Назад в библиотеку

Подход на основе генетического алгоритма к к планированию энергопотребления в условиях реагирования на спрос

Авторы: Oladeji  O., Olakanmi O.O.
Источник: IEEE 6th International Conference on Adaptive Science & Technology (ICAST), 2014.– p.1-6

Аннотация

Стремление к созданию современной, эффективной и управляемой информацией грид – «Smart Grid» – требует создания вычислительно интеллектуальной инфраструктуры. Например, стратегии управления нагрузкой в жилых помещениях могут потребовать планирования работы приборов для достижения определенных целей, таких как максимизация коэффициента нагрузки/минимизация отношения пика к среднему (PAR) или минимизация затрат энергии. В данной работе представлен подход к одной из таких задач планирования нагрузки, который предполагает использование метода метаэвристической оптимизации–генетических алгоритмов (ГА). Мы рассматриваем сценарий, в котором принимается динамическое ценообразование, и цель состоит в том, чтобы минимизировать общую стоимость оплаты электроэнергии при удовлетворении набора ограничений. В качестве платформы моделирования был использован MATLAB, и результаты подтверждают, что генетический алгоритм может оптимизировать потребление энергии по определенному нами набору ограничений, тем самым минимизируя общую стоимость электроэнергии для нигерийского потребителя в условиях разумного ценообразования.

Ключевые слова:

Генетический алгоритм; управление нагрузкой; планирование нагрузки; оптимизация; интеллектуальная сеть.

I. Введение

В настоящее время существует несколько стратегий регулирования нагрузки, которые позволяют как коммунальным службам, так и потребителям осуществлять существенный контроль над нагрузками. Современная информационная сеть позволяет коммунальным предприятиям и потребителям добиться значительной экономии затрат и энергии, а также создать более экологичную среду благодаря внедрению стратегий, известных как управление спросом (DSM). В то время как DSM является всеобъемлющим термином для стратегий, направленных на достижение вышеуказанных целей, реакция на спрос (DR) является более конкретным понятием, которое относится к деятельности DSM, в рамках которой потребители регулируют свое потребление энергии или спрос на нее с учетом определенных стимулов или условий, которые могут быть предоставлены предприятием [1]. Примерами реагирования спроса являются прямое управление нагрузкой (DLC), в котором утилита договаривается с потребителями о том, чтобы определенные нагрузки контролировались/отключались дистанционно в определенное время, и прерывались/сокращались программы (IC), в которых участвующим потребителям могут быть предоставлены максимальные пределы нагрузки, по которым они должны сократить нагрузки иначе столкнуться со штрафами. Другие программы DR – это рыночные программы, например, рынок вспомогательных услуг, программы обратного выкупа, ценовые программы и т. д [1].

Для стимулирования потребителя, утилита может ввести концепцию интеллектуального ценообразования, в рамках которой потребителю могут быть предоставлены динамические модели ценообразования. Одной из таких концепций является модель ценообразования в реальном времени (RTP). В соответствии с RTP потребителю через локальную вычислительную сеть (LAN) направляются данные о ценах на электроэнергию в режиме реального времени, основанные на факторах реального времени, таких, как мощность генерирующих мощностей, общая нагрузка на систему и т.д. Еще одной моделью интеллектуального ценообразования является ценообразование времени использования (TOUP), в котором день делится на пиковые (например, вечерние) и внепиковые (например, с ночи до раннего утра) при этом периоды цены за внепиковые часы, как правило, ниже, чем в пиковые периоды. Существует также критическое пиковое ценообразование (CPP), при котором цены на электроэнергию повышаются, иногда в короткие сроки, по причинам, которые варьируются от чрезвычайных ситуаций до ожидаемых оптовых рыночных цен [2]. Разумное ценообразование может стимулировать потребителя к корректировке спроса, выступая в качестве возможности для снижения энергозатрат. Это также может привести к снижению пиковой нагрузки, что особенно важно для коммунальной службы, поскольку генерация электроэнергии имеет размер, соответствующий пиковому спросу. Таким образом, реакция спроса может принести пользу как потребителю, так и коммунальным службам. Управление нагрузкой обычно достигается одним способом или комбинацией способов, такими как: peak clipping (отсечение пиков), valley filling (долина заполнения), load shifting (переключение нагрузки), energy efficiency (стратегическое сохранение), flexible load shape (гибкая форма нагрузки), как показано на рис.1 [3].

Figure1

Рис.1. Стратегии формирования нагрузки [3]

Планирование нагрузки также может способствовать достижению снижения паритета PAR, что, как обсуждалось ранее, имеет весьма важное значение. Для составления перечня приборов, должно быть сделано описание различных типов нагрузок, основанных на их работе. Непрерываемые приборы, такие как стиральные машины, сушилки, водонагреватели, водяные насосы, имеют время старта работы и время завершения работы и могут считаться «атомарными», т. е. они должны работать без перерыва в течение определенного промежутка времени. С другой стороны, есть и электрооборудование с прерываемыми нагрузками, например, такие как системы освещения и кондиционирования воздуха, которые могут быть выключены в любой момент времени, значит, они не могут подлежать такому же планированию, как непрерывные нагрузки. Их периодичность позволяет более гибко планировать нагрузку.

В настоящей работе задача планирования нагрузки моделируется как задача ограниченной оптимизации. В последующих разделах рассматриваются некоторые связанные с этим работы и представлена модель системы. Представлен обзор используемой методики оптимизации, генетического алгоритма (ГА), а также результаты моделирования. Работа завершается разделом VI.

II. Обзор литературы

Проблема планирования нагрузки, отмеченная выше, была смоделирована различными исследователями для нескольких электроприборов. В [4] смоделирована задача планирования как задача минимизации затрат энергии на ожидание и предложено использовать для ее решения методы линейного программирования (метод внутренних точек). В [5] предложено линейное оптимизационное решение задачи минимизации затрат энергии для сетевых систем возобновляемой энергетики. В [6] планирование нагрузки рассматривается как NP–трудная задача планирования задач и представлено решение minmax. [7] рассматривает ее как многоцелевую оптимизационную задачу и предлагает решение генетическим алгоритмом сортировки без доминирования–II. В работах [8] и [9] предложено использование эвристических методов для решения задачи минимизации энергозатрат в задаче планирования. Помимо сведения к минимуму затрат на энергию, были рассмотрены и другие цели оптимизации планирования энергопотребления. Например, в работе [3] рассматривался подход максимизации коэффициента нагрузки, а в работе [10] он рассматривался с точки зрения минимизации отношения пика к среднему значению [10] также рассматривается планирование нагрузки на нескольких потребителей в окрестности и дает представление о том, как теоретические концепции игры могут быть использованы в этом сценарии. В работе [11] рассмотрена проблема оптимизации энергетических пиков за счет автоматизированных складских и поисковых машин на автоматизированном складе. Генетический алгоритм (ГА) был использован для достижения управления спросом с целью минимизации мгновенного спроса на электроэнергию, а также минимизации времени хранения и извлечения данных в системе. В [12] была представлена интеллектуальная сетевая система управления энергией с несколькими функциями, такими как прогнозирование нагрузки и генерации, а также оптимизации. Также была рассмотрена задача минимизации затрат на эксплуатацию интеллектуальных сетей, использован ГА. В [13] проанализировали оптимальное планирование потребления энергии в жилых помещениях в качестве многоцелевой оптимизационной задачи, направленной на снижение пиковой нагрузки. Удовлетворенность потребителей также принималась во внимание, и ГА использовался в качестве стратегии оптимизации для конкретной работы. В [14] также демонстрируется еще один важный пример использования метаэвристических алгоритмов, таких как ГА, при решении задач оптимизации энергосистем. В данном случае распределение топливных ресурсов между несколькими электростанциями в условиях ограничения выработки и топливных ресурсов было проанализировано с использованием ГА, а также было проведено тестирование с учетом неопределенности нагрузки. В работе [15] рассмотрен распределенный алгоритм определения оптимального графика энергопотребления системы абонентов в стимулирующих условиях. В статье предложена реализация устройств планирования энергопотребления (ECS) для использования пользователями, а теория игр была использована при разработке новой модели ценообразования. Наконец, в [16] были представлены две различные оптимизационные модели для определения оптимального времени работы электроприборов при условии, что каждый дом использует контроллеры управления энергией для управления электроприборами.

III. Системная модель

Рассмотрим набор нагрузок L бытового потребителя электроэнергии, на примере нагрузки нигерийского домохозяйства, данные показаннаы в таблице I.

Таблица I. Матрица планирования нагрузки

Матрица планирования нагрузким

Если мы определим xlh как запланированное потребление энергии прибором/нагрузкой l∈L за единицу времени h, где h ∈ H. Для целей нашего анализа длина каждого h ∈ H равна одному часу, а H–горизонт, для которого выполняется планирование. В нашей модели H = 24 часа. Наша цель состоит в том, чтобы получить набор значений почасового планирования энергопотребления для каждой нагрузки, который минимизирует общие затраты энергии пользователя в горизонте, в соответствии с набором ограничений. Если каждая нагрузка запланирована потребителем для работы между начальной sl и конечной точками fl, таким образом, что sl, f l ∈ H, то планировщик должен поддерживать работу нагрузки в пределах этих границ. В качестве примера можно отметить, что потребители, проживающие в тропическом регионе, например в Нигерии, которые не хотят платить за длительные операции системы кондиционирования воздуха, могут принять решение ограничить работу системы продлением до полудня, когда солнечная температура и температура окружающей среды высоки. Если мы рассмотрим сценарий, при котором вторая половина дня совпадает с периодами высоких цен в реальном времени или пиковыми периодами, то потребитель должен сделать компромисс между возросшей стоимостью потребления энергии и комфортом от пользователя кондиционера. Если потребитель вводит sl = 12.00 p.m и fl = 6.00 p.m, то HEMS должна определить оптимальную работу этой нагрузки в течение временного интервала при наименьших возможных затратах энергии. Такой же анализ можно рассматривать и для не прерываемых нагрузок, таких как стиральные машины, водяные насосы и нагреватели, в которых планирование имеет все более важное значение. В приведенном выше примере, продолжительность времени работы tl должна определяться потребителем.

Мы определяем ph как тариф на электроэнергию в каждый час. В соответствии с единой тарифной схемой ph = p, иначе ph варьируется в зависимости от динамической ценовой схемы, принятой коммунальным предприятием. Используя наши обозначения, общая стоимость энергопотребления за интервал планирования H; C задается формулой:

Figure 3

Таким образом, наша цель планирования нагрузки состоит в том, чтобы минимизировать (1) по ряду ограничений. Наше первое ограничение заключается в том, что:

Figure 4

То есть запланированная нагрузка не может быть приведена в действие вне интервала планирования, установленного потребителем.

Мы также знаем, что сумма всех запланированных энергозатрат за плановый период от sl до fl должна равняться общей единице энергии, которую потребитель выделяет на нагрузку. Мы представляем это значение через El, и это приводит к следующему ограничению, которое применяется для электроприборов ∀ l ∈ Ls

Figure 5

Мы также рассматриваем общую энергию, которую мы должны выделить каждому прибору в течение периода планирования.

Также,

Figure 6

Неравенство (4) подразумевает, что интервал планирования должен находиться в пределах горизонта планирования.

Кроме того, продолжительность времени работы каждого прибора tl не должна превышать запланированного временного интервала, т.е.

Figure 7

Мы также предполагаем, что максимальный предел спроса Dmax устанавливается потребителем или коммунальной компанией на допустимое количество потребления энергии в час. Таким образом ∀ h ∈  H;

Figure 8

Наконец, каждый прибор/нагрузка не могут потреблять больше максимального уровня энергии в час, и мы принимаем это за номинальную мощность Pmax, которая в течение 1 часа эквивалентна Emax в кВтч. Таким образом, мы имеем следующее ограничение неравенства ∀ l ∈ L и ∀ h ¬ sl ≤ h ≤ fl :

Figure 9

Таким образом, наша проблема планирования нагрузки может быть выражена следующим образом:

Figure 9

Определив задачу, мы можем теперь проанализировать метаэвристический подход к проблеме с использованием генетического алгоритма (ГА), одного из нескольких методов стохастической оптимизации.

IV. Подход ГА к планированию энергопотребления

Генетический алгоритм является одним из нескольких вдохновленных природой решений оптимизационных задач. Они вдохновлены теорией эволюции Дарвина. Метаэвристическая и поисковая техника, она была разработана Джоном Холландом и популяризирована работами Джона Голдберга и Де Йонга [17]. Это дает ряд преимуществ по сравнению с классическими инструментами оптимизации. Например, он больше подходит для нахождения глобального минимума функции. Хотя из–за большого числа популяций, участвующих в генетических алгоритмах, и необходимости оценки их функций стоимости, он может быть медленнее, чем классические подходы, но способность выйти из вынужденного минимума и его многократные решения сделали его популярным методом решения оптимизационных задач. ГА начинается с определения хромосом, переменных, функции затрат или функции пригодности, стоимости и алгоритма нахождения глобального минимум. Установлены параметры ГА, такие как скорость мутации и скорость кроссовера. Создается начальная популяция, после чего хромосомы декодируются и оценивается пригодность для каждой хромосомы. Естественный отбор происходит, когда функция приспособленности используется для оценки и удаления плохо работающих хромосом. Происходит селекция и мутация, а затем проводится проверка сходимости, чтобы определить, достигнуто ли решение. Если нет, хромосомы повторно декодируются и приспосабливаются, поскольку процесс снова повторяется до конвергенции. Для того чтобы достичь планирование нагрузки для сценария, включающего пять нагрузок, как было указано ранее, входные переменные вектора планирования энергии были смоделированы как 120 переменных (24 часа Х 5 нагрузок) для генетического алгоритма. Вероятность кроссинговера составляет 0,8 число элитарности 2 на 500 поколений, которые также были закодированы.

Блок–схема выборки двоичной ГА

Рис.2. Блок–схема выборки двоичной ГА [11].

V. Моделирование планирования энергопотребления в условиях реагирования на спрос

В этом разделе мы представляем имитационное моделирование графика домашних нагрузок на основе ГА. Мы исследуем некоторые используемые данные и графики, полученные в результате моделирования. Для компиляции и выполнения кода использовался MATLAB (Matrix Laboratory) R2013a. На рис.3 показан график данных о ценах в реальном времени, используемых для расчета стоимости энергии в ходе моделирования. Эти ценовые значения были получены путем нормализации фактических значений RTP от Comed utility, с использованием Нигерийской Комиссии по регулированию электроэнергетики (NERC) многолетних тарифных заказов (MYTO) в качестве диапазона нормализации [18], [19]. В таблице II мы видим назначенный потребителем график нагрузки, который подается в HEMS. Например, мы видим, потребитель выбирает зарядку инверторной батареи между 6.00 и 21.00. Кроме того, в приведенном выше сценарии потребитель также решает, что питание будет необходимо в ранний вечер (с 18.00 до 20.00) для приготовления пищи с помощью электрической плиты, а также планирует другие нагрузки, как показано на рисунке. Смоделированный общий алгоритм оптимизации был направлен на решение задачи планирования нагрузки при одновременном сведении к минимуму общей стоимости энергии пользователя в соответствии с динамическими данными о ценах, приведенными на рис.3. Рис.4 представляет собой скриншот окна команды MATLAB, показывающий результат выполнения кода генетического алгоритма для оптимизации энергетического планирования пяти используемых нагрузок. Следует отметить, что для моделирования было использовано значение Dmax 5 кВт, в то время как значение Emax показано в таблице I. на рис.5, 24–часовой энергетический профиль/нагрузка потребителя пяти нагрузок без оптимизированного планирования сопоставляется с плановым потреблением энергии, полученным в результате моделирования оптимизации нашего генетического алгоритма. Наконец, поскольку общая цель заключается в достижении минимизации энергозатрат, сравнение энергозатрат с планированием и без него представлено на рис.6.

Динамический ценовой график горизонта планирования

Рис.З. Динамический ценовой график горизонта планирования.

Таблица II. Таблица II. Назначенный потребителем график нагрузки

Таблица II. Назначенный потребителем график нагрузки
Figure 14

Рис.4. Фрагмент командного окна MATLAB c оптимизированной запланированной электроэнергией. Потребление (кВт/ч) с использованием ГА

Figure 15

Рис.5. Почасовое потребление энергии с оптимальным планированием на основе ГА и без него.

Figure 16

Рис.6. Сравнение почасовых затрат энергии (с оптимальным планированием на основе ГА и без него).

VI. Результаты и заключение

Для моделирования подхода было использовано программное обеспечение MATLAB, и результаты моделирования подтверждают, что минимизация энергозатрат при нескольких ограничениях может быть достигнута с помощью генетических алгоритмов. Для рассматриваемого конкретного сценария мы наблюдаем, что общая стоимость энергии за 24–часовой горизонт по сценарию планирования ГА составляет 245,01 найра по сравнению с 473,20 найра, которую потребитель платит за 24–часовой период, когда оптимизация не происходила. Это демонстрирует огромную потенциальную экономию затрат, которая может быть достигнута за счет реализации алгоритма.

REFERENCES

  1. M. H. Albadi and E. F. El–Saadany, A summary of demand response in electricity markets, Electric Power Systems Research, vol. 78, pp. 1989–1996, May 2008.
  2. K. Herter, Residential implementation of critical–peak pricing of electricity, Energy Policy, vol. 35, no. 4, pp. 2121–2130, April 2007.
  3. M. AboGaleela, M. El–Sobki and M. El–Marsafawy, A two level optimal DSM load shifting formulation using genetics algorithm case study: residential loads, in Proc. of IEEE PES Power Africa 2012 Conference and Exposition, Johannesburg, South Africa, July 2012.
  4. A. Mohsenian–Rad and A. Leon–Garcia, Optimal residential load control with price prediction in real–time electricity pricing environments, IEEE Trans. on Smart Grid, vol. 1, no. 2, pp. 120–133, Sept. 2010.
  5. T. Dang and K. Ringland, Optimal load scheduling for residential renewable energy integration, in Proc. of IEEE SmartGridComm 2012 Symposium, Tainan, Taiwan, Nov. 2012.
  6. J. Xiao, J. Y. Chung, J. Li, R. Boutaba and J. W. Hong, Near optimal demand side energy management under real– time demand–response pricing, in Proc. of International Conference on Network and Service Management, Niagara Falls, ON, Canada., Oct. 2010.
  7. M. Mehrshad, A. D. Tafti and R. Effatnejad, Demand–side management in the smart grid based on energy consumption scheduling by NSGA–II, International Journal of Engineering Practical Research, vol. 2, no. 4, Nov. 2013.
  8. T. Logenthiran, D. Srinivasan and T. Z. Shun, Demand side management in smart grid using heuristic optimization, IEEE Trans. on Smart Grid, vol. 3, no. 3, pp. 1244–1252, Sept. 2012.
  9. C. Chen, M. Lan, C. Huang, Y. Hong and S. H. Low, Demand response optimization for smart home scheduling using genetic algorithm, in Proc. of IEEE International Conference on Systems, Man and Cybernetics, Manchester, UK, Oct. 2013.
  10. A. Mohsenian–Rad, V. W. S. Wong and J. Jatskevich, Autonomous demand side manageme t based on game– theoretic energy consumption scheduling for the future smart grid, IEEE Trans. on Smart Grid, vol. 1, no. 3, pp. 320–331, Dec. 2010.
  11. J. J. Cardenas, A. Garcia, J. L. Romeral and F. Andrade, A genetic algorithm approach to optimization of power peaks in an automated warehouse, in Industrial Electronics, 2009. IECON '09. 35th Annual Conference of IEEE, Porto, Portugal, Nov. 2009.
  12. M. Ahmady, A. Fereidunian and H. Lesani, Energy management of smart grid considering responsive load, in Proc. of the 2013 Smart Grid Conference (SGC), Tehran, Iran., Dec. 2013.
  13. E. Pallotti, F. Mangiatordi, M. Fasano and P. Del Vecchio, GA strategies for optimal planning of daily consumption and user satisfaction in buildings, in Proc. of 12th International Conference on Environment and Electrical Engineering (EEEIC), Wroclaw, 2013.
  14. W. Yogyong and K. Audomvongseree, Optimal fuel allocation for generation system using a genetic algorithm, in Proc. of the 8th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI–CON), Khon Kaen, Thailand, 2011.
  15. A. Mohsenian–Rad, V. W. S. Wong, J. Jatskevich and R. Schober, Optimal and autonomous incentive–based energy consumption scheduling algorithm for smart grid, in IEEE PES Conference on Innovative Smart Grid Technologies (ISGT), Gaithersburg, MD, 2010.
  16. S. Kishore and L. V. Snyder, Control mechanisms for residential electricity demand in smartgrids, in First IEEE International Conference on Smart Grid Communications (SmartGridComm), Gaithersburg, MD, 2010.
  17. R. L. Haupt and S. E. Haupt, Practical Genetic Algorithms, Hoboken, NJ.: Wiley, 2004.
  18. Commonwealth Edison Company, Rates BES–H pricing tool, [Online]. Available: htttps://www.comed.com/customer-service/rates-pricing/real-time-pricing/Pages/rate–besh–pricing–tool.aspx.
  19. Nigerian Electricity Regulatory Commission, Multi–year tariff order for the determination of the cost of electricity sold by distribution/retail companies for the period 1 June 2012 – 31 May 2017, 1 June 2012. [Online]. Available: http://www.nercng.org/index.org/document–library/func– startdown/65/. [Accessed June 2014].