Targeted demand response for flexible energy communities using clustering techniques

要約

本研究では、商業および家庭用消費者向けのデマンド レスポンス (DR) プログラムを設計するためのクラスタリング手法を提案します。
目標は、イタリアの分散型エネルギーコミュニティ内のプロシューマーの消費行動を変えることです。
この集約の目的は、a) ローカル送電網内のソーラー パネルからの発電量が消費量を超えるときに発生する、一次変電所での逆潮流を最小限に抑えること、および b) 通常午後遅くに発生するシステム全体のピーク需要をシフトすることです。
クラスタリング段階に関しては、毎日のプロシューマー負荷プロファイルを考慮し、抽出されたクラスター全体に分割します。
k-means、k-medoid、および凝集クラスタリングという 3 つの一般的な機械学習アルゴリズムが採用されています。
我々は、この研究内で提案された新しい指標、すなわちピークパフォーマンススコア（PPS）を含む複数の指標を使用して方法を評価します。
14 個のクラスターを考慮した動的タイムワーピング距離を備えた K 平均法アルゴリズムは、PPS 0.689 で最高のパフォーマンスを示します。
次に、抽出された各クラスターを負荷の形状、エントロピー、負荷の種類に関して分析します。
これらの特性は、使用時間、重要なピーク価格設定、リアルタイム価格設定などの適切な DR スキームにクラスターを照合することで、最適化目標を達成できる可能性のあるクラスターを区別するために使用されます。
私たちの結果は、提案されたクラスタリング アルゴリズムが有意義な柔軟性クラスターを生成する際の有効性を裏付けている一方、派生した DR 価格設定ポリシーはオフピーク時間帯の消費を奨励しています。
開発された方法論は、トレーニング データセットの可用性の低さや品質に対して堅牢であり、アグリゲーター企業がエネルギー コミュニティをセグメント化し、パーソナライズされた DR ポリシーを開発するために使用できます。

要約(オリジナル)

The present study proposes clustering techniques for designing demand response (DR) programs for commercial and residential prosumers. The goal is to alter the consumption behavior of the prosumers within a distributed energy community in Italy. This aggregation aims to: a) minimize the reverse power flow at the primary substation, occuring when generation from solar panels in the local grid exceeds consumption, and b) shift the system wide peak demand, that typically occurs during late afternoon. Regarding the clustering stage, we consider daily prosumer load profiles and divide them across the extracted clusters. Three popular machine learning algorithms are employed, namely k-means, k-medoids and agglomerative clustering. We evaluate the methods using multiple metrics including a novel metric proposed within this study, namely peak performance score (PPS). The k-means algorithm with dynamic time warping distance considering 14 clusters exhibits the highest performance with a PPS of 0.689. Subsequently, we analyze each extracted cluster with respect to load shape, entropy, and load types. These characteristics are used to distinguish the clusters that have the potential to serve the optimization objectives by matching them to proper DR schemes including time of use, critical peak pricing, and real-time pricing. Our results confirm the effectiveness of the proposed clustering algorithm in generating meaningful flexibility clusters, while the derived DR pricing policy encourages consumption during off-peak hours. The developed methodology is robust to the low availability and quality of training datasets and can be used by aggregator companies for segmenting energy communities and developing personalized DR policies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google