Stochastic Optimization for Residential Demand Response With Unit Commitment and Time of Use
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As compensation to power generation dispatch, demand response (DR) enables demand controllability by changing the consumers' electricity usage patterns, which can be used to reduce electricity cost, integrate renewable energy, and provide ancillary services. To reveal the benefits from residential DR, this study develops the following two approaches: optimal load aggregation under augmented time-of-use (TOU) pricing; and active DR participation in unit commitment (UC) under rewards. We have shown that plain TOU pricing is not a promising DR policy if residential customers are equipped with home energy management systems (EMSs). We, therefore, propose an augmented TOU by radial basis functions. With a 60% participation level, the proposed optimal load aggregation model under the augmented TOU can reduce the power generation cost by 24% and decrease the standard deviation of the load profile by 42%. However, these results can be affected by the customer's participation level, which is also quantitatively studied. Specifically, when the participation level exceeds 80%, this method becomes less efficient. The second proposed approach, a two-stage stochastic UC model with DR flexibility, reduces the power generation cost by 20% and decreases the standard deviation of the load profile by 77%. In addition, the inconvenience of DR participation is quantitatively evaluated, and a Pareto surface is developed, which can be used as a baseline for residential customers to set up the home EMS for DR implementation. Both the proposed mechanisms can be used to improve the energy efficiency by uncovering the residential DR potential.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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