基于聚类技术的柔性能源社区定向需求响应
机器学习
2023-09-26 v3 人工智能
摘要
本研究提出用于商业和住宅产消者需求响应(DR)程序设计的聚类技术。目标是在意大利的一个分布式能源社区内改变产消者的消费行为。该聚合旨在:a)最小化主变电站的反向功率流,其发生在本地电网中太阳能板发电超过消费时,以及 b)转移系统范围的峰值需求,其通常出现在傍晚时分。关于聚类阶段,我们考虑每日产消者负荷曲线并将其划分到提取的聚类中。采用了三种流行的机器学习算法,即 k-means、k-medoids 和凝聚聚类。我们使用多个指标评估这些方法,包括本研究中提出的新指标,即峰值性能分数(PPS)。考虑 14 个聚类、采用动态时间规整距离的 k-means 算法表现出最高性能,PPS 为 0.689。随后,我们根据负荷形状、熵和负荷类型分析每个提取的聚类。这些特征用于通过将聚类匹配到适当的 DR 方案(包括分时电价、关键峰价和实时电价)来区分具有服务优化目标潜力的聚类。我们的结果证实了所提聚类算法在生成有意义柔性聚类方面的有效性,而推导出的 DR 定价策略鼓励在非高峰时段消费。所开发的方法对训练数据集的低可用性和质量具有鲁棒性,可被聚合商公司用于细分能源社区和制定个性化 DR 政策。
引用
@article{arxiv.2303.00186,
title = {Targeted demand response for flexible energy communities using clustering techniques},
author = {Sotiris Pelekis and Angelos Pipergias and Evangelos Karakolis and Spiros Mouzakitis and Francesca Santori and Mohammad Ghoreishi and Dimitris Askounis},
journal= {arXiv preprint arXiv:2303.00186},
year = {2023}
}