基于监督学习的家庭能源管理系统行为驱动型小时前需求响应：逼近混合整数线性规划优化
系统与控制
2021-11-04 v1 系统与控制
摘要
传统家庭能源管理系统（HEMS）的需求响应（DR）程序通常通过控制或调度电器来干预其运行，以实现最小化能源成本和最大化用户舒适度等多重目标。在本研究中，我们提出的小时前需求响应策略并非干预电器和改变居民行为，而是首先学习居民的电器使用行为，然后基于所学知识静默控制储能系统（ESS）和可再生能源系统（RES），以最小化每日能源成本。为实现这一目标，我们提出的深度神经网络（DNN）模型利用监督学习来逼近混合整数线性规划（MILP）优化。用于训练DNN的数据集由MILP求解器基于历史数据的最优输出创建。训练完成后，在每个时间步长，这些DNN被用于结合周围环境的实时数据来控制ESS和RES。为了进行比较，我们开发了两种不同的策略：一种是基于多智能体强化学习的策略，属于小时前策略；另一种是基于预测的MILP策略，属于日前策略。为了评估和验证，我们将所提出的策略应用于三个不同的真实家庭，使用真实的实时全球水平辐照度和实时电价。数值结果验证了所提出的基于MILP的监督学习策略在每日能源成本方面的有效性，并且在三种提出的策略中表现最佳。
引用
@article{arxiv.2111.01978,
title = {A Supervised-Learning based Hour-Ahead Demand Response of a Behavior-based HEMS approximating MILP Optimization},
author = {Huy Truong Dinh and Kyu-haeng Lee and Daehee Kim},
journal= {arXiv preprint arXiv:2111.01978},
year = {2021}
}
备注
11 pages