Uncertainty Impact on Aggregator Performance for Peak Shaving
Notice bibliographique
Résumé
Accurate peak period forecasting and load consumption profile prediction are critical for utility resource planning and emergency response preparedness. This article investigates the impact of uncertainties in both peak period characteristics (timing and magnitude) and thermostatically controlled loads (TCLs) behavior on capacity estimation and subsequent peak shaving performance. Uncertainty sources associated with common TCLs and challenges with forecasting peak period parameters are discussed. Conventional TCL models are updated to address and incorporate these inaccuracies and uncertainty factors. We design and implement a management system that aggregates TCLs using a comprehensive virtual battery (VB) model, ensuring adherence to all operational constraints. An optimal peak shaving algorithm is deployed during peak demand periods utilizing this VB framework, enabling comparative analysis of “OFF” and “ON/OFF” control scenarios. A novel metric, the shared load capacity percentage, is introduced to provide insights for peak shaving optimization and broader demand response (DR) applications. Findings indicate that employing an ON/OFF control strategy can potentially result in 20% more capacity compared to OFF control, particularly when baseline energy consumption is reduced by 10%. Furthermore, we present a detailed assessment of the impact of various uncertainties on the peak shaving process, considering both utility operations and end-user loads. The sensitivity of the proposed control system to forecasting inaccuracies is thoroughly analyzed, and the expected loss of loads’ hybrid reserved energy is quantified. A metric for aggregator reserved capacity loss is introduced, giving insight to the detrimental effects of forecasting errors on peak shaving efficacy, encompassing performance, cost, and temporal implications. The results reveal that inaccurate peak time forecasting and voltage level uncertainties can lead to up to a 50% variation of peak shaving capacity with electric water heaters (EWHs) and heat pumps (HPs). The study also demonstrates that ambient temperature forecasting inaccuracies lead to a 35% capacity provision change. These findings underscore the critical need for robust forecasting techniques and uncertainty management strategies to implement TCL-based peak shaving programs effectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».