In the modern world, the systems getting smarter leads to a rapid increase in the usage of electricity, thereby increasing the load on the grids. The utilities are forced to meet the demand and are under stress during the peak hours due to the shortfall in power generation. The abovesaid deficit signifies the explicit need for a strategy that reduces the peak demand by rescheduling the load pattern, as well as reduces the stress on grids. Demand-side management (DSM) uses several algorithms for proper reallocation of loads, collectively known as demand response (DR). DR strategies effectively culminate in monetary benefits for customers and the utilities using dynamic pricing (DP) and incentive-based procedures. This study attempts to analyze the DP schemes of DR such as time-of-use (TOU) and real-time pricing (RTP) for different load scenarios in a smart grid (SG). Centralized and distributed algorithms are used to analyze the price-based DR problem using RTP. A techno-economic analysis was performed by using particle swarm optimization (PSO) and the strawberry (SBY) optimization algorithms used in handling the DP strategies with 109, 1992, and 7807 controllable industrial, commercial, and residential loads. A better optimization algorithm to go along with the pricing scheme to reduce the peak-to-average ratio (PAR) was identified. The results demonstrate that centralized RTP using the SBY optimization algorithm helped to achieve 14.80%, 21.7%, and 21.84% in cost reduction and outperformed the PSO.

中文翻译：

---

使用粒子群优化和草莓优化算法对智能电网环境中的需求响应定价策略进行综合分析

在现代世界中，系统变得越来越智能导致用电量迅速增加，从而增加了电网的负载。由于发电量不足，公用事业公司被迫满足需求，并在高峰时段承受压力。上述赤字表明明确需要一种通过重新安排负载模式来减少高峰需求以及减少电网压力的策略。需求侧管理 (DSM) 使用多种算法来正确重新分配负载，统称为需求响应 (DR)。DR 策略使用动态定价 (DP) 和基于激励的程序，有效地为客户和公用事业单位带来金钱利益。本研究试图分析智能电网 (SG) 中不同负载场景的 DR DP 方案，例如使用时间 (TOU) 和实时定价 (RTP)。集中式和分布式算法用于使用 RTP 分析基于价格的 DR 问题。通过使用粒子群优化 (PSO) 和草莓 (SBY) 优化算法进行技术经济分析，用于处理 109、1992 和 7807 可控工业、商业和住宅负载的 DP 策略。确定了一种更好的优化算法，以配合定价方案以降低峰均比 (PAR)。结果表明，使用 SBY 优化算法的集中式 RTP 有助于实现 14.80%、21.7% 和 21.84% 的成本降低，并且优于 PSO。集中式和分布式算法用于使用 RTP 分析基于价格的 DR 问题。通过使用粒子群优化 (PSO) 和草莓 (SBY) 优化算法进行技术经济分析，用于处理 109、1992 和 7807 可控工业、商业和住宅负载的 DP 策略。确定了一种更好的优化算法，以配合定价方案以降低峰均比 (PAR)。结果表明，使用 SBY 优化算法的集中式 RTP 有助于实现 14.80%、21.7% 和 21.84% 的成本降低，并且优于 PSO。集中式和分布式算法用于使用 RTP 分析基于价格的 DR 问题。通过使用粒子群优化 (PSO) 和草莓 (SBY) 优化算法进行技术经济分析，用于处理 109、1992 和 7807 可控工业、商业和住宅负载的 DP 策略。确定了一种更好的优化算法，以配合定价方案以降低峰均比 (PAR)。结果表明，使用 SBY 优化算法的集中式 RTP 有助于实现 14.80%、21.7% 和 21.84% 的成本降低，并且优于 PSO。通过使用粒子群优化 (PSO) 和草莓 (SBY) 优化算法进行技术经济分析，用于处理 109、1992 和 7807 可控工业、商业和住宅负载的 DP 策略。确定了一种更好的优化算法，以配合定价方案以降低峰均比 (PAR)。结果表明，使用 SBY 优化算法的集中式 RTP 有助于实现 14.80%、21.7% 和 21.84% 的成本降低，并且优于 PSO。通过使用粒子群优化 (PSO) 和草莓 (SBY) 优化算法进行技术经济分析，用于处理 109、1992 和 7807 可控工业、商业和住宅负载的 DP 策略。确定了一种更好的优化算法，以配合定价方案以降低峰均比 (PAR)。结果表明，使用 SBY 优化算法的集中式 RTP 有助于实现 14.80%、21.7% 和 21.84% 的成本降低，并且优于 PSO。