Mô hình đáp ứng giá điện cho phân tích biểu giá TOU (Time of Use)

Nội dung text: Mô hình đáp ứng giá điện cho phân tích biểu giá TOU (Time of Use)

1. TAÏP CHÍ PHAÙT TRIEÅN KH&CN, TAÄP 19, SOÁ K7- 2016 Mô hình đáp ứng giá điện cho phân tích biểu giá TOU (Time of Use) Phan Thị Thanh Bình Huỳnh Thị Thu Thảo Khoa Điện-Điện tử, Trường Đại học Bách khoa, ĐHQG-HCM (Bản nhận ngày 06 tháng 5 năm 2016, hoàn chỉnh sửa chữa ngày 10 tháng 11 năm 2016) TÓM TẮT Chương trình đáp ứng của nhu cầu dùng khi sự đáp ứng của khách hàng không chắc là điện (Demand response) chủ yếu thay đổi cách tối ưu thì mô hình nêu trên không áp dụng được. sử dụng điện của khách hàng (hộ tiêu thụ) như Bài báo đề xuất ba cách tiếp cận để khảo sát là sự đáp ứng với sự thay đổi giá điện theo thời đáp ứng của khách hàng. Cách thứ nhất dựa gian. Chương trình này được sự quan tâm lớn trên hàm cost-share truyền thống khi biết đáp của các công ty điện thời gian gần đây. Để đánh ứng khách hàng là tối ưu. Cách thứ hai dựa trên giá hiệu quả của sự thay đổi biểu giá điện theo cách đánh giá xấp xỉ hệ số đàn hồi. Cách thứ ba vùng trong ngày (TOU), các công trình nghiên dựa trên mạng Neural. Hai cách tiếp cận đầu cứu đều cố gắng đi tìm mô hình giải tích thể nhằm tìm một mô hình giải tích, còn cách tiếp hiện mối quan hê giữa thay đổi giá điện và điện cận sau nhằm tìm kiếm điện năng tiêu thụ các năng tiêu thụ. Các mô hình này dựa trên giả vùng trong ngày theo biểu giá điện. thiết các đáp ứng dùng điện là tối ưu. Tuy nhiên Từ khóa: TOU, hệ số đàn hồi, mô hình cost-share, đáp ứng của nhu cầu dùng điện (DR) 1. GIỚI THIỆU Việc tìm kiếm mô hình đáp ứng tiêu thụ điện theo giá điện của khách hàng rất có ý nghĩa Tại Mỹ và các quốc gia khác, trong những cho việc phân tích đáp ứng nhu cầu dùng điện năm gần đây đề xuất một khái niệm “đáp ứng theo giá điện tại từng giờ và theo các giờ khác của nhu cầu dùng điện” (Demand response-DR). trong ngày. Việc xác định mối quan hệ này là rất Đây là chương trình biểu giá điện nhằm thay đổi phức tạp. Lý do là một sự nâng cao giá điện tại sử dụng điện của khách hàng khi thay đổi giá giờ này, ngoài sự thay đổi dùng điện tại giờ này điện. Nó bao gồm biểu giá thời thực, biểu giá lại còn làm thay đổi sự dùng điện ở các giờ khác cắt điện tải đỉnh và biểu giá theo vùng trong trong ngày. ngày (TOU). Chương trình này cũng nhắm tới việc giảm sử dụng điện ở thời gian cao điểm ( là Việc tìm kiếm một mô hình nhằm xác định thời điểm mà hệ thống nguồn- phát gần tới biên chính xác các yếu tố ảnh hưởng tới sự dùng điện của nó hoặc do sự cố mất nguồn, lưới) bằng (nhất là sự thay đổi giá điện, sự chênh lệch giá cách tăng giá vào thời điểm này. điện giữa các giờ trong ngày), từ đó cho phép Trang 5
2. SCIENCE & TECHNOLOGY DEVELOPMENT, Vol 19, No.K7- 2016 công ty điện có sự điều chỉnh giá để điều khiển sự dùng điện theo hướng hiệu quả hơn. Cụ thể (3) như ngành điện mong muốn rằng luôn có sự đáp ứng của khách hàng mỗi khi có sự thay đổi giá điện, sao cho đồ thị phụ tải tổng có lợi nhất cho Các hệ số đàn hồi thể hiện độ thay đổi của ngành điện và cho toàn xã hội. Với hàng loạt các điện năng theo vùng trong ngày với sự thay đổi quốc gia thì biểu giá điện là một công cụ quan giá điện của từng vùng. Chúng cho một sự mô tả trọng để điều chỉnh sự tiêu thụ điện. Phản ứng rất tốt về đáp ứng dùng điện theo sự thay đổi lên biểu giá điện được thể hiện rõ nhất qua các biểu giá điện. Nếu η 0- sự tăng giá điện giờ cao điểm nghiên cứu trên thế giới tập trung vào xây dựng làm tăng lượng tiêu thụ giờ thấp điệm. Điều này mô hình giải tích, nghĩa là tìm hàm toán thể hiện nói lên trong chừng mực nào đó, sự tăng giá các mối quan hệ thay đổi giá điện-thay đổi phụ điện giờ cao điểm đã làm dịch chuyển sự dùng tải điện theo các vùng trong ngày. Tồn tại hai điện từ cao điểm sang giờ thấp điểm. Một sự mô hình sau là chủ yếu: thay đổi giá như vậy là thành công trên quan - Mô hình tuyến tính theo hệ số đàn hồi điểm điều chỉnh sự dùng điện của các khách [1][2][5]: hàng. Mấu chốt của các mô hình giải tích là phải (1) xác định được hệ số đàn hồi. Các hệ số đàn hồi hoặc được xây dựng theo kinh nghiệm như trong - Mô hình theo hàm mũ của hệ số đàn hồi [3][4]: [6], hoặc được xác định chủ yếu qua công trình T R của Hisberg-Aigner [2] (còn gọi là mô hình n Pj Pj T R cost-share). Trong mô hình này coi đáp ứng Xi Xi  exp(ij ) (2) j 1 PR j khách hàng là tối ưu, nghĩa là các hệ số ηii là số âm và ηij là số dương. Vấn đề là nếu các đáp Với i,j=p,m,o tương ứng với ba thời điểm ứng khách hàng không là tối ưu, thì việc tìm của biểu giá TOU là cao điểm, bình thường và kiếm các hệ số đàn hồi này như thế nào hay có thấp điểm trong ngày. thể tìm một cách tiếp cận khác nhằm xác định sự là lượng điện năng tiêu thụ hiện tại tại thay đổi dùng điện khi có sự thay đổi giá điện. thời điểm i của khách hàng (kWh); lượng Tại Việt nam, biểu giá TOU được áp dụng cách điện năng tiêu thụ khách hàng tại thời điểm i sau đây trên mười năm và việc đánh giá đáp ứng của khi có giá mới(kWh). khách hàng còn chưa rõ ràng nên cũng không là vecto giá hiện tại (giá cũ) tại thời thể áp dụng mô hình cost share. Bài báo này sẽ điểm j. nhằm giải quyết vấn đề nêu trên. giá TOU mới tại thời điểm j. 2. MÔ HÌNH GIẢI TÍCH Và ηii , ηij là hệ số đàn hồi được định nghĩa như sau: Trang 6
3. TAÏP CHÍ PHAÙT TRIEÅN KH&CN, TAÄP 19, SOÁ K7- 2016 Các mô hình giải tích như (1) hay (2) cho S = = = i phép đánh giá tường minh về hiệu quả của việc thay đổi biểu giá từng vùng trong ngày lên sự Si= αi+∑jβijln(Pj)+γiln(E) i,j=p,m,o (8) thay đổi điện năng của vùng đó và các vùng Với các điều kiện ràng buộc về tham số α, khác. Trong đó mô hình cost-share dùng để xác β, γ như trong (6), đánh giá các tham số α, β, γ định các hệ số đàn hồi khi biết trước là khách được dựa trên hệ (6) và (8) từ việc quan sát đồ hàng đáp ứng tối ưu . thị phụ tải sau các lần thay đổi giá điện. Lưu ý là 2.1. Mô hình Cost-Share[2][9] có 3 phương trình (8) cho mỗi biểu giá điện, nên nếu số lần thay đổi biểu giá nhiều thì sẽ có một Mô hình này coi chi phí tiền điện là một số lượng rất lớn các phương trình này. hàm số của lượng điện tiêu thụ, giá điện và coi phản ứng của khách hàng là tối ưu: Thay thế Xi = vào (3) và sau vài lần MinC = minφ(E,P,R) (4) biến đổi: Trong đó: ηii = + Si - 1 i,j=p,m,o. (9) C: Chi phí tiền điện tổng cộng; P: Vector giá Pi ηij = + Sj i#j i,j=p,m,o. (10) R: Vecto hệ số phản ứng khách hàng. Như vậy mấu chốt là đánh gía các thông số E: Điện năng tiêu thụ. của hệ (8) và (6) sau đó dựa vào (9), (10) xác định các hệ số đàn hồi. Do các thông số này có Hàm (4) được biểu diễn dưới dạng hàm mối quan hệ chéo nên sẽ có một sự tương quan siêu việt: mạnh giữa các phần tử sai số (do cùng một điều Ln(C) = a + ∑i αi ln(Pi) + ½ ∑i∑j βij ln(Pi) ln(Pj) kiện quan sát). Việc đánh giá tham số mô hình + ∑i γi ln (Pi) ln(E)+ Ø ln(E) →min (5) dựa trên giài thuật SUR (seemingly unreated regression) sẽ hiệu quả hơn OLS [8]. Giải thuật Trong đó: a là hằng số; αi βij γi và Ø là các thông số của mô hình. Tồn tại các ràng buộc sau này do Zellner đề xuất và được hoàn thiện tiếp [9]: bởi Fiebig (2001) như sau: Xét hàm tương quan: Y=XA (11) ∑i αi = 1 với A=-tham số cần đánh giá. Ví dụ cho hệ (6), ∑i γi = 0 (8) thì A=[ α β γ]T; X được gọi là các regressor ∑i βij = 0 (6) (biến độc lập). Y-là biến phụ thuộc, ví dụ cho hệ Theo bổ đề Shephard khi khách hàng muốn (6)(8) thì Y là các Si và vế phải của (6). min hóa (4), phản ứng của nhu cầu khách hàng Việc ước lượng A trải qua 2 bước: sử dụng điện là: Bước 1: Ước lượng bằng phương pháp bình Xi = (7) phương cực tiểu thông thường: '  T   T  Định nghĩa hàm tham gia chi phí thành 1 AOLS ( X t X t )  X t Yt (12) phần (cost share) tại các thời điểm như sau: t 1 t 1 Với T-số lần quan sát Trang 7
4. SCIENCE & TECHNOLOGY DEVELOPMENT, Vol 19, No.K7- 2016 Ở bước thứ hai, đánh giá lại A theo công thức: AW để khắc phục điều này. Theo AW thì A ' 1  T    T   được tính theo phép lặp: 1 1 AFGLS ( X t  X t )  Xt  Yt (13) t 1 t 1 T Ai 1 Ai Mi 1xi 1(yi 1 xi 1Ai ) (16) Trong đó : M xT x M i i 1 i 1 i (14) M i 1 Mi ,i 0,1 ,n 1 (17) T 1 xi 1Mi xi 1 Và là một sai số của phương trình thứ k sau bước ước lượng đầu tiên, nghĩa là: Trong đó: n-số lần quan sát tương ứng với thay đổi biểu giá điện; Ai là giá trị ước lượng   ' của A tại vòng lặp thứ i, M là ma trận có số ekt ykt Ak,OLS xkt , k = i,j. (15) i chiều là (NxN) (N-số tham số cần đành giá). xi 2.2. Mô hình xấp xỉ là ma trận vector ứng với quan sát thứ i của ma Khi thay đổi biểu giá điện theo chương trận X và yi là vector cột ứng với quan sát thứ i trình DR, khách hàng có thể có đáp ứng nào đó của ma trận Y. Điều kiện đầu của phép lặp trên tuy không phải là tối ưu. Mô hình cost share có là A0 = 0 và M0=  I , trong đó I là ma trận đơn thể không áp dụng được. Nếu không biết chắc phản ứng khách hàng qua những lần thay đổi vị và  là một hằng số dương đủ lớn. biếu giá TOU có là tối ưu hay không, bài báo đề Số lần thay đổi giá theo TOU của Việt nam xuất mô hình xấp xỉ đánh giá hệ số đàn hồi theo còn ít (dưới 10 lần) và sự phản ứng của khách (1) hoặc (2) dựa trên những lần thay đổi giá hàng chưa thể coi là đáp ứng tối ưu sau một số điện. Khi đó hàm tương quan (1) hay (2) sẽ lần thay đổi biểu giá TOU. Điều này có thể do được biểu diễn như (11) với A là [η11 η12 η13 η21 thực chất sự thay đổi giá điện TOU của ta mới T η22, η23 η31 η32. η33] . Việc đánh giá hệ số đàn chỉ nhắm tới bù lỗ chứ không có mục đích chính hồi không thể áp dụng giải thuật SUR với lý do là thay đổi sự dùng điện của khách hàng. Tuy là giải thuật này chỉ áp dụng khi các regressor nhiên việc tìm kiếm sự đáp ứng của khách hàng trong các phương trình là khác nhau. vẫn là cần thiết và ta cũng không thể chắc chắn là liệu có một sự đáp ứng giá tối ưu hay không Trong khi đó các (PT PR)/ PR j j j của khách hàng. Như vậy mô hình xấp xỉ này có (regressors) đều đi vào tất cả các phương trình. thể dùng để tìm hệ số đàn hồi. Đánh giá thông số đàn hồi sẽ được dựa trên 3. MÔ HÌNH ĐẦU VÀO-RA phương pháp OLS (Ordinary Least Square) hoặc giải thuật AW do Astrom và Wittenmark đề xuất Khi không quan tâm tới các hệ số đàn hồi [7]. Khi số lượng quan sát nhỏ (ít phương trình) hoặc khi mô hình đáp ứng không có dạng (1) thì hai giải thuật này cho kết quả xấp xỉ nhau. hay (2), khi chỉ đơn thuần muốn tìm sự đáp ứng Khi khối lượng tính toán tăng lên cùng với số dùng điện khi thay đổi giá mới, mô hình mạng chiều tăng (tương ứng với số lần thay đổi biểu Neural được đề xuất. Mạng này gồm lớp vào, giá điện nhiều) dẫn đến nghiệm dễ bị suy biến lớp ẩn và lớp ra, hàm tác động ngõ vào là tansig khi giải bằng OLS. Bài báo sử dụng giải thuật và ngõ ra là purelin, sử dụng mạng Neural trong Matlab. Trang 8
5. TAÏP CHÍ PHAÙT TRIEÅN KH&CN, TAÄP 19, SOÁ K7- 2016 P1,t X1,t P2,t X2,t P3,t X3,t Hình 1: Mô hình Neural-Dạng 1 P1,t, P2,t , P3,t X1,t P1,t-1, P2,t-1 , P3,t-1 X2,t X1,t-1, X2,t-1 , X3,t-1 X3,t Hình 2. Mô hình Neural-Dạng 2 Huấn luyện mẫu dữ liệu với số vòng lặp nhật qua nhiều năm: từ năm 1/2003 – 5/2014. 300 lần, và mục tiêu sai số là 10-5. Khi quá trình Có tất cả 22 lần thay đổi biểu giá TOU. đạt tới số vòng vòng lặp cho trước hoặc đạt giá Dữ liệu phụ tải cập nhật theo kiểu 24 trị sai số trên thì quá trình huấn luyện đã hoàn lần/ngày hoặc 48 lần/ngày. Và trong năm được tất. Sử dụng giải thuật gradient descent với hai chia làm hai mùa : mùa hè (1/5 – 31/10) , mùa hàm traigd và traigdm sẽ được sử dụng. đông (1/11 – 30/4). Mùa hè áp dụng biểu giá TOU Hai dạng mạng Neural được đề xuất. Ở với giá cao điểm, bình thường, và thấp điểm. Mùa dạng 1, sự thay đổi nhu cầu dùng điện chỉ theo đông cũng giá TOU nhưng chỉ có 2 giá tức là giá sự thay đổi giá điện ở thời điểm tương lai (Hình cao điểm (bằng với giá bình thường) và giá thấp 1). Ngược lại ở dạng hai, khảo sát sự thay đổi điểm. Các số liệu này được đưa vào chạy trên ba dùng điện không những phụ thuộc vào giá điện giải thuật do bài báo xây dựng. tương lai mà còn phụ thuộc vào giá điện và sự 4.1. Khách hàng công nghiệp dùng điện ở thời điểm hiện tại (Hình 2). Với một số các nước có áp dụng biểu giá TOU, ví dụ như Đưa số liệu điện năng theo ngày của 18 lần nước ta đã có một số lần nhất định thay đổi biểu thay đổi biếu giá vào để tìm hệ số đàn hồi và số liệu giá TOU, với điều kiện khi không biết đáp ứng của 4 lần thay đổi cuối để kiểm nghiệm mô hình của khách hàng, các mô hình của bài báo sẽ cho 4.1.1 Tính toán hệ số đàn hồi theo mô hình cost phép khảo sát sự đáp ứng dùng điện khi đưa ra Share một biểu giá điện mới. Tiến hành đánh giá các tham số của (6) và 4. ÁP DỤNG (8) theo giải thuật SUR và sau đó áp dụng Bài báo sử dụng số liệu được thu thập qua (9)(10) để tính toán hệ số đàn hối (bảng 1), sau đó sử dụng (1) hoặc (2) để tính điện năng tiêu tml từ công ty Pacific Gas and Electric (PG&E). thụ. Tuy các hệ số đàn hồi ηii âm, song các hệ số Số liệu phụ tải của một khách hàng Công ηij lại cũng có giá trị âm. Điều này có nghĩa là Nghiệp và một khách hàng Nông Nghiệp sử khách hàng này không hoàn toàn có đáp ứng tối dụng biểu giá TOU được Công ty cty PG&E cập ưu. Mô hình này không hoàn toàn thuyết phục Trang 9
6. SCIENCE & TECHNOLOGY DEVELOPMENT, Vol 19, No.K7- 2016 với khách hàng này. Điều đó lý giải vì sao điện 6906.75 5344.19 8412.01 6919.50 5965.30 8954.00 năng tính toán theo mô hình này khi so sánh với 21 Sai số (%) 0.18 11.62 6.44 điện năng thực tế ở 4 lần thay đổi giá cuối cùng 6318.16 4876.14 7400.86 6909.10 5208.00 7928.50 cho ra sai số trung bình (%) của 3 vùng biếu giá 22 Sai số (%) 9.35 6.81 7.13 (cao điểm, bình thường, thấp điểm) lần lượt là: sai số trung bình (%) ước 4.28 7.98 5.01 4.38, 9.01 và 6.2 cho mô hình tuyến tính: 4.37, lượng cho 4 lần thay đổi cuối 9.01 và 6.21 cho mô hình hàm mũ, nghĩa là có một sai số lớn cho vùng thấp điểm và giờ bình Bảng 4. Sai số điện năng các vùng thường. theo mô hình mạng Neural –dạng 1 Điện năng thực tế Điện năng tính toán Lần Bảng 1. Ma trận hệ số đàn hồi (kWh) (kWh) (mô hình Cost-share) Vùng 1 Vùng 2 Vùng 3 Vùng 1 Vùng 2 Vùng 3 Bình Thấp Cao điểm thường điểm 6580.19 5362.83 8259.05 6.9850 5.4041 8.4959 19 Sai số (%) 5.7959 0.7629 2.7879 Cao điểm -0.2284 -0.0406 0.2690 6974.65 5888.30 8458.61 6.9781 5.4267 8.5307 Bình thường -0.0743 -0.0544 0.1287 20 Sai số (%) 0.0489 8.5063 0.8453 Thấp điểm 0.3881 0.1014 -0.4896 6906.75 5344.19 8412.01 7.1331 5.2451 8.4845 4.1.2 Tính toán hệ số đàn hồi theo mô hình xấp xỉ 21 Sai số (%) 3.1733 1.8885 0.8542 Tiến hành tính toán hệ số đàn hồi qua đánh 6318.16 4876.14 7400.86 6.4573 5.1863 7.2662 giá hệ (1) theo OLS và theo AW (bảng 2) cho kết 22 Sai số (%) 2.1546 5.9795 1.9095 quả gần như nhau do số lần quan sát ít (18 lần). sai số trung bình (%) ước 2.79 4.29 1.6 Sau đó tính toán điện năng theo (1) cho 4 lần thay lượng cho 4 lần thay đổi cuối đổi cuối của giá với kết quả trong bảng 3. Bảng 5. Sai số điện năng các vùng Bảng 2. Ma trận hệ số đàn hồi theo mô hình mạng Neural –dạng 2 theo mô hình xấp xỉ Điện năng thực tế Lần Điện năng tính toán (kWh) Bình Thấp (kWh) Cao điểm thường điểm Vùng 1 Vùng 2 Vùng 3 Vùng 1 Vùng 2 Vùng 3 Cao điểm -0.1912 0.1240 0.0918 6580.19 5362.83 8259.05 6469.1 5808.3 8518.0 Bình thường 0.3253 -0.1507 -0.4646 19 Sai số (%) 1.7173 7.6695 3.0397 Thấp điểm 1.1031 -0.1768 -1.6609 6974.65 5888.30 8458.61 6963.6 6042.0 8897.7 Bảng 3. Sai số điện năng các vùng 20 Sai số (%) 0.1583 2.5438 4.9343 theo mô hình xấp xỉ 6906.75 5344.19 8412.01 6965.8 5757.6 8438.3 Điện năng tính toán Lần Điện năng thực tế (kWh) 21 Sai số (%) 0.8484 7.1800 0.3120 (kWh) 6318.16 4876.14 7400.86 6706.7 4820.7 7814.5 6580.19 5362.83 8259.05 6451.60 5109.70 8626.80 22 Sai số (%) 5.7928 1.1507 5.2931 19 Sai số (%) 1.95 4.72 4.45 sai số trung bình (%) ước 2.13 4.64 3.52 6974.65 5888.30 8458.61 6580.80 5371.40 8287.80 lượng cho 4 lần cuối 20 Sai số (%) 5.65 8.78 2.02 Trang 10
7. TAÏP CHÍ PHAÙT TRIEÅN KH&CN, TAÄP 19, SOÁ K7- 2016 Sự sai biệt giữa giá trị điện năng tính toán Kết quả khảo sát theo dạng 1 cho sai số và giá trị thực tế nhỏ hơn so với mô hình cost- trung bình cho 4 lần thay đổi cuối (%) là: 1.04, share. Tuy nhiên vẫn có một sai số tương đối thô 1.23 và 1.16%. Với dạng 2, sai số trung bình cho vùng giờ bình thường nghĩa là có thể dạng (%) lần lượt là: 3.72, 1.15 và 2.63. Các khảo sát mô hình giải tích chưa thật sự hoàn toàn thuyết theo mạng Neural cho kết quả ổn định hơn cả phục. với các sai số nhỏ hơn 5%. Sai số của dạng một nhỏ hơn nói lên đáp ứng của hai loại khách hàng Từ các kết quả tính toán hệ số đàn hồi nhận này lên biểu giá điện mới phụ thuộc vào chính thấy hai mô hình trên đều có chung hai điểm là: biểu giá điện đó, ít hoặc không phụ thuộc vào một sự tăng giá điện vùng nào đều dẫn tới sự điện năng tiêu thụ và biểu giá điện hiện có. giảm tiêu thụ điện vùng đó; tăng giá điện giờ cao điểm dẫn đến tăng sử dụng điện giờ thấp 5. KẾT LUẬN điểm (nghĩa là có sự dịch chuyển dùng điện từ Tìm kiếm sự đáp ứng dùng điện khi thay giờ cao điểm sang thấp điểm). Khách hàng này đổi biểu giá điện giúp cho công ty điện điều có phản ứng khá tích cực lên giá điện. khiển được sự dùng điện của khách hàng. Một 4.1.3 Mô hình mạng Neural mô hình giải tích sẽ tìm được mối quan hệ tường minh và phân tích sự thay đổi giá điện của một Tiến hành tính toán theo hai dạng mạng vùng nào đó lên sự thay đổi dùng điện ở các Neural đề xuất ở mục III, các kết quả được trình vùng trong ngày. Bài báo đề xuất đánh giá hiệu bày trong các bảng 4 và 5. Sai số theo mô hình quả của một sự thay đổi giá điện có thể được này chấp nhận được và tốt hơn so với hai mô thực hiện theo ba cách. Mô hình cost-share chỉ hình nêu trên (kết quả sai số của mạng Neural áp dụng khi có sự đáp ứng tối ưu nghĩa là khi nhỏ hơn 5%). các hệ số đàn hồi tuân thủ đúng qui luật, điều 4.2. Áp dụng cho khách hàng nông nghiệp này có được khi biểu giá TOU thực sự hướng tới 4.2.1 Mô hình cost share: điều chỉnh sự dùng điện và đã được áp dụng thời gian rất dài. Khi có một đáp ứng nào đó thì có Ma trận hệ số đàn hồi có các phần tử đường thể áp dụng đánh giá xấp xỉ để tìm mô hình giải chéo chính có giá trị dương, do đó việc khảo sát tích. Các mô hình mạng Neural đề xuất cho theo mô hình này là không chấp nhận. phép xác định sự thay đổi dùng điện khi thay đổi 4.2.2 Dùng đánh giá xấp xỉ tuyến tính biểu giá điện cho các vùng trong ngày. Khảo sát trên hai khách hàng dùng điện cho thấy mô hình Sai số trung bình cho 4 lần thay đổi cuối là mạng Neural cho kết quả với sai số nhỏ và ổn (%): 1.48; 0.29 và 1.17. định hơn. 4.2.3 Mô hình mạng Neural Trang 11
8. SCIENCE & TECHNOLOGY DEVELOPMENT, Vol 19, No.K7- 2016 Demand response model for TOU (Time of Use) analysis Phan Thi Thanh Binh Huynh Thi Thu Thao Department of Electrical and Electronics Engineering, Ho Chi Minh City University of Technology-VNU-HCM ABSTRACT The demand response program is focused response. This paper proposed three ways to on changing the electrical consumption as the find the models. The first way is based on the response to the time of use tariff changing. This cost-share function knowing that the response is program is considered by utilities currently. To optimal. The second way is an approximately estimate the effectiveness of TOU changing, the estimation of demand elasticity coefficients. The works try to find the analytical models third is based on the neural network. The two expressing the changing of electrical first ways tried to find the analytical model, the consumption and electrical prices. All models third focused on the consumption response by are based on the assumption about the optimal prices of day. Từ khóa: TOU, elasticity coefficients, cost-share model, demand response. TÀI LIỆU THAM KHẢO International Journal of Academic Research in Applied Science, IJARAS [1]. H.A. Aalami, M. Parsa Moghaddam *, 1(4): 47 -58, (2012). G.R. Yousefi, “Demand response modeling considering Interruptible/ Curtailable loads [4]. Shoorangiz Shams Shamsabad Farahani, and capacity market programs”, Applied Mohammad Bigdeli Tabar, Hossain Energy, 87 (2010) 243–250. Tourang, Mehdi Ghasemi Naraghi, Ali, “Using Exponential Modeling for EDPR [2]. Dennis J. Aigner and Joseph G. Demand Response Programs in Electricity Hirschberg, 1985, “Commercial/industrial Market”, Journal of Basics and Applied custommer response to time of – use Scientific Research, 1(10), pp1774-1779 electricity prices: some experimental (2011). results”, the RAND Journal of Economics, Vol.16, No.3 (1985). [5]. Pouyan Khajavi, Hassan Monsef and Hassan Abniki, “Load Profile Reformation [3]. Negin Zarei, “Effects of Time-Of-Use through Demand Response Programs Using Demand Response Programs Based On Smart Grid”, Modern Electric Power Logarithmic Modeling for Electricity Systems, 2010, Wroclaw, Poland. Customers and Utilities in Smart Grids”, Trang 12
9. TAÏP CHÍ PHAÙT TRIEÅN KH&CN, TAÄP 19, SOÁ K7- 2016 [6]. Benefit of Demand response in Electricity Market and recommendations for achieving them, A report to the US Congress Pursuant to section 1252 of the Energy Policy Act of 2005, US Department of Energy, Feb. (2006). [7]. Astrom K, Wittenmark B, Computer controlled system: Theory and Design, Englewood Cliffs, NJ : Prentice Hall, (1984). [8]. Hyungsik Roger Moon, Benoit Perron, Seemingly Unrelated Regressions, The New Palgrave Dictionary of Economics, 2nd Edition, Palgrave and Macmillan, Editors Larry Blume and Steven Durlauf (2006). [9]. J,N.Sheen, C.S.Chen, “Response of large industrial customer on electricity pricing by voluntary time-of-use in Taiwain”, IEE.Proc.-Gener.Transm.Distrib., Vol.142, No.2, (1995). Trang 13