基于人工神经网络模型的需求管理协议的优化设计外文翻译.docxVIP

附录B 外文翻译文献 译文： 基于人工神经网络模型的需求管理协议的优化设计 摘要 节能系统需求的不断增加引起了人们对能源管理的各种奇思妙想。一种主要的节能方法在于对电力系统需求管理。任何需求管理计划的目标是控制用户对电力的需求从而为电力设备创建负载救援和提高系统安全性。通常情况下，需求管理方法是奖励那些愿意注册负载中断的用户，我们称这些形式的协议为激励相容的协议，协议规定给用户提供的奖励应该超过中断成本，同时也应对公司有利。各种设计方法的系统是不同的，并且过去的设计机制来源于博弈论的设计机制，此类的设计已被应用。在这个协议中，我们提出人工神经网络，通过训练以确定最佳方案。人工神经使用的学习算法是反向传播学习算法，我们使用电力系统参数作为神经网络输入，而输出作为期望值。博弈论的设计原理作为从人工神经网络获得结果的目标。我们提出??神经系统是在IEEE14节点测试系统上测试的。 关键字： 设计机制、博弈论、需求管理、人工神经网络、反向传播学习算法 引言 在世界上的大多数国家，电能需求大大增加。很多的电力公司对于需求增加试图生产更多的电力，这问题产生了各种反应，实际上是资本密集型并且对环境有危害。一种可选且最佳的策略是需求侧管理（DSM），需求侧管理层通过改变用户的负荷大小和模式来改变用户用电，这是通过削峰、填谷、负荷转移、战略保护、战略负载增长和灵活的负载型来实现[1]。用到DSM策略的设备可以预测中断加载模式且能应用到整个系统或在特定的位置。需求管理计划的一个基本要求是客户必须自愿参与这些项目，DSM策略已经使用了许多方法和设计技术，包括人工神经网络中的其他软件计算技术[2]-[3]，DSM策略也用到其他程序的结合或补充。 作者对分布式发电（DG）应如何补充需求管理方案作出了解释[4]，经济分析获得表明电力公司不必限制单一的需求管理计划而且也可以用现有的补充需求管理方案。 针对之前工作中普遍使用的需求管理，我们可以得出结论，它们获得电力公司和用户的一致好评。因此，目前最佳的需求管理协议就是我们提出人工神经网络的设计。 本文安排如下:在第二节,我们介绍合同的概念。在第三个节,我们描述了我们在设计系统系统的模拟场景。在第四节，对神经网络模型的需求管理协议进行详细说明。在第五节,对神经网络训练和测试的实验结果进行讨论。最后第六节，结论。 需求管理合同 随着研究需求管理协议的深入，焦点已转向准确估计用户的停运成本[5]，[6]，[7]。作者证实电力设备需要一个可以准确地估计用户的停电成本的方案。这将使电力公司提供有吸引力的激励措施，从而吸引了用户自愿参与需求管理项目。这一优惠措施受到用户的认可被称为协议。协议被定义为公司和用户之间的协议，其中用户同意心甘情愿参与甩负荷，作为回报获得公司货币补偿。重要补充一点是货币的好处可以采取两种形式：现金支付或降低电价费。此外，用户可以选择摆脱他的整个负载或在甩负载有所限制[9]。以往的需求管理协议的例子有存在过[10]，但它不是最佳。例如，在[10]被用于估计客户停运成本的调查中，最佳协议关键要求是详细的说明[8]，并且不能进行评估，那是因为空间约束。在接下一节中，我们描述了需求管理协议的模拟场景。 协议方法的模拟场景 需求管理协议公式化应用到14节点测试系统，如图1，14节点有5个发电机和11个负载。该节点边际电价格（λ）是从MATPOWER[11]软件最佳功率流例子获得。任何电力公司在不同的场景模拟过程中，都有可能遇到提供日常运营，我们得到的协议值使用了博弈论的每一个场景，博弈论的输出作为神经网络的目标，而训练作为测试结果的基准值。 图1 14节点测试系统 模拟场景： 所有发电机和负荷连接。 所有负荷和每个发电机的连接关闭。 所有与发电机连接的负荷值都设置为0。 所有发电机连接负荷的值从最大容量的1/2、1/4、1/8缩减。 我们结束506个不同的独特用户案例的模拟，得到合同值x（θ），x（θ）是负荷削减，（θ）是每个负载网络的奖金（假设是每个负载代表用户）。 博弈论设计原理的输入和输出（神经网络的目标）被传送到监测网络神经。 神经网络模型需求管理协议 人工神经网络可被描述为一个数学模型，它是复制人体生物神经系统的结构和功能，大多数的神经网络数学模型，也被称为学习算法，最普遍和有效的学习算法是反向传播学习算法，在这个项目工作中所使用的就是反向传播学习算法。人工神经网络的典型应用在分类，模式识别，优化和通常非线性任务的回归。它们也被使用在电力系统中的任务，如检测和定位电能质量扰动[12]，[13]和短期负荷预测[14]。在本文中，我们提出神经网络的应用需求管理协议的优化设计。应用神经网络在博弈论到这项工作中有许多优点，最重要的是实时的适用性。这是因为经过培训的电力系统的神经网络会给出自发需求管理