UA   EN  
ДонНТУ Портал магистров

Реферат по теме выпускной работы

Внимание! Данный реферат относится к еще не завершенной работе. Примерная дата завершения: июнь 2021г. Обращайтесь к автору после указанной даты для получения окончательного варианта.

Содержание

Введение

В настоящее время неотъемлемый условием для существования человечества является потребление энергии. При этом, рост численности населения и стремления людей к улучшению уровня жизни приводят к необходимости стремительного наращивания мощностей энергетики. Что влечёт за собой проблему исчерпаемости запасов сырьевых ресурсов, поэтому от людей требуется более экономичное и рациональное использования энергии. Также неразумное расходование топливно-энергетических ресурсов способствует росту цен на электричество.

Для решения вышеперечисленных проблем становится необходима оптимизация потребления электроэнергии.

Поэтому не теряет своей актуальности вопрос энергосбережения. Энергосбережение – процесс, в ходе которого сокращается потребность в энергоресурсах и энергоносителях в расчете на единицу конечного полезного эффекта от их применения. [1] Но стоит учесть, что для надежного энергоснабжения потребителей требуется обеспечение баланса производства и потребления электроэнергии c необходимым объемом резервирования [2].

Задачей магистерской диссертации является разработка компьютеризированной системы оптимизации потребления электроэнергии. В данной работе оптимизации потребления электроэнергии будет рассматриваться на примере многоквартирного дома, в условиях ОСМД. ОСМД (объединение совладельцев многоквартирного дома) – юридическое лицо, созданное собственниками для содействия использованию их общего имущества и управления, содержания и использования совместного имущества [3]. Объектом оптимизации потребление электроэнергии в жилом секторе будут выступать домашние электроприборы и для них будут оптимизироваться временные моменты включения, для минимизации расходов на электроэнергию и снижение пиковой нагрузки на сеть.

1. Актуальность проблемы оптимизации потребления электроэнергии

С развитием человечества электропотребления увеличивается вместе с объёмом добычи ресурсов для обеспечения энергетической отрасли. Ученые подсчитали, что современные электростанции однажды не смогут удовлетворить спрос на электроэнергию, ведь ежегодное потребление растет в среднем на 15-20% [4]. Рассмотрим на конкретном примере, см. рис. 1.

Внутреннее потребление электроэнергии, разбивка по странам

Рисунок 1 – Мировое потребление электроэнергии за 2019 год

Как видно из рис. 1 основная часть роста мирового потребления электроэнергии приходится на Азию (почти 80%, причем почти 60% приходится на Китай). Спрос на электроэнергию в Китае ускорился на фоне устойчивого экономического роста и промышленного спроса. Спрос также вырос в Индии, Южной Корее, Японии и Индонезии. Потребление электроэнергии в США, которое снизилось на 1% в 2017 году, восстановилось в 2018 году (+2,2%). Большая часть этого прироста пришла из жилого сектора (+6,2%), в основном за счет увеличения потребления электроэнергии для бытовой техники (что составляет около половины потребления электроэнергии) и кондиционирования воздуха (почти 90% американских домов используют централизованные или индивидуальные кондиционеры воздуха). Экономический рост и промышленный спрос также способствовали росту потребления электроэнергии в Канаде, Бразилии и России. Она также возросла в Африке, особенно в Египте, и на Ближнем Востоке, чему способствовал Иран. Потребление электроэнергии в Европе в 2018 году оставалось стабильным: снизилось во Франции и Германии, стабилизировалось в других крупных странах (Великобритания, Италия, Испания) и выросло в Нидерландах, Польше и Турции [5].

Для того чтобы в будущем предотвратить проблемы, связанные с нехваткой электрических мощностей, правительства многих стран прорабатывают программы, направленные на побуждения населения сокращать потребление электроэнергии с помощью применения энергоэффективных технологий, системы тарифов (многотарифные счетчики), энергосберегающего оборудования.

Так на сегодняшний день управление потреблением электроэнергии занимает актуальное место и является важным инструментом регулирования баланса спроса и предложения на энергорынках.

2. Анализ подходов для оптимизации потребления электроэнергии

Во многих странах для оптимизации потребления электроэнергии вводят программу Demand Response. Demand Response – это изменение потребления электроэнергии конечными потребителями относительно их нормального профиля нагрузки в ответ на изменение цен на электроэнергию во времени или в ответ на стимулирующие выплаты, предусмотренные чтобы снизить потребление в периоды высоких цен на электроэнергию на оптовом рынке или когда системная надёжность под угрозой [6]. Анализ литературных источников показывает, что существует целый класс проблем, относящихся к решению задачи Demand Response [7-9].

Формы нагрузки на электроэнергию могут быть скорректированы с помощью следующих методов [10-12]: peak clipping (отсечение пиков), valley filling (долина заполнения), load shifting (переключение нагрузки), energy efficiency (стратегическое сохранение), flexible load shape (гибкая форма нагрузки), см. рис. 2.

Стратегии формирования нагрузки

Рисунок 2 – Стратегии формирования нагрузки

Load shifting (смещение нагрузки) является наиболее эффективным и широко используемым методом для управления нагрузкой в сетях электроснабжения жилого сектора.

3. Объекты оптимизации в жилом секторе

Наиболее значительным объектом оптимизации в жилом секторе являются домашние электроприборы. Анализ приборов по виду и регулярности включения подразумевает некоторую классификацию. В рассмотренных источниках эта классификация различна.

В частности, в [13] бытовые электроприборы рассматриваются с циклическим режимом работы и термостатическим управлением. В [14] авторы производят разделение электроприборов с циклическим режимом работы и неуправляемым режимом работы. В [15] классифицируются на электроприборы: работающие в присутствии человека в доме, нуждающиеся в управлении человеком, работающие без присутствия человека в доме. В [16] авторы выделяют следующие классы электроприборов: неконтролируемые приборы, управляемые электроприборы с бесперебойной нагрузкой, управляемые электроприборы с прерываемой нагрузкой. В [17] электроприборы делят на: не оптимизирующийся электроприборы, электроприборы с термостатическим управлением, с циклическим режимом работы.

На основе вышеприведенной информации, в рамках данной работы, предлагается разделять электробытовые приборы на следующие категории:

Анализ литературных источников показывает, что оптимизация приборов с термостатическим управлением и приборов с циклическим режимом работы возможна и широко применяется рядом авторов.

4. Применение математических методов

В изученных источниках для оптимизации потребления электроэнергии использовались следующие методы: метод роя частиц (PSO), алгоритм решения задачи линейного программирования методом внутренней точки, генетический алгоритм (ГА), жадный алгоритм.

4.1 Метод роя частиц

Метод роя частиц – метод, численной оптимизации, для использования которого не требуется знать точного градиента оптимизируемой функции, данные представлены в бинарном виде [18].

В методе роя частиц каждая частица представляет потенциальное решение проблемы. Поведение частицы в гиперпространстве поиска решения все время подстраивается в соответствии со своим опытом и опытом своих соседей. Каждая частица помнит свою лучшую позицию с достигнутым локальным лучшим значением фитнес–функции и знает наилучшую позицию частиц – своих соседей, где достигнут глобальный на текущий момент оптимум.

Данный метод был применён авторами в [16]. В работе представлена стратегия управления спросом, основанная на методе планирования нагрузки электросети на день вперед. Планирование домашних устройств приведено таким образом, чтобы исключить пиковые значения потребления электроэнергии и минимизировать счета за электроэнергию. Частица представляет собой двумерный массив из 0 и 1. Строчки, в которых представляют отдельные электроприборы, столбцы – номер часа. 0 – выключение электроприбора в заданный час, 1 – включение. Частица развёртывается в вектор: S = [S1, S2, S3, …, S23, S24].

4.2 Алгоритм решения задачи линейного программирования методом внутренней точки

Линейное программирование – это методы решения экстремальных задач на множествах n–мерного векторного пространства, задаваемых системами линейных уравнений и неравенств.

Согласно методам внутренней точки исходную для поиска точку можно выбирать только внутри допустимой области. При этом множество точек делится на допустимые и недопустимые в зависимости от ограничений. Множество допустимых точек в зависимости от ограничений также делится на граничные и внутренние. Авторы в [17] рассматривают задачу оптимизации энергопотребления домохозяйства, без альтернативных источников энергии, путем построения оптимального графика использования бытовых приборов. По классификации, предложенной в [19], эта задача сводится к основной задаче целочисленного программирования и предлагается алгоритм ее решения методом внутренней точки. Целевая функция исходной задачи определяется как суммарная стоимость потребленной энергии. Оптимизируются моменты включения и выключения приборов в рамках разбиения на номера временных интервалов, осуществленных заранее.

4.3 Жадный алгоритм

Жадный алгоритм (greedy algorithm) – метод решения оптимизационных задач, основанный на том, что процесс принятия решения можно разбить на элементарные шаги, на каждом из которых принимается отдельное решение. Решение принимаемое на каждом шаге должно быть оптимальным только на текущем шаге и должно приниматься без учета предыдущих или последующих решений [20].

В жадном алгоритме процесс принятия решения можно разбить на элементарные шаги, на каждом из которых принимается отдельное решение. Решение принимаемое на каждом шаге должно быть оптимальным только на текущем шаге и должно приниматься без учета предыдущих или последующих решений. Данный алгоритм разделяет задачу на меньшие подмножества той же проблемы. Авторы в [21] рассматривают обширные стратегии управления спросом с использованием жадного алгоритма. В работе анализируется планирования потребления электроэнергии бытовыми приборами в домашней сети. Цель предлагаемого планирования состоит в том, чтобы минимизировать общие расходы на электроэнергию для потребителя и сбалансировать нагрузку сети.

4.4 Генетический алгоритм

Генетические алгоритмы – адаптивные методы поиска, которые используются для решения задач функциональной оптимизации. Они основаны на механизмах и моделях эволюции, и генетических процессов биологических алгоритмов.

Алгоритм берёт группу решений и ищет среди них наиболее подходящие. Затем немного изменяет их – получает новые решения, среди которых снова отбирает лучшие, а худшие отбрасывает. Таким образом, на каждом шаге работы алгоритм отбирает наиболее подходящие решения (проводит селекцию), считая, что они на следующем шаге дадут ещё более лучшие решения (эволюционируют) [23].

Блок–схема алгоритма представлена на рис. 3.

Блок–схема генетического алгоритма

Рисунок 3 – Блок–схема генетического алгоритма

Генетические алгоритмы применяются для решения задач Demand Response большим количеством авторов [19], [24-27]. Например, в работе [19] хромосома представляет собой момент включения для i–ого электроприбора. В процессе работы алгоритма нагрузки на электросеть будут смещены по времени в зависимости от цены на электроэнергию, оптимизируется время включения электроприбора. Фитнес–функция общей стоимости энергопотребления за интервал планирования стремится минимизировать суммарные затраты на электроэнергию с учётом ограничений.

Также рассмотрено применение генетического алгоритма для минимизации денежных затрат на электроэнергию для домашних хозяйств [26], [27], для офисных секторов [27], для промышленных [26]. ГА применяют для снижение пиковой нагрузки на электросеть [19], [24-26]. Также для оптимизации расхода электроэнергии могут применяться различные ограничения [24], [25], в частности, учтён комфорт пользователя (по времени включения электроприборов) [24], [25]. Полученные результаты моделирований в приведённых выше работах показывают, что ГА эффективен в поставленной задаче.

В табл. 1 произведём сравнение алгоритмов по заранее заданным критериям.

Таблица 1 – Сравнения методов по критериям

Критерии Метод роя частиц Линейное программирование методом внутренней точки Жадный алгоритм Генетический алгоритм
Вид Эвристический Линейный Эвристический Эвристический
Моделирование работы Имитируется поведение множества агентов, стремящихся согласовать свое состояние с состоянием наилучшего агента Основано на решении системы линейных уравнений (с преобразованием в уравнения и неравенства), когда зависимость между изучаемыми явлениями строго функциональна Стремится сделать оптимальный выбор в каждый момент времени. На каждом шагу выбирается лучший выбор, не задумываясь о будущем Основан на поиске лучших решений с помощью наследования и усиления полезных свойств множества объектов определенного приложения в процессе имитации их эволюции
Область применения Широко применяется, в задачах машинного обучения (в частности, для обучения нейросетей и распознавания изображений), параметрической и структурной оптимизации Является основным алгоритмом для задач выпуклой оптимизации с ограничениями Предназначенные для решения задач оптимизации Используются в задачах оптимизации, где мы должны максимизировать или минимизировать заданное значение целевой функции при данном наборе ограничений

Из всех рассмотренных методов в рамках поставленной задачи предлагается оптимизировать потребления электроэнергии с помощью генетического алгоритма по следующим причинам:

5. Цели и задачи работы

Целями данной работы является:

Для достижения поставленных целей необходимо решение следующих задач:

6. Формальная постановка задачи

Классической целью подобных работ является минимизация расходов на электроэнергию, кроме этого, в работах [24-26] учитываются ограничения пиковой нагрузки, для которой может быть применён один из вышеупомянутых методов (рис.2).

Имеются M – квартир в доме, и N – электроприборов в каждой квартире. Для каждого управляемого электроприбора задаются пользователем ti – время включения i–ого электроприбора, где i = [1, … , N] и Δti – длительность времени работы электроприбора.

Отсюда время окончания работы электроприбора: t’i = ti + Δti.

Для каждого из электроприборов можно получить функцию оценки мощности для i–ого электроприбора – Pi.

Для i–ого электроприбора функция оценки мощности за сутки будет равняться сумме мощностей каждого из включений, которые зависят от времени включения электроприбора и длительности времени работы электроприбора. Следовательно, можно получить следующую формулу: Pt=∑tPi(ti,Δt )

Для того, чтобы получить общую мощность P необходимо найти сумму всех Pt: Pt=∑Pt

Стоимость потребляемой электроэнергии обозначим S. Стоимость для i–ого электроприбора в сутках будет равняться сумме стоимостей электроэнергии для каждого из запусков в разное время суток: St=∑tSi(Pi(ti,Δt),ti)

Стоимость электроэнергии не является константой и может меняться в различное время суток (т.н. ночной тариф).

Для того, чтобы получить общую стоимость потреблённой электроэнергии S, необходимо найти сумму всех стоимостей по всем запускам электроприбора St: S=∑St

Целью работы является минимизация суммарных затрат на электроэнергию с учетом дневного и ночного тарифа: S → min

Это достигается благодаря смещению времён включения электроприборов. Таким образом, чтобы максимальное время соседних включений было меньше, чем максимальное время ограничения выключения электроприбора: max(ti – ti+1) < tmax

7. Применение генетического алгоритма к Demand Response

Предполагается, что в многоквартирном доме, в условиях ОСМД, устанавливается в каждой квартире микроконтроллер, который будет управлять электроприборами. При этом оплата за электроэнергию начисляется по двум тарифам: ночному и дневному.

В свою очередь пользователи дают информацию администратору о приборах, которые будут регулироваться. Наименование электроприбора и его потребляемую мощность. Также пользователи составляют расписание (часы работы) для их электрооборудования в квартире.

Компьютеризированная система будет распределять время работы для электроприборов с термостатическим управлением и с циклическим режимом работы.

Таблица 2 – Входные данные

Обозначение Описание
M количество квартир в доме
N количество управляемых электроприборов
i индекс электроприбора
ti время включения i–ого электроприбора, где i = [1, … , N]
Δti длительность времени работы электроприбора
Pi мощность i–ого электроприбора, где i = [1, … , N]
Vkli,t текущее состояние электроприбора, если Vkli = 1 – включен, если Vkli = 0 – выключен
TimeCosti,t текущая стоимость электроэнергии, потребленной в течение любого интервала времени t, t∈T
T горизонт планирования, T = 24
EappUtill полезность бытовой техники (на сколько пользователю удобна работа прибора в конкретное время, измеряется от 0 до 1)
EcostSavings экономия электроэнергии, выраженная в процентах

На выходе системы оптимизации потребления электроэнергии, ожидается получить оптимальный график работы электроприборов со снижением спроса, влекущее за собой минимизацию суммарных затрат на электроэнергию с учетом дневного и ночного тарифа, а также снижением пиковой нагрузки потребления электроэнергии. Планируемый формат выходных данных:

Y={[Ni(Электроприбор)],[VKLi,t(Текущее состояние электроприбора)],
[ti(Часы работы)],[Pi(Мощность)],[EcostSavings(экономия электроэнергии)]};

Ожидаемые результаты: минимизация расходов на электроэнергию и снижение пиковой нагрузки потребления электроэнергии в жилом доме.

Выводы

Итак, можно сделать выводы, что в данной работе проанализировано использование методов Demand Response, проведён анализ стратегий формирования нагрузки, рассмотрены классификации электрооборудования, проведён анализ подходов для оптимизации потребления электроэнергии. Проведён обзор математических методов и алгоритмов, которые можно применить для исходной задачи. Выбран генетический алгоритм. Выполнена формальная постановка задачи. Рассмотрено применение генетического алгоритма к Demand Response.

Список использованных источников

  1. Стукова Т.М. Основной принцип формирования энергосберегающих программ // Научные исследования – 2015 – с. 52–53.
  2. Кулешов М. Управление потреблением на рынке электроэнергии // Управление эффективностью и результативностью – 2012 – с. 44–53.
  3. Функции и деятельность ОСМД [Электронный ресурс] / Ольга Папинова. – Электрон. текст. – 2016 – Режим доступа: https://ru.wikipedia.org/wiki/Объединение_совладельцев_многоквартирного_дома– Загл. с экрана.
  4. Зачем надо экономить электроэнергию [Электронный ресурс] / Ася Малютина. – Электрон. текст. – [Россия, 2015]. – Режим доступа: https://recyclemag.ru/article/zachem-nado-ekonomit-elektro– Загл. с экрана.
  5. Мировое потребление электроэнергии [Электронный ресурс] – Режим доступа:https://yearbook.enerdata.ru/electricity/electricity-domestic-consumption-data.html– Загл. с экрана.
  6. National Assessment & Action Plan on Demand Response – 2016 – Режим доступа:https://ru.wikipedia.org/wiki/Управление_спросом_на_электроэнергию#cite_note-1– Загл. с экрана.
  7. Na Li, Lijun Chen and Steven H. Low Optimal Demand Response Based on Utility Maximization in Power Networks Power and Energy Society General Meeting // IEEE Power and Energy Society General Meeting, 2011. – p. 1–8.
  8. Dehnavi E, Abdi H. Optimal pricing in time of use demand response by integrating with dynamic economic dispatch problem // Energy 109, 2016. – p. 1086–1094.
  9. C. Eid, E. Koliou, M. Valles, J. Reneses, e R. Hakvoort, Time–based pricing and electricity demand response: Existing barriers and next steps, Util. Policy, vol. 40, pp. 15–25, Jun. 2016.
  10. D. Javor, A. Janjic, Application of demand side management techniques in successive optimization procedures // Communications in dependability and Quality Management, An International Journal 4 (19), 2016. – p.40–51.
  11. Kishor& C. Muley, Sandeep Bhongade, Load Management Techniques and Pricing Model for Demand Side Management – A Review // International Journal on Emerging Technologies 10(1), 2019. – p.42–46.
  12. Mohamed AboGaleela, Magdy El Marsafawy, Mohamed El–Sobki Optimal Scheme with Load Forecasting for Demand Side Management (DSM) in Residential Areas // Energy and Power Engineering, Vol. 5, 2013. – p. 889–896.
  13. Lujano Rojas JM, Monteiro C, Dufo Lopez R, Bernal–Agustin JL. Optimum residential load man–agement strategy for real time pricing demand response programs // Energy policy, Vol.45, 2012. – p.671–679.
  14. Bradak Z., Kaczmarczyk V., Fiedler P. Optimal scheduling of domestic appliances via MILP // Energies, Vol.8, Iss. 1. 2015. – p.217–232.
  15. Mahmood, D.; Javaid, N.; Alrajeh, N.; Khan, Z.A.; Qasim, U.; Ahmed, I.; Ilahi, M. Realistic scheduling mechanism for smart homes // Energies Vol. 9, 2016, – p.202.
  16. Kumar, K.S.S., Naik, M.G.: Load Shifting Technique on 24Hour Basis for a Smart–Grid to Reduce Cost and Peak Demand Using Particle Swarm Optimization // IRJET, Vol.04, 2017. – p.1180–1185.
  17. Гребенюк Г.Г., Крыгин А.А. Оптимизация энергопотребления домохозяйства на основе прогноза графика максимальной нагрузки бытовых приборов. – Управление большими системами: сборник трудов 69, – 2017.
  18. Метод роя частиц [Электронный ресурс] – Режим доступа: https://ru.wikipedia.org/wiki/Метод_роя_частиц – Загл. с экрана.
  19. Albadi M.H., El Saadany E.F. A summary of demand response in electricity markets // Electric Power Systems Research, Vol.11, Iss. 78, 2008. – p.1989–1996.
  20. Жадные алгоритмы, теоретические основы, применение [Электронный ресурс] – Режим доступа: https://genew.ru/tema--jadnie-algoritmi-teoreticheskie-osnovi-primenenie.html– Загл. с экрана.
  21. Cui, Tiansong, Hadi Goudarzi, Safar Hatami, Shahin Nazarian, and Massoud–Pedram. Concurrent optimization of consumer's electrical energy bill and producer's power generation cost under a dynamic pricing model // IEEE PES Innovative Smart Grid Technologies (ISGT), 2012. – p. 1–6.
  22. Oladeji, O., Olakanmi, O.O. A genetic algorithm approach to energy consumption scheduling under demand response. In 2014 IEEE 6th International Conference on Adaptive Science & Technology (ICAST) (pp. 1–6). IEEE. – 2014
  23. Генетические алгоритмы [Электронный ресурс] – Режим доступа: http://lazysmart.ru/iskusstvenny-j-intellekst/geneticheskie-algoritmy-ili-kak-uchebn/– Загл. с экрана.
  24. Javaid, N., Javaid, S., Abdul, W., Ahmed, I.; Almogren, A., Alamri, A., Niaz, I.A. A Hybrid Genetic Wind Driven Heuristic Optimization Algorithm for Demand Side Management in Smart Grid // Energies, Vol.10, N 319, 2017, – p.1–7.
  25. R.R. El Razky, A.A. Daoud and . K. El–Serafi, Optimization of Residential Load Consumption during Energy Peaks using Smart Metering // Renewable Energy and power quality journal (RE&PQJ), Vol.1, N 15, 2017. – p.227–232.
  26. M. Awais, N. Javaid, N. Shaheen, Z. Iqbal, G. Rehman, K. Muhammad, I. Ahmad. An Efficient Genetic Algorithm Based Demand Side Management Scheme for Smart Grid. In Electrical Engineering COMSATS Institute of Information Technology Islamabad – 2015. – Taipei, Taiwan, p.351–356.
  27. Nusrat Shaheen, Nadeem& Javaid, Najmun Nisa, Amber Madeeha Zeb, Zahoor Ali Khan, Umar Qasim. Appliance Scheduling for Energy Management with User Preferences // International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing 10th. 2016. – p. 328–334.