Energy Exchange Management in Two-Layer Microgrids Using the Hiking Optimization Algorithm and Blockchain Technology

Subject Areas : Electrical and Computer Engineering

Mohamad Mahdi Erfani Majd ¹ , Reza Davarzani ² , Mahmoud Samiei Moghaddam ^{3 *} , Ali Asghar Shojaei ⁴ , Mojtaba Vahedi ⁵

1 - Department of Electrical Engineering, Shahrood Branch, Islamic Azad University, Shahrood, Iran.
2 - Department of Electrical Engineering, Shahrood Branch, Islamic Azad University, Shahrood, Iran.
3 - Department of Electrical Engineering, Damghan Branch, Islamic Azad University, Damghan, Iran.
4 - Department of Electrical Engineering, Neyshabur Branch, Islamic Azad University, Neyshabur, Iran.
5 - Department of Electrical Engineering, Shahrood Branch, Islamic Azad University, Shahrood, Iran.

Received: 2024-11-29 Accepted : 2025-04-01 Published : 2026-09-22

Keywords: Microgrids, Transaction security, Blockchain, Energy sharing, Internet of thing.,

Abstract :

This study introduces a novel system for energy exchange management in a two-layer network of microgrids. In this framework, the first layer facilitates energy exchange among multiple microgrids, while the second layer enables energy sharing among users within each microgrid. The proposed model employs a multi-objective optimization framework based on the Hiking Optimization Algorithm and ensures transaction security and transparency using a multi-blockchain architecture. Simulation results, utilizing real-world data from five microgrids in Guizhou Province, China, reveal significant performance improvements compared to traditional methods. Specifically, the average utility values of users increased from 17.3 to 31.4 (a 96.2% improvement), while those of microgrid operators rose from 28.2 to 38.98 (a 34.58% enhancement). Moreover, the average energy transaction price dropped by up to 45% with increased distributed energy resources. These findings demonstrate the superior performance of the proposed HOA and blockchain-based method in competitive scenarios, offering greater flexibility in pricing and energy distribution. This work establishes an effective approach to sustainable energy management.

References:

[1] M. Tostado-Véliz, D. Icaza-Alvarez, and F. Jurado, “A novel methodology for optimal sizing photovoltaic‐battery systems in smart homes considering grid outages and demand response,” Renewable Energy, vol. 170, pp. 884–896, 2021, doi: 10.1016/j.renene.2020.09.073.
[2] M. Tostado-Véliz, M. Bayat, A. A. Ghadimi, and F. Jurado, “Home energy management in off-grid dwellings: Exploiting flexibility of thermostatically controlled appliances,” J. Clean. Prod., vol. 310, art. no. 127507, 2021, doi: 10.1016/j.jclepro.2021.127507.
[3] M. J. M. Al Essa, “Home energy management of thermostatically controlled loads and photovoltaic‐battery systems,” Energy, vol. 176, pp. 742–752, 2019, doi: 10.1016/j.energy.2018.12.045.
[4] G. Wang, Y. Zhou, Z. Lin, S. Zhu, R. Qiu, Y. Chen, and J. Yan, “Robust energy management through aggregation of flexible resources in multi‐home micro energy hub,” Appl. Energy, vol. 357, art. no. 122471, 2024, doi: 10.1016/j.apenergy.2024.122471.
[5] A. Ajitha, G. Akhilesh, T. Rajkumar, S. Radhika, and S. Goel, “Design and implementation of smart home energy management system for Indian residential sector,” Energy Convers. Manag., vol. 307, art. no. 118369, 2024, doi: 10.1016/j.enconman.2024.118369.
[6] F. Ghanavati, J. C. O. Matias, and G. J. Osório, “Towards sustainable smart cities: Integration of home energy management system for efficient energy utilization,” Sust. Cities Soc., vol. 111, art. no. 105579, 2024, doi: 10.1016/j.scs.2024.105579.
[7] W. Pinthurat, T. Surinkaew, and B. Hredzak, “An overview of reinforcement learning based approaches for smart home energy management systems with energy storages,” Renew. Sustain. Energy Rev., vol. 202, art. no. 114648, 2024, doi: 10.1016/j.rser.2024.114648.
[8] R. Xu, S. Khan, W. Jin, A. N. Khan, Q. W. Khan, S. Lim, and D. H. Kim, “A decentralized federated learning based interoperable and heterogeneity aware predictive optimization method for energy and comfort in smart homes environment,” Appl. Soft Comput., vol. 161, art. no. 111689, 2024, doi: 10.1016/j.asoc.2024.111689.
[9] M. S. Aliero, K. N. Qureshi, M. F. Pasha, and G. Jeon, “Smart Home Energy Management Systems in Internet of Things networks for green cities demands and services,” Environ. Technol. Innov., vol. 22, art. no. 101443, 2021, doi: 10.1016/j.eti.2021.101443.
[10] M. M. Vahedipour-Dahraie, H. Rashidizadeh-Kermani, and A. Anvari-Moghaddam, “Risk-Based stochastic scheduling of resilient microgrids considering demand response programs,” IEEE Syst. J., vol. 15, no. 1, pp. 971–980, Mar. 2021, doi: 10.1109/JSYST.2020.3026142.
[11] T. Khalili, A. Jafari, M. Abapour, and B. Mohammadi-Ivatloo, “Optimal battery technology selection and incentive-based demand response program utilization for reliability improvement of an insular microgrid,” Energy, vol. 169, pp. 92–104, 2019, doi: 10.1016/j.energy.2018.12.024.
[12] F. Shariatzadeh, P. Mandal, and A. K. Srivastava, “Demand response for sustainable energy systems: A review, application and implementation strategy,” Renew. Sustain. Energy Rev., vol. 45, pp. 343–350, 2015, doi: 10.1016/j.rser.2015.01.062.
[13] J. Dong, F. Gao, X. Guan, Q. Zhai, and J. Wu, “Storage-reserve sizing with qualified reliability for connected high renewable penetration micro-grid,” IEEE Trans. Sustain. Energy, vol. 7, no. 2, pp. 732–743, 2016, doi: 10.1109/TSTE.2015.2498599.
[14] D. P. Birnie III, “Optimal battery sizing for storm-resilient photovoltaic power island systems,” Sol. Energy, vol. 109, pp. 165–173, 2014, doi: 10.1016/j.solener.2014.08.016.
[15] M. Tavakoli, F. Shokridehaki, M. F. Akorede, M. Marzband, I. Vechiu, and E. Pouresmaeil, “CVaR-based energy management scheme for optimal resilience and operational cost in commercial building microgrids,” Int. J. Electr. Power Energy Syst., vol. 100, pp. 1–9, 2018, doi: 10.1016/j.ijepes.2018.02.022.
[16] S. Tsianikas, J. Zhou, D. P. Birnie III, and D. W. Coit, “Economic trends and comparisons for optimizing grid-outage resilient photovoltaic and battery systems,” Appl. Energy, vol. 256, art. no. 113892, 2019, doi: 10.1016/j.apenergy.2019.113892.
[17] F. Benavente, A. Lundblad, P. E. Campana, Y. Zhang, S. Cabrera, and G. Lindbergh, “Photovoltaic/battery system sizing for rural electrification in Bolivia: Considering the suppressed demand effect,” Appl. Energy, vol. 235, pp. 519–528, 2019, doi: 10.1016/j.apenergy.2018.10.084.
[18] E. Quiles, C. Roldán-Blay, G. Escrivá-Escrivá, and C. Roldán-Porta, “Accurate sizing of residential stand-alone photovoltaic systems considering system reliability,” Sustainability, vol. 12, no. 3, p. 1274, 2020, doi: 10.3390/su12031274.
[19] A. Lagrange, M. de Simón-Martín, A. González-Martínez, S. Bracco, and E. Rosales-Asensio, “Sustainable microgrids with energy storage as a means to increase power resilience in critical facilities: An application to a hospital,” Int. J. Electr. Power Energy Syst., vol. 119, art. no. 105865, 2020, doi: 10.1016/j.ijepes.2020.105865.
[20] NREL, “Renewable, Energy Integration & Optimization,” National Renewable Energy Laboratory, Denver, 2018. [Online]. Available: https://reopt.nrel.gov/tool. [Accessed: Jan. 8, 2021].
[21] S. Xian and X. Feng, “Meerkat optimization algorithm: A new meta-heuristic optimization algorithm for solving constrained engineering problems,” Expert Syst. with Appl., vol. 231, art. no. 120482, 2023, doi: 10.1016/j.eswa.2023.120482.
[22] Smart Home Dataset with Weather Information, 2018. [Online]. Available: https://www.kaggle.com/taranvee/smart-home-dataset-with-weather-information. [Accessed: Sep. 19, 2020].
[23] S. O. Oladejo, S. O. Ekwe, and S. Mirjalili, “The Hiking Optimization Algorithm: A novel human-based metaheuristic approach,” Knowl.-Based Syst., vol. 296, art. no. 111880, 2024, doi: 10.1016/j.knosys.2024.111880.
[24] M. Liu, M. Wang, J. Men, and D. Yang, “Microgrid trading game model based on blockchain technology and optimized particle swarm algorithm,” IEEE Access, vol. 8, pp. 225602–225612, 2020, doi: 10.1109/ACCESS.2020.3009697.
[25] M. Goranović, M. Meisel, L. Fotiadis, S. Wilker, A. Treytl, and T. Sauter, “Blockchain applications in microgrids: An overview of current projects and concepts,” in Proc. 43rd Annu. Conf. IEEE Ind. Electron. Soc., Oct. 2017, pp. 6153–6158.
[26] J. Yang, A. Paudel, and H. B. Gooi, “Compensation for power loss by a proof-of-stake consortium blockchain microgrid,” IEEE Trans. Ind. Informat., vol. 17, no. 5, pp. 3253–3262, May 2020, doi: 10.1109/TII.2020.2977213.
[27] J. M. Sukhwani, J. M. Martinez, X. Chang, K. S. Trivedi, and A. Rindos, “Performance modeling of PBFT consensus process for permissioned blockchain network (Hyperledger Fabric),” in Proc. IEEE 36th Symp. Rel. Distrib. Syst. (SRDS), Sep. 2017, pp. 253–255.
[28] N. Koblitz, A. Menezes, and S. A. Vanstone, “The state of elliptic curve cryptography,” Designs Codes Cryptogr., vol. 19, no. 2, pp. 173–193, 2000, doi: 10.1023/A:1010007512298.
[29] V. G. Martínez, L. H. Encinas, and A. Q. Dios, “Security and practical considerations when implementing the elliptic curve integrated encryption scheme,” Cryptologia, vol. 39, no. 3, pp. 244–269, Jul. 2015, doi: 10.1007/s10516-015-9346-6.
[30] W. Tushar et al., “Three-party energy management with distributed energy resources in smart grid,” IEEE Trans. Ind. Electron., vol. 62, no. 4, pp. 2487–2498, Apr. 2015, doi: 10.1109/TIE.2014.2369123.
[31] L. Norton, R. Simon, H. D. Brereton, and A. Bogden, “Predicting the course of gompertzian growth,” Nature, vol. 264, no. 5586, pp. 542–545, 1976.
[32] S. Xian and X. Feng, “Meerkat optimization algorithm: A new meta-heuristic optimization algorithm for solving constrained engineering problems,” Expert Syst. with Appl., vol. 231, art. no. 120482, Jun. 2023, doi: 10.1016/j.eswa.2023.120482.
[33] Y. Gu, S. Shi, and M. Jiang, “Network payment system based on hybrid cross-chain,” U.S. Patent 10,363,623, 2020.
[34] X. Huang, Y. Zhang, D. Li, and L. Han, “A solution for bilayer energy-trading management in microgrids using multiblockchain,” IEEE Internet Things J., vol. 9, no. 15, pp. 13886–13900, Aug. 2022, doi: 10.1109/JIOT.2022.3142815.
[35] A. Mouat and R. Tamagawa, “Docker,” Amazon, Tech. Rep., 2016. [Online]. Available: https://aws.amazon.com/docker/ [Accessed: Sep. 22, 2023].
[36] V. Kulkarni, S. Surwase, K. Pingale, S. Sarage, and A. Karve, “Prediction of disease using machine learning,” IRJET, vol. 7, no. 5, pp. 56–72, May 2020.
[37] M. M. H. Onik, S. Aich, J. Yang, C. Kim, and H. Kim, “Blockchain in healthcare: Challenges and solutions,” in Big Data Analytics for Intelligent Healthcare Management, New York, NY, USA: Academic, 2019, ch. 8, pp. 197–226.
[38] T. Mudarri and S. A. Al-Rabeei, “Security fundamentals: Access control models,” Interdisciplinarity Theory Pract., pp. 1–4, Aug. 2015.

Full-Text:



محمد مهدی عرفانی مجد، رضا داورزنی، محمود سمیعی مقدم، علی اصغر شجاعی، مجتبی واحدی

 

 

Technovations of Electrical Engineering in Green Energy System

Research Article                                                                         (2026) 5(2):14-37

 

Energy Exchange Management in Two-Layer Microgrids Using the Hiking Optimization Algorithm and Blockchain Technology

Mohamad Mahdi Erfani Majd1, PhD Student, Reza Davarzani1, Assistant Professor,
Mahmoud Samiei Moghaddam2, Assistant Professor, Ali Asghar Shojaei3, Assistant Professor, Mojtaba Vahedi1, Assistant Professor

1 Department of Electrical Engineering, Shahrood Branch, Islamic Azad University, Shahrood, Iran.

2 Department of Electrical Engineering, Damghan Branch, Islamic Azad University, Damghan, Iran.

3 Department of Electrical Engineering, Neyshabur Branch, Islamic Azad University, Neyshabur, Iran.

 

Abstract:

This study introduces a novel system for energy exchange management in a two-layer network of microgrids. In this framework, the first layer facilitates energy exchange among multiple microgrids, while the second layer enables energy sharing among users within each microgrid. The proposed model employs a multi-objective optimization framework based on the Hiking Optimization Algorithm and ensures transaction security and transparency using a multi-blockchain architecture. Simulation results, utilizing real-world data from five microgrids in Guizhou Province, China, reveal significant performance improvements compared to traditional methods. Specifically, the average utility values of users increased from 17.3 to 31.4 (a 96.2% improvement), while those of microgrid operators rose from 28.2 to 38.98 (a 34.58% enhancement). Moreover, the average energy transaction price dropped by up to 45% with increased distributed energy resources. These findings demonstrate the superior performance of the proposed HOA and blockchain-based method in competitive scenarios, offering greater flexibility in pricing and energy distribution. This work establishes an effective approach to sustainable energy management.

Keywords: Microgrids, Transaction security, Blockchain, Energy sharing, Internet of thing.

 

 

 

 

 

Received: 29 November 2024

Revised: 04 March 2025

Accepted: 01 April 2025

Corresponding Author: Mahmoud Samiei Moghaddam, [e-mail]

DOI: https://doi.org/10.71691/teeges.2026.1191926

 

 

فناوری‏های نوین مهندسی برق در سیستم انرژی سبز

         ..مقاله پژوهشی...       

 

مدیریت تبادلات انرژی در ریزشبکه‌های دو‌لایه با استفاده از الگوریتم بهینه‌سازی کوهنوردی و فناوری بلاکچین

محمد مهدی عرفانی مجد1، دانشجوی دکتری، رضا داورزنی۱، استادیار ، محمود سمیعی مقدم۲، استادیار ،
علی اصغر شجاعی۳، استادیار ، مجتبی واحدی۱، استادیار

1- گروه مهندسي برق، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود ، ايران

2- گروه مهندسي برق، واحد دامغان، دانشگاه آزاد اسلامی، دامغان، ايران

۳- گروه مهندسي برق، واحد نیشابور، دانشگاه آزاد اسلامی، نیشابور، ايران

 

چكيده: این مطالعه سیستمی نوین برای مدیریت تبادلات انرژی در شبکه‌ای دو‌لایه از ریزشبکه‌ها معرفی می‌کند. در این ساختار، لایه اول به تبادل انرژی میان چندین ریزشبکه و لایه دوم به اشتراک‌گذاری انرژی میان کاربران در هر ریزشبکه اختصاص دارد. مدل پیشنهادی از یک چارچوب بهینه‌سازی چندهدفه مبتنی بر الگوریتم بهینه‌سازی کوهنوردی بهره می‌گیرد و با استفاده از فناوری چندبلاک‌چین امنیت و شفافیت تراکنش‌ها را تضمین می‌کند. نتایج شبیه‌سازی با داده‌های واقعی از پنج ریزشبکه در استان گویژو، چین نشان داد که مدل پیشنهادی در مقایسه با روش‌های سنتی، بهبود چشمگیری در بهره‌وری داشته است. به‌طور خاص، مقادیر میانگین مطلوبیت کاربران از 17.3 به 31.4 (96.2% افزایش) و اپراتورهای ریزشبکه از 28.2 به 38.98 (34.58% افزایش) ارتقا یافت. همچنین قیمت میانگین معاملات انرژی با افزایش منابع انرژی توزیع‌شده تا 45% کاهش یافت. تحلیل نتایج نشان می‌دهد که روش پیشنهادی در شرایط رقابتی عملکرد بهتری داشته و قابلیت انعطاف‌پذیری بیشتری در قیمت‌گذاری و توزیع انرژی ایجاد می‌کند. این دستاوردها نه تنها برتری الگوریتم کوهنوردی و فناوری بلاک‌چین را به اثبات می‌رسانند، بلکه راهکاری مؤثر برای مدیریت انرژی پایدار ارائه می‌دهند.

 

واژه­هاي كليدي: ریزشبکه‌ها، امنیت تراکنش، بلاکچین، اشتراک‌گذاری انرژی، اینترنت اشیا.

 

تاریخ ارسال مقاله: 0۹/0۹/140۳

تاریخ بازنگری مقاله: 14/۱2/140۳

تاریخ پذیرش مقاله: ۱۲/01/140۴

نویسنده­ی مسئول: دکتر محمود سمیعی مقدم، [e-mail]

DOI: https://doi.org/10.71691/teeges.2026.1191926

 

 

1-       مقدمه

در سال‌های اخیر، افزایش مصرف انرژی و ضرورت استفاده بهینه از منابع انرژی تجدیدپذیر¹، توجه بسیاری از محققان و صنعتگران را به راه‌حل‌های نوآورانه در حوزه مدیریت انرژی جلب کرده است. یکی از مهم‌ترین فناوری‌های مطرح‌شده در این زمینه، ریزشبکه‌ها² هستند. ریزشبکه‌ها با ارائه قابلیت ترکیب تولید پراکنده، ذخیره‌سازی و مدیریت انرژی در سطح محلی، به کاهش وابستگی به شبکه‌های سراسری و افزایش بهره‌وری کمک می‌کنند. این فناوری علاوه بر کاهش هزینه‌های مصرف انرژی، تأثیرات مثبت زیست‌محیطی از طریق کاهش انتشار گازهای گلخانه‌ای را نیز به همراه دارد. با وجود این مزایا، مدیریت انرژی در ریزشبکه‌ها به‌ویژه در شرایطی که شامل چندین ریزشبکه متصل به یکدیگر باشد، چالش‌برانگیز است. الگوهای مصرف و تولید غیرقطعی، نوسانات بازار انرژی، و نیاز به حفظ امنیت و حریم خصوصی تراکنش‌ها از جمله عواملی هستند که مدیریت مؤثر این سیستم‌ها را پیچیده می‌سازند. روش‌های سنتی مدیریت انرژی، چه به صورت متمرکز و چه به شکل غیرمتمرکز، توانایی کافی برای پاسخگویی به این پیچیدگی‌ها ندارند و نیاز به توسعه رویکردهای پیشرفته‌تر احساس می‌شود. یکی از فناوری‌های نوظهور که می‌تواند در حل این چالش‌ها مؤثر باشد، بلاکچین است. این فناوری با تضمین امنیت و شفافیت تراکنش‌ها، بستر مناسبی برای مدیریت تبادلات انرژی فراهم می‌کند. از سوی دیگر، الگوریتم‌های هوشمند بهینه‌سازی می‌توانند توزیع بهینه انرژی میان کاربران و ریزشبکه‌ها را ممکن سازند. در این راستا، این پژوهش سیستمی جامع برای مدیریت انرژی در یک ساختار دو‌لایه از ریزشبکه‌ها معرفی می‌کند که در آن لایه اول به تبادل انرژی میان چندین ریزشبکه و لایه دوم به اشتراک‌گذاری انرژی میان کاربران هر ریزشبکه اختصاص دارد. برای حل مسائل مرتبط با این سیستم، از الگوریتم بهینه‌سازی کوهنوردی³ (HOA) استفاده شده است که توانایی حل مسائل پیچیده بهینه‌سازی را دارد. همچنین، چارچوب این سیستم از فناوری بلاکچین⁴ بهره می‌گیرد تا امنیت و حریم خصوصی تراکنش‌ها تضمین شود. این ترکیب نه‌تنها منجر به افزایش کارایی در مدیریت انرژی می‌شود، بلکه با ارائه مزایای اقتصادی و زیست‌محیطی، گامی مؤثر در راستای توسعه پایدار محسوب می‌شود. این پژوهش تلاش دارد تا با ارائه این سیستم، نشان دهد که استفاده از رویکردهای هوشمند و فناورانه در مدیریت انرژی می‌تواند به بهبود عملکرد و بهره‌وری در سیستم‌های انرژی منجر شود و الگویی مناسب برای پیاده‌سازی در مقیاس‌های مختلف ارائه دهد.

در حالت عملیاتی جزیره‌ای ریزشبکه‌ها، معاملات انرژی برای کاربران در درون یک سیستم ریزشبکه واحد تنظیم می‌شود [1]. اکثر تحقیقات تا به امروز بر روی انواع مختلف بهینه‌سازی مبتنی بر هزینه تمرکز داشته‌اند. این مطالعات معمولاً هزینه‌های مختلفی مانند هزینه‌های سوخت، سرمایه‌گذاری در انرژی‌های تجدیدپذیر و هزینه‌های تولید برق را در نظر می‌گیرند و یکی یا بیشتر از این هزینه‌ها را به عنوان هدف بهینه‌سازی انتخاب می‌کنند [2]. رویکرد جایگزین برای کاهش هزینه‌ها بر بهبود سود مالی کاربران تمرکز دارد، که به عنوان مازاد حاصل از فروش انرژی پس از کسر هزینه‌های تولید تعریف می‌شود [3]. با پیشرفت انرژی تجدیدپذیر توزیع‌شده، مدل معامله انرژی دو سطحی ضروری می‌شود. در این مدل، ریزشبکه‌ها در سطح بالاتر با یکدیگر انرژی مبادله خواهند کرد، در حالی که در سطح پایین‌تر، کاربران فردی و اپراتورهای ریزشبکه⁵ (MGO) معاملات انرژی را در درون هر ریزشبکه انجام می‌دهند. این دو لایه به یکدیگر متصل و متقابلاً محدود هستند. برای مدیریت موفق معاملات انرژی در این چارچوب دو لایه، ایجاد یک استراتژی زمان‌بندی بهینه که نیازهای تمام کاربران و اپراتورهای ریزشبکه را برآورده کند، ضروری است. با این حال، بخش عمده‌ای از ادبیات موجود در مورد این مدل دوگانه معاملات انرژی، لایه‌ها را به عنوان اجزای جداگانه مشاهده کرده و بیشتر بر بهبود منافع اپراتورهای ریزشبکه به عنوان اولویت اصلی تمرکز کرده است [۵,۴]. در چارچوب ریزشبکه‌های همکاری‌پذیر، ریزشبکه‌های فردی می‌توانند با یکدیگر در مبادلات انرژی شرکت کنند، بسته به شرایط عملیاتی کنونی آنها [۷,۶]. در حال حاضر، روش‌های مدیریت معاملات انرژی به دو رویکرد اصلی تقسیم می‌شوند: 1) روش‌های متمرکز و 2) روش‌های غیرمتمرکز. روش‌های متمرکز شامل یک کنترلر مرکزی است که ابتدا داده‌ها را از حسگرهای تمام ریزشبکه‌ها جمع‌آوری می‌کند. سپس عملیات تمام ریزشبکه‌ها را بر اساس داده‌های تجمیع‌شده زمان‌بندی می‌کند. در مقابل، روش‌های غیرمتمرکز شامل زمان‌بندی عملیات هر ریزشبکه به‌طور مستقل بر اساس داده‌های محلی جمع‌آوری‌شده توسط حسگرهای خود می‌شود. علاوه بر این، با افزایش تعداد شرکت‌کنندگان در ریزشبکه‌ها، مسئله امنیت معاملات به اهمیت بیشتری دست می‌یابد [۹,۸]. فناوری بلاک‌چین راه‌حل امیدوارکننده برای تضمین امنیت معاملات انرژی ارائه می‌دهد. چندین محقق مکانیسم‌های امن معاملات انرژی مبتنی بر بلاک‌چین پیشنهاد کرده‌اند]۱۲-۱۰[. پروتکل‌های توافقی سنتی مانند اثبات سهام و اثبات کار برای تسهیل تبادل انرژی در چارچوب دو سطحی ما مناسب نیستند. در محیط‌های ریزشبکه، مدیریت معاملات انرژی معمولاً به داده‌های پیش‌بینی‌شده برای دوره‌های آتی بستگی دارد. تضمین اینکه شرکت‌کنندگان به طور مداوم توافقات تجاری خود را دنبال کنند، به دلیل خطرات اقدامات مخرب و محدودیت‌های عملیاتی مختلف، دشوار است. یک مکانیزم توافقی ایده‌آل باید کاربران را به طور مؤثر به انجام تعهداتشان تشویق کند. بنابراین، ایجاد یک مکانیزم توافقی مؤثر، چالش بزرگی است که هنوز در چارچوب معاملات انرژی دو سطحی ما به آن پرداخته نشده است. در ساختار همکاری ریزشبکه‌ها، محققان رویکردهای متعددی برای معاملات پیشنهاد کرده‌اند که عمدتاً به دسته‌های متمرکز و غیرمتمرکز تقسیم می‌شوند. به عنوان مثال، یک تلاش تحقیقاتی [13] یک مدل بهینه‌سازی برای زمان‌بندی یک روز پیش معرفی کرد که دینامیک‌های مدیریت قدرت تعاملی را در نظر می‌گیرد. یک رویکرد جایگزین ارائه‌شده توسط [14] بر توسعه چارچوب مدیریت انرژی مبتنی بر عامل تمرکز داشت که هدف آن دستیابی به نتایج بهینه پاراتو با استفاده از استراتژی رقابتی بود. در این چارچوب، یک فرآیند تصمیم‌گیری متمرکز ایجاد شد، که در آن چندین ریزشبکه هماهنگ‌شده به یک سیستم کنترل یکپارچه متکی بودند تا تعادل بین عرضه و تقاضا را حفظ کنند [15]. خودروهای برقی به عنوان وسیله‌ای برای انتقال انرژی دیده می‌شوند که منجر به توسعه استراتژی برای مدیریت شارژ و دشارژ آنها به منظور دستیابی به تعادل بین ریزشبکه‌های مختلف می‌شود. علاوه بر این، یک چارچوب بهینه‌سازی غیرمتمرکز برای کاهش هزینه‌های عملیاتی کلی معرفی شد. در عملکرد مستقل ریزشبکه‌ها، مدل‌های متعددی برای بهبود منافع اقتصادی اپراتورهای ریزشبکه و مصرف‌کنندگان توسط محققان پیشنهاد شده است. یک مطالعه چارچوب قیمت‌گذاری انرژی مبتنی بر نظریه بازی استاکلبِرگ را ارائه داد، جایی که اپراتورهای ریزشبکه معاملات انرژی را میان تولیدکنندگان انرژی خورشیدی تسهیل می‌کنند، با هدف افزایش سود فردی آنها [18]. علاوه بر این، تحقیق دیگری مدل بهینه‌سازی نوآورانه‌ای را معرفی کرد که برای توزیع اقتصادی بلادرنگ در ریزشبکه‌های ایزوله‌شده طراحی شده و هزینه‌های گذشته سیستم‌های ذخیره‌سازی انرژی را همراه با مزایای عملیاتی پیش‌بینی‌شده در نظر می‌گیرد [19]. همچنین، محققان الگوریتم غیرمتمرکز دو سطحی [20] را برای کاهش هزینه‌های عملیاتی در شبکه‌های ریزشبکه معرفی کردند. در این مدل تبادل انرژی دو سطحی، آنها یک سیستم مدیریت آنلاین برای ذخیره انرژی پیشنهاد کردند که به استاندارد خدمات برق (QoSE) تأکید دارد [21]. با این حال، این روش به‌طور لایه‌به‌لایه عمل می‌کند و به تداخل‌ها و محدودیت‌های موجود بین آنها توجه نمی‌کند. هدف اصلی آن افزایش سود اپراتور ریزشبکه است. از سوی دیگر، فناوری بلاک‌چین یک وسیله مؤثر برای حل مشکلات امنیتی در معاملات انرژی ارائه می‌دهد. چندین چارچوب امن برای معاملات مبتنی بر بلاک‌چین پیشنهاد شده است. یک نمونه قابل توجه است که یک مدل معامله انرژی مبتنی بر بلاک‌چین است که برای نظارت و تنظیم فرآیند معامله انرژی طراحی شده است و در نتیجه یک محیط امن برای معاملات ایجاد کرده و کیفیت کلی انرژی را بهبود می‌بخشد [22]. یک مکانیزم برای معاملات منابع با استفاده از نظریه بازی استاکلبِرگ از طریق قراردادهای هوشمند در بلاک‌چین ایجاد شده است [23]. همچنین، یک چارچوب معاملاتی مبتنی بر بلاک‌چین برای ریزشبکه‌ها از الگوریتم‌های بهینه‌سازی ازدحام ذرات پیشرفته برای شناسایی رویکردهای پیشنهاد قیمت ایده‌آل استفاده می‌کند تا حداکثر سود را برای تمام طرف‌های شرکت‌کننده تضمین کند [24]. یک تلاش تحقیقاتی دیگر [25] رویکرد کنترلی مبتنی بر عدالت تناسبی برای توزیع انرژی در ریزشبکه‌ها معرفی کرد که از فناوری بلاک‌چین و قراردادهای هوشمند برای تسهیل صدور صورتحساب غیرمتمرکز استفاده می‌کند. علاوه بر این، یک مدل معاملاتی مبتنی بر بلاک‌چین کنسرسیومی برای حمایت از تبادل انرژی بین همتاها طراحی شد که از پروتکل اصبات سهام استفاده می‌کند [26]. در تحقیق مستند شده در [27]، نویسندگان جنبه‌های عملکردی مکانیزم توافقی PBFT را که به‌طور خاص برای محیط‌های بلاک‌چین مجاز طراحی شده است، بررسی کرده و بر اهمیت قابلیت اطمینان سیستم و دستیابی به توافق توزیع‌شده در چارچوب قدیمی تأکید کردند. تحقیق [28] چشم‌انداز فعلی رمزنگاری منحنی بیضوی را بررسی کرده و به کارایی آن و نقشی که در بهبود امنیت در چارچوب‌های رمزنگاری ایفا می‌کند، پرداخته است. تحقیق [29] نیز به جنبه‌های امنیتی و عوامل عملی در پیاده‌سازی طرح رمزنگاری منحنی بیضوی یکپارچه پرداخته و بر مقاومت آن در برابر چالش‌های رمزنگاری تمرکز دارد. در مطالعه [30]، سیستم مدیریت انرژی سه‌جانبه‌ای برای منابع انرژی توزیع‌شده در شبکه‌های هوشمند معرفی شده که هدف آن بهینه‌سازی هزینه‌ها و توزیع انرژی است. تحقیق [31] از مدل رشد گومپرتزی برای پیش‌بینی الگوهای رشد زیستی استفاده کرده و بینشی کاربردی در مطالعات زیستی ارائه می‌دهد. در تحقیق [32]، الگوریتم بهینه‌سازی میرکات به‌عنوان یک تکنیک فراابتکاری جدید برای حل مسائل مهندسی با قیود معرفی شده که همگرایی بهبودیافته‌ای را ارائه می‌دهد. در مطالعه [33]، یک سیستم پرداخت شبکه‌ای ترکیبی معرفی شده که کارایی و قابلیت همکاری بین شبکه‌های بلاکچین مختلف را افزایش می‌دهد. در مطالعه [34]، راه‌حلی برای مدیریت معاملات انرژی دو‌لایه در ریزشبکه‌ها با استفاده از سیستم‌های چند بلاکچین ارائه شده که تراکنش‌ها را بهینه کرده و مقیاس‌پذیری را بهبود می‌بخشد. مطالعه [35] فناوری کانتینری‌سازی Docker را با تمرکز بر استفاده آن در خدمات وب آمازون (AWS) برای استقرار برنامه‌های مقیاس‌پذیر بررسی می‌کند. تحقیق [36] روش‌های یادگیری ماشین را در پیش‌بینی بیماری‌ها به‌کار گرفته و هدف آن بهبود دقت و تشخیص زودهنگام در سیستم‌های سلامت است. در تحقیق [37] چالش‌ها و راه‌حل‌های مرتبط با ادغام بلاکچین در حوزه بهداشت و درمان بررسی شده و بر امنیت داده‌ها و مدیریت بیماران تأکید شده است. در مطالعه [38] مدل‌های کنترل دسترسی برای سیستم‌های امنیتی مرور شده و نقش اساسی آن‌ها در مدیریت مجوزهای کاربران در کاربردهای مختلف برجسته شده است.

در دنیای امروز، با رشد روزافزون جمعیت و افزایش تقاضای انرژی، استفاده از منابع انرژی تجدیدپذیر به‌ویژه انرژی‌های خورشیدی و بادی به یک نیاز اساسی تبدیل شده است. ریزشبکه‌ها به عنوان سیستم‌های خودکفا و کوچک انرژی، به دلیل قابلیت‌های مدیریت تقاضا و تولید انرژی محلی، در بسیاری از نقاط جهان مورد توجه قرار گرفته‌اند. این سیستم‌ها توانایی بهینه‌سازی مصرف انرژی و کاهش هزینه‌ها را دارند، به‌ویژه در شرایطی که نیاز به تعاملات انرژی میان واحدهای مختلف وجود دارد. با توجه به تحولات اخیر در فناوری‌های شبکه‌های توزیع انرژی و رشد سریع استفاده از منابع انرژی تجدیدپذیر، یکی از چالش‌های اصلی مدیریت انرژی در ریزشبکه‌ها، نحوه تعامل و تجارت انرژی میان ریزشبکه‌ها و کاربران آنها است. این تجارت انرژی نیازمند یک مدل بهینه‌سازی پیچیده است که علاوه بر کاهش هزینه‌ها، به بهبود سود اقتصادی برای تمامی ذینفعان (از جمله اپراتورهای ریزشبکه و مصرف‌کنندگان) کمک کند. بنابراین، نیاز به طراحی و توسعه الگوریتم‌های بهینه‌سازی جدید که بتوانند این نیازها را برآورده کنند، کاملاً مشهود است. علاوه بر این، امنیت معاملات انرژی در ریزشبکه‌ها نیز از اهمیت بالایی برخوردار است، به‌ویژه در شرایطی که تعداد زیادی از کاربران و اپراتورها درگیر فرآیندهای تجاری هستند. استفاده از فناوری‌های نوین مانند بلاک‌چین برای تضمین امنیت معاملات انرژی، یکی از مسیرهای پژوهشی مهم به شمار می‌رود که هنوز در بسیاری از مطالعات به‌طور جامع بررسی نشده است. با توجه به چالش‌های موجود و ضرورت بهینه‌سازی فرآیندهای انرژی و امنیت در ریزشبکه‌ها، تحقیق حاضر به دنبال توسعه یک مدل بهینه‌سازی دو سطحی برای تجارت انرژی میان ریزشبکه‌ها و کاربران، همراه با یک مکانیزم توافقی مناسب برای امنیت و کارایی بیشتر معاملات انرژی است.

مقاله حاضر به معرفی یک مدل بهینه‌سازی دو سطحی جدید برای تجارت انرژی در ریزشبکه‌ها می‌پردازد که هدف آن بهینه‌سازی هزینه‌ها و سود اقتصادی برای اپراتورهای ریزشبکه و مصرف‌کنندگان انرژی است. این مدل به‌ویژه در شرایط جزیره‌ای ریزشبکه‌ها که تعامل انرژی میان چندین ریزشبکه و کاربران آن‌ها مورد نیاز است، کاربرد دارد. یکی از نوآوری‌های کلیدی این تحقیق، پیشنهاد رویکردی مبتنی بر استفاده از الگوریتم‌های بهینه‌سازی پیشرفته برای برنامه‌ریزی زمان‌بندی بهینه در دو لایه متفاوت است که شامل معاملات انرژی میان ریزشبکه‌ها و همچنین بین کاربران و اپراتورهای ریزشبکه می‌شود.

علاوه بر این، تحقیق حاضر به‌طور خاص به چالش‌های امنیتی در معاملات انرژی پرداخته و با استفاده از فناوری بلاک‌چین به‌عنوان یک راه‌حل نوآورانه برای تضمین امنیت و اعتبار این معاملات، از یک مکانیزم توافقی جدید استفاده می‌کند که به جلوگیری از اقدامات مخرب و محدودیت‌های عملیاتی کمک می‌کند. این رویکرد برای اولین بار در چارچوب مدل‌های دو سطحی تجارت انرژی در ریزشبکه‌ها به‌کار برده شده و به ارتقای کارایی و امنیت سیستم‌های انرژی توزیع‌شده می‌انجامد.

در نهایت، مقاله حاضر با توجه به استفاده از الگوریتم‌های بهینه‌سازی ترکیبی و مدل‌سازی نوین در زمینه ریزشبکه‌ها، به‌طور چشمگیری از مدل‌های موجود پیشی می‌گیرد و به حل مسائل پیچیده اقتصادی و امنیتی در شبکه‌های انرژی به‌ویژه در مقیاس‌های بزرگ کمک می‌کند. این نوآوری‌ها می‌توانند پایه‌گذار مدل‌های جدیدتری در زمینه مدیریت انرژی و تجارت در ریزشبکه‌ها باشند که منجر به توسعه پایدارتر و بهینه‌تر سیستم‌های انرژی در آینده خواهند شد.

ساختار این مقاله به شرح زیر سازمان‌دهی شده است: در بخش دوم، جزئیات چارچوب مدل پیشنهادی و اصول طراحی آن توضیح داده می‌شود. بخش سوم به معرفی الگوریتم بهینه‌سازی کوهنوردی (HOA) و نحوه کاربرد آن در مدیریت تبادلات انرژی اختصاص دارد. در بخش چهارم، نتایج شبیه‌سازی با استفاده از داده‌های واقعی ارائه و تحلیل می‌شود. در بخش پنجم، محدودیت‌های مدل و پیشنهادات برای تحقیقات آینده بررسی می‌شوند. در نهایت، نتیجه‌گیری کلی و خلاصه‌ای از دستاوردهای مقاله در بخش ششم ارائه شده است.

2-       ساختار نظارت بر تجارت انرژی پیشنهادی

این بخش یک زمینه تجارت انرژی دو لایه را توصیف می‌کند و سیستم مدیریتی برای تجارت انرژی با استفاده از روش چند زنجیره بلوک⁶ معرفی می‌کند.

سیستم تجارت انرژی به دو لایه مجزا تقسیم شده است که در شکل (۱) نشان داده شده است. لایه بالایی مسئول تسهیل تبادل انرژی میان ریزشبکه‌ها و شبکه کلان است که در تعادل عرضه و تقاضای انرژی میان ریزشبکه‌ها به‌ویژه در شرایط آب و هوایی سخت نقش حیاتی دارد. از سوی دیگر، لایه پایین مدیریت تراکنش‌های انرژی میان کاربران داخل هر ریزشبکه خاص را بر عهده دارد. کاربران به دو دسته تقسیم می‌شوند: گروه اول شامل کاربران با منابع انرژی توزیع‌شده⁷ (DER) هستند که توانایی تولید و مصرف انرژی را دارند، و گروه دیگر شامل کاربران عمومی⁸ (GU) هستند که تنها مصرف‌کنندگان انرژی هستند. کاربران با DER این امکان را دارند که انرژی را در داخل ریزشبکه خود یا با اپراتور ریزشبکه (MGO) مبادله کنند، در حالی که کاربران عمومی فقط می‌توانند انرژی را از کاربران DER یا MGO دریافت کنند. هر کاربر به سنسورهایی مجهز است که داده‌هایی برای پیش‌بینی تولید و مصرف انرژی جمع‌آوری می‌کند و همچنین توزیع انرژی را ردیابی می‌کند.

 

شکل (1): چارچوب تجارت انرژی دو لایه

 

برای تضمین تراکنش‌های امن در چارچوب تجارت انرژی دو لایه، یک سیستم مدیریتی قوی برای تجارت انرژی پیاده‌سازی کرده‌ایم که از طراحی چند زنجیره بلوک استفاده می‌کند. همان‌طور که در شکل (۲) نشان داده شده است، اپراتورهای ریزشبکه (MGOها) در لایه بالایی همکاری می‌کنند تا یک زنجیره بلوک کنسرسیومی ایجاد کنند که به عنوان زنجیره اصلی عمل می‌کند، در حالی که همه شرکت‌کنندگان و MGO در هر ریزشبکه یک زنجیره بلوک عمومی در لایه پایین تشکیل می‌دهند که به عنوان زنجیره فرعی شناخته می‌شود. عملیات مستقل و هم‌زمان تراکنش‌ها میان ریزشبکه‌های مختلف به طور چشمگیری کارایی و تاب‌آوری کلی سیستم را بهبود می‌بخشد. تراکنش‌های لایه بالایی از طریق مکانیزم تحمل خطای بیزانسی عملی⁹ (PBFT) تأیید می‌شوند و سپس در زنجیره اصلی ثبت می‌شوند. در مقابل، تراکنش‌های لایه پایین با استفاده از روش¹⁰ DPoR پیشنهادی احراز هویت می‌شوند و در زنجیره‌های فرعی ثبت می‌شوند. این آرایش حریم خصوصی را تقویت می‌کند با تفکیک داده‌های تراکنش به جای تجمیع همه سوابق در یک زنجیره واحد که برای همه کاربران و MGOها قابل مشاهده است. زنجیره اصلی و زنجیره‌های فرعی به طور مستقل عمل می‌کنند و هر کدام از سیستم‌های منحصر به فردی برای حسابداری و تشکیل بلوک‌ها استفاده می‌کنند. همان‌طور که MGOها تراکنش‌های انرژی را در سطوح مختلف انجام می‌دهند، ارز دیجیتال آن‌ها باید بین زنجیره اصلی و زنجیره‌های فرعی جابجا شود. برای پشتیبانی از این عملیات، از فناوری تایید پرداخت ساده¹¹ (SPV) استفاده می‌کنیم تا ارتباطی بین زنجیره اصلی و زنجیره‌های فرعی برقرار کرده و جریان ارز دیجیتال را ممکن سازیم. برای تراکنش‌ها، از NRGcoin استفاده می‌کنیم که یک ارز دیجیتال پشتیبانی‌شده از منابع انرژی است. NRGcoin هم در زنجیره اصلی و هم در زنجیره‌های فرعی عمل می‌کند و می‌تواند با نسبت یک به یک معامله شود.

 

 

شکل (2): ساختار مدیریت تجارت انرژی با استفاده از فناوری چند بلاک چین

 

روش انتقال NRGcoin بین زنجیره اصلی و زنجیره فرعی در هر دو جهت یکسان است. برای توضیح این فرآیند، تمرکز خود را بر روی انتقال از زنجیره اصلی به زنجیره فرعی قرار خواهیم داد. مراحل لازم برای این انتقال به شرح زیر است:

1. اپراتور ریزشبکه (MGO) مقدار مشخصی از NRGcoin را به یک آدرس قفل‌شده در زنجیره اصلی ارسال می‌کند تا از ایمنی این سکه‌ها اطمینان حاصل شود. پس از این تراکنش، MGO یک مدرک SPV دریافت می‌کند.

2. MGO سپس این مدرک SPV را به نودهای اجماع در زنجیره فرعی ارائه می‌دهد.

3. پس از تأیید صحت مدرک SPV توسط نودهای اجماع در زنجیره فرعی، مقدار معادل NRGcoin در زنجیره فرعی صادر می‌شود.

4. حالا MGO می‌تواند از این NRGcoinها برای انجام تراکنش‌ها در زنجیره فرعی استفاده کند.

برای پیش‌بینی تولید و مصرف انرژی در آینده نزدیک، افراد از داده‌های جمع‌آوری‌شده از دستگاه‌های هوشمند، شامل حسگرهای دما و کنتورهای انرژی استفاده می‌کنند. با این حال، دقت این پیش‌بینی‌ها معمولاً به دلیل عواملی مانند شرایط جوی و تغییرات دما کاهش می‌یابد. به دلیل این پیش‌بینی‌پذیری پایین، پیش‌بینی دقیق الگوهای تولید و مصرف انرژی در طول زمان دشوار است. برای بهینه‌سازی مدیریت، زمان به فواصل یکنواخت تقسیم شده است که هر یک ساعت به عنوان مرجع در نظر گرفته می‌شود. در فرآیند تجارت انرژی، ابتدا لایه بالایی یک استراتژی تجاری بین اپراتورهای ریزشبکه (MGOs) بر اساس تأمین و تقاضای انرژی آنها ایجاد می‌کند. سپس هر MGO یک روش تجارت انرژی اختصاصی برای ریزشبکه خود در لایه پایین توسعه می‌دهد.

فرآیند مدیریت تجارت انرژی پیشنهادی به شرح زیر عمل می‌کند:

- ثبت‌نام کاربرانبرای دریافت مجوز، هر فرد باید با اپراتور ریزشبکه (MGO) ثبت‌نام کند. پس از ثبت‌نام، هر کاربر مجموعه‌ای از کلیدهای رمزنگاری منحصر به فرد شامل یک کلید عمومی¹² (PK) و یک کلید خصوصی¹³ (SK) با استفاده از رمزنگاری منحنی بیضوی دریافت می‌کند، همراه با امتیاز اعتبار اولیه (Repini) [28]. کاربران یک کیف پول¹⁴ (W) با استفاده از SK خود ایجاد می‌کنند تا تراکنش‌ها را تسهیل کنند. در یک لحظه مشخص، کاربران پیش‌بینی تولید و مصرف انرژی خود را برای بازه زمانی بعدی پیش‌بینی کرده و این اطلاعات را به MGO خود ارسال می‌کنند که نشان‌دهنده تعهد آنهاست.

- در سازمان‌های ریزشبکه (MGOs) ، اعضا از طریق یک فرآیند رأی‌گیری، یک رهبر را برای یک بازه زمانی خاص تعیین می‌کنند. برای حفظ محرمانگی تبادل داده‌ها، MGOs از طرح رمزنگاری یکپارچه منحنی بیضوی¹⁵ (ECIES) [29] استفاده می‌کنند که امکان رمزگذاری تراکنش‌های انرژی با حداقل بار محاسباتی و ارتباطی را فراهم می‌آورد. رهبر منصوب شده یک پیشنهاد تجاری تهیه می‌کند که بهینه‌سازی توابع مطلوب تمامی MGOs در لایه بالایی ]۷,۳[ را هدف قرار می‌دهد و آن را بین سایر اعضا توزیع می‌کند.

- پیشنهاد تجاری از طریق فرآیند PBFT بررسی می‌شود و به یک چارچوب رسمی تبدیل شده و در زنجیره اصلی ثبت می‌شود.

- در لایه پایه، MGO یک مدل تجاری دقیق‌تر ]21[ ایجاد می‌کند که هدف آن بهینه‌سازی توابع مطلوب برای همه شرکت‌کنندگان در ریزشبکه خود، از جمله منافع خود آنها ]۱۱,۹[ است. پس از تکمیل فرآیند تأیید DPoR، مدل در زنجیره فرعی ثبت می‌شود. برای هر تراکنش، یک قرارداد هوشمند ایجاد می‌شود که در آن خریدار انرژی باید پیش از انجام تراکنش، مقدار NRGcoin مورد نیاز را در آدرس قرارداد واریز کند.

- در یک ریزشبکه، تراکنش‌های انرژی توسط MGO به همراه شرکت‌کنندگان تسهیل می‌شود. پس از فرآیند تجارت، جزئیات تراکنش تأیید می‌شود و عملکرد تأمین‌کننده انرژی توسط رهبر کمیته اجماع با استفاده از داده‌های کنتورهای هوشمند ارزیابی می‌شود. هر دو طرف درگیر در معامله تراکنش تأیید شده و ارزیابی را امضاء می‌کنند. اعتبار فروشنده (Rep) بر اساس این ارزیابی‌ها تنظیم می‌شود ]17[. در نهایت، جزئیات تراکنش توسط DPoR تأیید شده و در زنجیره فرعی ثبت می‌شود.

تجارت انرژی توسط اپراتورهای ریزشبکه (MGOs) در لایه بالاتر سیستم تسهیل می‌شود. پس از نهایی شدن تراکنش‌ها، آنها از طریق پروتکل PBFT تأیید شده و سپس در زنجیره اصلی ثبت می‌شوند. بهبود تجارت انرژی از طریق یک ساختار دو لایه نیازمند مدیریت انواع عوامل مرتبط با یکدیگر است که بر یکدیگر تأثیر می‌گذارند. برای ساده‌سازی این فرآیند پیچیده، تجارت انرژی به دو لایه مجزا برای فرآیند بهینه‌سازی تقسیم می‌شود. لایه بالایی به بهبود تراکنش‌ها میان ریزشبکه‌های مختلف اختصاص دارد، در حالی که لایه پایین به بهبود تراکنش‌ها در هر ریزشبکه خاص می‌پردازد. این روش به وابستگی‌ها و محدودیت‌های موجود بین دو لایه توجه دارد. در بحث‌های قبلی، زمان به بخش‌های از پیش تعیین‌شده تقسیم شد تا استراتژی‌های تجارت انرژی برای دوره بعدی در طول دوره جاری توسعه یابد. شرکت‌کنندگان موظف هستند تا پیش‌بینی تولید و مصرف انرژی خود را برای دوره بعدی به اپراتور ریزشبکه خود (MGO) اطلاع دهند. با استفاده از این اطلاعات، اپراتورهای ریزشبکه مقدار انرژی که باید خرید یا فروش کنند را تعیین می‌کنند. پس از این مرحله، MGOها یافته‌های خود را با یکدیگر به اشتراک می‌گذارند و یک هماهنگ‌کننده برای ایجاد استراتژی تجاری منصوب می‌شود که هدف آن بهبود توابع مطلوب برای تمام MGOهای درگیر است.

عوامل اعتبار برای اپراتورهای ریزشبکه معمولاً در توسعه استراتژی تجارت انرژی لایه بالایی لحاظ نمی‌شود، زیرا این سازمان‌ها معمولاً توسط نهادهای دولتی، مانند شبکه دولتی، مدیریت می‌شوند که به دلیل حفظ تعهدات خود شناخته شده هستند. برای وضوح بیشتر، نماد t برای نمایندگی پارامترها و متغیرهایی که به یک زمان خاص مربوط می‌شوند، استفاده می‌شود، در حالی که این علامت‌گذاری برای عناصری که به زمان حال مرتبط هستند، به کار نمی‌رود.

مجموعه M نمایانگر تعداد کل ریزشبکه‌ها است، که در آن m_k∈M هر ریزشبکه را نشان می‌دهد (با 1≤k≤K). مجموعه U_k مجموعه کاربران داخل ریزشبکه m_k است، که در آن N_k تعداد کاربران موجود در U_k می‌باشد، و u_n^k∈U_k هر کاربر را در نظر می‌گیرد (با 1≤n≤N_k). کاربران پیش‌بینی تولید و مصرف انرژی خود را برای بازه زمانی بعدی انجام می‌دهند، که به ترتیب با P_n^k (تولید انرژی) و C_n^k (مصرف انرژی) نشان داده می‌شود. ریزشبکه m_k داده‌ها را از تمامی کاربران در محدوده خود جمع‌آوری کرده و سپس تصمیمات مربوط به خرید یا فروش انرژی را طبق معیارهای از پیش تعیین شده اتخاذ می‌کند. این فرآیند اطمینان می‌دهد که تقاضای انرژی در داخل ریزشبکه به صورت کارآمد برآورده شده و همچنین منابع انرژی موجود از کاربران و سیستم شبکه گسترده‌تر در نظر گرفته می‌شود. هدف این است که تعادلی بین عرضه و تقاضای انرژی حفظ شود و در عین حال هزینه‌ها بهینه‌سازی شده و قابلیت اطمینان سیستم تضمین شود.

اصطلاحات MB و MS به دو دسته ریزشبکه‌هایی که در بازار انرژی مشارکت دارند اشاره دارند. در اینجا، MB به ریزشبکه‌هایی اطلاق می‌شود که انرژی خریداری می‌کنند و MS به ریزشبکه‌هایی که انرژی می‌فروشند، اشاره دارد. شرط نشان می‌دهد که ریزشبکه m_k به طور مستقل عمل می‌کند و درگیر تبادلات انرژی با سطح بالاتر نیست. از این رو، ریزشبکه‌هایی که در تبادل انرژی مشارکت دارند، به دو گروه جداگانه تقسیم می‌شوند: 1) MB و 2) MS. ریزشبکه‌های موجود در منطقه MB با m_i شناسایی می‌شوند، جایی که شاخص i از 1 تا I متغیر است و I تعداد کل ریزشبکه‌های موجود در MB را نشان می‌دهد. به طور مشابه، در منطقه MS، ریزشبکه‌ها با m_j مشخص می‌شوند، جایی که j از 1 تا J تغییر می‌کند و J تعداد کل ریزشبکه‌های موجود در MS را نشان می‌دهد. لازم به ذکر است که تعداد کل ریزشبکه‌ها باید شرایط زیر را برآورده کند: 0<I+J≤K.

با ارجاع به معادله (1)، انرژی خریداری شده توسط m_i با EB_i نشان داده می‌شود که با استفاده از فرمول زیر محاسبه می‌شود:

ریزشبکه‌ای که به عنوان m_i شناخته می‌شود، می‌تواند انرژی را هم از m_j و هم از Ma دریافت کند. مقدار انرژی دریافتی از m_j به صورت a(i,j) تعریف می‌شود و قیمت مربوطه p(i,j) است. به طور مشابه، مقدار انرژی از Ma به صورت a(i,Ma) نشان داده می‌شود و قیمت آن p(i,Ma) است. بنابراین، کل هزینه برای m_i با استفاده از فرمول زیر تعیین می‌شود:

 

(1)

در مدل سنتی، m_i محدود به خرید انرژی فقط از Ma است. در مقابل، روش پیشنهادی ما قیمت‌گذاری انرژی پویا را معرفی می‌کند که بر اساس نوسانات عرضه و تقاضا تغییر می‌کند. به طور معمول، m_i متوجه می‌شود که تأمین انرژی از ریزشبکه‌های دیگر (MGOs) به مراتب مقرون به صرفه‌تر است. بنابراین، ما تابع مطلوبیت آن را با در نظر گرفتن صرفه‌جویی‌هایی که در مقایسه با خرید انرژی کامل از Ma به دست می‌آورد، تعریف می‌کنیم. به این ترتیب، تابع مطلوبیت برای m_i به صورت زیر بیان می‌شود:

 

(2)

 

تابع (3) به‌طور خاص برای ارزیابی صرفه‌جویی هزینه در ریزشبکه‌هایی که انرژی را از منابع مختلف تأمین می‌کنند طراحی شده است. این تابع، تفاوت هزینه‌های واقعی با هزینه‌های مرجع تأمین انرژی از شبکه اصلی (Ma) را محاسبه می‌کند. هدف از استفاده از این تابع، اندازه‌گیری میزان بهینه‌سازی اقتصادی برای اپراتورهای ریزشبکه است، به‌طوری که انتخاب‌های انرژی با هزینه کمتر نسبت به شبکه اصلی تشویق شود. این صرفه‌جویی در هزینه‌ها نه تنها موجب افزایش بهره‌وری اقتصادی ریزشبکه می‌شود، بلکه به‌طور غیرمستقیم کاربران را به استفاده از منابع انرژی تجدیدپذیر و محلی ترغیب می‌کند.

که این تابع می‌تواند با توجه به نحوه انتخاب انرژی از ریزشبکه‌های مختلف، قیمت‌ها و مقدار انرژی، به صورت ریاضی بیشتر توضیح داده شود.

محدودیت چهارم تضمین می‌کند که انرژی دریافتی توسط m_i با نیازهای مصرفی آن هماهنگ باشد. عبارت p(i,Ma)EB_i هزینه‌ای را که برای تأمین کل انرژی از Ma وجود دارد، تعیین می‌کند، در حالی که Co(m_i) هزینه‌های واقعی که توسط m_i متحمل می‌شود را ارزیابی می‌کند. در نتیجه، Uti(m_i) صرفه‌جویی‌های به دست آمده در هزینه‌ها را می‌سنجد. انرژی کل فروخته شده توسط m_j به عنوان ES_j در معادله (1) نشان داده می‌شود. این مقدار از طریق جمع تفاوت بین انرژی تولید شده P_n^j و انرژی مصرفی C_n^j برای همه کاربران به دست می‌آید. بنابراین، می‌توان آن را به صورت ریاضی به شکل زیر بیان کرد:

ریزشبکه m_j قادر است انرژی را به هر دو m_i و Ma تأمین کند. مقدار انرژی تأمین شده به Ma به صورت a(j,Ma) نشان داده می‌شود و قیمت فروش آن توسط p(j,Ma) نمایان می‌شود. با توجه به تفکیک بین m_i و m_j ، انرژی در هنگام انتقال از بین می‌رود که به وسیله αl(j,i) کمی‌سازی می‌شود، جایی که l(j,i) فاصله را نشان می‌دهد و α نرخ اتلاف انرژی برای هر واحد فاصله است. اگر فرض کنیم که فروشنده مسئول این اتلاف انرژی باشد، درآمد حاصل از m_j به صورت زیر بیان می‌شود:

 

که در آن a(j,Ma) میزان انرژی تأمین شده به Ma و a(j,i) مقدار انرژی تأمین شده به m_i است.

	(3)
	(4)

در چارچوب سنتی، موجودیت m_j محدود به فروش انرژی فقط به Ma است. در مقابل، مدل ما به m_j این امکان را می‌دهد که انرژی را با قیمت‌های بالاتری به اپراتورهای مختلف ریزشبکه (MGOs) بفروشد. به همین دلیل، بهره‌مندی برای m_j از طریق سود اضافی که در مقایسه با سناریوی فروش تمام انرژی فقط به Ma به دست می‌آید، تعیین می‌شود. تابع بهره‌مندی برای m_j را می‌توان به صورت زیر بیان کرد:

(5)

 

محدوده قید (8) تضمین می‌کند که انرژی تأمین‌شده توسط m_j مطابق با انرژی باقی‌مانده موجود است. عبارت p(j,Ma)ES_j درآمد حاصل از فروش تمام انرژی به Ma را تعیین می‌کند، در حالی که In(m_j) درآمد واقعی کسب‌شده توسط m_j را ارزیابی می‌کند. بنابراین، Uti(m_j) نشان‌دهنده سود اضافی است که در مقایسه با سناریوی فروش تمام انرژی به Ma به دست آمده است.

مهم است که توجه داشته باشیم که p(i,Ma) و p(j,Ma) مقادیر ثابتی هستند که توسط Ma طبق مقررات کشور تعیین می‌شوند. بنابراین، زمانی که زمان ثابت باقی بماند، بهینه‌سازی توابع سود برای m_i و m_j شامل کاهش هزینه‌ها برای m_i و افزایش درآمد برای m_j است.

در سطح بنیادی، هر اپراتور ریزشبکه (MGO) یک استراتژی برای تبادل انرژی در ریزشبکه مربوط به خود تدوین می‌کند. این استراتژی هدفش بهینه‌سازی توابع سود برای همه کاربران در ریزشبکه و خود اپراتور است، در حالی که استراتژی‌های تجاری تعیین‌شده در سطح بالاتر را نیز در نظر می‌گیرد. همچنین ضروری است که توجه داشته باشیم که ناهماهنگی‌ها در پیش‌بینی‌ها و احتمال رفتار فریبکارانه می‌تواند باعث انحراف برخی از کاربران از برنامه‌های پیش‌بینی‌شده‌شان شود، که ارزیابی اعتبار کاربران را ضروری می‌سازد.

توابع سود کاربران:در سطح بنیادی، تبادلات انرژی باید شامل تمام K ریزشبکه‌ها باشد، به طوری که تراکنش‌های کاربران در ریزشبکه‌هایی که در سطح بالاتر در تبادل انرژی مشارکت نمی‌کنند نیز در نظر گرفته شوند. برای مثال، فرض کنید یک ریزشبکه به نام m_k از مجموعه M داریم. حالا نحوه ساخت توابع سود برای کاربران آن ریزشبکه را بررسی می‌کنیم.

در ابتدا، کاربران در m_k باید ارزیابی کنند که آیا انرژی خریداری کنند یا بفروشند، بر اساس راهنمای زیر:

Uti(u_n^k)="سود بر اساس استراتژی‌های مصرف و تولید انرژی، با توجه به قیمت‌های بازار و دقت پیش‌بینی‌ها"

در اینجا، Uti(u_n^k) تابع سود برای کاربر u_n^k در ریزشبکه m_k است که تصمیم می‌گیرد آیا انرژی خریداری کند یا بفروشد.

 

	(6)
	(7)
	(8)

 

در این مدل، UB_k و US_k به ترتیب گروه‌های کاربران مشارکت‌کننده در خرید و فروش انرژی در داخل m_k را نشان می‌دهند. شرایطی که در آن P_n^k-C_n^k=0 برقرار باشد، به این معنی است که کاربر u_n^k به استقلال انرژی دست یافته و در هیچ‌گونه فعالیت تجاری شرکت نمی‌کند. بنابراین، کاربران شرکت‌کننده در تبادل انرژی به دو دسته مجزا تقسیم می‌شوند. کاربران طبقه‌بندی‌شده در UB_k به عنوان u_b^k شناخته می‌شوند، که در آن نمایه b از 1 تا B_k متغیر است، و B_k نشان‌دهنده تعداد کل کاربران در UB_k است. در مقابل، کاربران موجود در US_k به عنوان u_s^k مشخص می‌شوند، که نمایه s از 1 تا S_k متغیر است، و S_k تعداد کل کاربران در US_k را نشان می‌دهد. به این ترتیب، مجموع B_k و S_k باید کمتر یا مساوی با N_k باشد.

بر اساس معادله (9)، انرژی به‌دست‌آمده توسط کاربر u_b^k به عنوان EB_b^k نشان داده می‌شود که می‌توان آن را به‌صورت زیر نوشت:

این کاربر این امکان را دارد که انرژی را از هر دو منبع u_s^k و m_k تأمین کند. به‌طوری‌که a(b,s) و p(b,s) به ترتیب مقدار و هزینه انرژی دریافتی از u_s^k را نشان می‌دهند، در حالی که a(b,m_k) و p(b,m_k) مقدار و هزینه انرژی دریافتی از m_k را مشخص می‌کنند. طبق نتایج ارائه‌شده در [30]، تابع سود کلی برای هر کاربر ترکیبی از سود حاصل از استفاده از انرژی و منافع حاصل از تبادل انرژی است.

بنابراین، توابع سود برای کاربرانی که در خرید انرژی مشارکت دارند، به‌صورت زیر ساختاربندی می‌شود:

(9)

 

در این زمینه، λ_b نشان‌دهنده عامل وزنی مربوط به u_b^k است. متغیرهای Rep^t (s,b) و Rep^t (m_k,b) به ترتیب مقادیر اعتبار (شهرت) برای u_s^k و m_k در طول تراکنش‌های (u_s^k→u_b^k) و (m_k→u_b^k) در زمان t می‌باشند. شرط بیان‌شده در معادله (11) اطمینان می‌دهد که انرژی به‌دست‌آمده توسط کاربر u_b^k با نیازهای مصرفی او هم‌راستا است. عبارت λ_b ln⁡(1+C_b^k) نشان‌دهنده منافع حاصل از مصرف انرژی برای ( u_b^k \ است.

هزینه‌های مربوط به به‌دست‌آوردن انرژی به‌صورت زیر محاسبه می‌شود:

مشخص است که افزایش در امتیاز شهرت (Rep) منجر به کاهش هزینه‌ها می‌شود.

انرژی کلی که کاربر u_s^k می‌فروشد با ES_s^k نشان داده می‌شود که در معادله (9) آمده است. این مقدار به‌صورت زیر نوشته می‌شود:

کاربر u_s^k این قابلیت را دارد که انرژی را به هر دو منبع u_b^k و m_k بفروشد. اگر a(s,m_k) نشان‌دهنده مقدار انرژی فروخته‌شده به m_k باشد و p(s,m_k) قیمت مربوطه را نشان دهد، توابع سود برای کاربرانی که در فروش انرژی مشارکت دارند، به‌صورت زیر ساختاربندی می‌شود:

	(10)
	(11)

 

در این چارچوب، متغیر λ_s نشان‌دهنده ضریب اولویت مربوط به u_s^k است. معیار شهرت Rep^t (s,m_k) به u_s^k در طول تراکنش (u_s^k→m_k) در زمان خاص t ارتباط دارد. شرط بیان‌شده در معادله (13) اطمینان می‌دهد که میزان انرژی معامله‌شده توسط u_s^k با منابع انرژی در دسترس او هم‌راستا است. عبارت λ_s ln⁡(1+C_s^k) منافع حاصل از استفاده انرژی توسط u_s^k را تعیین می‌کند. معادلهدرآمد حاصل از فروش انرژی توسط u_s^k را محاسبه می‌کند. در اینجا، افزایش در امتیاز شهرت (Rep) با افزایش درآمد همراه است. هنگامی که توابع سود Uti(u_b^k) و Uti(u_s^k) را توسعه می‌دهیم، مشاهده می‌شود که شهرت بالاتر باعث افزایش کل سود می‌شود، و این امر کاربران را ترغیب می‌کند تا برای بهبود شهرت خود تلاش کنند.

توابع سود MGO ها: هنگامی که یک میکروشبکه به طور مستقل عمل می‌کند و از مشارکت در تبادلات انرژی سطح بالاتر خودداری می‌کند، از مشارکت در معاملات سطح پایین نیز اجتناب می‌کند، زیرا کاربران داخلی آن نیازهای خود را از طریق معاملات درون‌شبکه‌ای تأمین می‌کنند. به همین ترتیب، MGO هایی که در معاملات سطح پایین مشارکت دارند، می‌توانند به دو گروه متمایز تقسیم شوند: MB و MS.

ما فرآیند را با تعیین توابع سود مربوط به میکروشبکه‌های گروه MB که در معاملات انرژی در سطح پایین درگیر هستند، آغاز می‌کنیم. به عنوان مثال، میکروشبکه m_i که انرژی را از میکروشبکه‌های دیگر یا از Ma در سطح بالاتر به دست می‌آورد و سپس آن را به مصرف‌کنندگان خود می‌فروشد. این میکروشبکه فقط با کاربرانی که به خرید انرژی نیاز دارند، تعامل می‌کند. برای نمایش کاربران در داخل میکروشبکه m_i، اجازه دهید u_b^i تعریف شود، جایی که 1≤b≤B_i و B_i تعداد کل کاربران خرید انرژی در میکروشبکه m_i است. مقدار معامله‌ای که بین m_i و u_b^i رخ می‌دهد به صورت a(b,m_i) نشان داده می‌شود و قیمت مربوطه با p(b,m_i) مشخص می‌شود. در نتیجه، تابع سود میکروشبکه m_i توسط تفاوت میان درآمد آن در سطح پایین و هزینه‌هایی که در سطح بالاتر متحمل می‌شود، تعریف می‌شود. از نظر ریاضی، تابع سود برای میکروشبکه m_i به صورت زیر بیان می‌شود:

	(12)
	(13)

در این زمینه، Rep^t (m_i,b) نمایانگر ارزیابی قابلیت اطمینان میکروشبکه m_i برای معامله ( m_i→u_b^i ) در زمان t است. شرط ذکر شده در قید (15) تضمین می‌کند که میزان انرژی به‌دست آمده توسط m_i از سطح بالاتر معادل انرژی توزیع‌شده به کاربران داخل میکروشبکه است. علاوه بر این، عبارت ∑_(b=1)^(B_i ) a(b,m_i)p(b,m_i)Rep^t (m_i,b) درآمد حاصل از تأمین انرژی توسط m_i به کاربران در سطح پایین را محاسبه می‌کند. Co(m_i) بار مالی است که m_i زمانی که انرژی را از دیگر اپراتورهای میکروشبکه (MGOها) و Ma در سطح بالاتر به دست می‌آورد، متحمل می‌شود. در نتیجه، Uti^' (m_i) درآمد کلی حاصل از فعالیت‌های m_i را منعکس می‌کند.

حال به فرمول‌بندی توابع سود برای میکروشبکه‌هایی می‌پردازیم که در تبادلات انرژی در سطح پایین شرکت دارند. برای مثال، میکروشبکه m_j انرژی را از کاربران در سطح پایین جمع‌آوری می‌کند و سپس آن را به میکروشبکه‌ها یا Ma در سطح بالاتر می‌فروشد. میکروشبکه m_j تنها به کاربران علاقه‌مند به فروش انرژی اختصاص دارد. اجازه دهید u_s^j نمایانگر کاربران در میکروشبکه m_j باشد که قصد فروش انرژی دارند، جایی که 1≤s≤S_j تعداد این کاربران را نشان می‌دهد. حجم معاملات بین m_j و کاربر u_s^j به صورت a(s,m_j) نمایش داده می‌شود و قیمت آن با p(s,m_j) بیان می‌شود. تابع سود برای میکروشبکه m_j تفاوت میان درآمد حاصل در سطح بالاتر و هزینه‌هایی که در سطح پایین متحمل می‌شود را ارزیابی می‌کند. این نمایش ریاضی تابع سود برای m_j به صورت زیر است:

 

	(14)
	(15)

در این زمینه، Rep^t (s,m_j) نمایانگر معیار اعتبار کاربر u_s^j در معامله‌ای است که بین u_s^j و m_j در زمان t انجام می‌شود. قید (17) تضمین می‌کند که مقدار انرژی تأمین‌شده توسط m_j در سطح بالاتر معادل انرژی به‌دست‌آمده از کاربران داخل میکروشبکه است. فرمول هزینه‌ای را که m_j برای خرید انرژی از کاربران در سطح پایین متحمل می‌شود، محاسبه می‌کند. علاوه بر این، In(m_j) درآمد حاصل از فروش انرژی توسط m_j به دیگر اپراتورهای میکروشبکه (MGOs) و Ma در سطح بالاتر را نشان می‌دهد. در نتیجه، Uti^' (m_j) سود کل حاصل از فعالیت‌های m_j را ارزیابی می‌کند. هنگام ساختن Uti^' (m_i) و Uti^' (m_j)، اعتبار کاربران یک عامل حیاتی است. اعتبار کاربران میزان قابلیت اطمینان آن‌ها را در انجام معاملات وعده داده‌شده ارزیابی می‌کند. از این رو، Uti^' (m_i) و Uti^' (m_j) سودآوری m_i و m_j را با در نظر گرفتن ریسک عدم انجام معاملات توسط کاربران طبق وعده‌هایشان اندازه‌گیری می‌کنند.

3-       الگوریتم بهینه‌سازی پیشنهادی

این بخش به بررسی اصول اساسی و ساختار ریاضی الگوریتم بهینه‌سازی کوهنوردی (HOA) پرداخته و عملکرد این الگوریتم و کارآیی محاسباتی آن را مورد تحلیل قرار می‌دهد. الگوریتم بهینه‌سازی کوهنوردی (HOA) از چالش‌هایی الهام گرفته است که افراد هنگام صعود به قله‌های کوه‌ها، تپه‌ها یا صخره‌ها با آن‌ها مواجه می‌شوند، بسته به شرایط محیطی. در حین پیاده‌روی، افراد معمولاً به طور آگاهانه یا غریزی شیب زمین را مدنظر قرار می‌دهند. برای حفظ سرعتی ثابت، معمولاً از مسیرهای بسیار شیب‌دار اجتناب می‌کنند. شیب‌های تند و مسیرهای دشوار می‌توانند سرعت حرکت را کاهش دهند و مدت زمان پیاده‌روی را افزایش دهند. کوهنوردانی که با توپوگرافی منطقه آشنا هستند، قادرند زمان لازم برای رسیدن به قله را تخمین بزنند. این مفهوم مشابه فرآیند بهینه‌سازی است که در آن عامل‌ها تلاش می‌کنند تا به راه‌حل‌های بهینه محلی یا جهانی دست یابند. فضای جستجوی بهینه‌سازی یا چشم‌انداز آن می‌تواند با زمین‌های ناهمواری که کوهنوردان در مسیر خود با آن‌ها مواجه می‌شوند، مقایسه شود. همچنین، در فرآیند جستجو برای یافتن بهترین راه‌حل، عامل‌ها ممکن است به دلیل پیچیدگی مسئله در نواحی خاصی از فضای جستجو گیر کنند که این امر مشابه موانعی است که کوهنوردان ممکن است در مسیر خود با آن‌ها روبرو شوند و موجب کند شدن پیشرفت آن‌ها می‌شود. این رویکرد به بازسازی چالش‌های پیاده‌روی به‌عنوان راهی برای حل مسائل بهینه‌سازی پرداخته است. مبنای نظری الگوریتم بهینه‌سازی کوهنوردی (HOA) از تابع کوهنوردی توبلر نشأت گرفته که توسط والدو توبلر، جغرافی‌دان و نقشه‌نگار آمریکایی-سوئیسی مطرح شده است. این تابع مدل نمایی است که برای برآورد سرعت حرکت یک کوهنورد با در نظر گرفتن شیب یا گرادیان مسیر استفاده می‌شود. مرجع [23] فرمول‌بندی ریاضی تابع کوهنوردی توبلر را ارائه داده است:

	(16)
	(17)

در این حالت، نمایانگر سرعت کوهنورد i است که به کیلومتر در ساعت (km/h) اندازه‌گیری می‌شود، در طول تکرار یا در زمان t، در حالی که  شیب مسیر یا زمین را نشان می‌دهد. علاوه بر این، شیب  به شرح زیر محاسبه می‌شود:

(18)

در اینجا، dh و dx به ترتیب تغییرات ارتفاع و مسافت طی شده توسط کوهنورد را نشان می‌دهند. همچنین، θ_(i,t) نمایانگر زاویه شیب مسیر یا زمین است که در بازه [0، 50°] محدود شده است. الگوریتم HOA از فرآیند تصمیم‌گیری جمعی گروه و همچنین توانایی‌های شناختی فردی هر کوهنورد بهره می‌برد. سرعت فعلی یک کوهنورد تحت تأثیر عواملی از جمله سرعت اولیه که توسط مدل THF تنظیم می‌شود، موقعیت کوهنورد پیشرو، موقعیت خود کوهنورد و عاملی به نام sweep قرار دارد. به این ترتیب، سرعت کوهنورد i در هر زمان مشخص به شرح زیر محاسبه می‌شود:

 

(19)

 

پارامتر γ_(i,t) نمایانگر یک مقدار تصادفی است که از یک توزیع یکنواخت بین 0 و 1 انتخاب می‌شود. اصطلاحات W_(i,t) و W_(i,t-1) به ترتیب سرعت کوهنورد i در زمان‌های جاری و قبلی را نشان می‌دهند. بهترین موقعیت، β_"best"، نمایانگر موقعیت کوهنورد پیشرو است، در حالی که α_(i,t) عامل sweep (SF) برای کوهنورد i است که در بازه [1، 3] محدود می‌شود. عامل SF به کوهنورد کمک می‌کند تا به موقعیت پیشرو نزدیک بماند و مسیر پیشرو را دنبال کرده و با سیگنال‌های ارسال شده توسط او ارتباط برقرار کند. با توجه به سرعت کوهنورد i در معادله (18)، موقعیت جدید β_(i,t+1) برای کوهنورد i به شکل زیر محاسبه می‌شود:

:

(20)

 

ترتیب اولیه‌ای که عوامل به آن ترتیب داده می‌شوند، نقش مهمی در عملکرد بسیاری از الگوریتم‌های متاهیورستیک مانند HOA دارد و بر احتمال یافتن راه‌حل‌های ممکن و سرعت همگرایی تأثیر می‌گذارد. در این تحقیق، HOA از یک روش تصادفی برای تعیین موقعیت‌های اولیه عوامل استفاده می‌کند [23]. با این حال، روش‌های دیگری مانند استراتژی‌های ابتکاری یا تنظیم‌شده نیز برای این کار قابل استفاده هستند.

موقعیت‌های اولیه کوهنوردان که با β_(i,t) نشان داده می‌شوند، در محدوده‌های مجاز تعریف‌شده توسط حد بالای ϕ_j^2 و حد پایین ϕ_j^1 تنظیم می‌شوند، همان‌طور که در معادله زیر بیان شده است:

 

(21)

 

δ_j  مقداری است که به طور تصادفی از یک توزیع یکنواخت بین 0 و 1 انتخاب می‌شود. همچنین،  و  به ترتیب حداقل و حداکثر مقادیر متغیر تصمیم‌گیری j در مسئله بهینه‌سازی را نشان می‌دهند. عامل فاکتور جارو (SF) پارامتر مهمی است که تعادل بین جستجو و بهره‌برداری را در الگوریتم HOA تنظیم می‌کند. این عامل مشخص می‌کند که تا چه میزان رهبر از سایر شرکت‌کنندگان فاصله می‌گیرد، همانطور که در معادله (20) توضیح داده شده است. همچنین، شیب مسیر بر سرعت حرکت کوهنوردان تأثیرگذار است، همانطور که در معادلات (18) و (19) شرح داده شده، و تأثیر قابل‌توجهی بر فعالیت‌های جستجو و بهره‌برداری HOA دارد. با افزایش دامنه SF، HOA بیشتر به سمت بهره‌برداری از راه‌حل‌های موجود تمایل پیدا می‌کند. در مقابل، کاهش دامنه SF باعث می‌شود HOA بر جستجو و یافتن راه‌حل‌های جدید تمرکز کند. همچنین، شیب کمتر مسیر باعث می‌شود HOA بیشتر به بهره‌برداری از راه‌حل‌های شناخته‌شده گرایش پیدا کند. تمامی این عوامل تأثیر مهمی در رفتار و کارایی HOA در مواجهه با چالش‌های بهینه‌سازی دارند، HOA یک روش جستجوی جهانی است که برای کاوش در فضای راه‌حل‌های یک مسئله بهینه‌سازی طراحی شده است و الهام گرفته از نحوه حرکت کوهنوردان در مسیرهای مختلف می‌باشد. برای شروع پیاده‌روی، نقاط شروع تمامی کوهنوردان تعیین می‌شود و با استفاده از تابع پیاده‌روی توبلر، موقعیت‌های جدید آن­ها پس از مدت زمان مشخص پیش‌بینی می‌شود. عملکرد هر کوهنورد ارزیابی می‌شود و بهترین عملکرد به عنوان رهبر انتخاب می‌گردد. در هر تکرار، موقعیت رهبر مجدداً ارزیابی می‌شود تا اطمینان حاصل شود که بهترین کوهنورد همیشه در مقام رهبری قرار دارد. پیچیدگی محاسباتی HOA با نماد O بزرگ مشخص می‌شود که محدوده بالای نیازهای منابع الگوریتم را تعیین می‌کند. به طور خاص، این نماد نرخ رشد بدترین حالت برای مصرف حافظه یا زمان اجرای الگوریتم را توصیف می‌کند. در این زمینه، نماد O بزرگ برای HOA به صورت O(T*I) نمایش داده می‌شود، که در آن T نمایانگر حداکثر تعداد تکرارها یا زمان صرف‌شده در فرآیند پیاده‌روی است و I تعداد کل کوهنوردان مشارکت‌کننده در فرآیند را نشان می‌دهد.

4-       نتایج شبیه­سازی

در این بخش، عملکرد مدل پیشنهادی خود را با استفاده از داده‌های واقعی جمع‌آوری‌شده در طول یک ماه از 25 کاربر مستقر در پنج ریزشبکه در استان گویژو، چین، ارزیابی می‌کنیم. این کاربران از فناوری‌های اینترنت اشیا مانند کنتورهای هوشمند، حسگرهای دما و آشکارسازهای نور برای نظارت بر مصرف انرژی، نوسانات دما، سطح نور و سایر پارامترهای کلیدی مورد نیاز برای پیش‌بینی تولید انرژی استفاده می‌کنند. برخی از این کاربران به‌عنوان گره‌های تولیدکننده (GNUs) و برخی دیگر به‌عنوان واحدهای توزیع انرژی (DEUs) عمل می‌کنند. با توجه به اینکه ریزشبکه‌ها در شعاع 2 کیلومتری از یکدیگر قرار دارند، تلفات انرژی در طول انتقال بی‌اهمیت در نظر گرفته می‌شود. پارامترهای کلیدی مدل شامل α=80.121، β=20.94، δ=0.025، τ=0.8و مقدار اولیه اعتبار (R_"epini") برابر با 0.8 است. بر اساس داده‌های جمع‌آوری‌شده، ما انرژی را به قیمت 1¥/kWh خریداری کرده و به قیمت 2¥/kWh می‌فروشیم.

ما یک معماری چند زنجیره‌ای بلاکچین به‌طور خاص برای اعتبارسنجی تراکنش‌ها در سیستم تجارت انرژی طراحی کرده‌ایم. این معماری از یک زنجیره بلاکچین مرکزی و پنج زنجیره جانبی پشتیبانی می‌کند. زنجیره بلاکچین مرکزی به‌عنوان مدل کنسرسیوم عمل می‌کند که شامل پنج گره MGO و یک گره Ma است و بر روی Fabric 1 ساخته شده است و بهبودهای سفارشی‌شده‌ای مانند ادغام کیف پول و پشتیبانی از ارزهای دیجیتال را شامل می‌شود. مکانیزم اجماع استفاده‌شده در زنجیره بلاکچین مرکزی، تحمل خطای بیزانسی عملی (PBFT) است که توسط پنج گره MGO مدیریت می‌شود، در حالی که گره Ma فرآیند را نظارت می‌کند بدون اینکه مستقیماً در اجماع مشارکت کند. هر ریزشبکه یک زنجیره جانبی مبتنی بر نسخه محلی‌شده اتریوم را اجرا می‌کند که در مجموع پنج زنجیره جانبی خواهد بود. هر یک از این زنجیره‌های جانبی شامل شش گره است: پنج گره کاربر و یک گره MGO، و از الگوریتم اجماع نمایندگی اثبات شهرت (DPoR) استفاده می‌کند. قراردادهای هوشمند در زنجیره بلاکچین اصلی به زبان JAVA نوشته شده‌اند، در حالی که قراردادهای هوشمند برای زنجیره‌های جانبی به زبان Solidity نوشته و برای اجرا از طریق JAVA بسته‌بندی شده‌اند.

برای تسهیل ارتباط میان زنجیره اصلی و زنجیره‌های جانبی، از فناوری پیوند دوطرفه¹⁶ با استفاده از فناوری تایید پرداخت ساده (SPV) بهره می‌بریم. پیاده‌سازی SPV بر اساس روش‌های ذکرشده در [33] و متناسب با سیستم تجاری دوعاملی انرژی است. این ساختار شامل ناظران در هر دو زنجیره اصلی و جانبی است که جزئیات تراکنش‌های مربوط به آدرس‌های خاص را نظارت می‌کنند. امضا‌کنندگان مسئول ایجاد اثبات‌های SPV هستند، در حالی که یک سرویس ذخیره‌سازی کلید خصوصی وظیفه مدیریت کلیدهای خصوصی و انجام عملیات امضا را بر عهده دارد. پردازش و تأیید تراکنش‌ها با استفاده از ارز NRGcoin به‌عنوان پاداش انجام می‌شود. تمامی آزمایش‌های انجام‌شده در این مطالعه با استفاده از این چارچوب بلاکچین انجام شده است.

پس از بررسی دقیق، مشاهده می‌شود که کاربران الگوهای تولید و مصرف روزانه بسیار پایداری دارند. برای نشان دادن این روند روزانه مشترک، یک روز خاص به‌صورت تصادفی انتخاب شده است. در شکل (۳)، نمودارها تولید انرژی، مصرف انرژی و انرژی خالص (که به‌عنوان تفاوت بین تولید انرژی و مصرف انرژی تعریف شده است) برای آن روز خاص را نشان می‌دهند.

 

شکل (3): (الف) تولید انرژی، (ب) مصرف انرژی، و (ج) تعادل انرژی تولید شده و مصرف شده نشان داده شده است

 

شکل (۴) تابع‌های مطلوبیت پنج اپراتور ریزشبکه (MGO) شرکت‌کننده در فرآیند معاملات انرژی در سطح بالا را نشان می‌دهد. هر دو شکل (۳) و (۴) کاهش تابع‌های مطلوبیت MGOs را با افزایش حجم معاملات انرژی تجدیدپذیر نشان می‌دهند. تحلیل دقیق‌تر این روند در بخش بعدی ارائه شده است. در ساعات صبح (7:00-9:00) و عصر (17:00-19:00)، تولید انرژی تجدیدپذیر حداقل بوده و تأمین انرژی عمدتاً توسط Ma انجام می‌شود. بنابراین، تابع‌های مطلوبیت MGOs در این ساعات پایین است. به طور خاص، در ساعت 19:00، تولید انرژی کاربران کمتر از تقاضای مصرف آن‌ها است. برای تأمین نیازهای انرژی کاربران، MGOs مجبور به خرید انرژی از Ma و فروش آن به کاربران با همان قیمت هستند، که این امر به مطلوبیت حداقلی منجر می‌شود. در بازه زمانی ظهر تا ساعت 14:00، منابع انرژی توزیع‌شده (DERs) انرژی بیشتری تولید می‌کنند، که منجر به افزایش معاملات انرژی بین MGOs می‌شود. در نتیجه، تابع‌های مطلوبیت MGOs افزایش می‌یابند، به‌ویژه برای m_4 و m_3 که شاخص‌تر هستند. به طور کلی، معامله حجم کمتری از انرژی خالص و مقادیر بیشتری از انرژی تولید شده توسط DERs، منجر به افزایش مقدار تابع مطلوبیت می‌شود.

ریزشبکه‌های مورد آزمایش به دو گروه تقسیم می‌شوند: m_1 و m_3 که تولید انرژی تجدیدپذیر بالایی دارند، و m_2، m_4 و m_5 که تولید انرژی تجدیدپذیر آن‌ها نسبتاً کمتر است. برای نمایش بهتر، ریزشبکه‌های m_3 و m_5 انتخاب شده‌اند تا تغییرات در تابع‌های مطلوبیت کاربران نشان داده شود.

 

شکل (4): توابع سودمند اپراتورهای ریزشبکه

 

در شکل (۵)، رابطه بین انرژی خالص و تابع‌های مطلوبیت کاربران در ریزشبکه‌های m_3 و m_5 نمایش داده شده است. بین تابع مطلوبیت و انرژی خالص یک همبستگی مستقیم وجود دارد؛ به‌گونه‌ای که با افزایش فروش انرژی توسط کاربران، مقدار مطلوبیت آن‌ها به‌طور متناسب افزایش می‌یابد.

قیمت‌گذاری معاملات انرژی در چارچوب ما به پویایی عرضه و تقاضای منابع انرژی توزیع‌شده (DER) در بازار محلی وابسته است. این رابطه در شکل (۶) نمایش داده شده است که میانگین قیمت معاملات انرژی بین ریزشبکه‌های m_1، m_2، m_3، m_4، m_5 و Ma را در دوره‌های زمانی مختلف نشان می‌دهد. نتایج نشان می‌دهند که در ساعات ابتدایی صبح (7:00 تا 9:00) و عصر (17:00 تا 19:00)، قیمت معاملات انرژی به دلیل کاهش تولید منابع انرژی توزیع‌شده افزایش قابل‌توجهی دارد. در مقابل، در ساعات ظهر (12:00 تا 14:00) با افزایش تولید DER، قیمت‌ها کاهش می‌یابد. مشاهده‌ای مهم در ساعت 14:00 رخ می‌دهد که میانگین قیمت معاملات انرژی به 1.1¥/kWh کاهش می‌یابد، که به‌طور قابل‌توجهی کمتر از نرخ 2¥/kWh تعیین‌شده توسط Ma است. برای نشان دادن برتری مدل ما، عملکرد الگوریتم بهینه‌سازی پیاده‌روی (HOA) را در مقایسه با الگوریتم NSGA و مدل جزیره‌ای [18] بررسی کردیم. الگوریتم NSGA تجارت انرژی بین ریزشبکه‌ها را برای بهینه‌سازی منافع آنها تسهیل می‌کند. مطلوبیت‌های خروجی مدل ما با روش معرفی‌شده در [34] ارزیابی و مقایسه شدند. شکل (۷) یافته‌های این تحلیل را نشان می‌دهد و مقایسه میانگین تابع‌های مطلوبیت برای پنج ریزشبکه مختلف را با استفاده از روش ما در مقابل الگوریتم ¹⁷NSGA مرجع در [34] ارائه می‌کند. تابع مطلوبیت هر ریزشبکه به‌صورت ساعتی از 7 صبح تا 7 عصر طی یک ماه ثبت و میانگین‌گیری شد. نتایج نشان می‌دهند که روش ما عملکرد بهتری نسبت به الگوریتم NSGA دارد و باعث بهبود 23.98 درصدی در میانگین تابع‌های مطلوبیت اپراتورهای ریزشبکه شده است. علاوه بر این، روش ما در یک محیط کاملاً رقابتی کار می‌کند و تأثیر Ma بر قیمت‌گذاری معاملات انرژی را در نظر می‌گیرد، که عملی بودن و کارایی آن را افزایش می‌دهد.

 

 

شکل (5): پویایی تولید انرژی، مصرف و انرژی تامین شده توسط ریزشبکه را نشان می دهد. پانل (a) کل انرژی در دسترس کاربران را بر حسب m_3 نمایش می دهد. پانل (b) توابع ابزار قابل اجرا برای کاربران در m_3 را نشان می دهد. پانل (c) انرژی خالص قابل دسترسی کاربران را در m_5 نشان می دهد. در نهایت، پانل (d) توابع ابزار مربوط به کاربران را در m_5 به تصویر می‌کشد

 

شکل (6): قیمت های مرتبط با تجارت انرژی برای m_1

 

شکل (7): در زمینه ریزشبکه ها، ما جنبه های تولید انرژی، استفاده و انرژی ارائه شده توسط سیستم ریزشبکه را بررسی می کنیم. (الف) کل انرژی در دسترس مصرف کنندگان بر حسب m_3. (ب) توابع سود برای مصرف کنندگان در m_3. (ج) کل انرژی قابل دسترسی مصرف کنندگان بر حسب m_5. (د) توابع سود برای مصرف کنندگان در m_5.

 

در مدل جزیره‌ای، تعاملات بین کاربران و اپراتورهای ریزشبکه در داخل یک ریزشبکه به‌منظور بهینه‌سازی منافع انجام می‌شود. برای ارزیابی عملکرد، مزایای کاربران و اپراتورها در چارچوب پیشنهادی ما با چارچوب معرفی‌شده در [18] مقایسه شدند. نتایج آزمایش‌ها در شکل (۸) ارائه شده است که تفاوت‌های میان روش ما و مدل مورد بحث در [18] را در رابطه با میانگین تابع‌های مطلوبیت کاربران و اپراتورها نشان می‌دهد. در طول یک ماه، داده‌های ساعتی حداکثر مقادیر مطلوبیت برای هر کاربر و اپراتور ریزشبکه (MGO) جمع‌آوری و میانگین آنها محاسبه شد. نتایج آزمایش‌ها نشان داد که الگوریتم معرفی‌شده در این پژوهش عملکردی فراتر از انتظارات داشته است. در مقایسه با مدل جزیره‌ای، روش ما میانگین مقادیر مطلوبیت کاربران و اپراتورها را از 17.3 و 28.2 به 31.4 و 38.98 افزایش داده است، که به‌ترتیب 96.2% و 34.58% افزایش را نشان می‌دهد. برخلاف روش مدیریت متمرکز در [18]، مدل ما به اپراتورهای ریزشبکه امکان می‌دهد انرژی مازاد یا استفاده‌نشده را با سایر اپراتورها مبادله کنند، که در مقایسه با معامله تنها با Ma انعطاف‌پذیری بیشتری در قیمت‌گذاری ایجاد می‌کند. این انعطاف‌پذیری سودآوری اپراتورها را افزایش می‌دهد. برای نشان دادن سودآوری اپراتورهای ریزشبکه، شکل (۹) ارائه شده است. این شکل درآمد اپراتورهای چندشبکه‌ای (MGOs) در ریزشبکه‌های 2 تا 4 را نشان می‌دهد. همان‌طور که در شکل‌های (۹) و (۳) مشاهده می‌شود، سودآوری اپراتورها رابطه مستقیمی با حجم انرژی تجدیدپذیر مبادله‌شده دارد، که این موضوع آنها را به سرمایه‌گذاری در توسعه انرژی‌های تجدیدپذیر تشویق می‌کند.

 

شکل (8): مقایسه ای از توابع ابزار برای کاربران و اپراتورهای ریزشبکه (MGOs) در هر دو مدل دو لایه ما و مدل جزیره ای اشاره شده در [14] را نشان می دهد. بخش (الف) بر عملکردهای سودمند کاربران تمرکز دارد، در حالی که بخش (ب) عملکرد MGO ها را بررسی می کند.

 

شکل (9): درآمد اپراتورهای چندشبکه ای در ریزشبکه های 2 تا 4.

 

نتایج به‌دست‌آمده نشان می‌دهد که رویکرد پیشنهادی و الگوریتم مورد استفاده در مقایسه با مدل‌های مشابه، به‌طور قابل‌توجهی عملکرد بهتری در بهبود مقادیر مطلوبیت کاربران و اپراتورهای ریزشبکه داشته است. به‌طور خاص، این روش توانسته است مقادیر متوسط مطلوبیت کاربران را تا 96.2 درصد و مقادیر متوسط مطلوبیت اپراتورها را تا 34.58 درصد افزایش دهد. این پیشرفت‌ها ناشی از برتری ساختاری رویکرد در ارائه انعطاف‌پذیری بیشتر در قیمت‌گذاری و امکان معامله مستقیم انرژی مازاد یا کمبود انرژی بین اپراتورهای ریزشبکه به جای وابستگی صرف به شبکه اصلی است، که سودآوری اپراتورها را به میزان قابل‌توجهی ارتقا داده است. الگوریتم به‌کاررفته در این مطالعه نیز نقش کلیدی در دستیابی به این نتایج داشته است. این الگوریتم با ایجاد تعادل بهینه بین جستجو و بهره‌برداری، و نیز توانایی مدیریت همزمان چندین معیار در فرآیند تصمیم‌گیری، موفق شده است تعاملات انرژی را به شکلی بهینه‌سازی کند که منافع تمام طرف‌ها حداکثر شود. این ویژگی‌ها باعث شده که الگوریتم مورد استفاده برتری قابل‌توجهی نسبت به روش‌های پیشین، از جمله مدل جزیره‌ای و الگوریتم‌های چندهدفه، داشته باشد. علاوه بر این، رابطه مستقیم میان حجم انرژی تجدیدپذیر معامله‌شده و سودآوری اپراتورها مشاهده شد، به‌گونه‌ای که افزایش استفاده از منابع تجدیدپذیر منجر به افزایش سودآوری اپراتورهای ریزشبکه شد. این امر انگیزه‌ای قوی برای سرمایه‌گذاری در توسعه و به‌کارگیری فناوری‌های مرتبط با انرژی‌های تجدیدپذیر ایجاد می‌کند و در عین حال بهره‌وری کلی سیستم را نیز بهبود می‌بخشد. در مجموع، رویکرد و الگوریتم پیشنهادی نه تنها موجب بهینه‌سازی تعاملات انرژی و بهبود سودآوری می‌شود، بلکه نقش مهمی در ارتقای پایداری محیط‌زیستی از طریق ترویج استفاده از منابع تجدیدپذیر ایفا می‌کند و می‌تواند به عنوان یک مدل موفق در دیگر مناطق نیز مورد استفاده قرار گیرد.

علی‌رغم عملکرد بهینه و نتایج امیدوارکننده مدل پیشنهادی، محدودیت‌هایی وجود دارد که می‌توانند در تحقیقات آینده مورد بررسی قرار گیرند:

1.       وابستگی به داده‌های دقیق پیش‌بینی: دقت عملکرد مدل تا حد زیادی به صحت داده‌های پیش‌بینی‌شده تولید و مصرف انرژی وابسته است. خطاهای پیش‌بینی، به‌ویژه در شرایط آب‌وهوایی متغیر، می‌توانند عملکرد بهینه‌سازی را تحت تأثیر قرار دهند.

2.       محدودیت‌های محاسباتی در مقیاس‌های بزرگ: با افزایش تعداد کاربران و ریزشبکه‌ها، پیچیدگی محاسباتی مدل و الگوریتم HOA ممکن است افزایش یابد. این موضوع می‌تواند نیازمند منابع محاسباتی بیشتری باشد که ممکن است در برخی کاربردها به صرفه نباشد.

3.       چالش‌های فنی در اجرای چندبلاک‌چین: در حالی که فناوری چندبلاک‌چین امنیت و شفافیت تراکنش‌ها را افزایش می‌دهد، هماهنگی میان زنجیره‌های اصلی و جانبی ممکن است منجر به تأخیر در ثبت تراکنش‌ها و افزایش هزینه‌های عملیاتی شود.

4.       محدودیت در مقیاس‌پذیری: مدل فعلی برای شبکه‌های کوچک و متوسط طراحی شده است و اثربخشی آن در شبکه‌های بسیار بزرگ یا توزیع‌شده جهانی نیاز به ارزیابی بیشتر دارد.

5.       تأثیرپذیری از سیاست‌های انرژی و مقررات محلی: موفقیت این مدل به شدت به شرایط قانونی و سیاست‌های حاکم بر بازار انرژی وابسته است. تغییرات در این سیاست‌ها می‌تواند محدودیت‌هایی در پذیرش مدل ایجاد کند.

6.       عدم در نظر گرفتن برخی عوامل زیست‌محیطی و اجتماعی: مدل بر بهینه‌سازی اقتصادی و امنیتی تمرکز دارد و تأثیرات زیست‌محیطی و اجتماعی ناشی از اجرای آن به‌طور جامع بررسی نشده است

5-       نتیجه­گیری

این مطالعه سیستمی نوین برای مدیریت تبادلات انرژی در ریزشبکه‌های دو‌لایه ارائه داد که از الگوریتم بهینه‌سازی کوهنوردی (HOA) و فناوری چندبلاک‌چین بهره می‌برد. نتایج شبیه‌سازی با استفاده از داده‌های واقعی نشان داد که مدل پیشنهادی در بهینه‌سازی هزینه‌ها و افزایش بهره‌وری کاربران و اپراتورهای ریزشبکه مؤثر بوده است. به طور خاص، مطلوبیت کاربران تا 96.2% و مطلوبیت اپراتورها تا 34.58% نسبت به روش‌های مرجع بهبود یافت. همچنین، با استفاده از منابع انرژی توزیع‌شده، هزینه معاملات انرژی تا 45% کاهش یافت. الگوریتم HOA با همگرایی سریع‌تر، پایداری بیشتر، و کارایی محاسباتی بالاتر نسبت به الگوریتم‌های سنتی مانند NSGA، توانست به راه‌حلی جامع‌تر برای مدیریت انرژی در شرایط رقابتی دست یابد. از سوی دیگر، بهره‌گیری از فناوری چندبلاک‌چین به‌طور قابل توجهی امنیت و شفافیت تراکنش‌های انرژی را افزایش داد، که این موضوع به جلب اعتماد کاربران و کاهش احتمال رفتارهای مخرب کمک کرد. این دستاوردها نشان‌دهنده ظرفیت بالای مدل پیشنهادی برای پیاده‌سازی در مقیاس‌های مختلف از ریزشبکه‌ها و بهبود پایداری انرژی است. استفاده از این مدل می‌تواند به اپراتورها کمک کند تا بهره‌وری را افزایش دهند، هزینه‌ها را کاهش دهند و در عین حال به اهداف زیست‌محیطی دست یابند. در آینده، گسترش مدل پیشنهادی به سیستم‌های بزرگ‌تر و ترکیب فناوری‌های پیشرفته‌تر مانند هوش مصنوعی و یادگیری عمیق می‌تواند افق‌های جدیدی در مدیریت انرژی باز کند. همچنین، بررسی تأثیرات اجتماعی و اقتصادی این مدل در مناطق جغرافیایی مختلف می‌تواند زمینه‌ای برای تحقیقات بیشتر باشد.

مراجع

 

[1]       M. Tostado-Véliz, D. Icaza-Alvarez, and F. Jurado, “A novel methodology for optimal sizing photovoltaic‐battery systems in smart homes considering grid outages and demand response,” Renewable Energy, vol. 170, pp. 884–896, 2021, doi: 10.1016/j.renene.2020.09.073.

[2]       M. Tostado-Véliz, M. Bayat, A. A. Ghadimi, and F. Jurado, “Home energy management in off-grid dwellings: Exploiting flexibility of thermostatically controlled appliances,” J. Clean. Prod., vol. 310, art. no. 127507, 2021, doi: 10.1016/j.jclepro.2021.127507.

[3]       M. J. M. Al Essa, “Home energy management of thermostatically controlled loads and photovoltaic‐battery systems,” Energy, vol. 176, pp. 742–752, 2019, doi: 10.1016/j.energy.2018.12.045.

[4]       G. Wang, Y. Zhou, Z. Lin, S. Zhu, R. Qiu, Y. Chen, and J. Yan, “Robust energy management through aggregation of flexible resources in multi‐home micro energy hub,” Appl. Energy, vol. 357, art. no. 122471, 2024, doi: 10.1016/j.apenergy.2024.122471.

[5]       A. Ajitha, G. Akhilesh, T. Rajkumar, S. Radhika, and S. Goel, “Design and implementation of smart home energy management system for Indian residential sector,” Energy Convers. Manag., vol. 307, art. no. 118369, 2024, doi: 10.1016/j.enconman.2024.118369.

[6]       F. Ghanavati, J. C. O. Matias, and G. J. Osório, “Towards sustainable smart cities: Integration of home energy management system for efficient energy utilization,” Sust. Cities Soc., vol. 111, art. no. 105579, 2024, doi: 10.1016/j.scs.2024.105579.

[7]       W. Pinthurat, T. Surinkaew, and B. Hredzak, “An overview of reinforcement learning based approaches for smart home energy management systems with energy storages,” Renew. Sustain. Energy Rev., vol. 202, art. no. 114648, 2024, doi: 10.1016/j.rser.2024.114648.

[8]       R. Xu, S. Khan, W. Jin, A. N. Khan, Q. W. Khan, S. Lim, and D. H. Kim, “A decentralized federated learning based interoperable and heterogeneity aware predictive optimization method for energy and comfort in smart homes environment,” Appl. Soft Comput., vol. 161, art. no. 111689, 2024, doi: 10.1016/j.asoc.2024.111689.

[9]       M. S. Aliero, K. N. Qureshi, M. F. Pasha, and G. Jeon, “Smart Home Energy Management Systems in Internet of Things networks for green cities demands and services,” Environ. Technol. Innov., vol. 22, art. no. 101443, 2021, doi: 10.1016/j.eti.2021.101443.

[10]       M. M. Vahedipour-Dahraie, H. Rashidizadeh-Kermani, and A. Anvari-Moghaddam, “Risk-Based stochastic scheduling of resilient microgrids considering demand response programs,” IEEE Syst. J., vol. 15, no. 1, pp. 971–980, Mar. 2021, doi: 10.1109/JSYST.2020.3026142.

[11]       T. Khalili, A. Jafari, M. Abapour, and B. Mohammadi-Ivatloo, “Optimal battery technology selection and incentive-based demand response program utilization for reliability improvement of an insular microgrid,” Energy, vol. 169, pp. 92–104, 2019, doi: 10.1016/j.energy.2018.12.024.

[12]       F. Shariatzadeh, P. Mandal, and A. K. Srivastava, “Demand response for sustainable energy systems: A review, application and implementation strategy,” Renew. Sustain. Energy Rev., vol. 45, pp. 343–350, 2015, doi: 10.1016/j.rser.2015.01.062.

[13]       J. Dong, F. Gao, X. Guan, Q. Zhai, and J. Wu, “Storage-reserve sizing with qualified reliability for connected high renewable penetration micro-grid,” IEEE Trans. Sustain. Energy, vol. 7, no. 2, pp. 732–743, 2016, doi: 10.1109/TSTE.2015.2498599.

[14]       D. P. Birnie III, “Optimal battery sizing for storm-resilient photovoltaic power island systems,” Sol. Energy, vol. 109, pp. 165–173, 2014, doi: 10.1016/j.solener.2014.08.016.

[15]       M. Tavakoli, F. Shokridehaki, M. F. Akorede, M. Marzband, I. Vechiu, and E. Pouresmaeil, “CVaR-based energy management scheme for optimal resilience and operational cost in commercial building microgrids,” Int. J. Electr. Power Energy Syst., vol. 100, pp. 1–9, 2018, doi: 10.1016/j.ijepes.2018.02.022.

[16]       S. Tsianikas, J. Zhou, D. P. Birnie III, and D. W. Coit, “Economic trends and comparisons for optimizing grid-outage resilient photovoltaic and battery systems,” Appl. Energy, vol. 256, art. no. 113892, 2019, doi: 10.1016/j.apenergy.2019.113892.

[17]       F. Benavente, A. Lundblad, P. E. Campana, Y. Zhang, S. Cabrera, and G. Lindbergh, “Photovoltaic/battery system sizing for rural electrification in Bolivia: Considering the suppressed demand effect,” Appl. Energy, vol. 235, pp. 519–528, 2019, doi: 10.1016/j.apenergy.2018.10.084.

[18]       E. Quiles, C. Roldán-Blay, G. Escrivá-Escrivá, and C. Roldán-Porta, “Accurate sizing of residential stand-alone photovoltaic systems considering system reliability,” Sustainability, vol. 12, no. 3, p. 1274, 2020, doi: 10.3390/su12031274.

[19]       A. Lagrange, M. de Simón-Martín, A. González-Martínez, S. Bracco, and E. Rosales-Asensio, “Sustainable microgrids with energy storage as a means to increase power resilience in critical facilities: An application to a hospital,” Int. J. Electr. Power Energy Syst., vol. 119, art. no. 105865, 2020, doi: 10.1016/j.ijepes.2020.105865.

[20]       NREL, “Renewable, Energy Integration & Optimization,” National Renewable Energy Laboratory, Denver, 2018. [Online]. Available: https://reopt.nrel.gov/tool. [Accessed: Jan. 8, 2021].

[21]       S. Xian and X. Feng, “Meerkat optimization algorithm: A new meta-heuristic optimization algorithm for solving constrained engineering problems,” Expert Syst. with Appl., vol. 231, art. no. 120482, 2023, doi: 10.1016/j.eswa.2023.120482.

[22]       Smart Home Dataset with Weather Information, 2018. [Online]. Available: https://www.kaggle.com/taranvee/smart-home-dataset-with-weather-information. [Accessed: Sep. 19, 2020].

[23]       S. O. Oladejo, S. O. Ekwe, and S. Mirjalili, “The Hiking Optimization Algorithm: A novel human-based metaheuristic approach,” Knowl.-Based Syst., vol. 296, art. no. 111880, 2024, doi: 10.1016/j.knosys.2024.111880.

[24]       M. Liu, M. Wang, J. Men, and D. Yang, “Microgrid trading game model based on blockchain technology and optimized particle swarm algorithm,” IEEE Access, vol. 8, pp. 225602–225612, 2020, doi: 10.1109/ACCESS.2020.3009697.

[25]       M. Goranović, M. Meisel, L. Fotiadis, S. Wilker, A. Treytl, and T. Sauter, “Blockchain applications in microgrids: An overview of current projects and concepts,” in Proc. 43rd Annu. Conf. IEEE Ind. Electron. Soc., Oct. 2017, pp. 6153–6158.

[26]       J. Yang, A. Paudel, and H. B. Gooi, “Compensation for power loss by a proof-of-stake consortium blockchain microgrid,” IEEE Trans. Ind. Informat., vol. 17, no. 5, pp. 3253–3262, May 2020, doi: 10.1109/TII.2020.2977213.

[27]       J. M. Sukhwani, J. M. Martinez, X. Chang, K. S. Trivedi, and A. Rindos, “Performance modeling of PBFT consensus process for permissioned blockchain network (Hyperledger Fabric),” in Proc. IEEE 36th Symp. Rel. Distrib. Syst. (SRDS), Sep. 2017, pp. 253–255.

[28]       N. Koblitz, A. Menezes, and S. A. Vanstone, “The state of elliptic curve cryptography,” Designs Codes Cryptogr., vol. 19, no. 2, pp. 173–193, 2000, doi: 10.1023/A:1010007512298.

[29]       V. G. Martínez, L. H. Encinas, and A. Q. Dios, “Security and practical considerations when implementing the elliptic curve integrated encryption scheme,” Cryptologia, vol. 39, no. 3, pp. 244–269, Jul. 2015, doi: 10.1007/s10516-015-9346-6.

[30]       W. Tushar et al., “Three-party energy management with distributed energy resources in smart grid,” IEEE Trans. Ind. Electron., vol. 62, no. 4, pp. 2487–2498, Apr. 2015, doi: 10.1109/TIE.2014.2369123.

[31]       L. Norton, R. Simon, H. D. Brereton, and A. Bogden, “Predicting the course of gompertzian growth,” Nature, vol. 264, no. 5586, pp. 542–545, 1976.

[32]       S. Xian and X. Feng, “Meerkat optimization algorithm: A new meta-heuristic optimization algorithm for solving constrained engineering problems,” Expert Syst. with Appl., vol. 231, art. no. 120482, Jun. 2023, doi: 10.1016/j.eswa.2023.120482.

[33]       Y. Gu, S. Shi, and M. Jiang, “Network payment system based on hybrid cross-chain,” U.S. Patent 10,363,623, 2020.

[34]       X. Huang, Y. Zhang, D. Li, and L. Han, “A solution for bilayer energy-trading management in microgrids using multiblockchain,” IEEE Internet Things J., vol. 9, no. 15, pp. 13886–13900, Aug. 2022, doi: 10.1109/JIOT.2022.3142815.

[35]       A. Mouat and R. Tamagawa, “Docker,” Amazon, Tech. Rep., 2016. [Online]. Available: https://aws.amazon.com/docker/ [Accessed: Sep. 22, 2023].

[36]       V. Kulkarni, S. Surwase, K. Pingale, S. Sarage, and A. Karve, “Prediction of disease using machine learning,” IRJET, vol. 7, no. 5, pp. 56–72, May 2020.

[37]       M. M. H. Onik, S. Aich, J. Yang, C. Kim, and H. Kim, “Blockchain in healthcare: Challenges and solutions,” in Big Data Analytics for Intelligent Healthcare Management, New York, NY, USA: Academic, 2019, ch. 8, pp. 197–226.

[38]       T. Mudarri and S. A. Al-Rabeei, “Security fundamentals: Access control models,” Interdisciplinarity Theory Pract., pp. 1–4, Aug. 2015.

زیرنویس‏ها

 

فناوری‏های نوین مهندسی برق در سیستم انرژی سبز، سال پنجم، شماره ۲، تابستان ۱۴۰۵                                   23

---

[1]  Renewable energy

[2]  Microgrid

[3]  Hiking Optimization Algorithm

[4]  Blockchain

[5]  Microgrid operator

[6]  multi-blockchain

[7]  Distributed energy resource

[8]  General user

[9]  Practical Byzantine Fault Tolerance (PBFT) 

[10]  Dynamic Partial Order Reduction (DPOR)

[11]  Simplified Payment Verification

[12]  Public Key

[13]  Secret key

[14]  Wallet

[15]  Elliptic Curve Cryptography

[16]  Two-way Pegging

[17]  Non-Dominated Sorting Genetic Algorithm

(22)

---