ارزیابی پتانسیل منابع سمت تقاضا در حضور تجهیزات سرمایشی و گرمایشی با استفاده از روش داده-کاوی مبتنی بر الگوریتم طبقه¬بندی k-means
محورهای موضوعی : مهندسی برق و کامپیوترفاطمه شیبانی 1 , مژگان ملاحسنیپور 2 , هنگامه کشاورز 3
1 - دانشگاه سیستان و بلوچستان،دانشكده مهندسي برق و كامپيوتر
2 - دانشگاه سیستان و بلوچستان،دانشكده مهندسي برق و كامپيوتر
3 - دانشگاه سیستان و بلوچستان،دانشكده مهندسي برق و كامپيوتر
کلید واژه: انرژی مصرفی, پاسخگویی بار, داده‌کاوی, شبکه هوشمند, قیمت, تغییرات دمایی,
چکیده مقاله :
در بستر سیستمهای قدرت هوشمند، تعیین پتانسیل منابع پاسخگویی تقاضا به علت اثرگذاری بر تمامی سیاست‌های تصمیم‌گیری حوزه انرژی حایز اهمیت است. در مقاله حاضر، پتانسیل منابع پاسخگویی تقاضا در حضور تجهیزات سرمایشی و گرمایشی، با استفاده از روش الگوریتم طبقه‌بندی k-means به عنوان یک روش داده‌کاوی، تعیین می‌شود. ابتدا داده‌های انرژی مصرفی در ساعات پیک دوره‌های گرم (بهار و تابستان) و دوره‌های سرد (پاییز و زمستان)، با توجه به تغییرات قیمت و دما، با استفاده از الگوریتم k-means در خوشه‌های مختلفی گروه‌بندی می‌شوند. خوشه‌هایی با امکان حضور وسایل سرمایشی و گرمایشی، انتخاب می‌شوند. سپس نمودار بازه اطمینان داده‌های انرژی مصرفی در خوشه‌های منتخب با توجه به تغییرات قیمت انرژی ترسیم می‌گردد. با توجه به فاصله کمینه و بیشینه در میانگین داده‌های موجود در آستانه بالا و آستانه متوسط نمودار بازه اطمینان، پتانسیل نامی منابع پاسخگویی تقاضا (بار انعطاف‌پذیر) به دست می‌آید. اطلاعات انرژی مصرفی، دما و قیمت انرژی شبکه برق BOSTON در یک افق زمانی شش‌ساله به منظور ارزیابی مدل پیشنهادی استفاده می‌شود.
Under the smart power systems, determining the amount of Demand Response Resources(DRRs) potential is considered as a crucial issue due to affecting in all energy policy decisions. In this paper, the potential of DRRs in presence of cooling and heating equipment are identified using k-means clustering algorithm as a data mining technique. In this regard, the energy consumption dataset are categorized in different clusters by k-means algorithm based upon variations of energy price and ambient temperature during peak hours of hot (Spring and Summer) and cold (Autumn and Winter) periods. Then, the clusters with the possibility of cooling and heating equipment’s commitment are selected. After that, the confidence interval diagram of energy consumption in elected clusters is provided based upon energy price variations. The nominal potential of DRRs, i.e. flexible load, will be obtained regarding the maximum and minimum differences between the average of energy consumption in upper and middle thresholds of the confidence interval diagram. The energy consumption, ambient temperature and energy price related to BOSTON electricity network over a six-year horizon time is utilized to evaluate the proposed model.
[1] R. Hassan and G. Radman, "Survey on smart grid," in Proc. of the IEEE SoutheastCon 2010 , SoutheastCon’10, pp. 210-213, Concord, NC, USA, 18-21 Mar. 2010.
[2] M. H. Albadi and E. F. El-Saadany, "Demand response in electricity markets: an overview," in Proc. of the IEEE Power Engineering Society General Meeting, 5 pp., Tampa, FL, USA, 24-28 Jun. 2007.
[3] F. Magnago, J. Alemany, and J. Lin, "Impact of demand response resources on unit commitment and dispatch in a day-ahead electricity market," International J. of Electrical Power & Energy Systems, vol. 68, pp. 142-149, Jun. 2015.
[4] C. Bartusch and K. Alvehag, "Further exploring the potential of residential demand response programs in electricity distribution," Applied Energy, vol. 125, pp. 39-59, 15 Jul. 2014.
[5] Z. Chen, L. Wu, and Y. Fu, "Real-time price-based demand response management for residential appliances via stochastic optimization and robust optimization," IEEE Trans. on Smart Grid, vol. 3, no. 4, pp. 1822-1831, Dec. 2012.
[6] A. Moshari, A. Ebrahimi, and M. Fotuhi-Firuzabad, "Short-term impacts of DR programs on reliability of wind integrated power systems considering demand-side uncertainties," IEEE Trans. on Power Systems, vol. 31, no. 3, pp. 2481-2490, May 2015.
[7] A. Tabandeh, A. Abdollahi, and M. Rashidinejad, "Reliability constrained congestion management with uncertain negawatt demand response firms considering repairable advanced metering infrastructures," Energy, vol. 104, pp. 213-228, 1 Jun. 2016.
[8] N. Li, L. Chen, and S. H. Low, "Optimal demand response based on utility maximization in power networks," Proc. of the IEEE Power and Energy Society General Meeting, 8 pp., Detroit, MI, USA, 24-28 Jul. 2011.
[9] W. Shi, N. Li, X. Xie, C. C. Chu, and R. Gadh, "Optimal residential demand response in distribution networks," IEEE J. on Selected Areas in Communications, vol. 32, no. 7, pp. 1441-1450, Jul. 2014.
[10] Z. Sun and L. Li, "Potential capability estimation for real time electricity demand response of sustainable manufacturing systems using Markov Decision Process," J. of Cleaner Production, vol. 65, pp. 184-193, 15 Feb. 2014.
[11] M. López, S. De La Torre, S. Martín, and J. Aguado, "Demand-side management in smart grid operation considering electric vehicles load shifting and vehicle-to-grid support," International J. of Electrical Power & Energy Systems, vol. 64, pp. 689-698, Jan. 2015.
[12] V. M. Shiljkut and N. L. Rajakovic, "Demand response capacity estimation in various supply areas," Energy, vol. 92, pt. 3, pp. 476-486, 1 Dec. 2015.
[13] W. J. Cole, et al., "Community-scale residential air conditioning control for effective grid management," Applied Energy, vol. 130, pp. 428-436, 1 Oct. 2014.
[14] M. Hu, F. Xiao, and L. Wang, "Investigation of demand response potentials of residential air conditioners in smart grids using grey-box room thermal model," Applied Energy, vol. 207, pp. 324-335, 1 Dec. 2017.
[15] R. Deshmukh, G. Ghatikar, R. Yin, G. G. Das, and S. K. Saha, "Estimation of potential and value of demand response for industrial and commercial consumers in Delhi," in Proc. India Smart Grid Week, ISGW’15, 7 pp., 2015.
[16] S. Gyamfi and S. Krumdieck, "Scenario analysis of residential demand response at network peak periods," Electric Power Systems Research, vol. 93, pp. 32-38, Dec. 2012.
[17] O. Motlagh, G. Foliente, and G. Grozev, "Knowledge-mining the Australian smart grid smart city data: a statistical-neural approach to demand-response analysis," Planning Support Systems and Smart Cities: Springer, pp. 189-207, 2015.
[18] D. P. Zhou, M. Balandat, and C. J. Tomlin, "Estimating treatment effects of a residential demand response program using non-experimental data," in Proc. IEEE Int. Conf. on Data Mining Workshops, ICDMW’17, pp. 95-102, New Orleans, LA, USA, 18-21 Nov. 2017.
[19] S. Park, S. Ryu, Y. Choi, and H. Kim, "A framework for baseline load estimation in demand response: data mining approach," in Proc. IEEE Int. Conf. on Smart Grid Communications, SmartGridComm’15, pp. 638-643, Venice, Italy, 3-6 Nov. 2015.
[20] Z. Luo, S. Hong, and Y. Ding, "A data mining-driven incentive-based demand response scheme for a virtual power plant," Applied Energy, vol. 239, pp. 549-559, 1 Apr. 2019.
[21] dsp.ut.ac.ir/en/wpcontent/uploads/2015/09/S tatNLP-Lecture5 Clustering.pdf
[22] J. Han, J. Pei, and M. Kamber, Data Mining: Concepts and Techniques, Elsevier, 2011.
[23] -, The Power Consumption Historical Data Boston Region. Available at: http://www.iso-ne.com; [accessed 07.02.14].
[24] Massachusetts Department of Energy Resources, Clean Peak Energy Standard, Available at: https://www.mass.gov/service-details/clean-peak-energy-standard.
[25] ف. شیبانی، ﻫ. کشاورز و م. ملاحسنیپور، "تخمین پتانسیل منابع سمت تقاضا با توجه به تغییرات آب و هوایی،" نشریه مهندسی و مدیریت انرژی، سال 11، شماره 3، صص. 77-66، 1400.
206 نشریه مهندسی برق و مهندسی كامپیوتر ایران، الف- مهندسی برق، سال 20، شماره 3، پاییز 1401
مقاله پژوهشی
ارزیابی پتانسیل منابع سمت تقاضا در حضور تجهیزات
سرمایشی و گرمایشی با استفاده از روش داده‌کاوی
مبتنی بر الگوریتم طبقه‌بندی k-means
فاطمه شیبانی، مژگان ملاحسنیپور و هنگامه کشاورز
چكیده: در بستر سیستمهای قدرت هوشمند، تعیین پتانسیل منابع پاسخگویی تقاضا به علت اثرگذاری بر تمامی سیاست‌های تصمیم‌گیری حوزه انرژی حایز اهمیت است. در مقاله حاضر، پتانسیل منابع پاسخگویی تقاضا در حضور تجهیزات سرمایشی و گرمایشی، با استفاده از روش الگوریتم طبقه‌بندی
k-means به عنوان یک روش داده‌کاوی، تعیین می‌شود. ابتدا داده‌های انرژی مصرفی در ساعات پیک دوره‌های گرم (بهار و تابستان) و دوره‌های سرد (پاییز و زمستان)، با توجه به تغییرات قیمت و دما، با استفاده از الگوریتم k-means
در خوشه‌های مختلفی گروه‌بندی می‌شوند. خوشه‌هایی با امکان حضور وسایل سرمایشی و گرمایشی، انتخاب می‌شوند. سپس نمودار بازه اطمینان داده‌های انرژی مصرفی در خوشه‌های منتخب با توجه به تغییرات قیمت انرژی ترسیم می‌گردد. با توجه به فاصله کمینه و بیشینه در میانگین داده‌های موجود در آستانه بالا و آستانه متوسط نمودار بازه اطمینان، پتانسیل نامی منابع پاسخگویی تقاضا (بار انعطاف‌پذیر) به دست می‌آید. اطلاعات انرژی مصرفی، دما و قیمت انرژی شبکه برق BOSTON در یک افق زمانی شش‌ساله به منظور ارزیابی مدل پیشنهادی استفاده می‌شود.
کلیدواژه: انرژی مصرفی، پاسخگویی بار، داده‌کاوی، شبکه هوشمند، قیمت، تغییرات دمایی.
1- مقدمه
شبکههای برق موجود در حالت کلی به صورت شاهراه‌های یک‌طرفه‌ای هستند که انرژی تولیدی را به مشترکین تحویل می‌دهند و امکان تبادل دوطرفه انرژی، اطلاعات و تصمیم‌گیری وجود ندارد. در چنین ساختاری، تأمین افزایش تقاضا به عهده نیروگاه‌های فسیلی متداول است که نتایجی از جمله بهره‌وری پایین‌تر، تولید هرچه بیشتر گازهای گلخانه‌ای و هزینه هنگفت تولید را در بر خواهند داشت. اين چالش‌ها، منتج به تغییر ساختار کنونی سیستم قدرت و هوشمندسازی آن در راستای مدیریت کارامد شده است. شبکه قدرت هوشمند با استفاده از تکنولوژی‌های مدرن به ایجاد ارتباط دوطرفه بین تولیدکننده و مصرف‌کننده انرژی می‌پردازد [1]. مشارکت مشترکین در برنامه‌ریزی‌های سیستم قدرت، تحت عنوان پاسخگویی تقاضا صورت می‌گیرد. پاسخگویی تقاضا، تغییر در الگوی مصرف انرژی توسط منابع سمت تقاضا در پاسخ به تغییر در قیمت برق یا پرداخت‌های تشویقی است که به منظور القای مصرف برق کمتر در زمان افزایش قیمت و یا کاهش قابلیت اطمینان سیستم تعریف شده است [2]. پتانسیل منابع سمت تقاضا در برنامهریزی سیستم و فعالیت‌های بازار حایز اهمیت میباشد [3] و [4] و می‌تواند منتج به کاهش هزینه‌ها [5] و افزایش قابلیت اطمینان [6] و [7] شود. در این میان، شناسایی دقیق پتانسیل نامی منابع پاسخگویی بار در راستای برنامهریزی سیستم قدرت ضروری است. تا کنون در بخش‌های مختلف مصرف، روش‌های متنوعی به منظور محاسبه پتانسیل نامی منابع پاسخگویی بار به کار گرفته شده که در ادامه به اختصار به آنها پرداخته می‌شود.
در [8] و [9]، پتانسیل منابع سمت تقاضا در بخش خانگی با توجه به ساختار شبکه، جریان عبوری و محدودیت‌های عملیاتی سیستم، مورد مطالعه قرار گرفته است. نتایج نشان می‌دهند که میزان مشارکت مشترکین خانگی در برنامه‌های پاسخگویی بار وابسته به محل حضور مشترک در شبکه میباشد. در [10] با استفاده از فرایند تصمیم‌گیری مارکوف، یک مدل تحلیلی در راستای کنترل بهینه انرژی و همچنین تخمین ظرفیت بالقوه کاهش تقاضا بر اساس اطلاعات آنلاین سیستمهای تولیدی معمول، در طول دوره پاسخگویی تقاضا ارائه شده است. در [11]، یک مدل مبتنی بر به کارگیری ادوات هوشمند از جمله خودروی الکتریکی با قابلیت اتصال به شبکه، به منظور اصلاح منحنی بار ارائه گردیده که منتج به کاهش قیمت انرژی و تعدیل بار درخواستی شده است. در [12]، تخمین پتانسیل نامی منابع پاسخگویی بار بر مبنای مقایسه نظیر به نظیر منحنی‌های بار روزانه در شرایط آب و هوایی مختلف انجام پذیرفته است. در این راستا به ازای کمینه و بیشینه دمای محیط، اختلاف کمینه و بیشینه مصرف در فصول گرم و سرد در سالهای مختلف، معرف سطح پتانسیل نامی منابع سمت تقاضا میباشد. واضح است که وسایل سرمایشی و گرمایشی، عواملی اثرگذار بر پتانسیل منابع پاسخگویی بار میباشند؛ زیرا حضور این وسایل در شبکه، سبب افزایش بارگذاری شبکه در ساعات پیک بار می‌گردد. در این راستا، کنترل هماهنگ تعداد زیادی از وسایل سرمایشی مسکونی برای دستیابی به کاهش تقاضای پیک، در [13] مورد بررسی قرار گرفته است؛ لذا با بهره‌گیری از استراتژی مدل کاهش‌یافته و روش کنترلی پیش‌بینی مدل اقتصادی، جامعه به تغییرات قیمت انرژی در بازار عمده‌فروشی به طور مطلوب پاسخ می‌دهد. نتایج نشان می‌دهند که دسترسی آزاد جامعه به قیمت‌های پویا منتج به کاهش هزینه و کاهش تقاضای پیک می‌گردد. در [14]، پتانسیل پاسخگویی بار وسایل سرمایشی مسکونی با استفاده از مدل حرارتی اتاق خاکستری خودآموز2 بررسی شده و نتایج حاکی از کاهش قابل ملاحظه توان مصرفی میباشند. در [15]، پتانسیل مشارکت مشترکین صنعتی و تجاری شبکه برق دهلی در برنامه‌های پاسخگویی بار با توجه به میزان انرژی مصرفی و سیگنال‌های قیمتی، تعیین شده است. در [16]، انرژی مصرفی مشترکین خانگی با استفاده از تقریب از پایین به بالا3 تعیین می‌شود؛ سپس با در نظر گرفتن برنامه‌های مبتنی بر کاهش بار و شیفت تقاضا در ساعات پیک مصرف، میزان پتانسیل نامی منابع پاسخگویی بار ارزیابی می‌شود. یکی از روش‌های مؤثر در برآورد پتاسیل نامی منابع پاسخگویی تقاضا، استفاده از تکنیک داده‌کاوی است. در [17] با بهره‌گیری از یک تقریب آماری عصبی و ارزیابی داده‌های شبکه هوشمند استرالیا، پتانسیل منابع سمت تقاضا برآورد شده است. نتایج حاصل نشان می‌دهند که انرژی مصرفی مشترکین شرکت‌کننده در برنامه‌های پاسخگویی تقاضا با 12% کاهش مواجه شده است. مرجع [18] به تخمین اثرات رفتاری برنامه پاسخگویی بار در کاهش تقاضای بخش مسکونی، با استفاده از داده‌های مشاهداتی هوشمند بر مبنای تخمین‌گر Hodges-Lehmann پرداخته است. در [19]، برآورد بار پایه با بهره‌گیری از تکنیک‌های داده‌کاوی k-means و 4SOM انجام پذیرفته است. از مقایسه تخمین حاصل‌شده و منحنی واقعی بار، پتانسیل منابع پاسخگویی بار تعیین می‌گردد. در [20]، تخمین پتانسیل منابع پاسخگویی بار با استفاده از روش‌های داده‌کاوی صورت گرفته است، به طوری که با توجه به نگرش متفاوت مصرف‌کنندگان نسبت به برنامه‌های پاسخگویی تقاضا و سطح مشوق پرداختی، مشتریان بر مبنای الگوریتم OPTIC و 5KNN خوشه‌بندی می‌شوند.
با توجه به تحقیقات انجام‌شده، واضح است که پارامترهای انرژی مصرفی، قیمت انرژی و دمای محیط، عوامل مهمی در تعیین پتانسیل نامی منابع پاسخگویی تقاضا میباشند. در این میان، زمان حضور وسایل گرمایشی و سرمایشی در شبکه و برآورد پتانسیل قابل صرفه‌جویی از طریق مدیریت این منابع، ضروری است. همان گونه که بیان گردید، در [13] به بررسی پتانسیل منابع سمت تقاضا در فصول گرم از طریق مدیریت وسایل سرمایشی در شبکه، پرداخته شده است؛ حال آن که توجه به تفاوت پتانسیل منابع سمت تقاضا در فصول گرم و سرد، ضروری و حایز اهمیت میباشد. در همین راستا در [12]، اگرچه به تفاوت مذکور از طریق مقایسه منحنی‌های مصرف در فصول گرم و سرد به طور جداگانه در سالهای مختلف پرداخته شده است، اما با کاستی‌هایی در روند تخمین مواجه است. از یک سو، عدم توجه به مسایلی از جمله تغییر در الگوی زندگی، رفاه اجتماعی و رشد جمعیت در سالهای غیر متوالی مختلف، امری صحیح در روند تخمین ظرفیت منابع پاسخگویی تقاضا نیست. از سوی دیگر، مقایسه کمینه و بیشینه مصرف که صرفاً در زمان محدودی از روزهای سال رخ می‌دهند، عدم توجه به میزان بارگذاری متوسط شبکه، عدم توجه به آستانه دمای عملکردی وسایل سرمایشی و گرمایشی با توجه به شرایط محیطی، و قیمت انرژی از دیگر کاستی‌های تحقیقاتی مطالعه [12] میباشند. بنابراین با توجه به خلأهای بیان‌شده در مطالعات گذشته، در تحقیق حاضر سعی بر ارائه ساختاری جامع‌تر به منظور تخمین پتانسیل منابع سمت تقاضا در فصول گرم و سرد سال از طریق مدیریت وسایل سرمایشی و گرمایشی وجود دارد.
مقاله پیش رو به صورت زیر ساختار یافته است: در بخش دوم، مکانیزم عملکردی مدل پیشنهادی مبتنی بر تکنیک داده‌کاوی در راستای شناسایی پتانسیل منابع پاسخگویی بار تشریح می‌گردد. در بخش سوم، کارایی مدل با استفاده از شبکه برق BOSTON مورد ارزیابی قرار می‌گیرد و در پایان نتیجه‌گیری ارائه می‌شود.
2- مدل پیشنهادی
مدل پیشنهادی ارائه‌شده در این مقاله، به منظور تعیین پتانسیل منابع پاسخگویی بار مبتنی بر تغییرات الگوی مصرف انرژی، تغییرات دمایی و تغییر قیمت میباشد که در شکل 1 نمایش داده شده است. مکانیزم عملکردی ساختار پیشنهادی مبتنی بر تکنیک داده‌کاوی مختصراً به شرح زیر میباشد.
ابتدا با استفاده از الگوریتم خوشه‌بندی k-means، داده‌های انرژی در ساعات پیک به تفکیک فصول گرم و فصول سرد، با توجه به تغییرات دمای محیط و قیمت انرژی بر مبنای آنتروپی کمینه و کیفیت بیشینه خوشه‌بندی می‌شوند. خوشه‌هایی مورد توجه هستند که در فصول سرد با کاهش دما یا در فصول گرم با افزایش دما، میزان توان مصرفی آنها افزایش پیدا می‌کند. این خوشه‌ها به ترتیب، امکان حضور وسایل گرمایشی و سرمایشی را در شبکه نشان می‌دهند. سپس عمل پیش‌پردازش داده‌های موجود در خوشه‌های منتخب با بهره‌گیری از نمودار جعبه‌ای انجام می‌پذیرد. اکنون نمودار بازه اطمینان خوشه‌های منتخب بر اساس تغییرات قیمت انرژی که شامل 3 بخش آستانه بالا، آستانه متوسط و آستانه پایین می‌شود، برای هر ساعت از زمان‌های پیک شبکه در فصول گرم و سرد ترسیم می‌گردد. به منظور تعیین پتانسیل نامی منابع پاسخگویی بار، داده‌های موجود در آستانه بالا و آستانه متوسط مورد توجه قرار می‌گیرند. بنابراین میانگین بیشینه بارگذاری (آستانه بالا) و میانگین متوسط بارگذاری (آستانه متوسط) در ساعت‌های پیک فصول سرد و گرم سال به طور جداگانه محاسبه و ترسیم می‌گردد. در پایان با اعمال ضرایب مختلف به منحنی‌های به دست آمده، پتانسیل نامی منابع سمت تقاضا در فصول سرد و گرم تعیین می‌گردد.
2-1 شناسایی داده‌های انرژی مصرفی حساس به دما و قیمت با استفاده از الگوریتم k-means
مقدار انرژی مصرفی با توجه به درجه حرارت محیط تغییر می‌کند، حال آن که میزان مصرف انرژی در یک بازه دمایی (دمای آسایش) تقریباً
ثابت است. در فصول سرد سال با کاهش درجه حرارت محیط خارجی،
به منظور گرم‌کردن محیط داخلی، میزان انرژی مصرفی اوج می‌گیرد. شکل 2، رابطه بین انرژی مصرفی و نوسانات دمایی را در یک ساعت پیک نمونه از فصول سرد نشان می‌دهد. طبق شکل با کاهش دما، میزان انرژی مصرفی افزایش می‌یابد. این نکته در فصول گرم سال نیز صادق است. در فصول گرم سال برای کاهش دمای محیط داخلی در مقایسه با دمای محیط خارجی، افزایش انرژی مصرفی دیده می‌شود. شکل 3، ارتباط بین افزایش انرژی مصرفی و افزایش دما را در یک ساعت نمونه پیک در فصل گرم نشان می‌دهد.
همان گونه که قبلاً اشاره گردید، به منظور شناسایی پتانسیل نامی منابع پاسخگویی بار، به ارزیابی تغییرات انرژی مصرفی، درجه حرارت و
[1] این مقاله در تاریخ 16 مرداد ماه 1399 دریافت و در تاریخ 1 خرداد ماه 1401 بازنگری شد.
فاطمه شیبانی، دانشكده مهندسي برق و كامپيوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران، (email: ftm_sheibani@yahoo.com).
مژگان ملاحسنیپور (نویسنده مسئول)، دانشكده مهندسي برق و كامپيوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران، (email: m.mollahassani@ece.usb.ac.ir).
هنگامه کشاورز، دانشكده مهندسي برق و كامپيوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران، (email: keshavarz@ece.usb.ac.ir).
[2] . Self-Learning Grey-Box Room Thermal Model
[3] . Bottom Up
[4] . Self-Organizing Map
[5] . K-Nearest-Neighbor
شكل 1: ساختار پیشنهادی شناسایی پتانسیل نامی منابع پاسخگویی بار با بهره‌گیری از روش k-means در یک سال نمونه.
شكل 2: تغییرات توان مصرفی در مقابل تغییرات دما در فصول سرد.
قیمت انرژی با استفاده از روش داده‌کاوی مبتنی بر الگوریتم خوشه‌بندی k-means پرداخته می‌شود. در الگوریتم k-means مطابق با شکل 4، داده‌های موجود با هدف حداقل‌کردن مجموع مربع خطای گروه‌ها 1(WGSSE) به 
خوشه تقسیم‌بندی می‌شوند. رابطه (1)، فرمول‌بندی
شكل 3: تغییرات توان مصرفی در مقابل تغییرات دما در فصول گرم.
مسئله مورد نظر را بر مبنای الگوریتم k-means نشان می‌دهد. در (1)، مقدار 
بیانگر مربع فاصله نمونه داده‌ها از مراکز خوشه‌ها است. 
معرف تعلق/ عدم تعلق نمونه 
ام به خوشه ام است و 
مرکز خوشه‌ها را نشان می‌دهد. پس از هر بار تکرار، مراکز خوشه‌ها به روز رسانی می‌شوند که 
بیانگر این امر است [21]. بنابراین با استفاده
شكل 4: عملکرد الگوریتم k-means.
از الگوریتم k-means، در هر ساعت پیک از فصول سرد و گرم سال، داده‌های انرژی مصرفی با در نظر گرفتن تغییرات درجه حرارت محیط و قیمت انرژی مصرفی در خوشه گروه‌بندی می‌شوند. در ساعات پیک فصول سرد، از خوشه موجود، خوشه‌هایی با افزایش محسوس مصرف انرژی در مقایسه با تغییرات کاهش دما انتخاب می‌شوند، زیرا نشان‌دهنده حضور تجهیزات گرمایشی در شبکه هستند. به طور مشابه، در هر ساعت پیک از فصول گرم، خوشه‌هایی که روند انرژی مصرفی آنها متناسب با افزایش دما است انتخاب می‌شوند، زیرا فعالیت وسایل سرمایشی را نشان می‌دهند. طبق توضیحات ذکرشده، داده‌ها پس از خوشه‌بندی با استفاده از نمودار جعبه‌ای پیش‌پردازش می‌شوند (شکل 5). طبق شکل، داده‌هایی که بالاتر از حداکثر و پایین‌تر از حداقل قرار دارند به عنوان نمونه پرت شناخته می‌شوند و قابل حذف هستند [22]
(1)
2-2 شناسایی پتانسیل منابع پاسخگویی بار بر مبنای تغییرات قیمت انرژی
در این قسمت با استفاده از نمودار بازه اطمینان2 و بر مبنای تغییرات قیمت انرژی، داده‌های خوشه‌های منتخب در ساعات پیک (فاز پیشین) به سه بخش آستانه بالا، آستانه متوسط و آستانه پایین تقسیم‌بندی می‌شوند. نمودار بازه اطمینان برای یک ساعت نمونه پیک در شکل 6 ترسیم شده
شكل 5: نمودار جعبه‌ای.
شكل 6: نمودار بازه اطمینان متناسب با تغییرات قیمت انرژی در یک ساعت نمونه پیک.
است. مشاهده می‌شود که بخش قابل توجهی از داده‌های انرژی مصرفی مرتبط با تغییرات قیمت انرژی، حدوداً 70% در آستانه متوسط قرار می‌گیرند و بخش کوچکی، حدوداً 15% در هر یک از آستانه‌های پایین و بالا قرار دارند. لازم به ذکر است که روابط ریاضی حاکم بر نمودار بازه اطمینان در (2) بیان شده است. مطابق با (2)، آستانه پایین، آستانه متوسط و آستانه بالا به ترتیب با علایم اختصاری 
، 
و 
نشان داده شده‌اند. 
و 
به ترتیب معرف مقدار میانگین و انحراف معیار داده‌ها میباشند و همچنین 
معرف مقدار داده 
ام و 
نمایانگر تعداد داده‌ها است
(2)
همان گونه که قبلاً اشاره گردید، به منظور تعیین پتانسیل نامی منابع پاسخگویی بار، داده‌های موجود در آستانه بالا و آستانه متوسط مورد ارزیابی قرار می‌گیرند. بنابراین در ابتدا با استفاده از روش‌های آماری، میانگین انرژی مصرفی در آستانه بالا و آستانه متوسط نمودار بازه اطمینان مربوط به هر ساعت پیک تعیین می‌گردد. سپس با مقایسه متوسط و بیشینه بارگذاری در تمامی ساعات پیک در فصول گرم و سرد سال، سطح بار انعطاف‌پذیر که به عنوان یک منبع مجازی سمت تقاضا است، قابل شناسایی میباشد. از طریق مدیریت و کنترل مناسب و بهینه میزان بار انعطاف‌پذیر که معرف پتانسیل منابع سمت تقاضا میباشد، هزینه‌های تحمیل‌شده به سیستم نیز کاهش می‌یابد. در شکل 7، منحنی میانگین بیشینه و متوسط بارگذاری برای ناحیه عملکردی مشخص (سرمایشی/
شكل 7: منحنی‌های میانگین انرژی مصرفی در آستانه بالا و آستانه متوسط.
جدول 1: ساعات پیک در فصل‌های مختلف در منطقه BOSTON.
بعد از ظهر | صبح | فصل | بعد از ظهر | صبح | فصل |
7- 4 | 9- 8 | پاییز | 8- 5 | 9- 8 | بهار |
7- 4 | 9- 8 | زمستان | 6- 2 | - | تابستان |
گرمایشی) ترسیم شده است. طبق شکل، 
و 
به ترتیب معرف توان مصرفی بیشینه و متوسط در زمان 
هستند. طبق تعریف ارائه‌شده در [12]، حداکثر پتانسیل نامی منابع پاسخگویی بار 
و حداقل پتانسیل نامی منابع پاسخگویی بار 
از طریق (3) قابل محاسبه هستند. 
حداکثر فاصله بین دو منحنی و 
حداقل فاصله بین دو منحنی را نشان می‌دهد
(3)
3- مطالعه موردی و آنالیز نتایج
به منظور آنالیز و بررسی مدل پیشنهادی، اطلاعات دمایی، قیمت و انرژی مصرفی در هر ساعت از شبکه برق BOSTON در بازه زمانی ژانویه سال 2011 الی دسامبر سال 2016 استفاده می‌شود [23]. در این راستا، پارامترهای ورودی به نرم‌افزارهای KNIME و MATLAB اعمال می‌شوند و در پایان، پتانسیل نامی منابع پاسخگویی بار در ساعات پیک فصول سرد و گرم سال، تعیین می‌گردد. اطلاعات مربوط به ساعت‌های پیک در فصل‌های مختلف سال در منطقه BOSTON در جدول 1 درج شده است [24].
3-1 پتانسیل نامی منابع پاسخگویی بار در فصول سرد
وسایل گرمایشی در فصول سرد سال، نظیر زمستان و پاییز، نقش بسزایی در شناسایی پتانسیل منابع سمت تقاضا ایفا می‌کنند. در این بخش، به علت مشابهت ساعات پیک در فصل‌های پاییز و زمستان، داده‌های دمایی، قیمت و انرژی مصرفی در ساعات پیک دو فصل مذکور، به صورت هم‌زمان به مدل پیشنهادی اعمال می‌شوند. مثلاً اطلاعات داده‌های مربوط به ساعت 7 بعد از ظهر فصل زمستان با اطلاعات داده‌های ساعت 7 بعد از ظهر فصل پاییز با هم در نظر گرفته می‌شوند. ارتباط بین توان مصرفی و تغییرات دمایی در ساعت 7 بعد از ظهر فصول سرد در سال 2016 در شکل 8 نمایش داده شده است.
اکنون مطابق با شکل 9 با بهره‌گیری از نودهای نرم‌افزار KNIME، خوشه‌بندی میزان انرژی مصرفی با توجه به تغییرات دمایی و قیمتی در
شكل 8: تغییرات توان مصرفی متناسب با نوسانات دمایی در ساعت 7 بعد از ظهر سال 2016.
جدول 2: کمینه و بیشینه پتانسیل نامی منابع پاسخگویی بار (%)
در فصل‌های پاییز و زمستان.
میانگین |
|
| سال |
2/7% | 4/10% | 4% | 2011 |
01/1% | 2% | 02/0% | 2012 |
7/6% | 9% | 5/4% | 2013 |
10% | 4/14% | 7/5% | 2014 |
11% | 13% | 9% | 2015 |
5/4% | 7% | 2% | 2016 |
هر ساعت پیک از فصول سرد و در هر سال بر اساس الگوریتم k-means انجام می‌شود.
نمونه‌ای از خوشه‌بندی داده‌های انرژی مصرفی در ساعت 6 بعد از ظهر در سال 2016 در شکل 10 ترسیم شده است. با توجه به ماهیت داده‌های مصرف انرژی در منطقه BOSTON، تعداد خوشه‌ها 
بین 5 تا 8 در نظر گرفته می‌شود، زیرا عملکرد اجرایی حداقل آنتروپی و حداکثر کیفیت مناسب میباشد. با توجه به شکل 10، واضح است خوشه‌هایی که توان مصرفی آنها با کاهش دما افزایش می‌یابند، انتخاب می‌شوند و خوشه‌هایی نظیر خوشه زرد که با تغییرات دما، تغییرات انرژی مصرفی آنها ثابت است، حذف می‌شوند. اکنون عمل پیش‌پردازش داده‌های خوشه‌های منتخب با استفاده از نمودار جعبه‌ای در نرم‌افزار KNIME صورت می‌گیرد. لازم به ذکر است در خوشه‌های منتخب ساعات پیک یادشده، وسایل گرمایشی در شبکه فعال میباشند. در پایان، میانگین داده‌های انرژی مصرفی که در آستانه بالا و آستانه متوسط نمودار بازه اطمینان تغییرات قیمتی قرار گرفته‌اند، محاسبه می‌شوند. این فرایند در تمامی سالهای مورد مطالعه (2011 الی 2016) انجام شده است. منحنی میانگین بیشینه و متوسط بارگذاری برای فصول سرد در ساعات پیک ارائه‌شده در جدول 1 به اختصار در سالهای ابتدایی و انتهایی بازه مورد مطالعه در شکل 11 رسم شده است.
اکنون با استفاده از (3)، پتانسیل نامی منابع پاسخگویی بار در حضور وسایل گرمایشی محاسبه می‌شود. در شکل 12، مقادیر نامی منابع سمت تقاضا نمایش داده شده است.
با توجه به مقادیر به دست آمده در شکل 12 و میزان بار پیک شبکه BOSTON در هر سال، درصد پتانسیل نامی منابع پاسخگویی بار بر حسب پیک بار شبکه در جدول 2 درج شده است. با توجه به نتایج جدول می‌توان نتیجه گرفت که حداقل پتانسیل مشارکت مصرف‌کنندگان در برنامه‌های پاسخگویی تقاضا در محدوده 02/0 الی 9 درصدی قرار دارد؛
[1] . Within Groups Sum of Squared Errors
[2] . Confidence Interval
شكل 9: شماتیک خوشه‌بندی (k-means) در نرم‌افزار KNIME.
شکل 10: خوشه‌بندی توان مصرفی در ساعت نمونه 6 بعد از ظهر سال 2016 مبتنی بر روش k-means.
شکل 11: میانگین بیشینه و متوسط بارگذاری در ساعت‌های پیک فصول سرد.
حال آن که حداکثر پتانسیل مشارکت مصرف‌کنندگان در این برنامه‌ها در بازه 2 الی 4/14 درصدی نوسان دارد. همچنین بیشینه و کمینه پتانسیل نامی منابع پاسخگویی بار به ترتیب در سال 2014 و 2012 رخ می‌دهد.
شکل 12: پتانسیل نامی منابع پاسخگویی بار در فصول سرد در سالهای 2011 تا 2016.
3-2 پتانسیل نامی منابع پاسخگویی بار در فصول گرم
همان گونه که قبلاً اشاره شد، حضور وسایل سرمایشی در شبکه، منتج به افزایش پیک بار در فصل‌های گرم سال (بهار و تابستان) می‌گردد. در این بخش، همانند بخش پیشین، با استفاده از داده‌های دما، قیمت و میزان مصرف، در ساعت‌های پیک فصول گرم به شناسایی پتانسیل منابع سمت تقاضا در حضور وسایل سرمایشی پرداخته می‌شود. بدین ترتیب، ساعات پیک در فصل تابستان (2 تا 6 بعد از ظهر) و فصل بهار (5 تا 8 بعد از ظهر)، به صورت مجزا با استفاده از نرم‌افزار KNIME بررسی می‌شوند. لازم به ذکر است که به علت افزایش عملکرد وسایل سرمایشی در ساعت‌های بعد از ظهر، از ساعت‌های پیک صبح در فصل بهار صرف نظر شده است. نمونه‌ای از افزایش انرژی مصرفی در مقایسه با تغییرات دما در فصل تابستان، ساعت 2 بعد از ظهر سال 2016، در شکل 13 دیده می‌شود. مشابه با حالت قبل، داده‌های انرژی مصرفی در هر یک از ساعات پیک در فصل گرم، باید با الگوریتم k-means خوشه‌بندی شوند.
شکل 13: تغییرات انرژی در حضور تغییرات دمایی در یک ساعت نمونه.
شکل 14: خوشه‌بندی داده‌های مصرف انرژی در یک ساعت نمونه از فصل گرم مبتنی بر روش k-means.
جدول 3: حداکثر و حداقل پتانسیل نامی منابع پاسخگویی بار (%)
در فصل‌های بهار و تابستان.
میانگین |
|
| سال | فصل |
9% | 11% | 7% | 2011 | تابستان |
2/6% | 4/9% | 3% | 2012 | |
3/7% | 10% | 6/4% | 2013 | |
1/18% | 7/22% | 5/13% | 2014 | |
8/11% | 15% | 6/8% | 2015 | |
45/12% | 5/16% | 4/8% | 2016 | |
5/22% | 21% | 4% | 2011 | بهار |
2/2% | 7/3% | 7/0% | 2012 | |
95/1% | 3/2% | 6/1% | 2013 | |
4/4% | 8/6% | 2% | 2014 | |
3/8% | 15% | 6/1% | 2015 | |
05/14% | 27% | 1/1% | 2016 |
در شکل 14، شمایی از خوشه‌بندی در ساعت 5 بعد از ظهر سال 2016 نشان داده شده است. خوشه‌هایی که با افزایش دما انرژی آنها افزایش می‌یابد، حایز اهمیت هستند. فرایند خوشه‌بندی برای تمامی ساعات پیک در فصل‌های تابستان و بهار به صورت مجزا، مشابه با فصول سرد، در بازه زمانی 2011 تا 2016 انجام می‌پذیرد.
پس از تعیین آستانه متوسط و آستانه بالای داده‌های انرژی مصرفی حساس به قیمت، در نمودار بازه اطمینان، میانگین بیشینه و متوسط بارگذاری در ساعت‌های مختلف پیک در فصل تابستان و فصل بهار تعیین می‌گردد. میانگین مقادیر ذکرشده در دو سال نمونه به اختصار در شکل 15
(الف)
(ب)
شکل 15: میانگین بیشینه و متوسط بارگذاری در ساعت‌های پیک مختلف در فصول گرم، (الف) تابستان و (ب) بهار.
ترسیم شده است. همان گونه که در شکل مشخص است، می‌توان نتیجه گرفت که اختلاف بین منحنی‌های بارگذاری بیشینه و متوسط در فصل تابستان نسبت به فصل بهار بیشتر میباشد. لذا می‌توان نتیجه گرفت که سطح بار انعطاف‌پذیر در فصل تابستان در مقایسه با فصل بهار بیشتر است.
شکل 16، پتانسیل نامی منابع پاسخگویی بار را در حضور وسایل سرمایشی در فصل تابستان و بهار در شش سال متوالی نشان می‌دهد. نتایج حاصل از بیشینه و کمینه درصد پتانسیل نامی منابع پاسخگویی بار بر حسب پیک بار شبکه BOSTON در فصول گرم، در سالهای 2011 الی 2016 در جدول 3 نشان داده شده است. نتایج حاصل نشان می‌دهند که میانگین بیشینه و کمینه منابع پاسخگویی تقاضا در فصل تابستان در بازه 2/6 الی 45/12 درصد و در فصل بهار در محدوده 2/2 الی 5/22 درصد در حال نوسان میباشد. مطابق با جدول 3، متوسط مقادیر و در فصل تابستان نسبت به فصل بهار بیشتر است. این امر بیانگر حضور فعال‌تر وسایل سرمایشی در فصل تابستان در مقایسه با فصل بهار میباشد.
در پایان، مقایسه‌ای از نتایج به دست آمده در این تحقیق با مطالعه انجام‌شده در [25] انجام می‌پذیرد. شایان ذکر است که به علت عدم در دسترس بودن اطلاعات مربوط به مدل‌های ارائه‌شده در سایر تحقیقات، امکان مقایسه فراهم نیست. در [25]، شناسایی پتانسیل منابع سمت تقاضا
(الف)
(ب)
شکل 16: پتانسیل نامی پاسخگویی بار در فصول گرم در شش سال متوالی، (الف) تابستان و (ب) بهار.
با توجه به پارامترهای ورودی انرژی مصرفی و دمای شبکه برق BOSTON و اعمال آنها به الگوریتم بیشترین درستی (MLL)، انجام پذیرفته است. پتانسیل منابع سمت تقاضای به دست آمده در ساعات پیک در فصول گرم و سرد سال در [25]، در شکل 17 ترسیم شده است. با مقایسه شکل 17 و شکل‌های 12 و 16 می‌توان نتیجه گرفت که نتایج به دست آمده در روش پیشنهادی در تحقیق حاضر، بسیار نزدیک به نتایج به دست آمده در [25] است. لازم به ذکر است که اختلاف ایجادشده به علت عدم درنظرگیری اثرات پارامتر قیمت در الگوریتم MLL در [25] است؛ حال آن که در مدل پیشنهادی در تحقیق حاضر، علاوه بر داده‌های انرژی مصرفی و دما، قیمت انرژی نیز به عنوان داده‌های ورودی به الگوریتم
k-means در نظر گرفته شده است.
4- نتیجه‌گیری
در تحقیق حاضر با استفاده از تکنیک داده‌کاوی مبتنی بر الگوریتم
k-means، فعالیت یا عدم فعالیت وسایل سرمایشی و گرمایشی مبتنی بر تغییرات دمایی و قیمت انرژی مصرفی در ساعات پیک فصول گرم و سرد ارزیابی شده است. بدین منظور بر اساس فعالیت وسایل سرمایشی و گرمایشی و خوشه‌بندی مناسب داده‌های مصرف انرژی مبتنی بر تغییرات دمایی و قیمتی و همچنین استخراج نمودار بازه اطمینان بر مبنای تغییرات قیمت، پتانسیل منابع سمت تقاضا تعیین می‌گردد. لازم به ذکر است که پتانسیل منابع پاسخگویی بار با توجه به داده‌های آستانه متوسط و آستانه بالای نمودار بازه اطمینان و استفاده از شاخص‌های تعیین‌کننده حد فاصل کمینه و بیشینه داده‌های دو آستانه مذکور، شناسایی می‌شود. ساختار پیشنهادی ارائه‌شده با استفاده از اطلاعات شبکه برق BOSTON در
طی 6 سال متوالی مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهند که ظرفیت منابع پاسخگویی بار برای فصول سرد به طور میانگین بین 1/1%
(الف)
(ب)
شکل 17: پتانسیل نامی منابع پاسخگویی بار شبکه برق BOSTON مبتنی بر الگوریتم MLL، (الف) فصول گرم و (ب) فصول سرد [25].
تا 11% پیک بار در حال نوسان میباشد. همچنین ظرفیت منابع پاسخگویی بار در فصل‌های بهار و تابستان به طور میانگین بین 2% تا 5/22% و 2/6% تا 45/12% پیک بار، به ترتیب محاسبه شده است. واضح است که سهم مشارکت منابع پاسخگویی تقاضا در فصل تابستان در مقایسه با فصل بهار به علت حضور چشم‌گیرتر وسایل سرمایشی، قابل ملاحظه‌تر میباشد. بنابراین با مدیریت مناسب و بهینه وسایل سرمایشی و گرمایشی، علاوه بر کاهش پیک بارگذاری، هزینه‌های تحمیل‌شده به سیستم اعم از بهرهبرداری و برنامهریزی کاهش خواهد یافت.
5- فهرست علایم و اختصارات
در جدول 4، علایم و اختصارات به کار رفته در مقاله آمده‌اند.
مراجع
[1] R. Hassan and G. Radman, "Survey on smart grid," in Proc. of the IEEE SoutheastCon 2010 , SoutheastCon’10, pp. 210-213, Concord, NC, USA, 18-21 Mar. 2010.
[2] M. H. Albadi and E. F. El-Saadany, "Demand response in electricity markets: an overview," in Proc. of the IEEE Power Engineering Society General Meeting, 5 pp., Tampa, FL, USA, 24-28 Jun. 2007.
[3] F. Magnago, J. Alemany, and J. Lin, "Impact of demand response resources on unit commitment and dispatch in a day-ahead electricity market," International J. of Electrical Power & Energy Systems,
vol. 68, pp. 142-149, Jun. 2015.
[4] C. Bartusch and K. Alvehag, "Further exploring the potential of residential demand response programs in electricity distribution," Applied Energy, vol. 125, pp. 39-59, 15 Jul. 2014.
[5] Z. Chen, L. Wu, and Y. Fu, "Real-time price-based demand response management for residential appliances via stochastic optimization and robust optimization," IEEE Trans. on Smart Grid, vol. 3, no. 4, pp. 1822-1831, Dec. 2012.
[6] A. Moshari, A. Ebrahimi, and M. Fotuhi-Firuzabad, "Short-term impacts of DR programs on reliability of wind integrated power systems considering demand-side uncertainties," IEEE Trans. on Power Systems, vol. 31, no. 3, pp. 2481-2490, May 2015.
جدول 4: فهرست علایم و اختصارات.
پارامتر | توضیح |
| منابع سمت تقاضا |
| تعداد خوشه‌ها |
| مربع فاصله نمونه داده‌ها از مرکز خوشه‌ها |
| تعلق/ عدم تعلق نمونه |
| مرکز خوشه‌ها |
| به روز رسانی مرکز خوشه‌ها |
| درجه فارنهایت |
N | تعداد داده‌ها |
| داده |
| میانگین |
| انحراف معیار |
| آستانه پایین |
| آستانه متوسط |
| آستانه بالا |
| توان مصرفی یشینه |
| توان مصرفی متوسط |
| حداکثر پتانسیل نامی منابع پاسخگویی بار |
| حداقل پتانسیل نامی منابع پاسخگویی بار |
[7] A. Tabandeh, A. Abdollahi, and M. Rashidinejad, "Reliability constrained congestion management with uncertain negawatt demand response firms considering repairable advanced metering infrastructures," Energy, vol. 104, pp. 213-228, 1 Jun. 2016.
[8] N. Li, L. Chen, and S. H. Low, "Optimal demand response based on utility maximization in power networks," Proc. of the IEEE Power and Energy Society General Meeting, 8 pp., Detroit, MI, USA, 24-28 Jul. 2011.
[9] W. Shi, N. Li, X. Xie, C. C. Chu, and R. Gadh, "Optimal residential demand response in distribution networks," IEEE J. on Selected Areas in Communications, vol. 32, no. 7, pp. 1441-1450, Jul. 2014.
[10] Z. Sun and L. Li, "Potential capability estimation for real time electricity demand response of sustainable manufacturing systems using Markov Decision Process," J. of Cleaner Production, vol. 65, pp. 184-193, 15 Feb. 2014.
[11] M. López, S. De La Torre, S. Martín, and J. Aguado, "Demand-side management in smart grid operation considering electric vehicles load shifting and vehicle-to-grid support," International J. of Electrical Power & Energy Systems, vol. 64, pp. 689-698, Jan. 2015.
[12] V. M. Shiljkut and N. L. Rajakovic, "Demand response capacity estimation in various supply areas," Energy, vol. 92, pt. 3, pp. 476-486, 1 Dec. 2015.
[13] W. J. Cole, et al., "Community-scale residential air conditioning control for effective grid management," Applied Energy, vol. 130, pp. 428-436, 1 Oct. 2014.
[14] M. Hu, F. Xiao, and L. Wang, "Investigation of demand response potentials of residential air conditioners in smart grids using grey-box room thermal model," Applied Energy, vol. 207, pp. 324-335, 1 Dec. 2017.
[15] R. Deshmukh, G. Ghatikar, R. Yin, G. G. Das, and S. K. Saha, "Estimation of potential and value of demand response for industrial and commercial consumers in Delhi," in Proc. India Smart Grid Week, ISGW’15, 7 pp., 2015.
[16] S. Gyamfi and S. Krumdieck, "Scenario analysis of residential demand response at network peak periods," Electric Power Systems Research, vol. 93, pp. 32-38, Dec. 2012.
[17] O. Motlagh, G. Foliente, and G. Grozev, "Knowledge-mining the Australian smart grid smart city data: a statistical-neural approach to demand-response analysis," Planning Support Systems and Smart Cities: Springer, pp. 189-207, 2015.
[18] D. P. Zhou, M. Balandat, and C. J. Tomlin, "Estimating treatment effects of a residential demand response program using non-experimental data," in Proc. IEEE Int. Conf. on Data Mining Workshops, ICDMW’17, pp. 95-102, New Orleans, LA, USA, 18-21 Nov. 2017.
[19] S. Park, S. Ryu, Y. Choi, and H. Kim, "A framework for baseline load estimation in demand response: data mining approach," in Proc. IEEE Int. Conf. on Smart Grid Communications, SmartGridComm’15, pp. 638-643, Venice, Italy, 3-6 Nov. 2015.
[20] Z. Luo, S. Hong, and Y. Ding, "A data mining-driven incentive-based demand response scheme for a virtual power plant," Applied Energy, vol. 239, pp. 549-559, 1 Apr. 2019.
[21] dsp.ut.ac.ir/en/wpcontent/uploads/2015/09/S tatNLP-Lecture5 Clustering.pdf
[22] J. Han, J. Pei, and M. Kamber, Data Mining: Concepts and Techniques, Elsevier, 2011.
[23] -, The Power Consumption Historical Data Boston Region. Available at: http://www.iso-ne.com; [accessed 07.02.14].
[24] Massachusetts Department of Energy Resources, Clean Peak Energy Standard, Available at: https://www.mass.gov/service-details/clean-peak-energy-standard.
[25] ف. شیبانی، ﻫ. کشاورز و م. ملاحسنیپور، "تخمین پتانسیل منابع سمت تقاضا با توجه به تغییرات آب و هوایی،" نشریه مهندسی و مدیریت انرژی، سال 11،
شماره 3، صص. 77-66، 1400.
فاطمه شیبانی تحصيلات خود را در مقاطع كارشناسي و كارشناسي ارشد مهندسی برق گرایش مخابرات سیستم، به ترتيب در سالهاي 1396 و 1398 از دانشگاه مهندسی شهید نیکبخت زاهدان اخذ نمود. از سال 1399، دانشجوی دکتری مهندسي برق دانشگاه سیستان و بلوچستان ميباشد. زمينههاي تحقيقاتي مورد علاقه ايشان شامل شبکههای هوشمند، هوش مصنوعی و پردازش سیگنال میباشند.
مژگان ملاحسنیپور تحصيلات خود را در مقاطع كارشناسي، كارشناسي ارشد و دکتری مهندسی برق گرایش سیستمهای قدرت، بهترتيب در سالهاي 1389، 1392 و 1396 از دانشگاه شهيد باهنر کرمان اخذ نمود. از سال 1396، استادیار دانشكده مهندسي برق و كامپيوتر دانشگاه سیستان و بلوچستان ميباشد. زمينههاي تحقيقاتي مورد علاقه ايشان شامل برنامهریزی و بهرهبرداری سیستمهای قدرت، مدیریت انرژی، شبکههای هوشمند و بازار برق میباشند.
هنگامه کشاورز تحصيلات خود را در مقاطع كارشناسي وكارشناسي ارشد در دانشگاه فردوسی مشهد بهترتیب در سالهای 1376 و 1380 به پایان رساند. وی از سال 1380 به عنوان مربی در دانشگاه سیستان و بلوچستان مشغول به کار شد. سپس، مدرک دکتری مهندسی برق و کامپیوتر (با تخصص شبکههای بیسیم) را از دانشگاه واترلو، کانادا در سال 1388 اخذ نمود. وی در سال 1388 به مدت یک سال دوره پسادکتری را در دانشگاه منیتوبا، کانادا تحت راهنمایی پروفسور اکرام حسین گذراند. وی از سال 1389 به عنوان استادیار در دانشگاه سیستان و بلوچستان مجدد مشغول به کار شد و هماکنون دانشیار گروه مهندسی مخابرات میباشد. زمینههای تخصصی پژوهشی ایشان لایه فیزیکی شبکههای بیسیم، سیستمهای راداری، شبکه برق هوشمند و پردازش آرایهای سیگنالها در مخابرات صوتی زیرآب میباشد.
