Game Theoretic Approach for Demand Response Allocation among Strategic Prosumers in Regulated Distribution Utilities
本文研究了需求响应(DR)的规定之间的战略光伏(PV)生产消费者的最优分配,通过第三方DR供应商在受监管的配电公用事业的领土内运行。一个博弈论模型,包括一个连续的游戏加上一个同时的游戏,提出了捕捉的竞争和互动之间的PV prosumers,第三方DR提供商,和公用事业公司。提出了一种迭代的方法来求解博弈的纳什均衡。在此博弈模型下,考虑光伏生产者、DR供应商和公用事业公司的利润最大化,最优地确定了战略光伏生产者的DR供应量。IEEE测试系统的案例研究验证了所提出的模型和解决方案。
2021-10-04 cs.SY eess.SY
Optimal Operation of Renewable Energy Communities under Demand Response Programs
本文针对可再生能源社区中配备储能的生产者,提出一种低复杂度混合整数线性规划调度策略,并设计公平的需求响应奖励分配算法,使社区成员收益优于独立运行。
2025-03-10 cs.SY eess.SY math.OC
A Simulation Tool for V2G Enabled Demand Response Based on Model Predictive Control
针对缺乏评估MPC类车网互动需求响应策略工具的问题,提出一款开源MPC控制器仿真工具,可应对运营不确定性,在最大化G2V/V2G收益的同时评估电池影响,支持CPO结合电价、电网约束和用户偏好实时优化充放电计划。
2024-05-20 cs.SY eess.SY
Multiobjective Model Predictive Control for Residential Demand Response Management Under Uncertainty
National Tsing Hua University(国立清华大学);Deakin University(迪肯大学);National Taipei University(台北大学)
本研究提出了一种多目标模型预测控制方法,用于在不确定性下优化住宅能源管理,通过拉格朗日函数和改进的进化算法实现成本和用户满意度的双重优化。
2026-01-13 cs.SY eess.SY
LSTN: A Linear Model of Industrial Production Process for Demand Response
Tsinghua University(清华大学);State Grid Corporation of China(国家电网有限公司);State Grid Anhui Electric Power Co., Ltd.(国网安徽省电力有限公司)
该研究针对传统工业生产建模在大规模需求响应应用中计算不可行的问题,提出LSTN线性模型,平衡了计算复杂度与建模精度,数值结果表明其准确性高且计算效率显著优于对比方法。
2026-08-27 cs.SY eess.SY
Values of Coordinated Residential Space Heating in Demand Response Provision
住宅建筑空间供暖的需求侧响应可能为电力系统提供巨大的灵活性,特别是在供暖部门深度电气化的情况下。在此背景下,本文提出了一种新的分布式控制策略,以协调空间加热在众多的住宅家庭与多样化的热参数。在博弈论框架下采用迭代算法,通过需求转移和热舒适补偿,每个家庭调整自己的供暖计划,以实现个人成本节约,而总峰值需求在系统层面上被有效削减。此外,一个创新的热舒适模型,同时考虑定制的热舒适要求的时间和空间的差异。通过一系列的案例研究,它表明,建议的空间供热协调策略可以促进有效的能源套利的个别建筑,驱动系统的运行成本降低13.96%和28.22%的调峰。此外,基于所提出的热舒适量化模型,数值分析了所提出的方法在保持热舒适性方面的优越性。
2022-03-23 cs.SY eess.SY
Benefits and Cyber-Vulnerability of Demand Response System in Real-Time Grid Operations
随着智能电网双向通信技术的发展,需求响应(Demand Response,DR)技术因其将非关键负荷从高峰时段转移到非高峰时段的内在灵活性而受到广泛关注,它可以极大地提高电网可靠性,降低能源成本。运营商利用DR来增强运营灵活性并缓解网络拥塞。然而,智能双向通信容易受到网络攻击。本文研究了DR在安全约束经济调度(SCED)中的优势,然后研究了网络攻击针对DR信号时系统对线路过载的脆弱性。本文提出了一种虚假需求响应信号和负载测量注入(FSMI)网络攻击模型,该模型在黑客测量时发送错误的DR信号,使攻击无法检测。IEEE 24节点系统上的仿真结果(i)证明了需求响应的成本节约优势,(ii)当需求响应信号在FSMI攻击下发生变化时,显示出显着的线路过载。
2020-05-27 cs.SY eess.SY math.OC
A Theory for the Operation of the Independent System Operator in a Smart Grid with Stochastic Renewables, Demand Response and Storage
Texas A&M University(德克萨斯农工大学)
本文提出了一种理论框架,用于设计在去中心化方式下生成最优需求响应的架构和算法,以应对包含多个随机可再生能源和动态负载的智能电网。该理论考虑了动态需求的最优响应,并通过模拟结果展示了其在社会福利方面的优势。
2015-07-16 cs.SY eess.SY
Demand Response by Aggregates of Domestic Water Heaters with Adaptive Model Predictive Control
本文提出一种基于自适应模型预测控制的家用热水器聚合体需求响应算法,通过动态辨识聚合体模型并调整温度设定值,在保证用户舒适度的同时跟踪调节信号并缓解反弹效应。
2023-07-05 cs.SY eess.SY
Asset Participation and Aggregation in Incentive-Based Demand Response Programs
为了管理峰值电网事件,公用事业公司运行基于激励的需求响应(DR)计划,在该计划中,他们向承诺减少电力消耗的资产提供激励,并在未能做到这一点时实施处罚。我们为这些资产的削减能力开发了一个概率模型,并使用它来推导最佳参与的解析表达式(即,承诺的缩减)和从DR资产角度的盈利能力。我们还研究了风险规避和削减的不确定性对承诺削减和利润的影响。我们使用概率模型来评估参与DR计划形成资产聚合的好处,并开发了一个数值测试来估计资产互补性。我们用商业办公楼的负荷数据来说明我们的结果。
2022-08-23 cs.SY eess.SY
Decentralized Coordination Between Economic Dispatch and Demand Response in Multi-Energy Systems
本文研究了多能源系统中经济调度与需求响应的协调问题,旨在提高多能源系统的经济效用,减少能源浪费。由于多个能源通过能源枢纽(EH)耦合,供需约束是非凸的。为了解决这个问题,我们提出了一个线性化的方法,将协调问题转化为凸社会福利优化问题。在此基础上,提出了一种基于并行交替方向乘法(ADMM)和动态平均跟踪协议的分布式算法,每个Agent只能根据邻居的信息进行决策。此外,通过使用变分不等式和基于Lyapunov的技术,我们证明了我们的算法总是可以收敛到全局最优解。最后,通过对改进的IEEE 14节点网络的算例分析,验证了算法的可行性和有效性。
2021-03-25 cs.SY eess.SY
Enhancing System Flexibility through Corrective Demand Response in Security-Constrained Unit Commitment
目前,系统运营商通过在日前调度中出于经济原因调度可控负荷来实现需求响应。特别地,需求从电力成本较高的高峰时间转移到非高峰时间,以通过平坦化负载分布来保持系统可靠性。然而,在短期业务中,没有明确考虑到在发生意外后的情况下采取这种行动的系统灵活性和经济效益。因此,本文强调了需求响应的好处,作为一个纠正行动,潜在的突发事件后,提前一天调度。提出了一种安全约束的机组组合(SCUC)模型,该模型考虑了当线路或发电机停运时,通过修正需求响应(CDR)提供的灵活性来维持系统的系统可靠性。该模型在IEEE 24节点系统上进行了测试,仿真结果表明,在日常运营中,总成本节省显着。此外,结果表明,发电机具有更好的长期可靠性,并且能够使用现有系统的灵活性,并在实施CDR时满足基本情况下更高的关键需求。
2020-06-20 cs.SY eess.SY math.OC
Robust Survivability-Oriented Scheduling of Separable Mobile Energy Storage and Demand Response for Isolated Distribution Systems
本地配电系统与主电源电气隔离的极端情况可能并不总是可以避免的。在重新连接到主电源之前,必须努力保持这种隔离配电系统(IDS)的灯亮着。在本文中,我们提出了一种策略,以提高IDS的生存能力,利用协调两个灵活的方法,即,可分离的能量存储系统(SMESSs),构建非有线链接的IDS和外部活电源之间的能量传输,和需求响应(DR),调整内部电力需求的IDS提供有效的操作压力缓解。考虑到可再生能源发电量和负荷的不确定性,构建了两阶段鲁棒优化模型。其目标是在最坏情况下使燃料消耗最小化,并使需求减少和未得到满足,从而使IDS具有更长的生存能力。最后通过实验验证了该方法在提高入侵检测系统生存性方面的有效性。
2021-11-26 cs.SY eess.SY
Data-Driven Distributionally Robust Scheduling of Community Integrated Energy Systems with Uncertain Renewable Generations Considering Integrated Demand Response
社区综合能源系统(CIES)是能源互联网和智慧城市在地理和功能上的重要载体。它的出现为解决能源利用和环境污染问题提供了新的途径。为协调可再生能源发电的综合需求响应和不确定性,构建了数据驱动的两阶段分布式鲁棒优化模型。不确定性概率分布信息集采用1-范数和无穷范数组成的综合范数,避免了复杂的概率密度信息。为了解决RG的多重不确定性问题,提出了一种基于Wasserstein距离和梯度惩罚的生成对抗网络来生成RG场景,具有广泛的适用性。为了进一步挖掘需求响应的潜力,我们考虑了人体热舒适性的模糊性和建筑物的热惯性。因此,建立了一个综合的需求响应机制,有效地促进了可再生能源的消费。该方法在华北地区的一个实际的CIES中进行了仿真。通过与传统随机规划和鲁棒优化方法的比较,验证了所提DRO模型较好地平衡了经济运行与鲁棒性之间的关系,具有较强的适应性。此外,我们的方法优于其他常用的DRO方法,具有更好的运行经济性,更低的可再生电力削减率,更高的计算效率。
2023-01-28 cs.SY eess.SY
A Unit Commitment Model with Demand Response for the Integration of Renewable Energies
Institute of Industrial Science, University of Tokyo(东京大学工业科学研究所)
提出一种考虑可再生能源出力预测及其误差的机组组合模型,通过需求响应降低运行成本和备用容量,并分析风电骤降的影响。
2011-12-21 cs.SY eess.SY
A Prudent Framework for Understanding Risk-Awareness in Demand Response
Columbia University(哥伦比亚大学)
本文提出一种结合非前瞻性多阶段决策与超二次成本函数的理论框架,揭示风险意识源于超二次成本函数和价格不确定性,通过数值模拟和实际案例展示其影响。
2026-06-28 cs.SY econ.TH eess.SY
PV Integration in Low-Voltage Feeders with Demand Response
ETH Zürich(苏黎世联邦理工学院)
本文研究利用电热水泵实现需求响应,提升低压配电网的光伏接入容量,通过变压器功率测量提出控制策略,优化柔性负载调度并减少负载切换。
2014-08-07 cs.SY eess.SY
A Robust Optimization Approach for Demand Response Participation of Fixed-Frequency Air Conditioners
针对可再生能源渗透加剧系统调峰压力的问题,提出定频空调参与需求响应的鲁棒优化方法,基于马尔可夫假设建立概率响应模型并重构为MILP问题求解,有效保障聚合商利润与用户舒适度。
2025-08-14 cs.SY eess.SY
A Stackelberg game for incentive-based demand response in energy markets
在现代建筑中,可再生能源发电机和存储设备正在普及,因此用户在电网中的角色正在从被动转向主动。我们设计了一个需求响应计划,利用生产者的灵活性,提供辅助服务的主电网。我们提出了一个层次化的计划,以协调分销系统运营商和智能prosumers社区之间的互动。该框架继承了基于价格和基于激励的计划的特点,并保留了两者的优点。我们投的问题作为一个Stackelberg游戏的prosumers作为追随者和分销系统运营商作为领导者。我们解决了由此产生的双层优化程序,通过KKT重新制定,证明存在性和收敛到一个局部Stackelberg平衡。最后,我们提供了数值模拟,以证实我们的主张的好处,建议的框架。
2022-11-09 cs.SY eess.SY
Analysis and Evaluation of Baseline Manipulation in Demand Response Programs
在基于基线的需求响应(DR)计划中,需要客户基线来为参与者分配折扣。平均基线法因其简单可靠而在实践中被广泛接受。然而,客户的基线操纵是鲜为人知的文献。我们从客户的角度出发,建立了一个马尔可夫决策过程来模拟客户的收益最大化问题。揭示了理性顾客在DR日消费不足和非DR日消费过度的行为。此外,我们提出了一个近似的基线方法,并显示如何消耗分布和程序参数影响的结果。由于维数灾难,线性策略为基础的推出算法,以获得一个实用的近似解。最后,进行了案例研究,以说明基线操纵,仿真结果证实了所提出的方法的有效性,并阐明了如何正确设计基线方法。
2020-11-20 cs.SY eess.SY
MARL-iDR: Multi-Agent Reinforcement Learning for Incentive-based Residential Demand Response
本文提出一种去中心化多智能体强化学习方法解决基于激励的住宅需求响应问题,通过析取约束背包问题优化协调异构参与者并保护隐私,在25个家庭数据中使峰均比降低14.48%。
2023-04-08 cs.SY eess.SY
Low-carbon optimal dispatch of integrated energy system considering demand response under the tiered carbon trading mechanism
本研究提出阶梯碳交易机制下考虑需求响应的综合能源系统低碳优化调度策略,构建相关模型并求解,验证了该策略能有效降低系统运行成本与碳排放,提升综合性能。
2023-10-04 cs.SY eess.SY
Financial Risk-Based Scheduling of Microgrids Accompanied by Surveying the Influence of the Demand Response Program
提出了一种基于混合整数规划(MIP)的优化方法,在需求响应计划(DRP)存在的情况下,使微电网(MG)的利润最大化,同时使利润风险(RIP)最小化。RIP被定义为从期望利润值中获得更少利润的风险。使用正态分布、Beta分布和Weibull分布函数对与RES和负荷相关的不确定性进行建模。在GAMS和MATLAB中对一年中的5个随机日进行了模拟研究。仿真结果表明,考虑下行风险约束(DRC)和实施DRP后,RIP降低。DRP虽然增加了MG的总利润,但也显著增加了风险。另一方面,考虑DRC大大降低了风险的百分比,利润略有下降。
2021-02-06 cs.SY eess.SY
Optimal Power Flow Considering Time of Use and Real-Time Pricing Demand Response Programs
近年来,需求响应(DR)程序在电力系统调度和运行中的应用越来越多。DR用于改善用户和供电商的经济状况。最优潮流是电力系统运行和控制中的一个基本概念。利用DR程序在系统的电源管理中的影响是非常重要的。在本文中,基于时间的DR程序的电力系统的24小时运行的成本的影响。使用时间和实时定价程序与不同的参与因素的影响进行了研究。此外,通过对系统运行成本的研究,分析了DR计划在当前电网中的作用。为了这个目的,14总线IEEE测试系统是用来正确地实现和模拟所提出的方法。
2021-02-15 cs.SY eess.SY
A Reliability-aware Multi-armed Bandit Approach to Learn and Select Users in Demand Response
社会系统的优化和控制中的一个挑战是处理未知和不确定的用户行为。本文重点研究住宅需求响应(DR),并提出了一个闭环学习计划来解决这些问题。特别是,我们认为DR计划,其中聚合器呼吁住宅用户改变他们的需求,使总负荷调整接近目标值。为了学习和选择正确的用户,我们制定DR问题作为一个组合多臂强盗(CMAB)问题的可靠性目标。我们提出了一个学习算法:CUCB-Avg(组合上置信界平均值),它利用上置信界和样本平均值来平衡探索(学习)和利用(选择)之间的权衡。我们考虑了固定的时不变目标和时变目标,并表明CUCB-Avg实现$O(\log T)$和$O(\sqrt{T \log(T)})$遗憾分别。最后,我们数值测试我们的算法使用合成和真实的数据,并证明我们的CUCB-Avg执行显着优于经典CUCB,也优于汤普森采样。
2020-03-20 cs.SY eess.SY
Online Learning for Network Constrained Demand Response Pricing in Distribution Systems
本文提出了一种在线学习方法,用于在配电网中考虑网络约束的需求响应定价,通过持续估计居民需求响应参与者的价格敏感性并生成价格信号,以确保所需的需求响应容量,同时将需求响应资源的调度决策纳入分布鲁棒机会约束优化潮流框架中。
2019-11-06 cs.SY eess.SY
A Stackelberg Game of Demand Response from the Aggregator's Perspective
本文提出一种从聚合商视角建模需求响应的Stackelberg博弈双层模型,聚合商为领导者、消费者为跟随者,验证了该模型能有效实现负荷削减目标并降低消费者电费。
2025-07-17 cs.SY eess.SY math.OC
Leveraging Bitcoin Mining Machines in Demand-Response Mechanisms to Mitigate Ramping-Induced Transients
提出一种基于辅助服务的扩展需求响应程序,通过优化比特币挖矿机的调度与功耗以抑制功率爬坡及暂态效应,仿真表明机器价格和可再生能源发电比例显著影响该程序的盈利能力。
2024-11-17 cs.SY eess.SY
Demand response potential evaluation of a zero carbon hydrogen metallurgy system considering shaft furnace's flexibility
Tsinghua University(清华大学);Tianjin University(天津大学);University of Science and Technology Beijing(北京科技大学)
本文提出评估零碳氢冶金系统电力需求响应潜力的框架,通过建模竖炉作为受约束的柔性负荷并验证模型,结果显示基于需求响应的系统可降低运营成本6.6%,促进铁making与电力系统的协同。
2026-04-01 cs.SY eess.SY
Stability of a Stochastic Model for Demand-Response
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
研究含可再生能源波动和需求不确定性的电力生产消费马尔可夫模型的稳定性,通过Lyapunov函数证明延迟需求以固定比例消失时系统正Harris遍历,否则非正。
2013-04-22 cs.SY eess.SY math.OC
Sharing Coefficient-Based Price Signals for Demand Response in Renewable Energy Communities
Catalonia Institute for Energy Research (IREC)(加泰罗尼亚能源研究所)
研究可再生能源社区中因馈线级盈余导致的反向潮流问题,提出基于共享系数的需求响应框架,通过馈线感知和馈线无关设计,将动态比例分配结果转换为价格信号,经实验验证可有效减少反向能量,为需求响应提供新的运行价格信号。
2026-07-13 cs.SY eess.SY
Enhance Low-Carbon Power System Operation via Carbon-Aware Demand Response
本文提出集成碳感知需求响应(C-DR)机制的电力调度优化模型,基于碳感知最优潮流方法结合KKT重构与迭代算法求解双层调度问题,有效促进了电力系统脱碳。
2024-07-28 cs.SY eess.SY
Coordinating Flexible Demand Response and Renewable Uncertainties for Scheduling of Community Integrated Energy Systems with an Electric Vehicle Charging Station: A Bi-level Approach
带电动汽车充电站的社区综合能源系统(CIES)为解决日益增长的能源效率和环境污染问题提供了新的途径,协调灵活的需求响应和多种可再生能源的不确定性是一项关键任务。为此,本文建立了一个新的双层优化调度模型的CIES与EVCS在多利益相关者的场景。在该模型中,一个综合的需求响应计划的目的是促进能源供应和需求之间的平衡,同时保持用户的综合满意度在可接受的范围内。为进一步挖掘需求响应潜力,灵活引导用户能源消费和电动汽车行为(充电、放电和提供旋转储备),提出了分时电价和实时电价相结合的动态电价机制。在求解阶段,利用序列运算理论(SOT),将原机会约束规划(CCP)模型转化为一个易于求解的混合整数线性规划(MILP)模型,并利用CPLEX求解器进行求解。对华北地区一个实际的CIES的仿真结果表明,该方法通过协调灵活的需求响应和不确定的可再生能源,实现了CIES和EVCS之间的利益平衡。
2021-07-16 cs.SY eess.SP eess.SY
Super-relaxation of space-time-quantized ensemble of energy loads to curtail their synchronization after demand response perturbation
恒温控制负荷(TCL)的合奏提供了一个显着的需求响应储备系统运营商平衡电网。然而,这也会导致集成内的各个设备的寄生同步,从而导致集成的综合能耗中的长的需求响应后振荡。同步最终被波动破坏,从而导致(前需求响应)稳定状态;然而,这种自然的去同步化,或放松到统计稳定状态,太长了。这个问题的解决方案在于测量系综的瞬时消耗,并将其用作对系综的设备在开和关状态之间的随机切换的反馈。一个简化的连续时间模型表明,仔细调谐的非线性反馈的结果在一个快速(超)放松的合奏能量消耗。由于状态信息和控制信号都是离散的,实际的TCL设备操作是时空量化的,这必须考虑现实TCL合奏建模。在这里,假设状态的特点是室内温度(量化舒适度)和空调制度(开,关),我们构建了一个离散模型的基础上的状态转换的概率描述。我们表明,超松弛持有这样一个更现实的设置,虽然它是稳定的随机性的量化模型的随机矩阵,它仍然敏感的时间离散化方案。为了实现超松弛和客户的舒适度之间的平衡,我们分析了超松弛的时空量化的细节的依赖性,并提供了一个简单的分析标准,以避免不必要的振荡消费。
2021-01-04 cs.SY eess.SY
Deep Learning for Intelligent Demand Response and Smart Grids: A Comprehensive Survey
Vellore Institute of Technology(韦洛尔理工学院);Pusan National University(釜山国立大学);University of Oulu(奥卢大学);Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
电力是当今人类必不可少的商品之一。为了解决通过传统电网传输电力的挑战和问题,开发了智能电网和需求响应的概念。在这样的系统中,每天从各种源生成大量数据,诸如发电(例如,风力涡轮机),传输和分配(微电网和故障检测器),负载管理(智能电表和智能电器)。由于大数据和计算技术的最新进展,可以利用深度学习(DL)从生成的数据中学习模式,并预测电力需求和高峰时段。基于深度学习在智能电网中的优势,本文对深度学习在智能电网和需求响应中的应用进行了全面的综述。首先,我们介绍了DL的基本原理,智能电网,需求响应,以及使用DL的动机。其次,我们回顾了最先进的应用DL在智能电网和需求响应,包括电力负荷预测,状态估计,能源盗窃检测,能源共享和交易。此外,我们通过各种用例和项目说明DL的实用性。最后,我们强调了现有的研究工作中提出的挑战,并强调了在智能电网和需求响应的DL的使用的重要问题和潜在的方向。
2021-01-20 cs.LG cs.SY eess.SY
Optimal Demand Response-Based Energy Management for Campus Buildings with Battery Energy Storage Systems: A Case Study of the ELB Building
University of Michigan-Dearborn(密歇根大学迪尔伯恩分校)
该研究以ELB建筑为案例,提出整合需求响应与电池储能系统的校园建筑最优能源管理框架,可降低用电成本,协同调度能实现约26%的成本降幅,提升建筑运行灵活性。
2026-10-16 cs.SY eess.SY