智能电网需求侧管理的多目标风力发电优化算法及日前调度问题的研究

工程科学与技术，国际期刊36（2022）101135智能电网Sajjad Alia，b，Kalim Ullahc，Ghulam Hafeezc，f，Shahan，Imran Khanc，Fahad R.赛义德？伊尔塔扎？海德尔？阿尔博加米a巴基斯坦白沙瓦25000工程技术大学电信工程系b巴基斯坦马尔丹23200工程技术大学电信工程系c巴基斯坦马尔丹23200工程技术大学电气工程系d沙特阿拉伯塔伊夫21944，塔伊夫大学图拉巴大学学院计算机科学课程，邮政信箱11099沙特国王大学计算机与信息科学学院，利雅得11543，沙特阿拉伯f巴基斯坦白沙瓦Hayatabad政府高级技术培训中心可再生能源中心，邮编阿提奇莱因福奥文章历史记录：收到2021年2022年1月12日修订2022年2月26日接受2022年4月7日在线发布保留字：风电消费价格需求侧管理智能电网多目标风力发电优化算法日前调度A B S T R A C T需求侧管理（DSM）策略的实施在智能电网（SG）的能量管理中起着至关重要的作用，通过引入分布式能源（DER）来降低运营成本、污染排放并提供终端用户满意度。在该研究中，通过在SG中使用DSM策略来考虑不同类型的用户以降低运营成本和污染排放，通过考虑可削减负荷（CL）来削减负荷成本，以及可转移负荷（SL）和风力涡轮机（WT）输出功率之间的协调，采用SG中的日前调度问题参与需求侧管理策略的用户是能够转移和削减负荷的响应型用户，以及不能转移或削减负荷的非响应型用户。所提出的日前调度问题中使用的DER包括风能源（WES），储能系统（ESS）和柴油发电机（DG）。在将风能资源与SG相结合之前，需要对其进行预测，因此，采用概率分布函数（PDF）对风速进行预测。采用多目标风力驱动优化（MOWDO）技术，通过决策机制（DMM）在搜索空间中寻找最优解，求解三目标函数的日前调度问题。仿真结果表明，采用MOWDO算法可以有效地解决多目标调度问题。为了检验所提出的模型的有效性，它被应用到SG考虑不同的约束，以在用户端接收平衡功率。©2022 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍人口增长导致全球能源消耗增加使用化石燃料消耗不是一个合适的选择，因为它会产生环境污染，影响环境[1]。世界需要降低排放系数以避免气候变化。因此，可再生能源和SG可以被考虑用于有效的能源管理，这降低了经济成本和环境中的污染排放。与化石燃料相比，风能和太阳能等可再生能源可提供高效的电力并产生更少的排放[2]。公用事业之间的权力平衡*通讯作者：工程技术大学电气工程系，Mardan 23200，巴基斯坦电子邮件地址：ghulamhafeez393@gmail.com（G. Hafeez）。q卡拉布克大学负责的同行审查和消费者是必不可少的，因为电网络的性能取决于这种现象。如果公用事业和消费者之间没有平衡，电网运行将是不可靠和不安全的。因此，正确实施电力需求侧管理战略是电力公司的当务之急. DSM策略允许用户参与SG，并参与转移和削减负荷，以实现平衡功率和用户满意度[3]。SG还整合了可再生和不可再生能源，以满足最佳条件下的需求。SG算子可以被考虑用于在日前问题求解中的DSM策略，以最小化可再生能源的输出功率预测误差，并且它还可以有助于负荷转移和负荷削减[4]。SG是一个双向通信电力网络，由智能电表、高级测量基础设施（AMI）和控制系统组成，在消费者和公用事业之间提供双向通信。https://doi.org/10.1016/j.jestch.2022.1011352215-0986/©2022 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchS. 阿里，K.乌拉湾Hafeez等人工程科学与技术，国际期刊36（2022）1011352需求侧管理策略是对发电企业的各种活动进行管理，以优化发电企业的经济成本和污染排放的一种行为不同负荷的管理可以使用DSM来执行，包括直接影响用户用电模式的规划、监控和实施，需求侧管理策略也可用于系统地传输和分配可用能源，以减少峰值负荷和污染排放[6]。需求侧管理利用发电机中的风能和太阳能、分布式发电机、ESS等分布式能源，提供经济成本低、排放低的最佳电力。此外，它还用于负荷调度，如高峰时段的负荷转移、负荷削减、电池充电和放电管理以及电器控制，以重塑负荷分布。此外，SG实施DSM提供了可靠性、稳定性，有助于降低运营成本、污染排放以及总电费[7，8]。DSM还管理和控制分散的能源资源，如可控终端设备，以通过发电、输电和配电来管理电力市场。几项研究已经通过DSM战略考虑DER在SG使用不同的优化技术解决多目标函数，无论是最大化或最小化问题。电力成本最小化转移住宅负荷根据负荷管理是使用元启发式优化算法[9，10]。SG中的提前一天调度问题通过使用分布式算法（DA）[11，12]通过削峰和负荷转移来最小化运营成本。将可转移负荷从高峰转移到非高峰时段，以降低功耗，从而有效地优化运营成本。在[13]中，采用可再生发电与负荷协调以减少用户使用的电力的电压调节和在这项研究中，作者使用了洗牌蛙跳（SFL）技术提供可再生能源发电和负荷之间的协调此外，SL和WT输出功率之间的协调在SG中基于实时热价格进行，考虑到消费者温度偏好，在[14]中进行了研究。在这项研究中，[15]引入了区块链技术，通过采用先进的方法来解决这一领域的文献[16]研究了最优投标技术在减少环境污染方面的应用.在[17]中研究了太阳能和其他可再生能源的混合用于改善发电。不同的控制器用于将太阳能与其他可再生能源整合[18，19]。在[20]中研究了两阶段策略中SG效益最大化的可再生发电和需求鲁棒协调。此外，在[21]中研究了SG中的运行成本和污染排放的负荷削减。在[22，23]中研究了基于决策机制的不同DSM策略。采用NSGA Ⅱ和权和法求解多目标函数的优化调度问题高峰时段的负荷转移管理可降低运营成本，并在[24]中研究了SG的污染排放。在文献[25，26]中，作者在[27]中说明了基于MOPSO技术的负载调度，为了在搜索空间中找到最佳解，使用了模糊满意机制（FSM）。此外，在[28，29]中研究了SG中的ESS调度，该调度基于大小和位置，这导致降低了运营成本并提供了配电的可靠性通过协调市场价格和用户端负荷，将运行成本和污染作为多目标函数考虑[30]。在文献[31]中，使用基于优势的进化算法研究了（DEA）。在文献[32]中，作者采用多目标遗传算法（MOGA）处理了运行成本和污染排放作为多目标函数的问题。最佳的解决方案是通过一个基于模糊的决策机制。在[33，34]中通过添加可再生能源的可用性对该模型进行了修改。提出的目标优化使用三种技术，MOGA，多目标粒子群优化（MOPSO），多目标风力驱动优化（MOWDO）。此外，这些技术的结果进行了比较，以选择最佳的技术来解决所提出的目标。在上述文献中，已经涵盖了一些关键的目标函数，例如考虑DSM策略的运行成本和污染排放，以及在SG中使用单目标和多目标优化技术的DER在与SG集成之前，很少有技术用于可再生能源预测，例如时间序列和切线线性模型。此外，在日前调度问题中，研究了在考虑负荷削减、负荷转移以及SL和WT输出功率之间协调的情况下，SG的运行成本和污染排放可以得到优化。因此，在这项研究中，采用日前调度问题的SG通过使用DSM策略在SG考虑不同类型的用户，以减少运营成本和污染排放，负荷削减成本考虑削减负荷（CL），SL和风力发电机输出功率之间的协调作为三个目标函数。SG中的三所提出的提前一天调度模型的贡献如下。日前调度问题被建模为三个目标的多目标优化函数，如操作成本，污染排放，负荷削减成本，风力发电机功率和可转移负荷之间的协调，以及建模消费者利用概率密度函数对风速进行建模和预测，使规划与实际相符，解决了需求侧管理的日前调度问题。基于MOWDO技术，采用非线性排序模糊机制和Pareto前沿，建立了日前调度模型，对响应型和非响应型两类消费者参与的日前调度模型的结果是最佳的多目标优化，如运营成本，污染排放，负荷削减成本，WT功率和可转移的负载之间的协调，和建模消费者所提出的提前一天调度模型的后续部分组织如下：提前一天调度问题的系统模型在第2节中说明，所提出的方法在第3节中突出显示，数值和模拟结果在第4节中简要讨论，然后在第5节中得出结论。2. 系统模型采用DSM策略和DERs将SG中的日前调度问题视为多目标函数。目标函数包括运行成本和污染物排放的降低、Cls成本的降低以及SL和WT输出功率之间的协调。提出的目标函数的精确数学建模如下：●●●●S. 阿里，K.乌拉湾Hafeez等人工程科学与技术，国际期刊36（2022）10113532个PDG.P- 是的K2个PnCESSs：网KX8>：PX=NX.XJ×E网格fwGrid ×EGrid.ESSsESSsop涡轮机根据风速运行>：CLS在时间t持续时间内的负载。X>>;op“的。编号2.1. 运行成本和污染减排SL SLDsLst;sLsXDsLt0;t;sLs-XXDsLt;t0;sLs4考虑了运行成本和污染减排作为拟议研究的第一个目标函数当量1说明不sLs¼1SL不s Ls¼1SL第一个目标函数的建模由不同的部分组成06XDsLt0;t;sLst61txXDsLt;sLst5包括运行成本和污染减排，模型。运营成本包括启动和关闭不sLs¼1sLs¼1降低分布式发电成本，从电网购买电力，ESS的充电和放电同时考虑了分布式电源和主电网的污染排放最小F1其中1;DsLs;WwT表示可转移的负载、在持续时间t到2.4.风力涡轮机模型. PTKk¼1ndE23.请注意：.t1/4基于.关闭1500万。由WT产生的功率在等式中建模六、在inte-.C su× cn.标准偏差;k=0t;k将风能资源与SG相结合，对其进行预测是必要的，.PT“XK n2o#。因此，PDF用于预测风速，并在方程中建模7t1/21/4。k¼1bEDGt;kydEDGt;k/- 是的ð1Þ[35、36]。在拟议的SG方案中，每日总发电量-以这样的方式分布，即可再生能源（风能= 70%），其余30%的发电来自其他能源。.Tx¼1KK ×E放电电流; xo 3.K电荷80SW>PRSW-SPciSPci6软件SP资源<.t1/2/3 x¼1op× EESSt; x5。P-1000W-1000W>2002SPr-SPc i服务器6SWSPc<ð6Þ由方程式1，d;r;con和coff表示DG成本因素，DG开和关状态。然而，b，y，l代表DG污染排放系数和kW是能源市场价格，0SWPSPc在根据切入来定义不同的风速水平的情况下分别为截止转速和额定转速。 SW;P R;SP ci;SP co;SP r repre-送风风速、风电机组额定功率、切入速度、切出速度就充电和放电持续时间T而言，repre-作者：E Charget;x 和E放电，其中C k指示和额定转速。据调查，ESS的运行成本 代表DG和网格力，分别。2.2.通过可削减负荷降低SW2F n=1-exp-rxð7Þ采用负荷削减策略以使运行成本最小化，其模型为方程。二、考虑了主电网的紧急情况和较高的能源市场价格，采取限电策略。双方合同包括实施这样一个战略的基础上投标价格机制之间的运营商建议SG和响应的消费者有能力削减负荷。当量2造型指标2.5. 约束2.5.1. 网络平衡约束为了在用户端实现平衡功率，应用平衡约束，并在等式中建模。8[37]。这些约束用于求解前面讨论的目标函数。根据以下负荷削减，响应消费者以降低运营成本。8>PCXdischarge9>CLSPWWTt;pXESS>9>;ð8Þ其中Cls表示响应用户的负荷削减标明投标报价和削减负荷量，联系我们D苯并咪唑 通过削减消费者的需求，> PCLC装载量NRC>NRC12.3.风电机组可转移负荷与输出功率的协调SL和WT输出功率之间的协调在Eq.3 .第三章。这也是一个最小化函数，其中SL和WT输出功率之间的预测的WT输出功率被认为是最佳地调度这些此外，转移的负载量在等式中建模。4中，并且限制于负载的最大转移的可转移负载量在等式4中建模。五、当量8表示平衡约束，其包括从主电网购买的功率、DG、WT发电和由DG产生的功率的总和分别平衡ESS放电功率和需求功率消耗。2.5.2. 其他约束本节包括在评估系统成本时的约束，如预期未服务能量（EENS）和损失负载约束值。当量9表示发生某些外部影响的系统的总成本。最小f3¼T SLt1/4。sLs¼1DsLst;sL s -WwTt。ð3ÞTC Xn¼1CDG你好，Xj1/4CESS ðtÞþEENSðtÞ×VOLLðtÞ ð9ÞCK不t1/2E网格1DCLst;c载荷DNRC神经营养素RS. 阿里，K.乌拉湾Hafeez等人工程科学与技术，国际期刊36（2022）1011354ð Þ ð ÞJð Þ ð Þ半-]Jfmax-f min;fjfjfj<1;fj6fmin4. 融合：应用DMM，使用公式10用于在存档中的非支配解中找到最佳解5. 终止日期：如果已经找到最佳解决方案，则过程终止，如果没有，则移动到步骤a。图 5 给 出 了 SG 中 日 前 调 度 问 题 的 MOWDO 流 程 图 。 以 下 是MOWDO技术在SG中用于日前调度问题所3.1.1. 谢弗函数定义的变量限制为103; 103，并且优化的解决方案范围在[0，1]之间。schaffer函数如下：f1kk2;f 2kk-22 113.1.2. Kita函数>fjmax-fjMaxminKita函数的定义变量限值范围为J J>>：Maxf1k1;k2-k2k2 120;fjPfj所提出的目标函数的最优值由Oj k表示，它是k个最优Pareto解中的fmax并且Fmin表示目标函数的上限和下限。1和fk1;k2k1k21 13服从：k113k1153. 方法在本研究中，通过在考虑DERs的SG中使用DSM策略SG中三个目标函数的同时优化包括运行成本和污染排放、考虑可削减负荷（CL）的削减负荷成本以及使用MOWDO技术协调可转移负荷SL和WT输出功率[39]。此外，运营成本是一个非线性、非凸优化问题。在搜索空间中，探索概率（全局最小化）比利用概率（局部最小化）增加更多，以避免局部最小值。通过这种方法，粒子收敛到全局最优解，同时优化操作成本，避免局部极小值。该技术应用于提出的提前一天调度问题，如下所示：3.1. 多目标风力驱动优化技术1. 从系统模型中提取数据输入数据包括与电网结构、电网的技术和功能参数、日前调度问题的风速预测、市场能源价格和DG机组相关的信息。2. 初始化：MOWDO技术中引入了DG、ESS、风电机组技术和功能数据等DER。3. 实施情况：使用MOWDO实现所提出的提前一天调度问题的步骤如下：a. 使用公式 （1）b. 通过在搜索空间中随机搜索，找到非支配解。c. 将非劣解保存在存档中，以便查找最佳解。d. 确定每个粒子的位置和速度e. 更新每个粒子的位置和速度，并检查迭代次数。6k262;22;5k1k2630 14MOWDO技术是基于压力函数的，Kita函数被用来利用压力效应。此外，有两个函数用于评估系统模型数据，分别是ZDT 1和ZDT4函数。如表2所示，所提出的技术的计算时间为40秒，迭代次数为100次，以收敛到搜索空间中的最佳解，这显示了MOWDO技术在所提出的场景中的快速性14. 数值和模拟结果在这项研究中，三目标优化SG被认为是最小化的运营成本，污染排放，负荷削减成本和可转移负荷（SL）和风力发电机产生的输出功率之间的协调。分布式能源（DER）被认为是在SG的多目标优化的情况下涉及。DER包括风能、储能系统（ESS）和柴油发电机（DG），如图2所示。此外，用户分为三类，响应用户（RCSL）的能力，转移负荷，响应用户（RC CL）的能力，削减负荷的能力（RCCL）和非响应用户（NRC）不具有转移或削减负荷的能力。这些消费者参与需求侧管理战略，以优化提出的目标。利用概率密度函数对风能进行了预测，并在图3中显示，每小时的前一天风速在图3中显示。 四、此外，它是由风力涡轮机（WT）产生的输出功率需要一个输入数据，这是切割速度，额定速度和截止速度，这分别被视为3 m/s，12 m/s和15 m/s。在这种特定的风速下，WT的额定功率被认为是2.5 MW. DG的输入数据包括技术数据、数据库数据、表3和表1列出了有关人口和经济数据。此外，ESS的经济和技术特性如表5所示。拟议研究中考虑的电力需求如图所示。 六、SG和RCCL之间的限电合同Oj k¼ð10ÞS. 阿里，K.乌拉湾Hafeez等人工程科学与技术，国际期刊36（2022）1011355CopFig. 1. 智能电网结构图。表1术语.索引和集合t，T时间索引SL，SL情景指数W风力涡轮机指数n RC指数nr NRC索引K，k DG 索 引 X ， xESS索引参数西南风速SP ci WT切入速度SPrWT额定速度PrWT额定功率d;X;c总干事费用因素b，y，/DG排放系数SP ci WT截止转速kESS运营成本EGrid电网电源表2从软件、解决时间、不同场景等方面提出模型评估建议。软件时间分辨率MATLAB R2018b白天时间（24 h）时间范围，小时分辨率迭代次数计算时间100 40 s目标函数最佳解f1，f2第8次溶液f1、f3第8次溶液f1、f2、f3第七溶液其基于投标价格，如图7所示。在四种不同的情况下对所提出的目标进行了优化，在情况1中，突出了运行成本和污染排放的最优调度，在情况2中，包括运行成本、污染排放和RCCL的最优调度，在情况3中，W网格能源市场价格采用了运营成本、污染排放和RCSL，con;con DG开关状态RCCls减少负载RCSls响应式用电设备，可转移负载NRC非响应消费者既不转移也不削减负荷响应型消费者KCls向响应的消费者DSls对转移负荷DNRC无响应消费者C苏 DG启动成本CsdDG启动成本1Sl s参与级别ESS在充电状态下的充电放电状态下ESS的放电效率F1、F2、F3目标功能（第一、第二和第三）SOCESS的EGrid公用电网发电EDGDG发电最小UP时间最短停机时间最后，在情况4中，考虑了三个目标函数的同时优化。本文对这些病例进行了详细的讨论。● 情况1在这种情况下，在SG中优化第一目标函数，即运行成本和污染减少。仿真结果表明，公用电网的运行成本和污染排放分别为60%和87%，因此，公用电网的运行成本和污染排放是最大的相比，DERs，而在减少SG的运行成本和污染排放，DERs的参与是非常重要的，因此，它涉及在拟议的场景。此外，当假设情况1时，ESS的总充电和放电功率为5MW和4MW，而从公用电网购买的电力为52兆瓦。● 壳体2KS. 阿里，K.乌拉湾Hafeez等人工程科学与技术，国际期刊36（2022）1011356图二、面向需求侧管理的多目标日前调度问题的示意模型S. 阿里，K.乌拉湾Hafeez等人工程科学与技术，国际期刊36（2022）1011357图三. PDF：风速分布模型。图五. 提前一天排序问题的MOWDO流程图。见图4。 每小时风速。在这种情况下，SG中的第一和第二目标函数优化被认为是多目标函数。在RCCL的投标价格中考虑了SG的运营成本和污染减排。考虑到CL的最优调度，从而降低了所提出的目标函数。MOWDO技术用于在搜索空间中获得非支配解如图8a所示，第八个解被认为是最佳解，其通过如图2所示的决策机制获得。仿真结果表明，第一、二目标函数同时优化后，与第一种情况相比，公用电网、分布式发电成本和ESS充放电成本分别降低了15%、3%、0.79%和0.03公用电网和分布式发电的污染物排放量分别比方案1减少了14%和2%。因此，研究了Cls的优化调度在优化SG的运行成本和污染排放● 壳体3表5储能系统的技术和经济数据参数值W最小ESS放电0.5 MWW最大ESS充电0.5 MW有效充电92%有效放电93%SOC最大值100%SOC最小值11%k24$op在这种情况下，SG中的第一和第三目标函数优化考虑到用户端接收均衡输出功率的不同约束，采用SL和WT输出功率之间的协调在所提出的方案中使用的SG运营商提供了一个协调，导致降低运营成本和污染排放，通过提供平衡功率。给出了MOWDO技术在搜索空间中求非支配解的方法表3柴油发电机的经济和环境数据。使用的参数dmax$=MW2x$=MW2中文（简体）bg/kg=MW2kgy=Mw/kg每公斤C苏政府统计处DG-11368.11111151.401632.50DG-21368.21161055.5016400DG-3157011912.559.401732.50CS. 阿里，K.乌拉湾Hafeez等人工程科学与技术，国际期刊36（2022）1011358生成机制用于在搜索空间中获得最佳解，该最佳解为在搜索空间中以黑色突出显示的第七解，非劣解仿真结果表明，在考虑第一、第二目标函数时，运行费用和污染物排放量分别比实际情况降低了2%和13当考虑第一和第三目标函数时，与情况3相比，它分别减少了2%和13.5%。还执行DER和公用电网的功率调度，示于图9 .第九条。5. 结论见图6。 电力需求。见图7。 SG和RCCL之间基于合同的投标价格。在图8b中，第八方案被认为是最佳方案，其通过如图2所示的决策机制获得。仿真结果表明，MOWDO同时优化了第1、3目标函数，运行费用和污染物排放量分别比第2种情况降低了1.8%和13%。此外，还考虑了电网的污染排放，研究表明，在考虑SL与WT输出功率协调的情况下，电网的污染排放最小化了25%。● 壳体4在这种情况下，三个目标函数的同时优化，通过建议MOWDO技术。在运行费用和污染物减排方面，将所提出的方法或三目标优化的性能与情况2和情况3进行了比较。在图8c中示出了在使用MOWDO技术的情况4中获得的帕累托集合解，电力需求侧管理对电力系统的安全可靠运行起着至关重要的作用然而，由于供需的不确定性和随机性，DSM具有挑战性此外，DSM中只考虑一个目标（运行成本或污染排放或负荷削减成本，WT功率与可转移负荷之间的协调）是不够的。然而，由于相互依赖和权衡，在DSM中满足多个相互冲突的目标是具有挑战性的。因此，需要一个模型来满足上述挑战。在此基础上，本文提出了一个多目标函数的日前调度问题，以同时满足运行成本、污染排放、负荷削减成本、风电功率与可转移负荷之间的协调等三个目标的优化，并以风电功率和公用事业的能源价格为需求侧管理的用户行为模型概率密度函数用于模拟和预测风速的随机行为。在多目标日前调度问题建模中考虑了响应型和非响应型两种类型的用户以及诸如风力涡轮机、柴油发电机和能量存储系统等DERs ，以使公用事业和最终用户受益。基于MOWDO的日前为了研究所开发的模型的适用性和有效性，所定义的四种情况下得到的结果案例1被认为不涉及DER，并且注意到公用事业电网的运营成本和污染排放在案例2中，DERs参与了日前调度问题，DG和公用电网成本分别减少了15%和3%，污染排放量分别减少了2%和在方案3中，运行成本和污染排放分别比方案2降低了1.8%和13%今后，这项工作可以向不同方向扩展：李亚普诺夫多目标优化技术将被用来解决日前调度的实时现场事件和请求将响应有效的需求侧管理。多目标优化机制将在基于雾和云的环境中用于解决DR计划下的日前调度问题，以实现高效的需求侧管理。表4柴油发电机组技术参数使用的参数最小功率最大功率吴MD hRU（MW）研发部（MW）DG-100.73220.050.05DG-200.76220.060.06DG-300.86110.010.09●●S. 阿里，K.乌拉湾Hafeez等人工程科学与技术，国际期刊36（2022）1011359见图8。使用MOWDO的Pareto设置解决方案。S. 阿里，K.乌拉湾Hafeez等人工程科学与技术，国际期刊36（2022）10113510见图9。 DER的功率调度竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。确认作者感谢沙特阿拉伯塔伊夫塔伊夫大学研究人员支持项目编号（TURSP- 2020/331）的支持。引用[1] Eity Sarker，Pobitra Halder，Mehdi Seyedmahmoudian，Elmira Jamei，BenHoran，Saad Mekhilef，Alex Stojcevski，智能电网需求侧管理和优化方法的进展，Int. J. Energy Res. 45（1）（2021）36-64。[2] 林小丽，《在不确定性下利用可再生能源，Omega 103（2021）102445。[3] E.穆图库马兰王文，无功优化在智能电网中 的 应 用 ， 北京电力大学学报，2001。Comput. 25（2）（2021）1581-1594。[4] Muhammad Babar，Muhammad Usman Tariq，Mian Ahmad Jan，使用机器学习实现物联网智能电网的安全和弹性需求侧管理引擎，Sustain。城市社会学62（2020）102370.[5] 袁关秀，高燕，叶北，黄日鹏，多能源微网和不确定负荷的智能电网实时定价：一种双层规划方法，Int. J. 电动电力能源系统 123（2020）106206.[6] UbaidUr Rumman，使用DSM的智能电网聚合器解决价格不确定性的基于鲁棒优化的能源定价和调度模型，阿拉伯。《科学杂志》Eng.45（2020）6701-6714.[7] Saleem ，Bushra，Rabiah Badar，Malik Ali Judge，Awais Manzoor，Saif ulIslam，Joel JPC Rodrigues，智能城市电力系统稳定性的自适应递归神经模糊控制能源技术评估45（2021）101089[8] Sajjad Ali，Imran Khan，Sadaqat Jan，Ghulam Hafeez，基于优化的电力使用调度策略，使用光伏电池系统进行智能电网需求侧管理，能源14（8）（2021）2201。[9] Fady Y. Melhem，Olivier Grunder，Zakaria Hammoudan，Nazih Mundayed，使用鲁棒优化算法的电力智能电网环境中的能量管理，IEEE Trans. 印第安纳Appl.54（3）（2018）2714-2726。[10] 王永利，黄玉晶，王玉栋，曾明，李芳，王云璐，张元元，考虑需求响应的分布式发电和响应负荷的智能微电网能量管理，J. Clean. Prod. 197（2018）1069-1083。[11] Endong Liu ， Peng Cheng ， Achieving privacy protection using distributedloadscheduling：A randomized approach，IEEE Trans.智能电网8（5）（2017）2460[12] Ghasem Derakhshan，Heidar Ali Shayanfar，Ahad Kazemi，智能电网需求响应程序的优化，能源政策94（2016）295[13] 朱仁，胡。邓俊英，邓瑞龙，张德宇，张耀学，沈学民，可再生发电机配电系统的联合负荷调度和电压调节，IEEE Trans. Industry. Inf. 14（4）（2017）1564-1574。[14] MubbashirAli ， MerkebuZenebeDegefa ， MuhammadHumayun ，AmirSafdarian，Matti Lehtonen，通过协调需求响应和实时热评级提高风力发电的利用率，IEEE Trans. 31（5）（2015）3737-3746.[15] Muslem Dehghani ， Mohammad Ghiasi ， Taher Niknam ， Abdollah Kavousi-Fard，Mokhtar Shasadeghi，Noradin Ghadimi，Farhad Taghizadeh-Hesary，基于区块链的电力传输系统中数据交换的安全性，考虑拥塞管理和社会福利，可持续性13（1）（2021）90。[16] 刘军，陈冲，刘振玲，Kittisak Jermsittiparsert，Noradin Ghadimi，基于IGDT的基于氢存储的智能电动汽车停车场风险最优投标策略，J. Energy Storage 27（2020）101057。[17] Mehdi Mehrpooya ， Noradin Ghadimi ， Mohammad Marefati ， SohrabAliGhorbanian，包括抛物面碟太阳能集热器、斯特林发动机和热电装置的新型组合能源系统的数值研究，Int. J. Energy Res. （ 2021年）。[18] 叶海雄，金广哲，王飞，Noradin Ghadimi，高效率高升压交错式DC/DC转换器，能源A部分（2020）1[19] Zaoli Yang ， Mojtaba Ghadamyari ， Hossein Khorramdel ， Seyed MehdiSeyedAlizadeh ， Sasan Pirouzi ， Musmed Milani ， Farzad Banihashemi ，NoradinGhadimi，可再生和柴油源/固定和移动储能系统的孤岛混合动力系统的鲁棒多目标优化设计，Renew。坚持住。能源修订148（2021）111295。[20] Cuo Zhang，Yan Xu，Zhao Yang Dong，Kit Po Wong，分布式发电和基于价格的需求响应在微电网中的鲁棒协调，IEEETrans.智能电网9（5）（2017）4236[21] Saber Talari，Mohsen Yazdaninejad，Mahmoud-Reza Haghifam，基于随机的 微 电 网 运 行 调 度 ， 包 括 风 力 涡 轮 机 ， 光 伏 电 池 ， 储 能 和 响 应 负 载 ， IETGener。传输分布量9（12）（2015）1498-1509。[22] Gholamreza Aghajani，Noradin Ghadimi，微电网中的多目标能源管理，能源报告4（2018）218[23] 安德烈·科斯塔·巴蒂斯塔，卢卡斯·S. 巴蒂斯塔，需求侧管理使用基于多标准电子约束的精确方法，专家系统应用99（2018）180- 192。[24] B. Lokeshgupta，S. Sivasubramani，多目标动态经济和排放调度与需求侧管理，国际J。电力能源系统。97（2018）334-343。[25] Heydar Chamandoust ， Ghasem Derakhshan ， Seyed Mehdi Hakimi ，SalahBahramara，具有电气和热响应负载的智能能源枢纽系统的多目标优化调度，环境。爬上去24（1）（2020）209-232.[26] Ghulam Hafeez，Nadeem Javaid，Saman Zahoor，Itrat Fatima，and ZahoorAliKhan.智能电网中可再生能源的节能整合，S. 阿里，K.乌拉湾Hafeez等人工程科学与技术，国际期刊36（2022）10113511在：新兴互联网国际会议，数据&网络技术，施普林格，Cham，pp。第 553-562页。[27] Sayyad Nojavan，Majid Majidi，Naser Nourani Esfetanaj，一种有效的成本-可靠性优化模型，用于在负责任的负载管理存在的情况下优化微电网中储能系统的选址和规模，能源139（2017）89[28] Kasra Saberi ， Hamed Pashaei-Didani ， Ramin Nourollahi ， Kazem Zare ，SayyadNojavan，在实时需求响应存在的情况下考虑环境问题的基于CCHP的微电网的最佳性能，Sustain。Cities Soc.45（2019）596-606.[29] Khalid ， Adia ， Sheraz Aslam ， Khursheed Aurangzeb ， Syed IrtazaHaider，Mahmood Ashraf和Nadeem Javaid，一种有效的能源管理方法，使用雾作为服务在智能电网中共享经济，能源11（12）（2018）3500。[30] 杨力，杨震，赵东波，雷航天，白翠，李少燕，利用多目标模型在孤立微电网调度中优化储能和用户体验，IET Renew。发电机 13（6）（2019）973-981。[31] Ghasem Derakhshan，Heidar Ali Shayanfar，Ah.ad. Kazemi，使用NSHCSO优化设计基于太阳能PV-WT-SB的智能微电网，Int. J. 氢能41（44）（2016）19947-19956.[32] Ullah ， Kalim ， Sajjad Ali ， Taimoor Ahmad Khan ， Imran Khan ， SadaqatJan，Alzur Ali Shah和Ghulam Hafeez，智能电网集成可再生能源和需求响应计划，能源13（21）（2020）5718。[33] Kalim Ullah，Ghulam Hafeez，Imran Khan，Sadaqat Jan，Nadeem Javaid，智能电网中的多目标能源优化，可再生能源的高渗透率，应用。 能源299（2021）117104.[34] 埃 萨 姆·H 穆 罕 默 德 ？ 侯 赛 因 放 大 图 片 作 者 ： Mahdy ， Doaa Shebl ， AwaisManzoor，RamSarkar，Waleed M.穆罕默德，一种有效的黏菌算法求解多目标优化问题，专家系统应用187（2022）115870。[35] Saber Talari，Mohsen Yazdaninejad，Mahmoud-Reza Haghifam，基于随机的 微 电 网 运 行 调 度 ， 包 括 风 力 涡 轮 机 ， 光 伏 电 池 ， 储 能 和 响 应 负 载 ， IETGener。传输分布量9（12）（2015）1498-1509。[36] G.R.阿加贾尼Shayanfar，H. Shayeghi，提出了一个多目标发电调度模型，用于微电网能源管理中的需求响应率定价，