智能微电网中的供暖系统控制器设计与优化

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报4（2017）299智能微电网中暖通空调系统的一种新型智能控制赛义德·迈赫迪·哈基米伊朗达马万德伊斯兰阿扎德大学达马万德分校电气工程系接收日期：2016年4月7日;接收日期：2016年10月11日;接受日期：2017年1月11日2017年2月3日在线发布摘要供暖系统在建筑节能和舒适性管理中发挥着重要作用。提出了一种具有智能电网功能的新型智能住宅供暖系统控制器.在智能电网中，需求响应系统现在不仅能够吸引商业和工业客户，而且还能够吸引个人住宅客户。此外，存在具有自动化控制系统的能力，该自动化控制系统基于可再生能源的可用性和客户的福利来操作。在本文中，一个可能的实现的主动控制器将被检查。主动控制器通过响应内部设定点和来自本地控制实体的外部信号的组合来操作。供热系统管理的优化目标是最小化智能微网的成本、最小化智能微网的单元规模、最小化从配电网输入的电能以及最大化智能微网的可靠性。这意味着，智能供暖系统和可再生能源可以很好地协同工作，并且当组合使用时，它们的单独效益可以相加。仿真研究被用来证明所提出的供热系统控制器的智能微电网系统的规划的能力。© 2017 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：有源控制器;可再生能源;智能微电网;供热系统1. 介绍今天的电网在很大程度上是通过控制发电来运行的，以在任何特定时间匹配负载。目前，一般不直接控制负荷，除非在高峰日发电量不足，此时可通过需求响应程序降低负荷。总的方法是控制或调度发电以跟随负荷。随着更多的可再生能源发电加入电网，负荷跟踪策略变得更加困难。间歇性的可再生能源，如风能和太阳能发电，无法确定地安排和预测。太阳能发电可以因为云的通过而迅速改变。风能每天都有不同的轮廓，并且可以快速改变输出因此，电网上风能和太阳能发电能力的增加也需要增加常规能源，如调峰燃气轮机。与电子邮件地址：sm hakimi@damavandiau.ac.ir电子研究所（ERI）负责同行评审http://dx.doi.org/10.1016/j.jesit.2017.01.0052314-7172/© 2017电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。300S.M. Hakimi/电气系统和信息技术杂志4（2017）299随着越来越多的间歇性可再生发电，剩余的可调度发电容量将变得越来越难以提供所需的服务和确保发电跟随负荷的快速上升因此，智能电网提供了一种新的选择：直接控制负荷。随着发电量的整体可调度性降低，我们可以通过提高负荷的可调度性来进行部分需求调度类似于需求响应，因为它涉及打开和关闭负载。但与需求响应不同，需求响应很少使用，通常仅用于在高峰需求期间削减负荷，需求调度旨在始终积极使用，以提供支持电网运行的服务。我们称之为按需调度，因为我们实时调度负载，就像今天的电网调度发电一样。打开负荷或增加电网需求对电网上的电力平衡具有与减少发电相同的影响。同样，关闭负载与增加发电量具有相同的效果。在按需调度下，可能出现负荷跟代的情况. 在所有的建筑服务和电器中，供暖系统消耗的能量占比最高（Fong等人， 2008年）。因此，对供热系统进行有效的需求调度是非常重要的。在本文中，我们考虑由风力发电机，太阳能电池板，燃料电池，电解槽和智能供热系统组成的智能微电网在这项研究中，我们将供热系统视为灵活的负荷，我们希望管理这些负荷以跟踪可再生能源发电，增加可再生能源的渗透率并降低智能微电网的总成本。先前关于舒适度和能量管理问题的研究主要集中在具有许多居住者的大型建筑环境（Mathews等人，2001;Nassif等人，2004;Calvino等人，2004;Ari等人，2005年）。正如Dounis和Caraiscos在2009年的调查中所详细说明的那样。（2009），这些研究不仅考虑了供暖系统，还考虑了其他建筑设计特征，如窗户布置、遮阳、机械通风系统和照明系统。这些研究中的乘员舒适度通常是一个复杂的多方面概念，包括热舒适度，视觉舒适度和室内空气质量，符合ASHRAE标准（Thermal Environmental，2016）。在这些研究中探索了各种控制方法，包括模糊控制器（Hamdi和Lachiver，1998）、模糊自适应控制器（Calvino等人，2004;Chen等人，2006）和神经网络控制器（Liang和Du，2005）。然而，近年来，对家庭先进计量基础设施的兴趣日益增加，鼓励研究人员更仔细地关注住宅业主的能源使用选择（Faruqui和Sergici，2010）。例如，Rogers et al. （2010）研究了一个有趣的住宅需求模型，尽管没有考虑价格信号。Guttromsonet al.（2003）和Chassinet al.（2004）重点研究了受内部和外部状态条件约束的价格响应型住宅需求的建模。后一项研究由奥林匹克运动会试点项目（Hammerstrom等人， 2007年）。然而，在这些研究中，住宅能源需求是通过预先指定的行为规则，而不是作为住宅优化问题的解决方案。最近的研究已经将住宅空调控制问题的公式化为优化问题。 在这项工作中，目标是在不同的电价下最小化热不适和能量使用的某种组合（Constantopoulos等人，1991;Livengood，2011;Molina等人，2016;Aswani等人，2012;VázquezandKastner，2012）. Sehar等人（2017）提出了一种对商业建筑中主要荷载的综合控制，即，冷却和照明需求，能够保持居民的环境偏好。Keshtkara等人（2016）描述了一种基于规则技术和无线传感器功能组合的算法。将预期的方法嵌入到现有的可编程通信恒温器（PCT）中，以提高其教育和适应居住者 Griful等人（2016）通过一个12层的房子作为试验台，评估了北欧国家根据室内温度情况对清新风扇的可能需求响应。 Lakshmanan等人（2016）描述了各种类型的需求响应对恒温控制负载（TCL）的影响。这项工作的结果量化了家庭TCL的真正灵活性和后果的不同方面的权力行动。Cetina和Kallusb（2016）调查了住房能源使用信息和智能连接恒温器数据的使用，以不断监测住宅HVAC系统的健康和行为。在Keshtkaraet al. （2015）提出了一种模糊逻辑方法，该方法应用无线传感器和智能电网激励措施来减轻住房HVAC系统的负荷。Perez等人（2016年）重点关注空调使用与时移设备操作的混合。中央模型预测控制方法通过改变个性化房屋中的恒温器设定点来最小化峰值空调功率使用Lee等人（2015）提出了一种模型预测控制大纲，该大纲最佳地确定了HVAC系统的控制曲线作为需求响应。在Safdarian等人（2016）中，家用电热水器（EWH）和供暖，通风和空调（HVAC）被认为是可能的需求响应应用。S.M. Hakimi/电气系统和信息技术杂志4（2017）299301本文在两个重要方向上扩展了这一先前的工作：1. 在所谓的智能微电网中，间歇性可再生能源发电的渗透率很高。因此，发电变得不那么可调度。在这项研究中，我们提出了一个新的选择，以匹配负载和发电，使负载更可调度。以往的研究表明，存储是一种很有前途的技术，以处理不稳定性，但它需要高投资，复杂的位置和技术问题尚未解决。此外，它还涉及到发电机组的规模和智能微电网系统的成本增加。因此，以往的研究需要扩展到调查的价值，灵活的负荷在系统中具有较高的可再生能源的渗透。2. 供热系统的管理和控制基于可再生能源生产，包括风能和太阳能资源，智能微电网负荷曲线和消费者福利。最近的论文根据价格信号或负荷曲线来管理2. 主动控制器在智能微电网中，剩余功率信号P剩余由本地控制实体生成，并经由通信系统发送到每个终端用户活动控制器。剩余功率是可再生能源发电量与智能微网负荷曲线之差理想情况下，剩余功率信号将被发送到终端用户仪表或家庭能源管理（HEM）系统，然后将信息中继到房屋内的主动控制。剩余功率信号是在给定时间段期间可再生能量的可用性的指示。除了剩余功率信号之外，剩余功率信号的滚动24小时平均值P剩余，avg和剩余功率的滚动24小时标准偏差σ剩余，real被传送到活动控制器。包括三个信号允许比较过去24小时的功率信号为了使最终使用的住宅负载响应所发送的信号，有必要具有有源控制器。在本节中，将研究有源控制器的一种可能的实现方式主动控制器通过响应内部设定点和来自本地控制实体的外部信号的组合来虽然一个主动控制器可以连接到大多数最终使用的负载，住宅供暖系统将在本文中进行检查。本文中实现的供暖系统主动控制器将使用剩余功率的滚动24 h标准偏差σsurplus，real以及以下内部设定点：Tdesired：所需温度设定点（摄氏度）Treal：实际温度设定点（℃）Tmin：最低可接受温度（℃）Tmax：最高可接受温度（℃）斜坡高：T期望值和Tmax之间的斜率（ΔC−1）斜坡低：T期望值和T最小值之间的斜率（ΔC−1）σmin：Tminσmax：Tmax3. 加热模式剩余功率信号P_surplus和P_surplus_avg作为附加信息被发送到控制器，该附加信息可以在HEM上为最终用户显示。当剩余功率信号等于24小时平均值时，则主动控制器将把实际温度设定点Treal设置为Tdesired。当剩余功率信号和24小时平均值不相等时，Treal将被移位到不同于Tdesired的值。如果剩余功率信号低于24小时平均值，则控制器将倾向于将实际加热设定点Treal移动到低于期望温度设定点Tdesired，但它将不超过Tmin。相反，当剩余功率信号高于24小时平均值时，控制器将倾向于将实际加热设定点移动到高于期望温度，但它将不超过Tmax。期望设定点和实际设定点之间的差由ΔT给出对于在加热系统上操作的主动控制器，ΔT> 0表示实际设定点高于期望设定点。实际上，由于剩余功率信号高于平均值，加热系统允许温度设定点增加相反，如果ΔT为0，则表示控制器已将实际设定点移动到低于期望设定点的位置。实际上，加热系统由于剩余功率信号低于平均值而抢先加热。302S.M. Hakimi/电气系统和信息技术杂志4（2017）299=磷盈余，平均值=i= 124Fig. 1.用于加热系统的主动控制器。虽然P盈余和P盈余，平均值用于概念和信息目的，但主动控制器将基于σ盈余，实数进行操作。由于σsurplus，real是当前剩余功率和过去24 h的平均剩余功率的函数，因此Psurplus和Psurplus，avg是操作冗余值。σ盈余、实际值和温度设定点之间的相关性图示见图。1.一、 从图 可以看出，R低和R高可以具有不同的值，指示对于加热和冷却响应的不同的最终使用偏好。例如，客户可能愿意使他们的房屋温度升高到期望的加热设定点以上，但是他们不愿意允许温度降低到加热设定点以下。此外，Tmin和Tmax不需要关于期望的温度设定点对称。主动控制器的实际温度设定点由方程确定（1）受Eq.的约束（二）、R低、R高、24小时平均剩余功率和σ剩余、实际由方程确定。（3）Treal=Tdesired+T desired（1）Tmin−Tdesirable≤Tmax−Tdesirable（2）R高σ剩余，最大值=Tmax−Tdesired如果σ实际盈余>0（3）R低σ盈余，最小值=Tmin−Tdesired如果σ实际盈余<0（4）σ剩余面积=P盈余−P盈余，平均值（五）、lP盈余，平均磷盈余，i为了确定在任何给定时间的实际值，首先需要确定当前剩余功率信号是这是由σ盈余的符号确定的，实数（等式2）。（5））。对于住宅供暖系统，正值表示当前剩余功率高于24小时平均值，负号表示低于24小时平均值。然后，假设σsurplus，real为0产生σ surplus，real为0的ΔT，其中σsurplus，real> 0的加热系统的ΔT的值由等式2给出。（7）和σ盈余，实数0由等式（7）给出。（八）、Tσ盈余，实际R高σ盈余，实数>0（七）（六）、S.M. Hakimi/电气系统和信息技术杂志4（2017）299303=Tσ盈余，实际R低σ盈余，实际 <0（8）304S.M. Hakimi/电气系统和信息技术杂志4（2017）299我我我我我我我合并等式（1）、（7）和（8）得到方程：（9）和（10），它们仍然受到等式（1）的约束。（二）、当P剩余> P剩余，avg，产生σ剩余，real> 0时，实际温度设定点由等式给出：并且当P剩余 P剩余，avg产生σ剩余，实数0时，真实温度设定点由等式（9）给出。（十）、不是真 =T可取σ盈余，实际+R高σ盈余，实数>0（九）不是真 =T可取σ盈余，实际+R低σ盈余，实际 <0（10）图中的一个关键观察。 1、Eqs。（9）和（10）的一个优点是没有绝对的剩余功率值或温度设定点。主动控制器操作以基于剩余功率信号的标准偏差和内部设定点来调整实际温度设定点，内部设定点指示终端用户愿意使其加热设定点从期望值调整。另外，绝对温度设定点将意味着当最终用户改变其期望的温度设定点时，控制器将不具有提供需求响应的灵活性。能够在不同的剩余功率水平下运行的灵活性对于设计用于具有高可再生能源渗透率的智能微电网中的住宅应用的设备至关重要4. 确定供暖系统根据上一节中提出的方法，室内温度变化计算如下：T（十一）其中Treali是时间i的实际温度，Treali−1是时间i-1的实际温度。供暖系统应提供温度变化范围为“T为了满足点温度的偏差，Eq.（12）应建立。QACi−Q损失= −m.c空气.（十二）其中，QAC是来自加热系统的热传递，Q损失是室内和室外环境之间通过墙壁、窗户和天花板表面的热损失以及内部负荷的总和，m是建筑区域的空气质量，c空气是空气比热，并且ΔT'是加热系统在时间步骤i应提供的当量（12）可以改写如下：QAC i−Q损耗= −ρ空气。V室。c空气。其中ρair是空气密度，Vroom是空间的体积。（十三）供暖/制冷的效率通常由季节性能源效率比（SEER）来衡量机组的SEER额定值是在典型的冷却（加热）季节期间的加热/冷却输出除以同一时期的装置的SEER等级越高，其能量效率越高（Sehar等人， 2017年）。当量（13）可以改写如下：P ACi× t × SEER − Q损耗= −ρ空气。V室。c空气。（十四）PACmin≤P ACi≤P ACmax（15）其中PACi是在时间i处的加热/冷却系统的功率消耗，t是时间间隔（在本研究中为1 h）。5. 供热系统Q值损失热负荷估算涉及以下内容（热环境，2016）：(a) 通过外墙、屋顶、玻璃、门和地板的热损失(b) 通风或渗透损失。热负荷是传导和对流传热率之和i−1S.M. Hakimi/电气系统和信息技术杂志4（2017）299305=I图二.拟定方法流程图。传导热负荷由方程计算（16）（热环境，2016）：Q传导= U× A×Δ T（16）式中，QConduction为传导热负荷（W），U为传热系数（W/m2 C），A为建筑层面积（m2），T为空间内外空气温差（T/C）。传热系数（U）可计算如下：1=Ri（十七）RxiKi（十八）其中R是结构层的热阻（m2 c/w），x是层厚度（mm），k是层电导率（W mm/m2c）。对流热负荷计算如下（热环境，2016）：Q Convection= 0. 335× CMH× CBT（19）其中QConvection是对流热负荷（W），0.335是显热系数（见水平），CMH是空气流量渗透率（m3/h），而ΔT是空间内外空气温差（ΔC）。因此，对于冷却系统，Q损失可计算如下：Q损失=Q传导+Q对流（20）图 2示出了所提出的方法的流程图。U306S.M. Hakimi/电气系统和信息技术杂志4（2017）299表1在伊朗，住宅的电能关税在消费超过30千瓦和小于30千瓦的范围内中间负荷峰值载荷非峰值负载小时7–1919–2323–7$/kWh（功率大于30 kW）0.0340.0680.017$/kWh（功率小于30 kW）0.0440.0880.0226. 仿真结果在这项研究中，假设的智能微电网的峰值负荷是500千瓦（忽略供热负荷的总负荷曲线）。应注意，每个风力涡轮机和其他单元的尺寸分别被认为是7.5kW和1kW仿真所用的软件是Matlab。本研究的目的是确定智能微电网的最佳规模的单元考虑智能管理的热负荷。空调已经被用于在家庭内提供加热和冷却。此外，热水的需求由燃料电池和城市垃圾产生的输出热水提供。如果上述来源不能提供足够的热水，将购买天然气作为替代。换句话说，本文旨在研究供热管理对智能微电网单元的最佳规模，负载的可靠性，从公用事业公司购买天然气的数量和智能微电网的总成本的影响同时，考虑到包括风能和太阳能资源在内的可再生能源生产、智能微电网负荷曲线、外部温度和消费者期望的内部温度，执行加热负荷的管理。为了优化智能微电网单元的规模，应确定以下参数作为程序输入：- 智能微电网发电机组的特点，即风能和太阳能资源。- 能量存储的特点，即燃料电池、电解槽和氢气罐。- 每小时的风速和太阳辐射，以指定风能和太阳能的生产单位- 室外温度。- 所需温度、最高和最低可接受温度。- 从配电网购买和向配电网购买的能源价格- 天然气价格。- 小时负荷曲线。- 空调器的最小和最大耗电量- 优化算法所需的参数，即粒子群优化算法（PSO）。- 上述建筑物的特点，如墙体材料，窗户等。插入上述参数并运行程序将导致以下输出：- 智能微电网元件的最佳尺寸。- 风能、太阳能和燃料电池的发电率。- 相关储罐的储氢率。- 我们的智能微电网和配电网之间的能量传输速率和成本- 供暖系统耗电率。- 室内每小时的实际温度- 非供电负荷、负荷可靠性及非供电负荷的惩罚。- 智能微电网的最优成本。在该模拟中，智能微电网和配电网之间的连接是双向的，安装的Transformer具有100 kVA的容量和90%的效率。本研究的电能关税是指在伊朗消费超过30千瓦和小于30千瓦的范围内的住宅用户。关税见表1。在非高峰和高峰负荷下，从智能微电网购买能量的成本分别为0.09$和0.13$。S.M. Hakimi/电气系统和信息技术杂志4（2017）299307×图三.可再生能源的剩余功率和供热系统功率。表2智能微电网中每个单元的最佳成本和大小，而无需管理供热系统。费用共计Transformer（KVA）燃料电池氢罐电解槽风力涡轮机光伏1.96361× 107555214398874201597表3购买和销售能源的数量和成本，购买天然气的数量和成本，中断的负荷和罚款，而不管理供暖系统。成本购买购买精灵刑罚中断成本销售成本购买天然气（美元）自然中断负载销售能源购买能源天然气（m3）负载（$）（千瓦时）能源（元）（千瓦时）能源（元）v（kWh）2.064× 1032.103× 1040.002538.4508× 10515.3702× 1031.052× 1051.0716× 1052.194× 1042.234× 104为了实施供热系统负荷控制方法，住宅面积被认为是160平方米的尺寸10米16米。假设热交换仅与侧壁发生，即，（50 m2 +50 m2 +28 m2 +28 m2）。前后侧墙20%为1cm厚双层玻璃窗，5%为玻璃纤维窗。计算结果表明，窗系数k = 0.05（w/mk）。墙的厚度等于30厘米。所提出的方法适用于供热系统的功耗负荷管理前后的可再生能源剩余电量和供暖系统耗电量见图3。该图表明，剩余功率的存在将使我们能够将内部温度设置为上限，同时增加供暖系统的功耗，反之亦然。 图 4显示了冬季房屋的实际内部温度和外部温度。在管理加热和冷却系统的功率消耗之前，智能微电网单元的最佳数量在表2中示出。从配电网购买电力的最佳量和成本、出售给配电网的电力的最佳量和成本、智能微电网的最佳成本、中断的负载、中断的负载的惩罚、购买天然气的最佳量和成本以及智能微电网可靠性在表3中描绘。308S.M. Hakimi/电气系统和信息技术杂志4（2017）299见图4。房子的实际内部温度和冬天的外部温度。在本节中，研究了热负荷管理对确定智能微电网单元最佳规模的影响我们的控制方法需要考虑以下参数：- 在寒冷的季节，即冬季所需的温度：21摄氏度。- 冬季最低和最高气温：18基于此方案，我们已经应用上述方法，以建模和管理供热系统。假设每个加热系统的最大功耗为1.7 kW。如上图所示，供暖系统的耗电量与剩余电量（可再生资源发电量与智能微电网耗电量之差室内温度将根据剩余功率即当剩余功率高时，内部温度将被设置为上限，反之亦然。在这种方法中，使用主动控制器，用户选择一个温度作为期望温度，然后，主动控制器将根据期望温度和所述额外功率计算房屋内的温度。最后，控制器根据外界温度设定供暖系统的耗电量，使其达到与实际温度相对应的计算温度该温度应满足以下条件，- 在剩余功率较低的情况下，降低供暖系统的耗电量- 不影响消费者的热舒适性。换句话说，控制器考虑用户的热舒适度和剩余功率来决定内部加热或冷却表4中展示了在管理加热和冷却系统的功率消耗之后的智能微电网单元的最佳数量。考虑到相关成本和智能微电网可靠性，从配电网购买的最佳电力量、出售给配电网的最佳电力量和非供电负荷如表5所示。表2和表4的比较表明，基于所提出的方法的加热和冷却系统的功率消耗的管理将导致可再生能源发电机（风能和太阳能）的尺寸的减小和氢气罐中储存的氢气的量的增加同时S.M. Hakimi/电气系统和信息技术杂志4（2017）299309表4智能微电网中每个单元的最佳成本和规模，并管理供热系统的功耗费用共计Transformer（KVA）燃料电池氢罐电解槽风力涡轮机光伏1.7342× 107905214741714173401表5购买和销售能源的数量和成本，购买天然气的数量和成本，中断的负荷和对他们的罚款与管理供暖系统。成本购买购买精灵刑罚中断成本销售成本购买天然气（美元）天然气中断负载销售能源购买能源（立方米）负载（$）（千瓦时）能源（元）（千瓦时）能源（元）（千瓦时）1214.431125.60.0001969765425671.3774× 1031.4130× 1038.4231× 1039.63× 103表3和表5之间的比较描绘了我们提出的方法将导致从分布式电网购买的电力的减少7. 结论提出了一种具有智能电网功能的新型智能住宅供暖系统控制器。在本文中，一个可能的实现的主动控制器将被检查。主动控制器通过响应内部设定点和来自本地控制实体的外部信号的组合来操作。供热系统管理的优化目标是最小化智能微网的成本、最小化可再生能源的规模、最小化从配电网输入的电能以及提高智能微网的可靠性仿真研究表明，基于所提出的方法管理供热系统的功耗将导致可再生能源发电机（风能和太阳能）的尺寸减小，氢气罐中储存的氢气量增加，从分布式电网购买的电力减少，向分布式电网出售的电力增加，非供应负荷减少，从公用事业购买的气体和智能微电网的总成本研究结果表明，智能供暖系统和可再生能源可以很好地协同工作，当它们结合使用时，它们的各自优势可以叠加在一起。确认作者要感谢伊朗达马万德伊斯兰阿扎德大学研究委员会对本研究项目的财政引用Ari，S.，洛杉矶科斯登哈利法阁下，Dannenhoffer，J.F.，Wilcoxen，P.，Isik，C.，2005年 室内舒适性与能量最佳化之限制模糊逻辑近似法。In：Proc.IEEEFuzzyInf.Process. Soc.Annu. 见面，June，pp. 500-504Aswani，A.，主人，N Taneja，J.，Culler，D.，汤姆林角，2012. 采用基于学习的模型预测控制降低高压交流系统的暂态和稳态电耗。Proc.IEEE100（1），240-253。Calvino，F.，La Gennusa，M.，里佐，G.，Scaccianoce，G.，2004. 室内热舒适条件的控制：介绍一种模糊自适应控制器. EnergyBuild. 36（2），97-102。Cetina，K.S.，Kallusb，C.，2016年。住宅高压空调系统能量和峰值负荷降低的数据驱动方法。Proc. Eng. 145，852-859。Chassin，D.P.，Malard，J.M.，波塞角，Gangopadhyaya，A.，吕，N.，Katipamula，S.，马洛J.V. 2004. 将电力系统建模为复杂自适应系统。太平洋西北国家实验室技术。众议员陈凯，Jiao，Y.，中国农业科学院，李，E.S.，2006年。热舒适性的模糊自适应网络。 Appl. 数学Lett. 19（5），420-426。Constantopoulos，P.，施韦普足球俱乐部拉尔森，R.C.，1991. ESTIA：一种在现货电价下的空调使用实时用户控制方案。Comput. 操作员Res.18（8），751-765。杜尼斯人工智能Caraiscos角，2009年建筑设施中能量和舒适性管理的先进控制系统工程。雷内·W 坚持住。 EnergyRev. 13（6-7），1246-1261。310S.M. Hakimi/电气系统和信息技术杂志4（2017）299Faruqui，A.，Sergici，S.，2010年。 家庭对动态电价的反应：经验证据调查。 J. 雷古尔。 经济38，193-225。Fong，K.F.，Hanby，V.I.，周，T. T.，2008年用进化规划法进行能源管理的高压空调系统优化. EnergyBuild. 三十八岁，220-231.Griful，S.R.，雅各布森，R.H.，Nguyen，D.，Sørensen，G.，2016. 住宅建筑通风系统的需求响应潜力。EnergyBuild. 121，1-10。Guttromson，R. T.，Chassin，D.P.，Widergren，S.E.，2003年。配电馈线模拟用住宅能源资源模型。输入：程序 IEEE PESGen.Meet.，Toronto，Canada，pp. 108比113哈姆迪，M.，Lachiver，G.，1998. 一种基于人体热舒适感觉的模糊控制系统。In：Proc.IEEEWorldCongr. Comput.内部：Anchorage，AK，pp. 487-492.Hammerstrom，D.，例如，2007年太平洋西北地区并网试验台示范工程--第一部分：奥林匹克半岛工程。 美国 太平洋西北国家实验室能源系。10月，PNNL-17167众议员。Keshtkara，A.，Arzanpoura，S.，Keshtkarb，F.，Ahmadia，P.，2015年。 通过模糊逻辑、无线传感器和智能电网激励降低智能住宅负荷。EnergyBuild. 104，165-180。Keshtkara，A.，Arzanpoura，S.，Keshtkarb，F.，2016. 在智能电网环境中使用基于规则的技术进行自适应住宅需求侧管理。EnergyBuild.133，281-294。Lakshmanan，V.，Marinelli，M.，Kosek，上午，Nørgård，P.B.，宾德纳，H. W.，2016. 恒温控制负荷的需求响应动作对聚合功率的影响：现场实验。Energy94，705-714.李，Y.M.，霍雷什河利伯蒂湖2015. 现场储能发电系统需求响应的最优高压交流控制。EnergyProc.78，2106-2111.梁杰，Du，R.，2005. 基于神经网络的空调热舒适控制。在：Proc.IEEEControlAppl.Conf.，Toronto，Canada，August，pp. 819-824利文古德，DJ，2011年。能源箱：在不确定性下比较住宅电力消耗的本地自动化控制策略。论文。马萨诸塞州技术研究所，马萨诸塞州剑桥，9月。马修斯，E.H.，Botha，C.P.，哥伦比亚特区阿恩特Malan，A.，2001年 高压空调控制策略，以提高舒适性和减少能源使用。 EnergyBuild.33（8），853-863。Molina，D.，吕，C.，谢尔曼，V，哈利河，2016年。时变电价下住宅温度控制的模型预测与遗传算法优化。In：Proc.IEEEInd.Appl.Soc.Annu. 见面，^John，p. 2011年。纳西夫，N.，Kajl，S.，萨布林河2004年 高压空调系统控制策略多目标优化的进化算法 Banf，Canada，JuneIn：Proc.IEEENorthAmer.模糊信息处理学会年鉴Meet. （NAFIPS），vol. 第1页。51比56佩雷斯，K.X.，Baldea，M.，埃德加，TF，2016. 集成高压空调管理和智能家电优化调度，实现社区调峰。EnergyBuild. 23，34-40。罗杰斯，A.，Maleki，S.，戈什，S.，新泽西州詹宁斯市2010. 通过高斯过程预测和数学规划实现自适应家庭供暖控制。In：Proc.AgentTechnol. 一个系统，加拿大多伦多，五月。Safdarian，A.，Ali，M.r，Fotuhi-Firuzabad，M.，Lehtonen，Matti，2016.智能电网中的国内EWH和HVAC管理：潜在效益和实现。电子电力系统研究，134，38-46。Sehar，F.，Pipattanasomporn，M.，拉赫曼，S.，2017. 考虑到居住者舒适度的商业建筑中最佳需求管理的集成自动化。坚持住。CitiesSoc.28，16-29.人类居住的热环境条件，ASHRAE标准55-2010年。Vázquez，F.I.，Kastner，W.，2012. 智能家居控制的热舒适支持应用。In：Novais，P. [1] Zhang，G.， 塔皮亚，D.I.，Rodríguez，J.M.C. （编），环境智能软件与应用系列。智能与软计算的进展。153. Springer，Berlin/Heidelberg，Germany，pp. 109比118