در نظر گرفتن بارهای هوشمند برای پاسخ به تقاضای بهینه در سیستم‌های مدیریت انرژی یکپارچه برای میکروشبکه های ایزوله شده

این مقاله یک مدل ریاضی از بارهای هوشمند در طرح‌های پاسخ تقاضا (‏DR)‏ارائه می‌کند، که در تعهد واحد متمرکز (‏UC)‏با سیستم‌های مدیریت انرژی کوپل شده با جریان توان بهینه برای میکروشبکه های مجزا برای تولید بهینه و توزیع بار پیک ادغام می‌شود. هوشمند با یک تخمین زن شبکه عصبی (‏NN)‏بار به عنوان تابعی از دمای محیط، زمان روز، زمان قیمت استفاده، و اوج تقاضای اعمال‌شده توسط اپراتور ریزشبکه مدل شده‌است. برای توسعه تخمین گر بار هوشمند مبتنی بر NN، داده‌های واقعی از یک سیستم مدیریت هاب انرژی واقعی برای آموزش تحت نظارت استفاده می‌شود. بر این اساس، یک چارچوب جدید سیستم مدیریت انرژی ریزشبکه (‏MEMS)‏براساس یک رویکرد کنترل پیش‌بین مدل پیشنهاد شده‌است، که تصمیمات توزیع بهینه مولدهای قابل توزیع، سیستم ذخیره انرژی، و تقاضای پیک برای بارهای قابل‌کنترل، با در نظر گرفتن همزمان جریان برق و محدودیت‌های UC را بدست می‌دهد. برای مطالعه تاثیر DR بر عملکرد ریزشبکه با چارچوب MEMS پیشنهادی، از یک سیستم معیار CIGRE استفاده شده‌است که شامل منابع انرژی توزیع‌شده و تولید مبتنی بر انرژی‌های تجدید پذیر است. نتایج امکان‌سنجی و

This paper presents a mathematical model of smart loads in demand response (DR) schemes, which is integrated into centralized unit commitment (UC) with optimal power flow coupled energy management systems for isolated microgrids for optimal generation and peak load dispatch. The smart loads are modeled with a neural network (NN) load estimator as a function of the ambient temperature, time of day, time of use price, and the peak demand imposed by the microgrid operator. To develop the NN-based smart load estimator, realistic data from an actual energy hub management system is used for supervised training. Based on these, a novel microgrid energy management system (MEMS) framework based on a model predictive control approach is proposed, which yields optimal dispatch decisions of dispatchable generators, energy storage system, and peak demand for controllable loads, considering power flow and UC constraints simultaneously. To study the impact of DR on the microgrid operation with the pr