RU   EN  
ДонНТУ Портал магістрів

Реферат за темою випускної роботи

Увага! Цей реферат ставиться до ще не завершеної роботи. Орієнтовна дата завершення: червень 2021р. Звертайтеся до автора після зазначеної дати для одержання остаточного варіанти.

Зміст

Вступ

В даний час невід'ємною умовою для існування людства є споживання енергії. При цьому, зростання чисельності населення і прагнення людей до поліпшення рівня життя призводять до необхідності стрімкого нарощування потужностей енергетики. Що тягне за собою проблему виснаження запасів сировинних ресурсів, тому від людей вимагається більш економічне і раціональне використання енергії. Також нерозумне витрачання паливно-енергетичних ресурсів сприяє зростанню цін на електрику.

Для вирішення перерахованих вище проблем стає необхідна оптимізація споживання електроенергії.

Тому не втрачає своєї актуальності питання енергозбереження. Енергозбереження – процес, в ході якого скорочується потреба в енергоресурсах та енергоносіях в розрахунку на одиницю кінцевого корисного ефекту від їх застосування. [1] Але варто врахувати, що для надійного енергопостачання споживачів вимагається забезпечення балансу виробництва і споживання електроенергії з необхідним обсягом резервування [2].

Завданням магістерської дисертації є розробка комп'ютеризованої системи оптимізації споживання електроенергії. У даній роботі оптимізації споживання електроенергії буде розглядатися на прикладі багатоквартирного будинку, в умовах ОСББ. ОСББ (об'єднання співвласників багатоквартирного будинку) – юридична особа, створена власниками для сприяння використанню їхнього загального майна та управління, утримання і використання спільного майна [3]. Об'єктом оптимізації споживання електроенергії в житловому секторі будуть виступати домашні електроприлади і для них будуть оптимізуватися часові моменти включення, для мінімізації витрат на електроенергію і зниження пікової навантаження на мережу.

1. Актуальність проблеми оптимізації споживання електроенергії

З розвитком людства електроспоживання збільшується разом з обсягом видобутку ресурсів для забезпечення енергетичної галузі. Вчені підрахували, що сучасні електростанції одного разу не зможуть задовольнити попит на електроенергію, адже щорічне споживання зростає в середньому на 15-20% [4]. Розглянемо на конкретному прикладі, див. рис. 1.

Внутрішнє споживання електроенергії, розбивка по країнам

Рисунок 1 – Світове споживання електроенергії за 2019 рік

Як видно з рис. 1 основна частина зростання світового споживання електроенергії припадає на Азію (майже 80%, причому майже 60% припадає на Китай). Попит на електроенергію в Китаї прискорився на тлі стійкого економічного зростання і промислового попиту. Попит також виріс в Індії, Південній Кореї, Японії та Індонезії. Споживання електроенергії в США, яке знизилося на 1% в 2017 році, відновилося в 2018 році (+2,2%). Більша частина цього приросту прийшла з житлового сектора (+6,2%), в основному за рахунок збільшення споживання електроенергії для побутової техніки (що становить близько половини споживання електроенергії) та кондиціонування повітря (майже 90% американських будинків використовують централізовані або індивідуальні кондиціонери повітря). Економічне зростання і промисловий попит також сприяли зростанню споживання електроенергії в Канаді, Бразилії і Росії. Вона також зросла в Африці, особливо в Єгипті і на Близькому Сході, чому сприяв Іран. Споживання електроенергії в Європі в 2018 році залишалося стабільним: знизилося у Франції та Німеччині, стабілізувався в інших великих країнах (Великобританія, Італія, Іспанія) і зросла в Нідерландах, Польщі і Туреччини [5].

Для того щоб в майбутньому запобігти проблеми, пов'язані з браком електричних потужностей, уряди багатьох країн опрацьовують програми, спрямовані на спонукання населення скорочувати споживання електроенергії за допомогою застосування енергоефективних технологій, системи тарифів (багатотарифні лічильники), енергозберігаючого обладнання.

Так на сьогоднішній день управління споживанням електроенергії займає актуальне місце і є важливим інструментом регулювання балансу попиту і пропозиції на енергоринках.

2. Аналіз підходів для оптимізації споживання електроенергії

У багатьох країнах для оптимізації споживання електроенергії вводять програму Demand Response. Demand Response – це зміна споживання електроенергії кінцевими споживачами щодо їх нормального профілю навантаження у відповідь на зміну цін на електроенергію у часі або у відповідь на стимулюючі виплати, передбачені щоб знизити споживання в періоди високих цін на електроенергію на оптовому ринку або коли системна надійність під загрозою [6]. Аналіз літературних джерел показує, що існує цілий клас проблем, які належать до вирішення завдання Demand Response [7-9].

Форми навантаження на електроенергію можуть бути скориговані за допомогою наступних методів [10-12]: peak clipping (відсікання піків), valley filling (долина заповнення), load shifting (перемикання навантаження), energy efficiency (стратегічне збереження), flexible load shape (гнучка форма навантаження), див. рис. 2.

Стратегії формування навантаження

Рисунок 2 – Стратегії формування навантаження

Load shifting (зміщення навантаження) є найбільш ефективним і широко використовуваним методом для управління навантаженням в мережах електропостачання житлового сектора.

3. Об'єкти оптимізації в житловому секторі

Найбільш значним об'єктом оптимізації в житловому секторі є домашні електроприлади. Аналіз приладів по виду і регулярності включення передбачає певну класифікацію. У розглянутих джерелах ця класифікація різна.

Зокрема, в [13] побутові електроприлади розглядаються з циклічним режимом роботи і термостатичним управлінням. У [14] автори виробляють поділ електроприладів з циклічним режимом роботи і некерованим режимом роботи. У [15] класифікуються на електроприлади: працюючі в присутності людини в будинку, потребують управлінні людиною, що працюють без присутності людини в будинку. У [16] автори виділяють наступні класи електроприладів: неконтрольовані прилади, керовані електроприлади з безперебійною навантаженням, керовані електроприлади з навантаженням, яке може перериватися. У [17] електроприлади поділяють на: не оптимізовані електроприлади, електроприлади з термостатичним управлінням, з циклічним режимом роботи.

На основі вищенаведеної інформації, в рамках даної роботи, пропонується розділяти електропобутові прилади на наступні категорії:

Аналіз літературних джерел показує, що оптимізація приладів з термостатичним управлінням і приладів з циклічним режимом роботи можлива і широко застосовується авторами.

4. Застосування математичних методів

У вивчених джерелах для оптимізації споживання електроенергії використовувалися наступні методи: метод рою часток (PSO), алгоритм рішення задачі лінійного програмування методом внутрішньої точки, генетичний алгоритм (ГА), жадібний алгоритм.

4.1 Метод рою часток

Метод рою часток – метод чисельної оптимізації, для використання якого не потрібно знати точного градієнта оптимізованої функції, дані представлені в бінарному вигляді [18].

У методі рою часток кожна частка представляє потенційне рішення проблеми. Поведінка частки в гіперпросторі пошуку рішення весь час підлаштовується у відповідності зі своїм досвідом і досвідом своїх сусідів. Кожна частинка пам'ятає свою найкращу позицію з досягнутим локальним кращим значенням фітнес–функції і знає найкращу позицію частинок – своїх сусідів, де досягнутий глобальний на поточний момент оптимум.

Даний метод був застосований авторами [16]. В роботі представлена стратегія управління попитом, засновану на методі планування навантаження електромережі на день вперед. Планування домашніх пристроїв наведено таким чином, щоб виключити пікові значення споживання електроенергії і мінімізувати рахунки за електроенергію. Частка представляє собою двовимірний масив з 0 і 1. Рядки, в яких представляють окремі електроприлади, стовпці – номер години. 0 – вимикання електроприладу в заданий час, 1 – включення. Частка розгортається в вектор: S = [S1, S2, S3, ..., S23, S24].

4.2 Алгоритм розв'язання задачі лінійного програмування методом внутрішньої точки

Лінійне програмування – це методи розв'язання екстремальних задач на множинах n–мірного векторного простору, що задаються системами лінійних рівнянь і нерівностей.

Згідно з методами внутрішньої точки вихідну для пошуку точку можна вибирати тільки всередині допустимої області. При цьому безліч точок ділиться на допустимі і неприпустимі в залежності від обмежень. Безліч допустимих точок в залежності від обмежень також ділиться на граничні і внутрішні. Автори [17] розглядають задачу оптимізації енергоспоживання домогосподарства, без альтернативних джерел енергії, шляхом побудови оптимального графіка використання побутових приладів. За класифікацією, запропонованою в [19], ця задача зводиться до основної задачі цілочисельного програмування та запропоновано алгоритм її розв'язання методом внутрішньої точки. Цільова функція вихідної задачі визначається як сумарна вартість спожитої енергії. Оптимізуються моменти включення і вимикання приладів в рамках розбиття на номери тимчасових інтервалів, здійснених заздалегідь.

4.3 Жадібний алгоритм

Жадібний алгоритм (greedy algorithm) – метод вирішення оптимізаційних завдань, заснований на тому, що процес прийняття рішення можна розбити на елементарні кроки, на кожному з яких приймається окреме рішення. Рішення приймається на кожному кроці має бути оптимальним лише на поточному кроці і повинно прийматися без урахування попередніх або наступних рішень [20].

В жадібну алгоритмі процес ухвалення рішення можна розбити на елементарні кроки, на кожному з яких приймається окреме рішення. Рішення приймається на кожному кроці має бути оптимальним лише на поточному кроці і повинно прийматися без урахування попередніх або наступних рішень. Даний алгоритм поділяє завдання на менші підмножини тієї ж проблеми. Автори [21] розглядають великі стратегії управління попитом з використанням жадібного алгоритму. У роботі аналізується планування споживання електроенергії побутовими приладами в домашній мережі. Мета пропонованого планування полягає в тому, щоб мінімізувати загальні витрати на електроенергію для споживача і збалансувати навантаження мережі.

4.4 Генетичний алгоритм

Генетичні алгоритми – адаптивні методи пошуку, які використовуються для розв'язання задач функціональної оптимізації. Вони засновані на механізмах і моделях еволюції, і генетичних процесів біологічних алгоритмів.

Алгоритм бере групу рішень і шукає серед них найбільш підходящі. Потім трохи змінює їх – отримує нові рішення, серед яких знову відбирає кращі, а гірші відкидає. Таким чином, на кожному кроці алгоритм відбирає найбільш відповідні рішення (проводить селекцію), вважаючи, що вони на наступному кроці дадуть ще більш кращі рішення (еволюціонують) [23].

Блок–схема алгоритму представлена на рис. 3.

Блок–схема генетичного алгоритму

Рисунок 3 – Блок–схема генетичного алгоритму

Генетичні алгоритми застосовуються для вирішення завдань Demand Response великою кількістю авторів [19], [24-27]. Наприклад, в роботі [19] хромосома являє собою момент включення для i–ого електроприладу. В процесі роботи алгоритму навантаження на електромережу будуть зміщені по часу в залежності від ціни на електроенергію, оптимізується час включення електроприладу. Фітнес–функція загальної вартості енергоспоживання за інтервал планування прагне мінімізувати сумарні витрати на електроенергію з урахуванням обмежень.

Також розглянуто застосування генетичного алгоритму для мінімізації грошових витрат на електроенергію для домашніх господарств [26], [27], для офісних секторів [27], для промислових [26]. ГА застосовують для зниження пікової навантаження на електромережу [19], [24-26]. Також для оптимізації витрат електроенергії можуть застосовуватися різні обмеження [24], [25], зокрема, враховано комфорт користувача (по часу включення електроприладів) [24], [25]. Отримані результати моделювань у наведених вище роботах показують, що ГА ефективний в поставленому завданні.

В табл. 1 зробимо порівняння алгоритмів за заздалегідь заданим критеріям.

Таблиця 1 – Порівняння методів за критеріями

Критерії Метод рою часток Лінійне програмування методом внутрішньої точки Жадібний алгоритм Генетичний алгоритм
Вигляд Евристичний Лінійний Евристичний Евристичний
Моделювання роботи Імітується поведінка безлічі агентів, які прагнуть узгодити свій стан зі станом найкращого агента. Засноване на рішенні системи лінійних рівнянь (з перетворенням в рівняння і нерівності), коли залежність між досліджуваними явищами строго функціональна Прагне зробити оптимальний вибір у кожен момент часу. На кожному кроці вибирається найкращий вибір, не замислюючись про майбутнє Заснован на пошуку кращих рішень за допомогою наслідування і посилення корисних властивостей безлічі об'єктів певної програми в процесі імітації їх еволюції
Область застосування Широко застосовується в задачах машинного навчання (зокрема, для навчання нейронних мереж та розпізнавання зображень), параметричної і структурної оптимізації Є основним алгоритмом для завдань опуклої оптимізації з обмеженнями Призначені для вирішення задач оптимізації Використовуються в задачах оптимізації, де ми повинні максимізувати або мінімізувати задане значення цільової функції при даному наборі обмежень

З усіх розглянутих методів у рамках поставленої задачі пропонується оптимізувати споживання електроенергії за допомогою генетичного алгоритму з наступних причин:

5. Цілі і задачі роботи

Цілями даної роботи є:

Для досягнення поставлених цілей необхідне рішення наступних завдань:

6. Формальна постановка завдання

Класичної метою подібних робіт є мінімізація витрат на електроенергію, крім цього, в роботах [24-26] враховуються обмеження пікового навантаження, для якого може бути застосовано один із вищезазначених методів (рис.2).

Є M – квартир у будинку, і N – електроприладів у кожній квартирі. Для кожного керованого електроприладу задаються користувачем tі – час включення i–ого електроприладу, де i = [1, … , N], Δti – тривалість часу роботи електроприладу.

Звідси час закінчення роботи електроприладу: t'і = tі + Δtі

Для кожного з електроприладів можна отримати функцію оцінки потужності для i–ого електроприладу – Pі.

Для i–ого електроприладу функція оцінки потужності за добу буде дорівнювати сумі потужностей кожного з включень, які залежать від часу включення електроприладу і тривалості часу роботи електроприладу. Отже, можна отримати наступну формулу: Pt=∑tPі(tі,Δt )

Для того, щоб отримати загальну потужність P необхідно знайти суму всіх Pt: Pt=∑Pt

Вартість споживаної електроенергії позначимо S. Вартість для i–ого електроприладу в добі буде дорівнювати сумі вартостей електроенергії для кожного з запусків у різний час доби: St=∑tSi(Pi(ti,Δt),ti)

Вартість електроенергії не є константою і може змінюватися в різний час доби (т. зв. нічний тариф).

Для того, щоб отримати загальну вартість спожитої електроенергії S, необхідно знайти суму всіх вартостей за всіма запусків електроприладу St: S=∑St

Метою роботи є мінімізація сумарних витрат на електроенергію з урахуванням денного і нічного тарифу: S → min

Це досягається завдяки зміщенню часів включення електроприладів. Таким чином, щоб максимальний час сусідніх включень був менше, ніж максимальний час обмеження виключення електроприладу: max(tі – ti+1) < tmax

7. Застосування генетичного алгоритму до Demand Response

Передбачається, що в багатоквартирному будинку, в умовах ОСББ, встановлюється в кожній квартирі мікроконтролер, який буде керувати електроприладами. При цьому оплата за електроенергію нараховується за двома тарифами: нічному і денному.

У свою чергу користувачі дають інформацію адміністратору про прилади, які будуть регулюватися. Найменування електроприладу і його споживану потужність. Також користувачі складають розклад (години роботи) для їх електрообладнання в квартирі.

Комп'ютеризована система буде розподіляти час для роботи електроприладів з термостатичним управлінням і з циклічним режимом роботи.

Таблиця 2 – Вхідні дані

Позначення Опис
M кількість квартир у будинку
N кількість керованих електроприладів
i індекс електроприладу
tі час включення i–ого електроприладу, де i = [1, ... , N]
Δtі тривалість часу роботи електроприладу
Pі потужність i–ого електроприладу, де i = [1, ... , N]
Vkli,t поточний стан електроприладу, якщо Vkli = 1 – включений, якщо Vkli = 0 – вимкнено
TimeCosti,t поточна вартість електроенергії, спожитої протягом будь-якого інтервалу часу t, t∈T
T горизонт планування, T = 24
EappUtill корисність побутової техніки (на скільки користувачеві зручна робота приладу в конкретний час, що вимірюється від 0 до 1)
EcostSavings економія електроенергії, виражена у відсотках

На виході системи оптимізації споживання електроенергії, очікується отримати оптимальний графік роботи електроприладів зі зниженням попиту, що несе за собою мінімізацію сумарних витрат на електроенергію з урахуванням денного і нічного тарифу, а також зниженням пікової навантаження споживання електроенергії. Запланований формат вихідних даних:

Y={[Nі(Електроприлад)],[VKLi,t(Поточний стан електроприладу)],
[tі(Години роботи)],[Pі(Потужність)],[EcostSavings(економія електроенергії)]};

Очікувані результати: мінімізація витрат на електроенергію і зниження пікового навантаження споживання електроенергії в житловому будинку.

Висновки

Отже, можна зробити висновки, що в даній роботі проаналізовано використання методів Demand Response, проведений аналіз стратегій формування навантаження, розглянуті класифікації електрообладнання, проведено аналіз підходів для оптимізації споживання електроенергії. Проведено огляд математичних методів і алгоритмів, які можна застосувати для вихідної задачі. Обран генетичний алгоритм. Виконана формальна постановка задачі. Розглянуто застосування генетичного алгоритму до Demand Response.

Список використаних джерел

  1. Стукова Т. М. Основний принцип формування енергозберігаючих програм // Наукові дослідження – 2015 – с. 52–53.
  2. Кулешов М. Управління споживанням на ринку електроенергії // Управління ефективністю та результативністю – 2012 – с. 44–53.
  3. Функції та діяльність ОСББ [Електронний ресурс] / Ольга Папінова. – Електрон. текст. – 2016 – Режим доступу: https://ru.wikipedia.org/wiki/Объединение_совладельцев_многоквартирного_дома– Загл. з екрану.
  4. Навіщо треба економити електроенергію [Електронний ресурс] / Ася Малютіна. – Електрон. текст. – [Росія, 2015]. – Режим доступу: https://recyclemag.ru/article/zachem-nado-ekonomit-elektro– Загл. з екрана.
  5. Світове споживання електроенергії [Електронний ресурс] – Режим доступу:https://yearbook.enerdata.ru/electricity/electricity-domestic-consumption-data.html– Загл. з екрана.
  6. National Assessment & Action Plan on Demand Response – 2016 – Режим доступу:https://ru.wikipedia.org/wiki/Управління_попитом_на_електроенергію#cite_note-1– Загл. з екрану.
  7. Na Li, Lijun Chen and Steven H. Low Optimal Demand Response Based on Utility Maximization Networks in Power 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 by demand response 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, A. Z.; 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 Р. Р., Кригін А. А. Оптимізація енергоспоживання домогосподарства на основі прогнозу графіка максимального навантаження побутових приладів. – Управління великими системами: збірник наукових праць 69, – 2017.
  18. Метод рою частинок [Електронний ресурс] – Режим доступу: https://ru.wikipedia.org/wiki/Метод_роя_частиц – Загл. з екрана.
  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. Жадібні алгоритми, теоретичні основи, застосування [Електронний ресурс] – Режим доступу: https://genew.ru/tema--jadnie-algoritmi-teoreticheskie-osnovi-primenenie.html– Загл. з екрана.
  21. Cui, Tiansong, Hadi Goudarzi, Сафар 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. Генетичні алгоритми [Електронний ресурс] – Режим доступу: http://lazysmart.ru/iskusstvenny-j-intellekst/geneticheskie-algoritmy-ili-kak-uchebn/– Загл. з екрана.
  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.