Un Marco de Optimización de Simulación Evolutiva para La Gestión de Carga Interrumpible en La Red Inteligente

28/12/2020 Un marco de optimización de simulación evolutiva para la gestión de carga interrumpible en la red inteligente
Página 1
manuscrito aceptado
Título: Un marco de optimización de simulación evolutiva

para la gestión de cargas interrumpibles en la red inteligente
Autor: Mehrad Bastani Aristotelis E. Thanos Haluk

Damgacioglu Nurcin Celik Chun-Hung Chen
PII: S2210-6707 (18) 30272-5

DOI: https://doi.org/doi:10.1016/j.scs.2018.06.007
Referencia: SCS 1141
Aparecer en:
Fecha recibida: 8-2-2018

Fecha revisada: 5-10-2018
Fecha de aceptación: 7-6-2018
Cite este artículo como: Mehrad Bastani, Aristotelis E. Thanos, Haluk Damgacioglu,
https://translate.googleusercontent.com/translate_f 1/21
Nurcin Celik, Chun-Hung Chen, un marco de optimización de simulación evolutiva
para la gestión de cargas interrumpibles en la red inteligente, <! [CDATA [Ciudades sostenibles
y Sociedad]]> (2018), https://doi.org/10.1016/j.scs.2018.06.007
Este es un archivo PDF de un manuscrito sin editar que ha sido aceptado para publicación.
Como servicio a nuestros clientes, proporcionamos esta primera versión del manuscrito.
El manuscrito se someterá a corrección de estilo, composición tipográfica y revisión de la prueba resultante.
antes de que se publique en su forma final. Tenga en cuenta que durante el proceso de producción
Se pueden descubrir errores que podrían afectar el contenido y todas las exenciones de responsabilidad legales que
aplicar a la revista pertinente.
Página 2
Un nuevo marco de optimización de simulación evolutiva para cargas interrumpibles

Gestión en la Smart Grid
Mehrad Bastani, Universidad de Stanford, correo electrónico: bastani@stanford.edu

Aristotelis E. Thanos, GE Global Research, correo electrónico: a.thanos@ge.com
Haluk Damgacioglu, Universidad de Miami, correo electrónico: haluk.damgacioglu@miami.edu
Nurcin Celik *, Universidad de Miami, Correo electrónico: Celik@miami.edu
Chun-Hung Chen, Universidad George Mason, correo electrónico: cchen9@gmu.edu
* denota el autor correspondiente.
manuscrito aceptado
Página 1 de 19
Página 3
Un marco de optimización de simulación evolutiva para

Gestión de carga interrumpible en la red inteligente
Resumen
La respuesta a la demanda (DR) es una de las formas más prometedoras de controlar la demanda máxima de energía.
en redes eléctricas que permite a los clientes tomar decisiones informadas con respecto a su energía
consumo, y ayuda a los proveedores de energía a reducir la demanda de carga máxima y remodelar el
cargar perfil. La mayoría de las estrategias de DR existentes consideran cargas de energía constantes para los dispositivos.
en el sistema; sin embargo, la variación de la carga de energía plantea un desafío importante para la viabilidad
de las soluciones adquiridas por las técnicas existentes. En este artículo, proponemos una evolución
Marco de optimización de simulación para implementar una estrategia de DR interrumpida en una red inteligente
con cargas de dispositivo inciertas. El marco propuesto tiene como objetivo ajustar la demanda pico
a la curva de demanda deseada mientras se asegura la confiabilidad de la red. Este marco incluye
tres componentes que interactúan y cooperan entre sí: 1) un algoritmo genético que
mejora progresivamente los escenarios existentes o descubre nuevos escenarios para la interrupción,
2) un modelo de simulación que simula el desempeño de escenarios seleccionados, y 3) un diseño
algoritmo de clasificación que optimiza la asignación de réplicas de simulación e identifica
top m mejores escenarios. La eficacia del marco propuesto se demuestra en un
red inteligente simulada que incluye 29 tipos diferentes de dispositivos. Los resultados de la propuesta
marco son bastante prometedores en términos de viabilidad donde adquiere al menos 4 veces más
muchas soluciones factibles como lo hacen los enfoques existentes.
Palabras clave: respuesta a la demanda, optimización de la simulación, algoritmo genético, óptimo

asignación de presupuesto de computación, redes inteligentes
1. Introducción
En las redes eléctricas, la potencia total suministrada a partir de energías tradicionales y renovables
las fuentes deben ser mayores o iguales a la demanda total del cliente. Sin embargo, el generador de poder
manuscrito aceptado
La producción puede no ser suficiente para satisfacer la demanda en momentos en que es significativamente mayor.
que su valor previsto. Durante estos tiempos, la red eléctrica está en riesgo de sufrir daños menores, mayores,
o incluso fallas permanentes causadas por fuertes oscilaciones de voltaje. Para prevenir tal
fallas, las empresas de servicios públicos comúnmente tienen capacidades totales instaladas de generación de electricidad que satisfacen
la demanda máxima prevista con un margen de error. Actualmente, la mayoría de estos sistemas son
soportado con fuentes de energía de contingencia que están en un estado inactivo en la red pero listas para
ser utilizado en caso de cortes [1]. En estos sistemas, la demanda se satisface partiendo del mínimo
fuentes de generación costosas seguidas de otras fuentes más costosas para incurrir en un
costo mínimo. Sin embargo, durante los períodos pico, el suministro total de energía a menudo no satisface
Preimpresión enviada a Ciudades y Sociedad Sostenibles 13 de junio de 2018
Página 2 de 19
Página 4
la demanda total de los clientes. En el caso de escasez de energía durante los períodos pico, la demanda
Los programas de respuesta (DR) se utilizan para controlar las demandas máximas y obtener beneficios económicos
de la utilización de fuentes de generación menos costosas en la mayor medida posible,
y eliminando la necesidad de construir nuevas plantas de energía adicionales para satisfacer las crecientes
demanda pico [2, 3]. La RD en un sistema energético se lleva a cabo mediante una estrecha colaboración
de consumidores y empresas de energía para alterar el patrón de carga mediante incentivos, subsidios o efectivo
beneficios [4].
Red inteligente vista como el futuro de las redes eléctricas con características avanzadas como mutuas
comunicación con los clientes, autorreparación e integración de generación de energía distribuida
ciones; Sin embargo, el corte de energía sigue siendo un gran desafío para ellos y el corte de energía tiene más
Resultados severos durante el funcionamiento en modo aislado de las redes inteligentes. Una red inteligente es una evolución
sistema de red de energía que gestiona la electricidad de manera sostenible, resiliente y económica,
que utiliza los beneficios de la tecnología de la información y la comunicación (TIC) para controlar
y monitorear diferentes partes de un sistema de energía [5]. Debido a la flexibilidad y facilidad de operación
Los programas DR seguirán siendo las herramientas principales para que las empresas de servicios controlen la energía durante los picos.
períodos en redes inteligentes [1]. Una fuerza impulsora principal de los programas de DR en redes inteligentes es la
invención de una nueva generación de medidores inteligentes, que pueden ofrecer precios de energía en tiempo real y
consumo de energía de los dispositivos potencialmente en cada 15 minutos [6]. DR es un ingrediente importante
paciente del paradigma emergente de redes inteligentes y la experiencia con los mercados energéticos ha demostrado
que la falta de RD ha sido un factor importante que ha contribuido a la aparición del mercado energético
fusión de un reactor. Por ejemplo, la crisis energética de California a principios del milenio podría,
en gran medida, se han mitigado si se dispuso de suficiente DR [7]. Retrasos en la aprobación de nuevos
plantas de energía, la manipulación del mercado disminuyó la oferta y la falta de programas de DR causó
Aumento del 800% de los precios al por mayor entre abril de 2000 y diciembre de 2000 [8]. Actualmente, Pacífico
La empresa de gas y electricidad (PG&E) realiza el ILM en California con éxito con el
media de 312 MW de energía interrumpida por mes [9].
Los métodos y técnicas de DR han sido investigados en la literatura desde diferentes áreas.
aspectos, desde la programación de cargas controlables mediante programación dinámica [10], hasta algoritmos heurísticos
ritmos para redes inteligentes [11]. Más específicamente, Gellings ha clasificado los programas de RD en seis
grupos: gestión de carga interrumpible (ILM), llenado de valle, desplazamiento de carga, conservación estratégica
variación, crecimiento estratégico de la carga y forma flexible de la carga [1, 12, 13]. ILM y cambio de carga son
comúnmente identificados como los programas más eficaces [11, 14]. Brevemente, ILM intenta
Aumentar el consumo de energía durante los períodos de mayor consumo. En ILM, interrumpible
manuscrito aceptado
cargas (IL) constituyen la parte de las cargas totales que provienen de clientes con dispositivos
que pueden gestionarse e interrumpirse para reducir los costes operativos [14]. El quid pro quo
para la interrupción es que las empresas eléctricas ofrecen incentivos económicos a los clientes que
participar en los programas ILM [11, 15].
En la literatura se proponen varios algoritmos prácticos para abordar el problema de ILM.
[16] propone una estrategia de control adaptativo de referencia de modelo (MRAC) para ILM utilizando difusa dy-
programación námica para programar IL. [17, 18] utilizan algoritmos deterministas específicos de casos
para garantizar la solución óptima para ILM de tamaño pequeño y problemas de recorte de picos. Cómo-
nunca, la carga computacional de estos algoritmos aumenta exponencialmente con el número
de cargas / dispositivos [19]. Para abordar este problema, [14] sugiere un algoritmo ILM que utilice binarios
2
Página 3 de 19
Página 5
optimización del enjambre de partículas que supera a su programación dinámica difusa anterior al-
goritmo [16] con respecto a la velocidad cuando se aplica al mismo conjunto de datos. Sin embargo, su algoritmo asume
el consumo de energía de los dispositivos como constante permanentemente (es decir, sin incertidumbre). [20]
proporciona un método de optimización multiobjetivo mejorado para la planificación de operaciones de
rejillas con estrategia de cambio de carga; sin embargo, las cargas del dispositivo se asumen constantes. [21] propone un
Programación diaria para energía eléctrica y sistemas de energía compartidos con recursos renovables.
con un método de optimización MILP para resolver la restricción de despacho económico por hora
mientras que las cargas se consideran irrealmente constantes.
A pesar del progreso logrado en la literatura sobre ILM robusto, estos trabajos asumen con-
demandas constantes y conocidas que a su vez impactan las estrategias de ILM antes mencionadas en
violar la reducción de energía requerida (soluciones inviables) [11, 22, 23]. La suposición
del consumo constante de energía es fundamental para la practicidad y el realismo de los algoritmos, ya que
En el mundo real, el consumo de carga de energía por hora de los dispositivos eléctricos se puede alterar por varios
Factores generales (es decir, el programa seleccionado del dispositivo, diferentes modos como encendido, apagado y en espera,
etc.). A modo de ejemplo, el consumo de energía por hora de refrigeración de tecnología antigua y nueva
tors se muestra en la Figura 1, donde los refrigeradores de tecnología nueva y antigua tienen diferentes
consumos de energía a lo largo del tiempo (que conducen a una ganancia de potencia diferente cuando se interrumpe) [17].
Por lo tanto, este estudio intenta considerar un supuesto esencial de variación de carga en el dispositivo.
cargas para obtener los horarios de los IL.
Figura 1: Consumo de energía de refrigeradores de tecnología antigua y nueva [15]
En este estudio, proponemos un marco novedoso de optimización y simulación evolutiva

para ILM en las redes inteligentes. El marco propuesto está diseñado para permitir la utilidad
empresas o agregadores de terceros generan la programación de carga diaria de dispositivos con
manuscrito aceptado
variaciones de carga. A nuestro leal saber y entender, este trabajo es el primero en realizar variaciones en
el consumo de energía de diferentes dispositivos y utilizar el control a nivel de dispositivo en redes inteligentes.
En este estudio, incorporamos la variación de cargas de dispositivos como un factor de variación aditivo y
Abordarlo mediante la realización de experimentos de simulación extensivos para generar cargas para cada
dispositivo basado en diferentes distribuciones. El marco propuesto genera calendarios robustos
de IL frente a su comportamiento complejo debido a la variación de carga y al tiempo de interrupción limitado
de cargas, obteniendo al mismo tiempo soluciones al menos cuatro veces más factibles que las anteriores
estudios. Matemáticamente, el objetivo del problema considerado es minimizar el costo
bajo un número limitado de interrupciones de dispositivos del mismo tipo, mientras se satisface el
Página 4 de 19
Página 6
reducción requerida. Las principales contribuciones de este trabajo se pueden resumir de la siguiente manera.
1) Introducimos un marco de optimización de simulación novedoso para la programación de inter-
cargas de ruptura considerando la variación de carga. El marco propuesto presenta un gran potencial
para la planificación de las redes inteligentes en el futuro junto con la invención de una nueva generación de
medidores en redes inteligentes, que permiten a las empresas de servicios públicos y agregadores de terceros
recibir y controlar el consumo de energía de cada dispositivo de forma automática.
2) Formulamos un problema de optimización para minimizar el costo total impuesto al
sistema por ILM mientras satisface la curva de carga deseada durante todos los períodos de tiempo.
3) Este es el primer estudio que utiliza simulación, optimización y clasificación de diseño de simulación.
algoritmos en un marco integrado para ofrecer un ILM robusto a nivel de dispositivo.
4) El marco de simulación y optimización propuesto se compara con una determinación relajada
algoritmos de optimización mínima, búsqueda aleatoria y recocido simulado (SA) para
mance evaluación y adquirió unos resultados bastante prometedores en términos de viabilidad y
costo.
El resto de este artículo está organizado de la siguiente manera: la sección II proporciona las
Formulación del problema planteado de programación de cargas interrumpibles. Sección III pro
Incluye detalles de los diversos componentes de la optimización de simulación evolutiva propuesta.
marco para ILM. La sección IV presenta y discute los resultados obtenidos del pro-
marco propuesto utilizando un estudio de caso de red inteligente realista. Finalmente, la Sección V resume el
conclusiones y espacios futuros de este estudio.
2. Declaración del problema
La programación de IL con cargas inciertas es una compleja operación estocástica de un solo objetivo.
Problema de temporización. La notación y formulación matemática de las cargas interrumpibles.
El problema de programación (SILP) se muestra en la Tabla I y (1-6), respectivamente. Aquí, nuestro objetivo es
minimizar el costo total de interrupción como en (1) mientras se satisface la carga requerida por hora
reducción como en (2). La ecuación (3) satisface la limitación sobre el número de interrupciones
y (4) asegura que los IL sean iguales o menores que el número de dispositivos en funcionamiento. La estafa-
El problema considerado se formula como una programación entera que involucra parámetros inciertos
(C k ± ) donde la reducción requerida para cada hora se formula como una restricción suave.
restricción en este contexto representa una restricción que se prefiere satisfacer pero no
necesario. La ecuación (3) es una restricción estricta ya que estamos obligados a no interrumpir una
cliente varias veces durante una duración determinada. Sin embargo, (2) depende del estado del cliente
manuscrito aceptado
y no es necesario que lo satisfaga un cliente específico.
Objetivo:
norte t
Min ∑ ∑ x kt · R k · C ± k (1)
k=1 t=1
Sujeto a:
norte
∑ (f kt - x kt ) · C ± para ∀t ∈ T (2)
k ≤ Dt
k=1
Página 5 de 19
Página 7
Tabla 1: Notación utilizada en SILP

Índices Descripción
k Tipo de dispositivo donde k ∈ K y K ∈ {1, ..., N}
t Hora donde t ∈ T y T ∈ {1,2, ..., 24}
Descripción de los parámetros
Rk Costo de interrupción del tipo de dispositivo k (/ dispositivo)
Ck Carga del dispositivo de tipo k
Dt Demanda deseada en el momento t
nk Número de dispositivos de tipo k
apagado k Tiempo máximo de inactividad para el tipo de dispositivo k
f kt Número previsto de dispositivos de trabajo de tipo k en el momento t
Variables Descripción
x kt Número de dispositivos interrumpidos de tipo k en el momento t
T
∑ x kt ≤ apagado k · n k (3)
t=1
x kt ≤ f kt ∀k y t (4)
x kt ∈ Z + ∀k y t (5)
La función objetivo de SILP (1) minimiza el costo total de interrupción de dispositivos

donde el superíndice ”±” indica la variación aditiva considerada para cada dispositivo. Ecuación
(2) asegura que se cumpla la reducción de carga requerida en cada período de tiempo t (hora).
La ecuación (3) evita que el modelo interrumpa con frecuencia un dispositivo específico debido a una baja
costo de interrupción (es decir, tener un precio de interrupción bajo durante todos los períodos de escasez). Equa-
ción (4) evita que el modelo interrumpa los dispositivos que no funcionan, y (5) garantiza
valores para las variables de este problema.
3. Marco propuesto de optimización y simulación evolutiva para

Gestión de carga de ruptura
manuscrito aceptado
Proponemos un nuevo marco de optimización de simulación evolutiva para ILM con el fin de
Encuentre los horarios (casi) óptimos para los IL dadas las cargas de dispositivos inciertas. Aquí, subsección 3.1
proporciona una descripción general del marco propuesto, mientras que la subsección 3.2 explica
el marco de optimización de simulación propuesto y sus componentes en detalle.
3.1. Visión general

El marco de optimización de simulación evolutiva propuesto para ILM se compone de
tres componentes principales: 1) un algoritmo genético que descubre progresivamente nuevas soluciones
Página 6 de 19
Página 8
para la programación de cargas interrumpibles, 2) un modelo de simulación que adquiere el rendimiento

mance de diferentes escenarios de interrupción, y 3) un cálculo óptimo de clasificación completa
algoritmo de asignación de presupuesto (OCBA) que optimiza la asignación del número de réplicas
dedicado a cada escenario de simulación e identifica las mejores soluciones para la genética
algoritmo (ver figura 2).
Figura 2: Marco de optimización de simulación evolutiva propuesto para ILM
El marco se inicia por un conjunto de n soluciones aleatorias iniciales obtenidas por la genética
algoritmo. Estas soluciones representan un programa de dispositivos que deben interrumpirse.
en períodos de tiempo preestablecidos. Luego, el modelo de simulación evalúa estas soluciones para un
número inicial predeterminado de repeticiones en términos de sus medias y variaciones. los
El rendimiento de una solución es diferente en cada réplica debido a la variación de energía.
consumo. Usando los rendimientos de media y varianza calculados de cada solución, el
El algoritmo OCBA devuelve el número óptimo de réplicas de simulación adicionales que se necesitan
que se asignará a cada solución. Este procedimiento se repite hasta que el presupuesto total (es decir, el
se alcanza el número máximo de réplicas). Luego, la clasificación completa de estas soluciones
manuscrito aceptado
obtenido por el OCBA se proporciona al algoritmo genético. En cada iteración, la genética
El algoritmo produce un nuevo conjunto de soluciones utilizando sus operadores de cruce y mutación hasta que
la población se cumple. En el siguiente paso, la simulación y OCBA cooperan para determinar
la clasificación completa de estas soluciones que utilizan el número mínimo de repeticiones y
mantener las mejores soluciones m. El procedimiento antes mencionado se repite hasta que un predeterminado
se alcanza el número de iteraciones. En la siguiente subsección, el marco propuesto y
sus componentes se describen en detalle.
Página 7 de 19
Página 9
3.2. Componentes del marco propuesto

3.2.1. Algoritmo genético para SILP
El algoritmo genético está inspirado en un algoritmo metaheurístico basado en la población que
se utiliza ampliamente en varios problemas combinatorios [24]. La simulación evolutiva propuesta
El marco de optimización para ILM se inicializa con la generación de un conjunto de soluciones factibles.
por el algoritmo genético para el SILP predefinido (GA SILP ). Aquí, un individuo que es
compuesto de genes denota una solución particular para un problema dado, y el rendimiento
La función se usa para evaluar la eficiencia de las soluciones (es decir, un valor de aptitud). El GA SILP
comienza con una población inicial que evoluciona hacia mejores soluciones a través de sus generaciones. los
El proceso de evolución en sí tiene cuatro pasos: 1) un paso de selección que elige soluciones con
valor de rendimiento, 2) un paso de diversificación que asegura que las soluciones generadas son
dispares para evitar soluciones óptimas locales, 3) un operador de cruce que recombina más
de dos individuos para formar una nueva población y 4) un operador de mutación que altera la
individuos para mantener la diversidad en la población. Debido a las incertidumbres de carga entre
diferentes dispositivos, se necesita un rango para definir la función de desempeño de cada solución.
Dado que SILP es un problema de optimización restringido con parámetros inciertos, el pro-
planteado GA SILP mejora la viabilidad de las soluciones. Aquí, (4) está satisfecho con el cruce y
operadores de mutación. Sin embargo, con la variación de carga, estos operadores pueden no satisfacer (2-3)
y la viabilidad de la reducción requerida puede verse comprometida. Para abordar estos
dos cuestiones simultáneamente, la función de rendimiento (fitness) está diseñada para considerar no solo
el objetivo del problema; sino también los costos de penalización por restricciones inviables como se muestra
abajo.
norte 24
Pf= ∑ ∑ x kt · R k
k=1 t=1
24
( norte
)2
+pr· ∑ max Req t - ∑ (f kt - x kt ) · C ± (6)
k ,0
t=1 k=1
( ( 24 ) )
+pm· max ∑ x kt - apagado k , 0
t=1
manuscrito aceptado
La ecuación (6) calcula la función de desempeño (P f ) de cada programa de interrupción.
El primer término de la ecuación es el objetivo del problema. El segundo trimestre gradualmente
penaliza los horarios inviables cuando no satisfacen las condiciones de restricción de carga requeridas.
esfuerzo. Cuanto más se desvía la carga de la curva deseada, más inviable es la solución
es penalizado. El último término calcula la penalización por soluciones que violan el máximo
número de horas de inactividad. (p r ) y (p m ) son los parámetros de penalización definidos por el usuario con valores grandes
descartar las soluciones inviables para la próxima réplica de GA SILP .
Para evaluar las funciones de aptitud de las soluciones de GA SILP en cada iteración,
Clasificación completa OCBA se utiliza para clasificar todas las soluciones y asignar réplicas de simulación para
cada diseño de una manera eficiente, como se describe en la siguiente subsección. Una vez que la clasificación completa
7
Página 8 de 19
Página 10
de las soluciones se obtienen, las m mejores soluciones clasificadas se mantienen para la siguiente iteración
del algoritmo genético. Además, se añaden m soluciones aleatorias adicionales para
diversificar el nuevo conjunto de soluciones (y evitar los óptimos locales). Como resultado, 2 millones de soluciones, incluidas
las m mejores soluciones clasificadas del paso anterior ym soluciones aleatorias del actual
(2m )
paso, se mantienen. A continuación, para llenar el conjunto de soluciones, las soluciones son generadas por
2
aplicando los operadores de cruce y mutación sobre las soluciones de 2 m almacenadas. Después de este
(2m )
paso, hay 2m + = 2m + 2m 2 - m = 2m 2 + m soluciones en el conjunto de soluciones.
2
En el GA SILP , las soluciones se almacenan en matrices con 24 columnas (que representan un 24-
período de una hora) y N filas (cada una representa un tipo de dispositivo diferente). Aunque tradicionalmente,
se utiliza una cadena binaria para representar las soluciones, las representaciones de cardinalidad superior pueden
También se utilizará [25], donde cada entrada de la matriz de representación puede tomar valores en {0,1, .., f kt }.
Esta representación ofrece la capacidad de desarrollar un cruce y una mutación específicos del problema.
operadores. Aquí, definimos un operador cruzado que toma una combinación convexa de padre
matrices (a) yb) y redondearlo al número entero más cercano para generar nuevas soluciones (c =
λ a + (1 - λ) b, donde c es la nueva solución y λ es un número aleatorio entre 0 y 1, como
mostrado en la figura 3).
Figura 3: Crossover en GA SILP
manuscrito aceptado
El operador de cruce siempre produce soluciones que satisfacen las restricciones (3-4). también
en comparación con los operadores de cruce de "un solo punto" y "dos puntos", genera más
soluciones diversificadas [26]. El operador de cruce se aplica a cada par de soluciones, incluido
las m soluciones principales del paso anterior ym soluciones aleatorias recién generadas (di-
versificación). Al final, el operador de cruce crea n = 2 m 2 + m soluciones.
El operador de mutación se activa en función de una tasa de mutación, que se define en función de la
experimentos preliminares. El operador de mutación en GA SILP se utiliza como reparación
y refinando la herramienta y se enfoca en mejorar las soluciones factibles o alterar las inviables
soluciones a las factibles. Una vez que se activa una mutación para una solución no factible específica,
el GA SILP incrementa el número de cargas interrumpidas hasta que se satisface la demanda deseada.
8
Página 9 de 19
Página 11
Este aumento de las cargas interrumpidas está limitado por el número máximo de interrupciones.
Las n soluciones resultantes se integran luego en la clasificación completa OCBA y la simulación
modelo para obtener una nueva (mejor) clasificación de las soluciones. Una vez clasificadas, las nuevas soluciones
Vuelva a ingresar el GA SILP y este procedimiento continúa hasta que un criterio de parada predefinido sea
reunió.
3.2.2. Algoritmos de clasificación de simulación y diseño para SILP

Nuestro marco de simulación y optimización está construido utilizando un software basado en Java (Anylogic
7). Cada tipo de dispositivo se modela como un agente de simulación que requiere una cantidad específica de
poder para operar. Estos agentes se pueden activar o desactivar con respecto a la interrupción
horarios que se alimentan a la simulación desde GA SILP . Hay un agente adicional
para la empresa de servicios públicos que suministra energía a estos agentes de dispositivos. El agente de servicios públicos en
el final del período especificado (24 horas) calcula la función de rendimiento de un determinado
horario interrumpido. Sin embargo, existe incertidumbre en las cargas del dispositivo y, como resultado,
cada conjunto de solución (solución alimentada desde el algoritmo genético a la simulación) se simula
varias veces para obtener un alto nivel de confianza para los conjuntos de soluciones [27, 28, 29]. Varios
Los procedimientos de clasificación y selección del diseño de simulación se han aplicado en el pasado para ahorrar
tiempo computacional o potenciar el proceso de simulación y optimización [30, 31, 32, 33, 34,
35, 36]. [28, 29] inició los métodos de clasificación y selección mediante el uso de múltiples estadísticas
comparaciones entre los diseños. Si bien estos métodos plantaron las semillas para futuras investigaciones,
solo se pueden aplicar a problemas de pequeña escala con diseños finitos. Posteriormente, [33] propuso
un método de asignación de presupuesto de cálculo óptimo (OCBA) para encontrar el mejor diseño de simulación
que adquiere los resultados de un modelo de simulación para evaluar el desempeño de alternativas
diseña y asigna más repeticiones para cada diseño en función de la media y la varianza
de los valores de rendimiento [30]. OCBA ha sido el centro de atención de varios investigadores
y se ha aplicado a varios problemas dispares [35, 36, 37, 38, 39, 40]. Recientemente, [30]
extendió el método OCBA para clasificar todos los diseños de simulación mediante un procedimiento eficiente.
Siguiendo los pasos de [27], en este estudio incorporamos el ranking completo OCBA
en un algoritmo genético para una mejor eficiencia de su proceso de selección.
En el marco de optimización de simulación propuesto, clasificamos la aptitud de las soluciones genéticas
funciones. La figura 4 explica el procedimiento de un algoritmo OCBA de clasificación completo considerando
α = (α 1 , .., α k ) como proporción del presupuesto total que se asignará a cada diseño (cromo-
k αin
algunos) con ∑ i = 1 α i = 1 y ¯x f (α i n) = ∑ j = 1 X f / α i n como el valor medio de aptitud de la muestra
l ij
manuscrito aceptado
para la solución i, donde n representa el número total de soluciones en cada iteración (generación
población).
Para calcular el presupuesto adicional para completar la clasificación OCBA (Figura 4), α i es
introducido para indicar el peso del presupuesto adicional para cada dispositivo. α i se calcula
resolviendo las i ecuaciones producidas por (7), donde la media y la varianza para cada dispositivo es
calculado en base a los resultados de la simulación de los pasos anteriores:
(( µ fi − 1
−µ fi ) (µ fi −µ fi + 1 ) ) (( µ fj −1
−µ fj ) 2 (µ fj −µ fj + 1 ) 2
)
min , = min , (7)
2 2
σ fi2 − 1 /α∗ fi
/ α ∗yo σ 2fi / α ∗ fi + 1
/ α ∗ yo + 1 σ fj2 − 1 /α∗ fj
/ α ∗j σ fj2 / α ∗ fj + 1
/ α ∗j + 1
i−1+ σ2 i+ σ2 j−1+ σ2 j+ σ2
Página 10 de 19
Pagina 12
Figura 4: Clasificación OCBA completa

Paso 1: datos de entrada
(1) Defina k (número de diseños alternativos), T (presupuesto total de simulación), ∆ (disponible
presupuesto capaz de una sola iteración del algoritmo), n 0 (réplicas iniciales en cada
design), yl (iteración actual en OCBA)
(2) Establecer i ← 0;
(3) Establecer n l
1 = n l 2 = ... = n l k= n0
(∑ k )
Mientras nl repita los pasos 2-3
i=1 yo <T
Paso 2: cálculo de presupuesto adicional
(1) Aumente el presupuesto de computación by utilizando el presupuesto adquirido por asintóticamente óptimo
asignación (AOA):
∑ yoa i = 1,
para cualquier i = j, la asignación de AOA es tal que:
(( µ −µ )
fi − 1
( µ −µ ) ) (( µ −µ ) ( µ −µ )
fi
) fj −1
fj
min , σ /α = min , σ /α
fi 2 fi + 1 2 fj 2 fj + 1 2
σ /α 2
fi − 1
/α ∗ /α fi
σ
∗
yo
/α 2
fi
/α ∗ /α fi + 1
∗
yo + 1
2
fj − 1
∗
fj
∗
j
2
fj
∗
fj + 1
∗
j+1
i−1+ σ2 i+ σ2 j−1+ σ2 j+ σ2
(2) Se puede obtener un presupuesto adicional para cada diseño usando α ∗ = (α ∗

1 , α ∗2 , ..., α ∗ k ):
n yo
l+1 = α ∗ (∑ k i = 1 n l )
.yo yo + ∆
Paso 3: simulación
(1) Realice [max (n l + 1 -nl
yo i , 0)] réplicas de simulación para todos los diseños k
(2) Establezca l ← l + 1.
4. Resultados y debates
Para demostrar la efectividad del marco propuesto, utilizamos un caso

estudio de una red inteligente sintética utilizando un conjunto real de datos. Los datos de los dispositivos, incluidos sus
tipos, capacidades, número máximo de interrupciones, tasas de interrupción y posibilidades de
la interrupción se presentan en la Tabla 2. Con el objetivo de desarrollar un programa de interrupciones para
ciertas cargas sin interrumpir un dispositivo específico o un conjunto de dispositivos con frecuencia, limitamos el
número de interrupciones para cada dispositivo en el modelo matemático agregando un
restricción (3). Los dispositivos interrumpibles considerados se agrupan en tres categorías principales
incluyendo dispositivos residenciales, comerciales e industriales. Dispositivos en la zona residencial.
tienen cargas pequeñas y duraciones cortas, mientras que los dispositivos industriales tienen una capacidad significativamente mayor
manuscrito aceptado
pacificaciones y duraciones más largas. Los dispositivos comerciales tienen capacidades ligeramente mayores y menores
duraciones operativas que las de los dispositivos residenciales. Cabe señalar que el último
La columna de la Tabla 2 representa si el tipo de dispositivo es interrumpible o no. No interrumpible
dispositivos como secadora, lavadora, etc. no entran en el GA SILP . En este estudio, el
El contenido del contrato ILM se toma prestado de [7] como sigue: período de vigencia: temporada
(3 meses), notificación avanzada: notificación con un día de antelación, duración de la interrupción: máxima
20% del día, número de interrupciones: número máximo predefinido de interrupciones para cada
dispositivo como se representa en la Tabla 2, costo de compensación: variable a lo largo del tiempo utilizando
datos.
10
Página 11 de 19
Página 13
Tabla 2: Características de los dispositivos [7]
Dispositivo Número de Max. Inter de dispositivo base.

Tipos Dispositivo Cargas de interrupción E (C k ) o no
Dispositivos residenciales
Secadora 189 - 1.2 No
Lavavajillas 288 58 0,7 si
Lavadora 268 - 0,5 No
Horno 279 56 1.3 si
Hierro 340 68 1 si
Aspiradora 158 32 0.4 si
Ventilador 288 58 0,2 si
Luces 406 82 0,2 No
Calentador de agua 48 10 0.48 si
Computadora de escritorio 59 11 0.4 si
Secador de pelo 58 - 1,5 No
Eliminación de desechos del fregadero
66 15 0,45 si
Sartén 101 - 1.1 No
Cafetera 56 17 0,8 si
Total 2604 - - -
Dispositivos comerciales
Dispensador de agua 156 30 2.5 si
Secadora 117 - 3,5 No
Tetera 123 24 3 si
Horno 77 15 5 si
Cafetera 99 20 2 si
Ventilador / AC 93 19 3,5 si
Aire acondicionado 56 11 4 si
Luces 87 17 2 No
Total 808 - - -
Dispositivos industriales
Calentador de agua 39 8 12,5 si
manuscrito aceptado
Maquina de soldar 35 7 25 si
Ventilador / AC dieciséis 3 30 si
Horno de arco 8 - 50 No
Motor de inducción 5 1 100 si
Motor de corriente continua 6 - 150 No
Total 109 - - -
Los resultados del marco de optimización de simulación propuesto se describen en detalle

como el seguiente.
11
Página 12 de 19
Página 14
4.1. Resultados y discusiones de GA SILP

La variación en el consumo de energía de los dispositivos puede llevar a diferentes soluciones para el
propuesto SILP. Para superar este problema de una programación diaria de IL, la simulación propuesta
El marco de optimización de la instalación (consulte la Sección 3) se utiliza para generar los programas
ILs. Para aumentar la calidad de la solución y la eficiencia computacional, el parámetro
Los valores para el experimento (tasa de mutación, iteraciones GA SILP , etc.) se determinan después
experimentos preliminares del marco. Durante nuestros experimentos, una población inicial de
Se generan 210 soluciones factibles para iniciar el algoritmo genético (GA SILP ). Rendimiento de la solución
Luego se evalúan las mances en función de la función de rendimiento de GA SILP en función de la
capacidades simuladas y resultados del ranking completo OCBA. Aquí, la energía del dispositivo
La succión se genera mediante distribuciones normales con media (µ) igual al valor esperado
de capacidades del dispositivo (Tabla 2) y varianza (σ 2 ) igual a µ / 6. El número inicial de réplicas
ciones, presupuesto de replicación adicional y presupuesto de replicación total se establecen en 10 (n 0 ), 200 (∆),
y 10,000 (T), respectivamente. Una vez que se clasifican las soluciones, las mejores m (10) soluciones se mantienen
para la próxima iteración del GA SILP . Para adquirir 200 (= 210 - 10) nuevas soluciones, 10
Las soluciones factibles se generan aleatoriamente para agregar diversificación a las soluciones y evitar
optima local. Las 190 soluciones restantes se generan aplicando el operador de cruce
((10 + 10 ) )
sobre todos los pares de las 10 soluciones mejor clasificadas y 10 soluciones aleatorias = 190 .
2
El operador de mutación para el problema considerado (p mu ) se establece en 0,1 después de la evaluación de
los experimentos iniciales. Finalmente, el marco detiene sus operaciones con 200 generaciones de
el GA SILP . La gráfica de convergencia del GA SILP se ilustra en la figura 5. Las actuaciones
de las soluciones obtenidas cambiaron mínimamente después de 60 iteraciones y parecían estar muy cerca
el uno al otro. En consecuencia, la variación en el consumo de energía del dispositivo es la única fuente
de variación entre el rendimiento de las soluciones después de 60 iteraciones.
manuscrito aceptado
Figura 5: Gráfico de convergencia del GA SILP
4.2. Evaluación del desempeño del marco propuesto

Comparamos el marco de optimización de simulación propuesto con el determinista relajado
optimización, búsqueda aleatoria, recocido simulado (SA) y caso óptimo que no es realista
debido a la naturaleza de predicción de los programas de recuperación ante desastres diarios. Para evaluar la eficiencia
12
Página 13 de 19
Página 15
de las soluciones obtenidas en comparación con el método de optimización determinista relajado, el SILP
se relaja usando el valor esperado de C ±
k (µ = E (C ± k )) y optimizado mediante una optimización
Acercarse. En otras palabras, intentamos optimizar el SILP considerando valores deterministas
para cargas de dispositivos (E (C ±
k ) para cargas de dispositivos). La forma relajada de (1-2) se puede escribir como
sigue.
(N 24 ) norte 24
minE (f (x)) = minE ∑ ∑ x kt · R k· C± ≡ min ∑ ∑ x kt · R k · E (C ± ) (8)

k
k
k=1 t=1 k=1 t=1
(N ) norte
mi ∑ (f kt - x kt ) · C ± ≥ E (D t ) ≡ ∑ (f kt - x kt ) · E (C ± (9)
k
k ) ≥ Dt
k=1 k=1
Después de obtener el programa óptimo del problema de optimización determinista relajado,

Además, utilizamos algoritmos basados en heurística como la búsqueda aleatoria y el recocido simulado.
(SA) para encontrar la solución casi óptima y compararla con la simulación propuesta y
marco de optimización con fines de eficiencia.
Para comparar la programación resultante del marco propuesto con el anterior
algoritmos, simulamos la carga de energía de cada dispositivo con dos distribuciones diferentes
N (E (C ±
k ), E (C ± k ) / 3) (Escenario 1, S 1 ) y N (E (C ± k ), E (C ± k ) / 6) (Escenario 2, S 2 ) en 200
iteraciones para cada distribución. Los horarios obtenidos del marco propuesto son
comparado con los obtenidos de la optimización determinista relajada, aleatoria
búsqueda y SA en términos de viabilidad y costo promedio (200 capacidades de dispositivo para cada uno) como
resumido en la Tabla 3.
Tabla 3: Comparación del marco ILM y el enfoque de optimización determinista relajado con óptimo
soluciones
- Propuesto Relajado Aleatorio Simulado Óptimo
Marco de referencia Determinista Buscar Recocido Caso
Mejoramiento (Poco realista)
Escenarios S1 S2 S1 S2 S1 S2 S1 S2 S1 S2
Demanda E (C k ) E (C k ) E (C k ) E (C k ) E (C k ) E (C k ) E (C k ) E (C k ) E (C k ) E (C k )
media (µ k )
Demanda µ/6 µ/3 µ/6 µ/3 µ/6 µ/3 µ/6 µ/3 µ/6 µ/3
diferencia
(σ 2 )
manuscrito aceptado
Porcentaje 80,5% 64,5% 21% 12,5% 55% 25% 25,5% 17,5% - -
de factible (161) (129) (42) (25) (110) (50) (51) (35)
soluciones
Promedio de 125,595 123,995 115,123 115,949 127,333 124,213 129,776 124,505 112,603 112,518
coste total
Los resultados experimentales del marco propuesto contra cuatro algoritmos para dos escenarios
narios de cargas de dispositivos se muestran en 3. En una programación de carga de energía por día, la
La calidad de los programas de carga se evalúa en función del porcentaje de programas que satisfacen los
13
Página 14 de 19
Página 16
curva de carga deseada en todo momento (soluciones factibles). En el escenario 1, el marco propuesto
realiza todos los demás algoritmos obteniendo al menos un 25% más de solución factible. Esta diferencia
se vuelve más significativo en el escenario 2 donde el marco propuesto gana al menos un 40%
soluciones más viables. Comparación del porcentaje de soluciones factibles entre diferentes
algoritmos representa que la utilización del marco propuesto previene al menos un 25%
de períodos de apagón / apagón. Black / brownout tiene un impacto significativo en la gestión de costes
de redes inteligentes e incluso un apagón / apagón breve impone un aumento importante en el costo de
empresas de servicios energéticos. Alto índice de soluciones viables y reducción de la demanda de carga máxima en el
El marco propuesto mejora la sostenibilidad de la red y ayuda a las empresas de servicios públicos a evitar
la construcción de una infraestructura eléctrica infrautilizada en términos de capacidad de generación,
líneas de transmisión y redes de distribución. El resultado del marco ILM propuesto
ilustra que las redes inteligentes TIC emergentes con capacidad de control directo sobre los dispositivos
potencialmente puede disminuir los períodos de apagón / apagón de 25 a 60%.
El costo total promedio de ILM para diferentes algoritmos se demuestra en la última fila de
Tabla 3. Nuestro marco ocupó el segundo lugar en términos de costo total de ILM después del determinista relajado
mejoramiento; sin embargo, gana un 50% y un 60% más de viabilidad en diferentes escenarios que
evita un costo significativo para la planificación de la operación de la red inteligente. La tabla 3 también representa que hay
es una correlación negativa entre la varianza de las cargas del dispositivo y el porcentaje de viabilidad donde
aumentando la varianza de E (C ±
k ) / 6 a E (C ± k ) / 3 disminuye el porcentaje de factibilidad
y aumenta el promedio del costo total de ILM. Es importante tener en cuenta que la búsqueda aleatoria tiene
clasificada como la segunda mejor estrategia en términos de programas factibles, pero debido al azar
La naturaleza de los algoritmos codiciosos y la falta de fiabilidad, no se puede categorizar como una estrategia viable.
Los programas de DR se implementan comúnmente con un día de anticipación y los avisos anticipados son
dado para notificar a los participantes. En este caso, es imposible pronosticar el consumo de energía exacto.
succión de dispositivos. Sin embargo, al final del período de 24 horas, el consumo de energía de
cada dispositivo es conocido y se puede utilizar para evaluar la eficiencia del marco propuesto
trabajo. En la última columna de la Tabla 3, se comparan los resultados del marco propuesto
contra el de la programación óptima para 200 conjuntos de demandas simuladas. El costo promedio
en el marco propuesto ha alcanzado un desempeño prometedor con 88.21% y 88.47%
de costos óptimos en dos escenarios diferentes. Como se mencionó anteriormente, en una DR del día por delante
con cargas de dispositivo inciertas, la solución óptima no se puede obtener debido a la incertidumbre
demandas y la última columna de la tabla 3 se agrega para fines de comparación.
4.3. Programación de cargas interrumpibles
manuscrito aceptado
La figura 6 ilustra la curva de carga resultante obtenida como resultado del programa producido por
el marco ILM propuesto frente a los obtenidos de la optimización determinista,
y cargas óptimas durante 6 horas con mayor demanda.
En la figura 6, los valores de 4 y 10 en el eje de tiempo representan las 10:00 a.m. y las 4:00 p.m., respectivamente.
La comparación de la demanda deseada (línea gris) y el promedio de carga del marco ILM
(línea naranja) revela que el marco propuesto ha logrado satisfacer los requisitos
reducción para todos los períodos de 6 horas, mientras que el promedio de cargas en la optimización determinista
El enfoque ha superado la demanda deseada durante dos horas, incluida la hora de 11 a.m. a 1 p.m.
período. Dado que la satisfacción de la reducción requerida mejora la sostenibilidad de la red y
14
Página 15 de 19
Página 17
reduce la necesidad de construir instalaciones energéticas infrautilizadas con enormes costes,

El marco ILM propuesto ha logrado reducir la demanda de carga máxima de los dispositivos inteligentes.
cuadrícula.
Figura 6: Demanda deseada, optimización determinista y curvas de carga del marco ILM propuestas
5. Conclusiones y labor futura
La respuesta a la demanda es una de las formas más beneficiosas de controlar la demanda máxima en el futuro.
redes inteligentes [7]. Este artículo propone un marco de optimización de simulación evolutiva para
gestión de carga de interrupción (ILM) en redes inteligentes que intenta minimizar el total
costo de interrupción con la consideración de la incertidumbre entre el consumo de energía de los dispositivos.
El marco de ILM propuesto se compone de tres componentes integrados, un algoritmo genético
rithm, un modelo de simulación y un algoritmo de clasificación de diseño. Los resultados obtenidos de la
marco propuesto en un estudio de caso de red inteligente revela que la programación obtenida de
Las cargas interrumpibles con variaciones en las cargas del dispositivo conducen a soluciones sustancialmente más factibles.
que los obtenidos con el enfoque determinista, la búsqueda aleatoria y el recocido simulado
ing (SA). Además, el marco de optimización de simulación propuesto generó programas
con precisiones de 88,21% y 88,47% en dos conjuntos de datos en comparación con las soluciones óptimas.
El marco de optimización de simulación evolutiva propuesto en este trabajo para ILM es
diseñado como un marco genérico para empresas de servicios públicos y agregadores de terceros,
errar la variación (ruido) entre las capacidades del dispositivo. Los lugares futuros de este estudio incluyen el
implementación de diferentes programas de DR para capacidades de dispositivos con ruido. La propuesta
manuscrito aceptado
El marco ILM también se puede aplicar a casos más grandes de las futuras redes inteligentes para obtener el
programación de cargas interrumpibles. Si bien el algoritmo propuesto proporciona resultados muy prometedores
resultados teniendo en cuenta las capacidades de los dispositivos ruidosos, el trabajo adicional, como la implementación
de respuesta a la demanda de cargas de dispositivos ruidosos utilizando estrategias de interrupción y cambio de carga
se puede implementar para mejorar el algoritmo propuesto.
6. Reconocimiento
Este trabajo fue apoyado en parte por la Oficina de Investigación Científica de la Fuerza Aérea bajo
premio FA9550-18-1-0075, y National Science Foundation con el número de premio ECCS-
15
Página 16 de 19
Página 18
1462409.
Referencias
[1] L. Gelazanskas, KA Gamage, Gestión del lado de la demanda en redes inteligentes: revisión y propuestas para
dirección futura, Ciudades y sociedad sostenibles 11 (2014) 22–30.
[2] DS Loughran, J. Kulick, Gestión del lado de la demanda y eficiencia energética en los Estados Unidos, The
Energy Journal (2004) 19–43.
[3] G. Strbac, Gestión de la demanda: beneficios y desafíos, Política energética 36 (12) (2008) 4419–4426.
[4] K. Aduda, T. Labeodan, W. Zeiler, G. Boxem, Y. Zhao, Flexibilidad del lado de la demanda: potenciales y construcción
Implicaciones para el desempeño, Ciudades y sociedad sostenibles 22 (2016) 146–163.
[5] P. Siano, Demand response and smart gridsa survey, Renewable and Sustainable Energy Reviews 30
(2014) 461–478.
[6] A. Ogunjuyigbe, C. Monyei, T. Ayodele, Gestión del lado de la demanda basada en el precio: una estrategia persuasiva
Sistema de gestión energética para personas de ingresos bajos / medios, Ciudades y sociedad sostenibles 17 (2015)
80–94.
[7] F. Rahimi, A. Ipakchi, Demand response as a market resource under the smart grid paradigm, IEEE
Transacciones en Smart Grid 1 (1) (2010) 82–88.
[8] C. Weare, La crisis de la electricidad de California: causas y opciones políticas, Public Policy Instit. de CA, 2003.
[9] Informe mensual de PG&E, Pacific Gas and Electric Company sobre la respuesta a la demanda y la carga interrumpible
programas para marzo de 2018, [En línea; publicado el 23 de abril de 2018] (abril de 2018).
[10] AI Cohen, CC Wang, un método de optimización para la programación de la gestión de carga, transacciones IEEE
sobre Power Systems 3 (2) (1988) 612–618.
[11] T. Logenthiran, D. Srinivasan, TZ Shun, Gestión del lado de la demanda en redes inteligentes utilizando heurística
optimización, transacciones IEEE en redes inteligentes 3 (3) (2012) 1244–1252.
[12] CW Gellings, El concepto de gestión del lado de la demanda para empresas eléctricas, Actas de la IEEE
73 (10) (1985) 1468–1470.
[13] B. Davito, H. Tai, R. Uhlaner, La red inteligente y la promesa de la gestión del lado de la demanda, McKinsey
sobre Smart Grid 3 (2010) 8–44.
[14] MAA Pedrasa, TD Spooner, IF MacGill, Programación de recursos del lado de la demanda utilizando binarios
optimización de enjambres de partículas, IEEE Transactions on Power Systems 24 (3) (2009) 1173–1181.
[15] J. Xu, S. Zhang, E. Huang, C.-H. Chen, LH Lee, N. Celik, Mo2tos: optimización de fidelidad múltiple con
transformación ordinal y muestreo óptimo, Asia-Pacific Journal of Operational Research 33 (03)
(2016) 1650017.
[16] K.-Y. Huang, H.-C. Chin, Y.-C. Huang, un modelo de estrategia de control adaptativo de referencia para interrupciones
gestión de carga, IEEE Transactions on Power Systems 19 (1) (2004) 683–689.
[17] PS Moura, AT de Almeida, Optimización multiobjetivo de un sistema renovable mixto con demanda
gestión lateral, revisiones de energías renovables y sostenibles 14 (5) (2010) 1461–1468.
[18] P. Samadi, H. Mohsenian-Rad, R. Schober, VW Wong, Gestión avanzada del lado de la demanda para
futura red inteligente mediante el diseño de mecanismos, IEEE Transactions on Smart Grid 3 (3) (2012) 1170–1180.
manuscrito aceptado
[19] A. Sheikhi, M. Rayati, AM Ranjbar, Gestión del lado de la demanda para un cliente residencial en
sistemas energéticos, ciudades y sociedad sostenibles 22 (2016) 63–77.
[20] M. Bastani, H. Damgacioglu, N. Celik, Un marco de optimización multiobjetivo de restricción δ para
planificación de la operación de redes inteligentes, ciudades y sociedad sostenibles 38 (2018) 21–30.
[21] M. Marzband, H. Alavi, SS Ghazimirsaeid, H. Uppal, T. Fernando, Optimal energy management
sistema basado en un enfoque estocástico para una microrred doméstica con demanda de carga de respuesta integrada y
almacenamiento de energía, ciudades y sociedad sostenibles 28 (2017) 256–264.
[22] W. Saad, Z. Han, HV Poor, T. Basar, Métodos teóricos de juegos para la red inteligente: descripción general de
sistemas de microrredes, gestión del lado de la demanda y comunicaciones de redes inteligentes, procesamiento de señales IEEE
Revista 29 (5) (2012) 86–105.
dieciséis
Página 17 de 19
Página 19
[23] M. Batic, N. Tomaševic, G. Beccuti, T. Demiray, S. Vraneš, Combined Energy Hub Optimization and
gestión del lado de la demanda para edificios, energía y edificios 127 (2016) 229–241.
[24] J. Holland, Un análisis introductorio con aplicación a la biología, el control y la inteligencia artificial.
adaptación en sistemas naturales y artificiales (1975).
[25] H. Damgacioglu, D. Dinler, NE Ozdemirel, C. Iyigun, Un algoritmo genético para los incapacitados
Problema de ubicación de concentrador plano de asignación única, Computers & Operations Research 62 (2015) 224–236.
[26] M. Srinivas, LM Patnaik, Probabilidades adaptativas de cruzamiento y mutación en algoritmos genéticos,
Transacciones IEEE sobre sistemas, hombre y cibernética 24 (4) (1994) 656–667.
[27] J. Xu, E. Huang, C.-H. Chen, LH Lee, Optimización de simulación: una revisión y exploración en el
nueva era de computación en la nube y big data, Asia-Pacific Journal of Operational Research 32 (03) (2015)
1550019.
[28] AE Thanos, M. Bastani, N. Celik, C.-H. Chen, marco de simulación adaptativa basado en datos dinámicos
para el control automatizado en microrredes, IEEE Transactions on Smart Grid 8 (1) (2017) 209–218.
[29] JP Sáenz, N. Celik, S. Asfour, Y.-J. Hijo, planificación de recursos de servicios públicos de electricidad utilizando continuo-discreto
simulación y optimización modular (codimoso), Computación e Ingeniería Industrial 63 (3) (2012)
671–694.
[30] H. Xiao, LH Lee, KM Ng, Asignación de presupuesto de computación óptima para clasificación completa, IEEE
Transacciones sobre ciencia e ingeniería de la automatización 11 (2) (2014) 516–524.
[31] D. Goldsman, BL Nelson, Clasificación, selección y comparaciones múltiples en simulación por computadora, en:
Simulation Conference Proceedings, 1994. Winter, IEEE, 1994, págs. 192-199.
[32] C.-H. Chen, E. Yücesan, L. Dai, H.-C. Chen, asignación de presupuesto óptima para simulación de eventos discretos
experimentos, IIE Transactions 42 (1) (2009) 60–70.
[33] C.-h. Chen, LH Lee, Optimización de simulación estocástica: una asignación de presupuesto de computación óptima,
Vol. 1, Científico mundial, 2011.
[34] M. Bastani, AE Thanos, N. Celik, C.-H. Chen, Selección de diseño eficiente en simulaciones de microrredes, en:
Conferencia de simulación (WSC), invierno de 2014, IEEE, 2014, págs. 2762–2773.
[35] D. He, LH Lee, C.-H. Chen, MC Fu, S. Wasserkrug, Optimización de simulación usando la entropía cruzada
método con asignación de presupuesto de computación óptima, transacciones ACM en modelado y computadora
Simulación (TOMACS) 20 (1) (2010) 4.
[36] LH Lee, C. Chen, EP Chew, J. Li, NA Pujowidianto, S. Zhang, Una revisión de la computación óptima
algoritmos de asignación de presupuesto para problemas de optimización de simulación, International Journal of Operations
Investigación 7 (2) (2010) 19–31.
[37] S.-H. Kim, BL Nelson, Un procedimiento completamente secuencial para la selección de zonas de indiferencia en simulación, ACM
Transacciones sobre modelado y simulación por computadora (TOMACS) 11 (3) (2001) 251–273.
[38] LH Lee, EP Chew, S. Teng, D. Goldsman, Asignación de presupuesto de cálculo óptimo para multiobjetivo
modelos de simulación, en: Actas de la 36a conferencia sobre simulación de invierno, Winter Simulation
Conference, 2004, págs. 586–594.
[39] NA Pujowidianto, LH Lee, C.-H. Chen, CM Yap, Asignación de presupuesto de computación óptima para
optimización restringida, en: Conferencia de simulación de invierno, Conferencia de simulación de invierno, 2009, págs.
584–589.
manuscrito aceptado
[40] Z. Hu, X. Han, Q. Wen, et al., Planificación estratégica integrada de recursos y gestión del lado de la demanda de energía.
ment, Springer, 2013.
17
Página 18 de 19
Página 20
1. Presentamos un marco de optimización de simulación para la programación de cargas interrumpibles

2. Nuestro marco utiliza una nueva generación de medidores inteligentes para el control de nivel de dispositivos.
3. El modelo de optimización minimiza el costo total de interrupción considerando la carga deseada
4. La clasificación de simulación y diseño se utiliza para un programa de carga de interrupción sólido
5. Nuestro marco supera a los algoritmos actuales en términos de viabilidad y costo.
manuscrito aceptado
Página 19 de 19

Un Marco de Optimización de Simulación Evolutiva para La Gestión de Carga Interrumpible en La Red Inteligente

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Un Marco de Optimización de Simulación Evolutiva para La Gestión de Carga Interrumpible en La Red Inteligente

Cargado por

Copyright:

Formatos disponibles

28/12/2020 Un marco de optimización de simulación evolutiva para la gestión de carga interrumpible en la red inteligente

Título: Un marco de optimización de simulación evolutiva

Autor: Mehrad Bastani Aristotelis E. Thanos Haluk

PII: S2210-6707 (18) 30272-5

Fecha recibida: 8-2-2018

Un nuevo marco de optimización de simulación evolutiva para cargas interrumpibles

Mehrad Bastani, Universidad de Stanford, correo electrónico: bastani@stanford.edu

* denota el autor correspondiente.

Un marco de optimización de simulación evolutiva para

Palabras clave: respuesta a la demanda, optimización de la simulación, algoritmo genético, óptimo

Preimpresión enviada a Ciudades y Sociedad Sostenibles 13 de junio de 2018

Figura 1: Consumo de energía de refrigeradores de tecnología antigua y nueva [15]

En este estudio, proponemos un marco novedoso de optimización y simulación evolutiva

2. Declaración del problema

Tabla 1: Notación utilizada en SILP

La función objetivo de SILP (1) minimiza el costo total de interrupción de dispositivos

3. Marco propuesto de optimización y simulación evolutiva para

3.1. Visión general

para la programación de cargas interrumpibles, 2) un modelo de simulación que adquiere el rendimiento

Figura 2: Marco de optimización de simulación evolutiva propuesto para ILM

3.2. Componentes del marco propuesto

Figura 3: Crossover en GA SILP

3.2.2. Algoritmos de clasificación de simulación y diseño para SILP

Figura 4: Clasificación OCBA completa

(2) Se puede obtener un presupuesto adicional para cada diseño usando α ∗ = (α ∗

Para demostrar la efectividad del marco propuesto, utilizamos un caso

Tabla 2: Características de los dispositivos [7]

Dispositivo Número de Max. Inter de dispositivo base.

Los resultados del marco de optimización de simulación propuesto se describen en detalle

4.1. Resultados y discusiones de GA SILP

4.2. Evaluación del desempeño del marco propuesto

minE (f (x)) = minE ∑ ∑ x kt · R k· C± ≡ min ∑ ∑ x kt · R k · E (C ± ) (8)

Después de obtener el programa óptimo del problema de optimización determinista relajado,

4.3. Programación de cargas interrumpibles

reduce la necesidad de construir instalaciones energéticas infrautilizadas con enormes costes,

5. Conclusiones y labor futura

1. Presentamos un marco de optimización de simulación para la programación de cargas interrumpibles

También podría gustarte