بهینه‌سازی چندهدفه برای برنامه‌ریزی پاسخگویی به تقاضا منازل مسکونی با استفاده از تجمیع‌کننده‌های هوشمند
محورهای موضوعی : مهندسی برق ( الکترونیک، مخابرات، قدرت، کنترل)غلامرضا کامیاب 1 * , محمد حسین عرفانی مجد 2 , سعید بلوچیان 3
1 - دانشکده مهندسی برق، واحد گناباد، دانشگاه آزاد اسلامی، گناباد، ایران
2 - دانشکده مهندسی برق، واحد گناباد، دانشگاه آزاد اسلامی، گناباد، ایران
3 - گروه مهندسی برق، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
کلید واژه: بهینه‌سازی چندهدفه, پاسخگویی به تقاضا, تجمیع‌کننده‌های هوشمند, NSGA-II, تکنیک فازی, بهترین پاسخ مصالحه‌شده,
چکیده مقاله :
این مقاله به بررسی بهینه‌سازی چندهدفه برای برنامه‌ریزی پاسخگویی به تقاضای منازل مسکونی با استفاده از تجمیع‌کننده‌های هوشمند می‌پردازد. تجمیع‌کننده‌های هوشمند به‌عنوان ابزارهای مؤثر در بهینه‌سازی مصرف انرژی خانگی و کاهش هزینه‌ها، با استفاده از الگوریتم‌های پیشرفته و فناوری‌های نوین، نقش مهمی در مدیریت تقاضای انرژی دارند. در این تحقیق، هدف اصلی کاهش هزینه‌های انرژی و به حداقل رساندن نارضایتی مشتریان در فرآیند پاسخگویی به تقاضا است. برای رسیدن به این اهداف، از الگوریتم بهینه‌سازی چندهدفه NSGA-II استفاده شده است که قادر است مجموعه‌ای از پاسخ‌های بهینه را با توجه به اهداف مختلف ارائه دهد. این الگوریتم از تکنیک‌های انتخاب طبیعی و فرآیندهای ژنتیکی برای پیدا کردن تعادل میان اهداف مختلف استفاده می‌کند. در مرحله بعد، برای انتخاب بهترین پاسخ مصالحه‌شده بین اهداف متضاد، از روش فازی چندهدفه بهره گرفته می‌شود. این روش به کمک تابع عضویت فازی، پاسخ‌های مختلف را بر اساس درجه انطباق‌شان با اهداف مختلف ارزیابی می‌کند. به‌کارگیری الگوریتم NSGA-II و تکنیک‌های فازی در بهینه‌سازی مصرف انرژی خانگی منجر به کاهش قابل توجه هزینه‌ها و نارضایتی مشتریان می‌شود. نتایج شبیه‌سازی‌های عددی نشان می‌دهند که این روش‌ها به‌طور مؤثری تعادل بهینه‌ای میان کاهش هزینه‌ها و بهبود رفاه مصرف‌کنندگان در شبکه‌های توزیع هوشمند ایجاد می‌کنند. در نهایت، این پژوهش به اهمیت استفاده از الگوریتم‌های پیشرفته در بهینه‌سازی سیستمهای انرژی خانگی و دستیابی به یک سیستم پایدار و هوشمند اشاره دارد.
This paper examines multi-objective optimization for demand response planning in residential households using smart aggregators. Smart aggregators play a crucial role as effective tools in optimizing home energy consumption and reducing costs, leveraging advanced algorithms and innovative technologies in energy demand management. The main objective of this research is to reduce energy costs and minimize customer dissatisfaction in the demand response process. To achieve these goals, the multi-objective optimization algorithm NSGA-II is employed, which can provide a set of optimal solutions considering various objectives. This algorithm utilizes natural selection techniques and genetic processes to find a balance between different goals. Subsequently, a multi-objective fuzzy method is used to select the best trade-off solution between conflicting objectives. This method evaluates different solutions based on their degree of alignment with various goals using fuzzy membership functions. The application of the NSGA-II algorithm and fuzzy techniques in optimizing home energy consumption leads to a significant reduction in costs and customer dissatisfaction. Numerical simulation results show that these methods effectively create an optimal balance between cost reduction and improving consumer welfare in smart distribution networks. Finally, this research highlights the importance of using advanced algorithms in optimizing home energy systems and achieving a sustainable and intelligent system.
[1] P. Jadhav, D. More and S. R. Salkuti, "Smart residential distribution energy management system with integration of demand response and Aggregator," Cleaner and Responsible Consumption, vol. 9, 2023.
[2] Yonghua Song, Yi Ding, Pierluigi Siano, Christoph Meinrenken, Menglian Zheng and Goran Strbac, "Optimization methods and advanced applications for smart energy systems considering grid-interactive demand response," Applied Energy, vol. 259, 2020.
[3] S. Haghifam, M. Dadashi, K. Zare and H. Seyedi, "Optimal operation of smart distribution networks in the presence of demand response aggregators and microgrid owners: A multi follower Bi-Level approach," Sustainable Cities and Society, vol. 55, 2020.
[4] Pavani Ponnaganti, Jayakrishnan R Pillai and Birgitte Bak-Jensen, "Opportunities and challenges of demand response in active distribution networks," Wiley Energy and Environment, vol. 7, no. 1, 2018.
[5] M. Park, J. Lee and D.-J. Won, "Demand Response Strategy of Energy Prosumer Based on Robust Optimization Through Aggregator," IEEE Access, vol. 8, pp. 202969-202979, 2020.
[6] K. Bruninx, H. Pandži´, H. L. Cadre and E. Delarue, "On the Interaction Between Aggregators, Electricity Markets and Residential Demand Response Providers," IEEE Transactions on Power Systems, vol. 35, no. 2, pp. 840-853, 2020.
[7] Alireza Zakariazadeh, Shahram Jadid and Pierluigi Siano, "Stochastic multi-objective operational planning of smart distribution systems considering demand response programs," Electric Power Systems Research, vol. 111, pp. 156-168, 2014.
[8] L. Gkatzikis, I. Koutsopoulos and T. Salonidis, "The Role of Aggregators in Smart Grid Demand Response Markets," IEEE Journal on Selected Areas in Communications, vol. 31, no. 7, 2013.
[9] Adrian Tantau, András Puskás-Tompos, Laurentiu Fratila and Costel Stanciu, "Acceptance of Demand Response and Aggregators as a Solution to Optimize the Relation between Energy Producers and Consumers in order to Increase the Amount of Renewable Energy in the Grid," Energies, vol. 14, no. 12, 2021.
[10] Xiaoxing Lu, Xinxin Ge, Kangping Li, Fei Wang, Hongtao Shen and Peng Tao, "Optimal Bidding Strategy of Demand Response Aggregator Based On Customers’ Responsiveness Behaviors Modeling Under Different Incentives," IEEE Transactions on Industry Applications, vol. 57, no. 4, pp. 3329-3340, 2021.
[11] Saurav M.S. Basnet, Haneen Aburub and Ward Jewell, "Residential demand response program: Predictive analytics, virtual storage model and its optimization," Journal of Energy Storage, vol. 23, 2019.
[12] Abhishek Tiwari and Naran M. Pindoriya, "Automated Demand Response in Smart Distribution Grid: A Review on Metering Infrastructure, Communication Technology and Optimization Models," Electric Power Systems Research, vol. 206, 2022.
[13] Sima Davarzani, Ramon Granell, Gareth A. Taylor and Ioana Pisica, "Implementation of a novel multi-agent system for demand response management in low-voltage distribution networks," Applied Energy, vol. 253, 2019.
[14] Tomi Medved, Gašper Artač and Andrej F. Gubina, "The use of intelligent aggregator agents for advanced control of demand response," Wiley Interdisciplinary Reviews: Energy and Environment, vol. 7, no. 3, 2018.
[15] H. Golmohamadi, R. Keypour, B. Bak-Jensen and J. R. Pillai, "A multi-agent based optimization of residential and industrial demand response aggregators," International Journal of Electrical Power & Energy Systems, vol. 107, pp. 472-485, 2019.
[16] Sima Davarzani, Ioana Pisica, Gareth A. Taylor and Kevin J. Munisami, "Residential Demand Response Strategies and Applications in Active Distribution Network Management," Renewable and Sustainable Energy Reviews, vol. 138, 2021.
[17] F. Wang, B. Xiang, K. Li, X. Ge, H. Lu, J. Lai and P. Dehghanian, "Smart Households’ Aggregated Capacity Forecasting for Load Aggregators Under Incentive-Based Demand Response Programs," IEEE Transactions on Industry Applications, vol. 56, no. 2, pp. 1086-1097, 2020.
[18] Carlos Cruz, Tarek Alskaif, Tarek Alskaif and Ignacio Bravo, "Prosumers integration in aggregated demand response systems," Energy Policy, vol. 182, 2023.
[19] Kalyanmoy Deb, Samir Agrawal, Amrit Pratap and T Meyarivan, "A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: NSGA-II," in Parallel Problem Solving from Nature PPSN VI, 2000.
[20] D. Suchitra, R. Jegatheesan and T. Deepika, "Optimal design of hybrid power generation system and its integration in the distribution network," Electrical Power and Energy Systems, vol. 82, pp. 136-149, 2016.