MétaCan
Menu
Retour à la cohorte
Enregistrement W3116851389 · doi:10.3390/s21010130

Demand Management for Optimized Energy Usage and Consumer Comfort Using Sequential Optimization

2020· article· en· W3116851389 sur OpenAlexafffund
Mikhak Samadi, Javad Fattahi, Henry Schriemer, Melike Erol‐Kantarci

Notice bibliographique

RevueSensors · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueSmart Grid Energy Management
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésThermal comfortHVACComputer scienceDemand responseEnergy consumptionScheduling (production processes)Linear programmingEfficient energy useAir conditioningEnergy managementMathematical optimizationReliability engineeringEngineeringEnergy (signal processing)ElectricityOperations managementAlgorithm

Résumé

récupéré en direct d'OpenAlex

The Energy-efficiency of demand management technologies and customer's experience have emerged as important issues as consumers began to heavily adopt these technologies. In this context, where the electrical load imposed on the smart grid by residential users needs to be optimized, it can be better managed when customer's comfort parameters are used, such as thermal comfort and preferred appliance usage time interval. In this paper a multi-layer architecture is proposed that uses a multi-objective optimization model at the energy consumption level to take consumer comfort and experience into consideration. The paper shows how our proposed Clustered Sequential Management (CSM) approach could improve consumer comfort via appliance use scheduling. To quantify thermal comfort, we use thermodynamic solutions for a Heating Ventilation and Air Conditioner (HVAC) system and then apply our scheduling model to find the best time slot for such thermal loads, linking consumer experience to power consumption. In addition to thermal loads, we also include non-thermal loads in the cost minimization and the enhanced consumer experience. In this hierarchal algorithm, we classified appliances by their load profile including degrees of freedom for consumer appliance prioritization. Finally, we scheduled consumption within a Time of Use (ToU) pricing model. In this model, we used Mixed Integer Linear Programming (MILP) and Linear Programming (LP) optimization for different categories with different constraints for various loads. We eliminate the customer's inconvenience on thermal load considering ASHRAE standard, increase the satisfaction on EV optimal chagrining constrained by minimum cost and achieve the preferred usage time for the non-interruptible deferrable loads. The results show that our model is typically able to achieve cost minimization almost equal to 13% and Peak-to-Average Ratios (PAR) reduction with almost 45%.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,668
Score d'incertitude au seuil0,718

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,021
Tête enseignante GPT0,218
Écart entre enseignants0,197 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSensorsMême sujetSmart Grid Energy ManagementTravaux en français237 207