An Innovative Optimization Strategy For - En.es

Este artículo ha sido aceptado para su publicación en un número futuro de esta revista, pero no ha sido completamente editado.
El contenido puede cambiar antes de la publicación final. Información de la cita: DOI

10.1109 / ACCESS.2020.2989316, acceso IEEE
Fecha de publicación xxxx 00, 0000, fecha de la versión actual xxxx 00, 0000.
Identificador de objeto digital 10.1109 / ACCESS.2017.DOI
Una estrategia de optimización innovadora para

la gestión eficiente de la energía con señal de
respuesta a la demanda diaria y pronóstico del
consumo de energía en redes inteligentes
mediante redes neuronales artificiales.
GHULAM HAFEEZ 1,2, KURRAM SALEEM ALIMGEER 1, ZAHID WADUD 6, IMRAN KHAN 2,
(MIEMBRO MAYOR, IEEE), MUHAMMAD USMAN 3, ( MIEMBRO MAYOR, IEEE), ABDUL BASEER
QAZI 4, Y FARRUKH ASLAM KHAN 5, ( MIEMBRO MAYOR, IEEE)
1 Departamento de Ingeniería Eléctrica e Informática, Universidad COMSATS de Islamabad, Islamabad 44000, Pakistán
2 Departamento de Ingeniería Eléctrica, Universidad de Ingeniería y Tecnología, Mardan 23200, Pakistán
3 Departamento de Ingeniería de Software Informático, Universidad de Ingeniería y Tecnología, Mardan 23200, Pakistán
4 Departamento de Ingeniería de Software, Universidad de Bahria, Islamabad 44000, Pakistán
5 Centro de Excelencia en Aseguramiento de la Información, Universidad King Saud, Riyadh 11653, Arabia Saudita
6 Departamento de Ingeniería de Sistemas Informáticos, Universidad de Ingeniería y Tecnología de Peshawar, Peshawar 25000, Pakistán
Autor para correspondencia: Farrukh Aslam Khan (correo electrónico: fakhan@ksu.edu.sa )
Este trabajo fue apoyado por el Decanato de Investigación Científica de la Universidad King Saud, Arabia Saudita, a través del Proyecto del Grupo de
Investigación No. RGP-214.
RESUMEN En este estudio, se propone un marco novedoso para la gestión eficiente de la energía de los edificios
residenciales con el fin de reducir la factura de electricidad, aliviar la relación pico a promedio (PAR) y adquirir el
equilibrio deseado entre la factura de electricidad y la incomodidad del usuario en la red inteligente. . El marco propuesto
es un marco integrado de motor de pronóstico basado en una red neuronal artificial (ANN) y nuestro controlador de
gestión de energía doméstica (HEMC) propuesto con un algoritmo de evolución diferencial mejorado modificado de lobo
gris del día por delante (DA-GmEDE). El motor de pronóstico pronostica la señal de respuesta a la demanda (DR) basada
en el precio y los patrones de consumo de energía y HEMC programa los electrodomésticos inteligentes bajo la señal de
precio pronosticada y el patrón de consumo de energía para una gestión eficiente de la energía. La estrategia propuesta
basada en DA-GmEDE se compara con dos estrategias de referencia: estrategia basada en algoritmo genético diario
(DA-GA) y estrategia basada en teoría de juegos diaria (DA-teoría de juegos) para la validación del rendimiento. Además,
se llevan a cabo extensas simulaciones para probar la eficacia y la productividad de la estrategia propuesta basada en
DA-GmEDE para una gestión eficiente de la energía. Los resultados y la discusión ilustran que la estrategia DA-GmEDE
propuesta supera a las estrategias de referencia en un 33,3% en términos de gestión eficiente de la energía.
TÉRMINOS DEL ÍNDICE Infraestructura de Medición Avanzada; redes neuronales artificiales; respuesta de la demanda; gestión
energética; algoritmo de evolución diferencial mejorado modificado con lobo gris; red inteligente
I. INTRODUCCIÓN (DSM). El primer enfoque está relacionado con el aumento de la capacidad de las
La demanda de energía ha aumentado drásticamente con el crecimiento unidades de generación. Considerando que, el segundo enfoque implica la gestión
continuo de la población y la economía. Al mismo tiempo, la presión del consumo de energía de los usuarios mediante programas de gestión de carga o
sobre las empresas de servicios públicos y el medio ambiente también ha de respuesta a la demanda (DR). Los programas de DR son de dos tipos: (i) DR basado
aumentado rápidamente. Hay dos métodos disponibles en la práctica en incentivos y (ii) programa de DR basado en precios [1]. El primer tipo utiliza control
para hacer frente a esta creciente demanda de energía: (i) gestión del directo de carga en el que la empresa de servicios públicos controla directamente
lado de la generación (GSM) y (ii) gestión del lado de la demanda.
VOLUMEN 4, 2016 1
Este trabajo tiene una licencia Creative Commons Attribution 4.0. Para obtener más información, consulte https://creativecommons.org/licenses/by/4.0/.
Este artículo ha sido aceptado para su publicación en un número futuro de esta revista, pero no ha sido completamente editado. El contenido puede cambiar antes de la publicación final. Información de la cita: DOI
Ghulam Hafeez et al .: Una estrategia de optimización innovadora para una gestión energética eficiente
carga de los consumidores con poca antelación cuando sea necesario. El gestión eficiente de la energía.
segundo tipo utiliza el programa DR basado en precios [2], en el que la • Además del costo de la electricidad y los objetivos de PAR, que se
empresa de servicios públicos anima a los usuarios a gestionar su consumo de manejan en [7] - [9], formulamos e investigamos la comodidad y la
energía mediante la programación mediante el controlador de gestión de incomodidad de los consumidores mientras resolvemos el
energía doméstica (HEMC) en respuesta a la señal de precios del día. problema de la gestión de la energía con la señal de precios DR y la
El enfoque de este estudio es la gestión eficiente de la energía energía pronosticada para el día siguiente consumo utilizando un
mediante la programación del consumo de energía de los hogares pronosticador basado en ANN.
mediante el programa DR basado en el precio. Con esta motivación, los • La estrategia propuesta basada en DA-GmEDE se compara con
residentes pueden reducir su factura de electricidad mediante la dos estrategias de referencia: estrategia basada en algoritmo
programación de la carga de sus hogares con la señal de precios del día genético diario (DA-GA) y estrategia basada en teoría de juegos
anterior. Con este fin, se desarrollan algunos esquemas analíticos y diaria (DA-game-teórico), en términos de parámetros de
heurísticos para la programación energética de hogares inteligentes. En rendimiento. como el costo de la electricidad, PAR y la
[3] y [4], los autores utilizaron programación lineal entera mixta (MILP) compensación entre la factura de la luz y la incomodidad del
para programar el consumo de energía de sus hogares bajo un esquema usuario.
de precios dinámicos para minimizar la factura de electricidad y suavizar El resto del documento está organizado de la siguiente manera: El
la curva de demanda. Sin embargo, estos objetivos se logran a costa de trabajo relacionado se analiza en la Sección II. El marco propuesto y
una mayor complejidad del sistema. Los autores utilizaron programación su modelo matemático se demuestra en la Sección III. La
no lineal de enteros mixtos (MINLP) en [5] y [6] para programar formulación de problemas y la estrategia propuesta se discuten en la
electrodomésticos de clases múltiples de edificios residenciales bajo un Sección IV y la Sección V, respectivamente. En la sección
esquema de precios en tiempo real (RTPS) para reducir la factura de VI, se presentan los resultados de la simulación y la discusión. Finalmente,
electricidad. Sin embargo, pueden surgir picos en la demanda durante las el documento se concluye en la Sección VII junto con una discusión sobre
franjas horarias en las que el precio de la electricidad es bajo. En [7], [8] y posibles direcciones futuras. Los acrónimos y notaciones utilizados en
[9], los autores utilizaron algoritmos heurísticos como el algoritmo de este documento se definen en NOMENCLATURA.
búsqueda de bacterias (BFOA), el algoritmo de optimización de enjambre
de partículas modificado (MPSOA) y el algoritmo genético (GA), II. TRABAJO RELACIONADO
respectivamente, para programar la carga residencial para soluciones Con la aparición de las tecnologías de la información y la comunicación
rentables. Sin embargo, las soluciones rentables se obtienen a expensas (TIC) y la infraestructura de medición avanzada (AMI), los residentes
de la incomodidad de los consumidores y el aumento de la relación pico / pueden participar en DSM mediante programas de DR basados en
promedio (PAR). Se propone un sistema de gestión de energía doméstica precios o mediante programas de DR basados en incentivos para hacer
de teoría de juegos (HEMS) para la programación del consumo de energía frente a los efectos de la creciente demanda de energía. Con este
de edificios residenciales bajo esquemas de precios de RD para reducir la incentivo se han propuesto varios esquemas de gestión energética
PAR y la factura de electricidad en [10], [11]. Sin embargo, estos estudios mediante la programación del consumo energético de los edificios
no consideran las compensaciones entre la factura de la luz y la residenciales. En [12], los autores programan los aparatos domésticos
incomodidad del usuario. Además, no se tienen en cuenta la prioridad de utilizando el algoritmo de búsqueda de retroceso binario (BBSA) para
los electrodomésticos y la previsión de precios diarios, que son útiles en reducir el consumo de energía y el costo de la electricidad. Sin embargo,
la gestión e fi ciente de la energía de los hogares inteligentes. pueden surgir picos en la demanda cuando la mayoría de los
Por lo tanto, este trabajo se centra en el desarrollo de una electrodomésticos se cambian a horas de bajo precio. En [13], los autores
estrategia de optimización innovadora para la gestión eficiente de la programan el patrón de uso de energía de los edificios residenciales sin
energía de los edificios residenciales con la señal de precios DR afectar el funcionamiento de los electrodomésticos fijos. El propósito es
diaria y la previsión del consumo de energía utilizando una red reducir el costo de la electricidad. Sin emabargo, la reducción de costes
neuronal artificial (ANN). El propósito es reducir la factura de no es posible sin introducir retrasos en los electrodomésticos. Los autores
electricidad, PAR y adquirir una compensación mínima aceptable propusieron un modelo de gestión de la energía para monitorear la carga
entre el costo de la electricidad y la incomodidad. Las principales intrusiva y no intrusiva en [14] para reducir el costo de la electricidad y las
aportaciones y rasgos distintivos de este trabajo son las siguientes: emisiones de gases de efecto invernadero. Sin embargo, los gastos de
• Un motor de pronóstico basado en ANN se combina con un modelo electricidad se reducen a costa de la comodidad del usuario. Se propone
de gestión de energía para pronosticar la señal de precios de DR un modelo de optimización para la programación de la carga doméstica
del día por delante y el consumo de energía. El propósito es realizar en el marco del esquema de precios en tiempo real combinado (RTPS) y el
una gestión eficiente de la energía mediante la programación del esquema de tarifa de bloque inclinado (IBRS) para reducir el costo de la
perfil de uso de energía de los edificios residenciales bajo la señal electricidad [15]. En [16], se propone un HEMS para la programación
de precios de DR pronosticada. óptima de aparatos controlables en generación distribuida integrados
• Proponemos el algoritmo de evolución diferencial mejorada modificada con un sistema de almacenamiento de energía. Sin embargo, la demanda
del lobo gris (GmEDE), que es un híbrido del lobo gris y la versión se satisface completamente al proporcionar un suministro continuo a
modificada del algoritmo de evolución diferencial mejorada. El algoritmo expensas de un alto costo de capital. La factura de la luz y los picos de
de optimización propuesto tiene en cuenta las restricciones, el patrón de demanda se reducen simultáneamente programando la carga doméstica
consumo de energía de los ocupantes y la señal de precios de DR para en [17]. Sin embargo, las suposiciones hechas en la estrategia parecen
realizar poco prácticas. Varios esquemas para el patrón de uso de energía
2 VOLUMEN 4, 2016
NOMENCLATURA
SG Red inteligente EM Manejo de energía

ANA Red neuronal artificial W/O Sin programar
Dobladillos Sistema de gestión de energía en el hogar DA-GA Agoritmo genético del día por delante
MILP Programación lineal de enteros mixtos DA- El lobo gris del día siguiente modificó un algoritmo de
GmEDE evolución diferencial mejorado
BBSA Algoritmo de búsqueda de retroceso binario. PSA Aparatos eléctricos cambiables
IGA Algoritmo genético interno TSA Aparatos de cambio de tiempo
OPSO Optimización del enjambre de partículas California Aparatos críticos
IL P externas Programación lineal entera GmEDE Lobo gris modificó el algoritmo de evolución
diferencial mejorada
DR Respuesta de la demanda BFOA algoritmo de búsqueda de bacterias
WSN Red de sensores inalámbricos MPSOA Algoritmo de optimización de enjambre de partículas modificadas
RTPS Esquema de precios en tiempo real Georgia Algoritmo genético
DSM Gestión del lado de la demanda IL P Programación lineal entera
AMI Infraestructura de Medición Avanzada χ tI + 1 Estado en el siguiente intervalo de tiempo
TLBOA Algoritmo de optimización basado en la enseñanza y el r It Número de intervalos de tiempo restantes
aprendizaje
SFL Algoritmo de salto de rana shuf fl ejado Esquema wIt Número de intervalos de tiempo de espera
ToUPS de precios de tiempo de uso Esquema de precios X tI Indicador de ENCENDIDO / APAGADO del aparato
IBRS de tasa de bloque inclinado Algoritmo de nado miI A Consumo de energía agregado
SSA de salp, C IA Costo agregado
RFA Algoritmo de lluvia κ Conjunto de programación
BPOA Algoritmo de optimización de la polinización BAT F tI Flexibilidad temporal

DRTA Algoritmo distribuido en tiempo real ωI t Un parámetro que varía con el intervalo de tiempo
DDT Técnica de descomposición dual ˆt

MI Consumo energético normal
I
ACLPS Esquema de precios de nivel de consumo adoptivo ∆ Pequeño cambio
VPPS Esquema de precios máximos variables ς Contramedida en ambos extremos de la desviación
DAPS Esquema de precios por día DI A Incomodidad total por el desplazamiento de los aparatos
FPS Esquema de precios fijos Dpag

A
2
PAG Molestias causadas por los electrodomésticos cambiables
SSM Gestión del lado de la oferta R PAG
A PAR
ACR Electrodomésticos en tiempo real γ 1, γ 2, γ 3 Pesos para el ajuste de compensación
MOA Electrodomésticos operados manualmente pag
I r Potencia nominal de los electrodomésticos Un
AOA Electrodomésticos operados automáticamente I electrodoméstico
SA Electrodomésticos Schedulabe t Intervalo de tiempo
IA Aparatos interrumpibles K Liga número real que 1

NIA Aparatos no interrumpibles ρtF Señal de precios prevista
SL Carga programable v n + 1 ( I) Velocidad actualizada
NSL Carga no programable encajar Aptitud física
TFA Aparatos flexibles en el tiempo H Horizonte de tiempo de programación

PFA Electrodomésticos fl exibles de energía A T1 general Aparatos de tiempo variable
EA Electrodomésticos esenciales A PAG
2 Aparatos eléctricos cambiables
NSL Carga no programable A C3 Aparatos críticos
HEMC Controlador de gestión de energía en el hogar αI Hora de inicio de la operación
TIC Tecnologías de la información y la comunicación βI Hora de finalización de la operación
MINLP Programación no lineal de enteros mixtos Relación pico miI t Consumo de energía
PAR a promedio pag
I r min Potencia nominal mínima
GWO Optimización del lobo gris pag
I r max Potencia nominal máxima
Delaware Algoritmo de evolución diferencial Mitr Iteración máxima
EDE Algoritmo de evolución diferencial mejorado Algoritmo R Tasa de cruce
medo de evolución diferencial mejorado modificado χ It Estado actual de un dispositivo
HAN Red de área doméstica T Ilo Duración del tiempo de operación
VOLUMEN 4, 2016 3
la programación a través de la red de área doméstica (HAN) se propone en [19] - [22]. En [23], gestión de una casa inteligente. La eficacia del modelo se prueba
los autores programan el consumo de energía de los hogares bajo el programa DR basado en comparándolo con modelos de referencia. Sin embargo, no se mencionan
precios utilizando el algoritmo de optimización basado en enseñanza-aprendizaje (TLBOA) y el los esquemas para la gestión eficiente de la energía. Los autores de [42]
algoritmo de hojas de rana shuf fl e (SFLA), con el fin de reducir la factura total por la energía propusieron un marco integrado de aprendizaje automático, optimización
consumida. Sin embargo, se ignoran la comodidad del usuario y la PAR, que están y programa de recuperación ante desastres para la gestión eficiente de la
directamente vinculadas con la factura total de la luz. Los autores en [24] - [31] propusieron energía en hogares inteligentes. El propósito es investigar el desempeño
modelos de optimización basados en algoritmos heurísticos para la programación de cargas del sistema de gestión de energía basado en el aprendizaje en el marco
domésticas para reducir la factura de electricidad y el PAR. Sin embargo, estos objetivos se de la RD. Sin embargo, los modelos de aprendizaje automático no se
obtienen a expensas de la frustración de los consumidores. utilizan para pronosticar el patrón de consumo de energía.
En [43], se desarrolla un marco robusto basado en el aprendizaje
conjunto para pronosticar el perfil de uso de energía de los hogares
para la gestión de energía. El modelo propuesto ha mejorado el
En [32] y [33], los autores realizaron la programación del consumo de energía utilizando el rendimiento en comparación con los modelos existentes en
programa DR para hacer coincidir la demanda cada vez mayor con el suministro de energía términos de precisión. Sin embargo, solo se realiza la previsión a
disponible. Los objetivos son maximizar el bienestar social y reducir las facturas energéticas través del modelo de conjunto y no se consideran los aspectos de
gestionando eficazmente la demanda con suministro eléctrico. Los programas de DR basados gestión energética. En [44] se propone un sistema de gestión de la
en precios incluyen un esquema de precios máximos críticos (CPPS), un esquema de precios energía con previsión de la irradiación solar diaria utilizando ANN. El
por tiempo de uso (ToUPS), RTPS y un esquema de precios diarios (DAPS). El costo de la objetivo es pronosticar con precisión la irradiancia solar global
electricidad generalmente se determina utilizando ToUPS, DAPS y CPPS. Sin embargo, CPPS utilizando datos meteorológicos con la ayuda de ANN. Sin embargo,
agrega precio pico a ToUPS y existe la posibilidad de que surja un pico en horas de precio se ignoran los aspectos de gestión energética.
bajo, lo que puede sobrecargar los sistemas de energía [34]. En contraste, DAPS tiene más fl La literatura reciente y relevante disponible sobre el tema anterior se
exibilidad y cambia cada hora, lo que refleja mejor el consumo de energía variable de los resume en la Tabla 1. Aunque todos los esquemas discutidos
edificios residenciales. Por lo tanto, Se han propuesto varios modelos para resolver el anteriormente son eficientes en la gestión de la energía al programar los
problema de la gestión energética de los edificios residenciales utilizando modelos basados electrodomésticos, sin embargo, debido al comportamiento no lineal de
en MILP [35], modelos basados en lógica difusa [36] y modelos basados en la teoría de los consumidores y las señales de precios, estos Los esquemas no logran
juegos [37]. En [38] se desarrolla un modelo de consumo de energía en los hogares para la manejar la programación del patrón de consumo de energía de los
planificación diaria de microrredes residenciales. Las viviendas están equipadas con vehículos edificios residenciales en tiempo real. Además, no existe un modelo /
eléctricos (EV), sistemas fotovoltaicos y sistemas de almacenamiento de energía (ESS) para estrategia universal para realizar una gestión óptima de la energía
participar en los programas de DR. La microrred residencial está conectada a la red y participa mediante la programación del uso de energía en edificios residenciales
en el fl ujo de energía bidireccional y las comunicaciones. Sin embargo, los objetivos se logran en tiempo real; algunos modelos son mejores para algunos objetivos y
a costa de una mayor complejidad y gastos generales de cálculo. En [38] se desarrolla un condiciones específicos. En este sentido, en esta investigación se propone
modelo de consumo de energía en los hogares para la planificación diaria de microrredes un marco de optimización innovador compuesto por un pronosticador
residenciales. Las viviendas están equipadas con vehículos eléctricos (EV), sistemas basado en ANN y un HEMC basado en algoritmo GmEDE para la gestión
fotovoltaicos y sistemas de almacenamiento de energía (ESS) para participar en los eficiente de la energía de los edificios residenciales.
programas de DR. La microrred residencial está conectada a la red y participa en el fl ujo de
energía bidireccional y las comunicaciones. Sin embargo, los objetivos se logran a costa de
una mayor complejidad y gastos generales de cálculo. En [38] se desarrolla un modelo de III. MARCO PROPUESTO PARA LA GESTIÓN ENERGÉTICA
EFICIENTE
consumo de energía en los hogares para la planificación diaria de microrredes residenciales. Las viviendas DE EDIFICIOS
están equipadas con vehículosRESIDENCIALES
eléctricos (EV), sistemas fotovoltaicos y sistemas de almacenamiento de
En [39] se propone un mecanismo para la programación de potencia de la El objetivo del marco propuesto es minimizar la factura de electricidad,
carga doméstica en una red de área doméstica. El propósito de este estudio es reducir el PAR y adquirir la compensación deseada entre el costo de la
crear MILP basado en un programa de carga equilibrado para reducir el costo electricidad y la incomodidad del usuario mediante la programación del
de energía y los picos de potencia. Sin embargo, los picos en la demanda consumo de electricidad de los edificios residenciales con la previsión de
pueden surgir en horas de alto precio, lo que es una amenaza para la estación precios diaria utilizando ANN, sujeto a la energía. estabilidad del sistema.
de la red de servicios públicos. En [40], los autores desarrollaron un marco de El marco propuesto comprende empresas de servicios públicos,
gestión de energía eficiente con pronóstico de energía diario en microrredes pronosticadores basados en ANN y edificios residenciales integrados
inteligentes. La gestión eficiente de la energía se lleva a cabo mediante la con HEMC basado en GmEDE. El enfoque de este trabajo es la gestión
programación de la carga doméstica y la carga / descarga de los vehículos eficiente de la energía de los edificios residenciales. Un hogar en edificios
eléctricos mediante la programación lineal de enteros mixtos (MILP). El objetivo residenciales se compone principalmente de HEMC, AMI,
es reducir la factura, la incomodidad del usuario y la PAR. Sin embargo, los electrodomésticos, pantalla en el hogar (IHD) y medidores inteligentes.
objetivos se obtienen a expensas de un mayor costo de ejecución. Se propone Todo el marco para la gestión eficiente de la energía de los edificios
un modelo estocástico para realizar la gestión energética de una vivienda con residenciales se muestra en la Figura 1. Primero, Se implementa un
carga, matriz fotovoltaica, vehículo eléctrico enchufable (PEV) y bomba de calor pronosticador basado en ANN que recibe datos históricos de DR y
[41]. En primer lugar, el perfil energético de la matriz fotovoltaica, el PEV y la consumo de energía basados en precios para la empresa de servicios
bomba de calor se pronostican basándose en métodos estocásticos. Luego, los públicos y pronostica la señal de precios del día y el patrón de consumo
resultados pronosticados se utilizan para obtener energía e fi ciente. de energía. Luego se implementa HEMC (ver Sección IV) basada en la
estrategia DA-GmEDE (ver Sección V), que
4 VOLUMEN 4, 2016
TABLA 1: Una breve revisión de la literatura relevante en términos de técnicas, programas de recuperación ante desastres, categoría de dispositivos, objetivos y
limitaciones.
Energía Accesorios
DR
administración Técnicas categorización Objetivos Limitaciones
programas
modelos ción
La comodidad del usuario es
BBSA, MILP, Pago de electricidad
Residencial RTPS + IBRS, ACR, MOA, comprometido con en
Dijkstra, y energia
Dobladillos [12] - ToUPS y y AOA, para reducir
IGA, OPSO, consumo
[20] RTPS y SA costo de energía y
IL P reducción
consumo
Óptimo
La electricidad total
familiar TLBO y
ToUS, RTPS, Pagos totales el costo se reduce al
aparato SFL NSL y SL
y CPPS reducción gasto del usuario
Planificación algoritmos
comodidad
[dieciséis]
Compensación deseada
Se ignora el PAR,
Comodidad entre factura
DAPS y que tiene influencia
HEMS conscientes IL P TFA y PFA pago y
FPS malestar y
[21] incomodidad
costo de electricidad
logro
WSN,
Pago de electricidad
HEMS vía ZigBee, La comodidad del usuario se
RTPS IA y NIA y emisión de carbono
HAN [22] Wi-Fi y ve comprometida.
reducción
Z-Wave
DAPS,
Costo de la electricidad y El costo de la electricidad
Heurístico Heurístico RTPS + IBRS,
TFA, PFA, Reducción de PAR con y PAR se reduce a un
HEMS a base mejoramiento ToUPS,
EA ejecución asequible costo de muy alto
[24] - [31] algoritmos CPPS y
hora ejecución
VPPS
La comodidad del usuario
ToUPS, General
Una novela DR se ve comprometida
RTPS y ACLPS familiar Reducción de la factura de energía
programa [32] mientras reduce
CPPS carga
factura de energía
Energía Los beneficios para la

consumo Agregado Beneficios potenciales sociedad se proporcionan
DRTA y
programación de Programa DR familiar provisión para el a un alto costo
DDT
viviendas en SG carga sociedad computacional
[33] complejidad
Consumo de energía,
Pelusa
ToUPS, factura de electricidad, y La complejidad de
controlador SFA y
RTPS y BPOA Reducción de PAR con el sistema es
HEMS a base NSFA
IBRS espera asequible aumentado
[36]
hora
Doméstico La carga equilibrada
Factura total de energía y
carga SFA y se logra el horario
RTPS MILP picos de potencia
Planificación NSFA a costa de una tasa de
reducción
[35] convergencia lenta
Residencial Juego-
Costo de la electricidad y La factura de la luz se
carga Mejorado teorético, NIA, IA y
picos de potencia reduce a costa de
Planificación PARA NOSOTROS SSA y NSA
reducción incomodidad del usuario
[37] RFA
VOLUMEN 4, 2016 5
ANA
Precio real
Inicial
Forcast Aporte
ErrorSignal
ANNBasedForcaster Compañia de Utilidades
Medidor de inteligencia
Casa inteligente
Inicio sesión Vigilancia
HEMC
Control Indicaciones
Gestión
Casas residenciales
FIGURA 1: Diagrama esquemático y procedimiento principal del marco propuesto para la gestión energética eficiente de edificios residenciales con
motor de pronóstico basado en ANN diario. Una punta de flecha denota un flujo unidireccional y una punta de flecha doble denota un flujo bidireccional.
recibe la señal de precios del día y el patrón de consumo de energía conjunto de validación (2 meses). El pronosticador basado en ANN tiene tres
para realizar una gestión de energía eficiente. La descripción capas: capa de entrada, capa oculta y capa de salida. Estas capas tienen varias
detallada es la siguiente: neuronas artificiales. La ANN es una red de alimentación hacia adelante
completamente conectada donde las neuronas de cada capa están conectadas
El pronosticador basado en ANN en nuestro trabajo es elegido a las neuronas de la capa siguiente a través de pesos sinápticos, como se
debido a su potencial para manejar relaciones no lineales entre la muestra en la Figura 2.
entrada y la salida. El pronosticador propuesto se basa en datos,
es decir, está capacitado y habilitado a través del aprendizaje para pronosticar Las entradas se seleccionan del conjunto de datos históricos disponibles donde
la señal de precios de DR del día por delante y el patrón de consumo de ANN mapea el vector de entrada Z (t) al vector de salida
energía. El conjunto de datos utilizado para la formación de redes se obtiene Pie). La salida de la ANN se da como:
del informe del operador de sistema independiente del medio oeste (MISO)
∑norte ∑metro
tomado de la comisión reguladora de energía federal (FERC) [45]. El conjunto F= W I f (y i) + β j z j, (1)
de datos consta de datos de precios de electricidad por horas y datos de carga yo = 1 j=1
durante el período de un año desde septiembre de 2006 a septiembre de 2007.
dónde
Los datos empleados se dividen en tres conjuntos: conjunto de entrenamiento 1
f (y i) =
(9 meses), conjunto de prueba (1 mes) y 1 + exp ( - y I)
6 VOLUMEN 4, 2016
?
???? ????
????? ???? ? ?
????
??? ????
?
FIGURA 2: Un motor de pronóstico basado en ANN de avance diario con una sola capa de entrada, dos capas ocultas y una capa de salida que pronostica
la señal DR y el patrón de consumo de energía para una gestión eficiente de la energía.
Pie) es el vector de salida, que representa el día siguiente accesorios. Los electrodomésticos que se pueden cambiar en el tiempo se
resultados previstos, W I es el factor de peso entre los nodos de refieren a los electrodomésticos cuyo tiempo de funcionamiento es
entrada y salida, β j es el peso lineal entre la entrada programable, como lavadoras, secadoras de ropa y bombas de agua. Por el
y nodos de salida, z j representa elementos de entrada, y y I es la contrario, los electrodomésticos con cambio eléctrico se refieren a los
entrada a los nodos ocultos. El Levenberg – Marquardt electrodomésticos cuya potencia nominal es fl exible, como refrigeradores,
El algoritmo de optimización y la función de transferencia sigmoidal se utilizan acondicionadores de aire y dispensadores de agua. Los electrodomésticos
para el entrenamiento de la RNA. La y I se calcula de la siguiente manera: críticos se refieren a los electrodomésticos, que son de naturaleza crítica, como
microondas, planchas eléctricas y hervidores eléctricos. Tanto los
∑3
y yo = w ij z j + B I, (2) electrodomésticos que se pueden cambiar el tiempo como la potencia causan
j=1 incomodidad al usuario, mientras que los electrodomésticos críticos no causan

este problema. Además, se supone que los electrodomésticos de cada hogar en
dónde w ij es el peso entre las neuronas de la capa de entrada
edificios residenciales son electrodomésticos inteligentes. Cada aparato tiene
y capa oculta, y B I es el sesgo agregado en la capa oculta. El
un transceptor inalámbrico y un procesador de datos para recibir y analizar el
proceso de aprendizaje se detendrá cuando el máximo
intervalo de tiempo apropiado. El HEMC instalado en una casa de edificios
se alcanza el número de épocas o la función de error se minimiza a la
residenciales se asume como una puerta de enlace doméstica, que recibe la
tolerancia predefinida. La función de error se define de la siguiente
señal de precio DR pronosticada y el consumo de energía a través de un
manera:
medidor inteligente. El enlace de comunicación entre HEMC, el medidor
∑
1 norte
E= ( A k - F k) 2, (3) inteligente y varios dispositivos se puede establecer a través de las TIC, como
norte
k=1 Wi-Fi, Z-Wave y ZegBee [19], [21], como se muestra en la Figura
dónde A k y F k son las salidas reales y previstas de la red en k th 3. Los electrodomésticos dentro del hogar no interactúan entre
patrón, respectivamente, y norte es el numero de sí; solo interactúan con HEMC, como se ilustra en las Figuras 1 y
muestras de formación empleadas. El AMI es el sistema 3. El HEMC programa la operación de los tres tipos de
nervioso central y un elemento clave del marco propuesto, electrodomésticos bajo la señal de precio DR pronosticada y el
que establece una infraestructura de comunicación patrón de consumo de energía, la disponibilidad de energía de
avanzada entre la empresa de servicios públicos y el la empresa de servicios públicos y la prioridad del consumidor
medidor inteligente. Además, el AMI desempeña un papel sujeta a restricciones. El HEMC envía un programa de energía
vital en la recopilación y transmisión de datos de consumo óptimo a cada dispositivo, que es recibido y procesado por el
de energía a la empresa de servicios públicos, y el precio de módulo transceptor inalámbrico y el procesador de datos de los
la electricidad cargado contra la energía consumida se dispositivos para garantizar el funcionamiento de acuerdo con el
devuelve a los consumidores a través de un contador programa óptimo. Además, el HEMC especifica la hora de inicio,
inteligente [46]. El medidor inteligente es un equipo vital el nivel de potencia y el tipo de aparato para controlar el proceso
para la programación de cargas residenciales y se instala general de gestión de la energía. El proceso de programación se
fuera de los hogares entre HEMC y AMI. Además, el contador puede monitorear de forma remota mediante un dispositivo
inteligente es responsable de leer el consumo de energía de móvil, tableta o computadora portátil o mediante IHD instalado
los edificios residenciales que se transferirán a la empresa dentro de la casa.
de servicios públicos y de transferir simultáneamente la
señal de precios prevista a HEMC para participar en la A. MODELO MATEMÁTICO DEL MARCO PROPUESTO
gestión energética respondiendo a la señal de precios.
En esta sección, el modelo matemático de la propuesta
VOLUMEN 4, 2016 7
aparatos cambiables en el siguiente intervalo de tiempo, respectivamente.

La energía consumida por los electrodomésticos que se pueden cambiar en el tiempo
y la factura cobrada por la empresa de servicios públicos contra la energía.
los consumos se formulan de la siguiente manera:)
∑∑ T(
miyoA= ∑ pag
I × Xr t I,) (6)
I ∈ A T1t = 1
∑ T(
C yo
A = pag
I × Xr t I × ρ F t, (7)
I ∈ A T1t = 1
Inicio sesión Vigilancia

dónde mi AI en la ecuación 6 y C A I en la ecuación 7 representan
HEMC consumo energético agregado y factura eléctrica agregada,
Control Indicaciones respectivamente.
Gestión
2) Aparatos eléctricos cambiables
FIGURA 3: HEMC puede transmitir la programación de energía Los aparatos eléctricos de conmutación funcionan con potencia flexible
óptima a cada tipo de dispositivo a través de una red inalámbrica
dentro del horizonte de tiempo de programación y no funcionan fuera del
como Z-Wave, Wi-Fi y ZigBee. La punta de la flecha doble representa
un flujo bidireccional. horizonte de tiempo de programación. Los aparatos funcionan entre el
mínimo pag r min y pag
I r max potencia nominal máxima durante el horizonte
I
temporal de programación. Por ejemplo, los acondicionadores de aire y
se discute el marco. La empresa de servicios públicos proporciona datos refrigeradores regulan su potencia entre mínimos
de entrada al pronosticador basado en ANN, y el pronosticador regresa pag
I r min y pag r maxI potencia nominal máxima. El estado de los electrodomésticos con
señal de precios prevista ρ F t para un horizonte de tiempo específico H= cambio de potencia se puede modelar matemáticamente de la siguiente manera:
{ 1, 2, 3, ...., T}. El horizonte global es de 24 horas; cada

número en el horizonte representa una hora, y T = 24 representa la ( )
hora final del horizonte. Una casa en edificios residenciales. χ yo
t = T lo I,αI- β I - T lo yo + 1, (8)
{ }
tiene tres tipos de electrodomésticos A = A T 1 ∪ A PAG 2 ∪ A C 3: hora {( )
r It - 1, 0 Si X tyo = 1, r t yo> 1
electrodomésticos cambiables A T 1, aparatos eléctricos cambiables A PAG 2, y χ tI + 1 =
electrodomésticos críticos A C3; para un electrodoméstico yo, α I es la operación pag
I r min 6 pag r I 6 pag rImax Si X t yo = 1, rt yo> 1,
hora de inicio y β I es la hora de finalización de la operación. Es más, X t I (9)

es el indicador de estado ON u OFF, r t I representa el número donde la ecuación 8 representa el estado actual de los dispositivos de
de los intervalos de tiempo restantes, y w t potencia cambiante y la ecuación 9 denota el estado de los aparatos de
I representa
el número de
intervalos de tiempo de espera. Asumimos el consumo de energía mi t yo = 0 potencia cambiante en los siguientes intervalos de tiempo.
por t <α I y para t> β I porque fuera de la programación El consumo de energía agregado de los aparatos de energía eléctrica y la
horizonte de tiempo [ α I, β I], la energía no se consume. A continuación, cada tipo factura de electricidad cobrada por la empresa de servicios públicos
de dispositivo se puede modelar matemáticamente de la siguiente manera: contra el consumo de energía se puede modelar de la siguiente manera:
∑∑ T(
)
1) Aparatos de cambio de tiempo miyoA= ∑ pag
I × Xr t I,) (10)
Los aparatos que se pueden cambiar en el tiempo tienen un tiempo de inicio variable I ∈ A PAG
2
t=1
y toleran retrasos. Estos dispositivos se pueden retrasar o adelantar a cualquier

∑ T(
intervalo de tiempo durante el horizonte de tiempo de programación. Estos tipos C yo
A = pag
I × Xr t I × ρ F t, (11)
de los electrodomésticos funcionan con una potencia nominal fija pag r I para I ∈ A PAG t=1
2
duración especificada del tiempo de operación T lo I . La operación de
dichos aparatos se pueden retrasar, cambiar y apagar, si es necesario. El dónde mi IArepresenta el consumo de energía agregado
estado de los aparatos que se pueden cambiar en el tiempo se modela de electrodomésticos de cambio eléctrico y C AI indica la electricidad
factura cobrada por la empresa de servicios públicos.
matemáticamente de la siguiente manera:
( )
χ tyo{( = T lo I,αI- β I - T lo yo + 1, (4) 3) Aparatos críticos
Los artefactos críticos funcionan con potencias fijas y no se pueden
))
r It , w tI - 1 Si X tyo = 0, w t yo> 1
interrumpir ni apagar durante el funcionamiento hasta que se complete
χ tI + 1 = ( (5) la tarea. Los aparatos críticos se pueden cambiar y retrasar antes del
r It - 1, w t I Si X tyo = 1, r t yo> 1,
inicio de la operación. Estos aparatos funcionan durante el horizonte de
donde la ecuación 4 muestra el estado actual de los aparatos de tiempo de programación predefinido para disminuir la incomodidad del
tiempo variable y la ecuación 5 representa el estado del tiempo usuario y mejorar el nivel de comodidad de los residentes.
8 VOLUMEN 4, 2016
El modelado matemático del estado de los dispositivos factura; sin embargo, los consumidores se sentirán incómodos
debido al funcionamiento pospuesto de la lavadora. Para los
críticos es el siguiente: ( ) aparatos desplazables, el HEMC basado en la estrategia DA-GmEDE
χ yo
t = T lo I , α I - β I - T lo yo + 1, (12)
regula el funcionamiento entre los pag r Imin y pag r maxIpara reducir la
factura de la luz. Esta factura de electricidad reducida también
{(( ) resulta en incomodidad para el usuario. El HEMC basado en la
r It , w tI - 1 Si X tyo = 0, w t yo> 1
χ tI + 1 = ) (13) estrategia DA-GmEDE intenta adquirir el equilibrio deseado entre la
r It - 1, 0 Si X tyo = 1, r t yo> 1, factura de la luz y la incomodidad del usuario. Por lo tanto, la función
objetivo propuesta se modela como una función de minimización
donde la Ecuación 12 indica el estado actual de los dispositivos críticos y la Ecuación
con el fin de minimizar el gasto de electricidad, PAR y la incomodidad
13 representa el siguiente estado de los dispositivos críticos. El consumo de energía
del usuario. Primero, cada función objetivo, es decir, factura de
agregado de los aparatos críticos y la factura de electricidad que cobra la empresa de
electricidad, PAR y malestar del usuario se formulan
servicios públicos por la energía consumida se determina de la siguiente manera:
individualmente. Luego, se formula el problema general de
programación de la carga residencial.
∑∑ T(
)
miyoA= ∑ pag
I × Xr t I,) (14) Dado que la señal de precios prevista se conoce de antemano para los
I ∈ A C3 t = 1
consumidores, por lo tanto, la factura de electricidad general de todos los
electrodomésticos dentro de una casa durante el horizonte de tiempo de
∑ T(
C yo
A = pag
I × Xr t I × ρ F t, (15) programación se puede determinar de la siguiente manera:
I ∈ A C3 t = 1 ∑∑ T( )
C yo
A = pag
I × Xr t I × ρ F t. (17)
dónde mi AI representa la energía neta consumida por críticos
I∈At=1
electrodomésticos y C A I en la ecuación 15 denota electricidad neta
La incomodidad del usuario causada por retrasar o adelantar el funcionamiento
factura cobrada por la empresa de servicios públicos por el uso de electricidad. El
de los aparatos que se pueden cambiar en el tiempo se puede modelar de la siguiente
conjunto de programación de consumo de energía óptimo κ para todo tipo de
manera:
Los electrodomésticos residenciales se definen de la siguiente manera:}
( ) norte,
κ = {E / E t yo = pag Ir , ∀t∈{ F tI , ...., F t} yo + T loI - 1 Dt A( 1FT t i) = λ I F t I- αI (18)
⊂ [ α I, β I], ∀ I ∈ A T 1, dónde 0 < λ yo < 1 y n> 1 representa las características de funcionamiento de los
miyot = 0, ∀ t ∈ H \ { F tI , ...., F t yo + T loI - 1, ∀ I ∈ A T 1, aparatos que se pueden cambiar en el tiempo. La incomodidad del usuario
pag causado por los aparatos de potencia cambiante se debe a la desviación de

I r min 6 mi t I 6 pagIr max, ∀ t ∈ [ α I, β I], ∀ I ∈ A PAG 2,
potencia de la potencia nominal, que se puede modelar de la siguiente manera:
miyot= 0, ∀ t ∈ H \ [α I, β I], ∀ I ∈ A PAG 2,
( ) 2
E / E tyo = pag Ir , ∀ t ∈ T lo I ⊂ [ α I, β I], ∀ I ∈ A C 3, Dpag
A ( mii) t= ω t ˆ MII t, (19)
2
PAG
I mi t I-
miyot = 0, ∀ t ∈ T lo I \[ α I, β I], ∀ I ∈ A C 3}.
(dieciséis) dónde ω tI varía el parámetro con respecto a los intervalos de tiempo t y
ˆt 2=0
El conjunto de programación óptimo κ depende del precio pronosticado MII es el consumo de energía normal. Es más, D A PAG pag
por ANN y de los parámetros de control de los aparatos tales como a mi tyo = ˆ MI t
I por t ∈ H \ [α I, β I]. Esta función cuadrática
α I, β I, T loI , pag rI , pag
I r max, y pag r min
I . es mínimo en mi t yo = ˆ MII ytaumenta a medida que la desviación de
miI aumenta
t de ˆ MII . tEl fallo funcional del aparato.
IV. FORMULACIÓN DEL PROBLEMA puede ocurrir en dos extremos de desviación ˆ MI±t∆. Por lo tanto, algunos I
El HEMC basado en DA-GmEDE recibe la señal de precios pronosticada y deben tomarse contramedidas para superar estos fallos.
publica esta señal de precios a los consumidores con anticipación. Los La contramedida al extremo ˆ MIyot+ ∆ o extremo ˆ MII -t ∆
consumidores envían su patrón de uso de energía al HEMC según la estrategia es ς.
DA-GmEDE. El HEMC intenta administrar el uso de energía de los consumidores
de tal manera que se minimice su factura de electricidad, se reduzca la PAR y se Los aparatos críticos no causan ninguna molestia al usuario porque ni la energía
logre el equilibrio deseado entre la factura de electricidad y la incomodidad. Sin ni el tiempo se pueden cambiar o retrasar durante la operación hasta la finalización
embargo, es difícil lograr todos estos objetivos al mismo tiempo porque son de la tarea. Así, los electrodomésticos críticos contribuyen a mejorar el nivel de
parámetros contradictorios y existen compensaciones en su naturaleza. Por confort de los consumidores. La incomodidad neta del usuario causada tanto por los
ejemplo, en el caso de aparatos que se pueden cambiar en el tiempo, si el electrodomésticos que se pueden cambiar en el tiempo como en los
electrodomésticos en un hogar
se puede modelar de la siguiente manera:) n +
los consumidores seleccionan α yo = 10 soy y β yo = 1 pm para que ∑ ( ∑∑

DyoA = λIFt I- αI Dpag
A ( miI t).
2
PAG (20)
una lavadora termine de lavar antes de la tarde, el HEMC
I ∈ A 1T ti ∈ A PAG
basado en la estrategia DA-GmEDE pospone su operación 2
para α yo = 5 pm y β yo = 9 pm para reducir su electricidad El PAR general para todos los electrodomésticos dentro de una casa durante
VOLUMEN 4, 2016 9
El horizonte de tiempo de programación se puede modelar de la siguiente manera:
max ( miIt) ∑∑ T( )
R PAG , (21) min pag
I × Xr t I × ρ F t
A=
1
∑T ∑
A
( mi
I )t
I∈At=1
T
t = 1 yo =
}
sub. a: E / E t yo = pag Ir , ∀t∈{ F tI , ...., F t} yo + T loI - 1
dónde R PAGA representa al PAR, que es uno de nuestros objetivos. ⊂ [ α I, β I], ∀ I ∈ A T 1,
Ahora, la programación de la carga residencial general se formula como un
miyot = 0, ∀ t ∈ H \ { F tI , ...., F t yo + T loI - 1, ∀ I ∈ A T 1,
problema de minimización como:
( ) pag
min γ 1 C A I + γ 2 R PAG
A+γ3 DA I
} miyot= 0, ∀ t ∈ H \ [α I, β I], ∀ I ∈ A PAG 2,
E / E tI = pag rI , ∀t∈{ F tI , ...., F t yo + T loI - 1
E / E tyo = pag Ir , ∀ t ∈ T lo I ⊂ [ α I, β I], ∀ I ∈ A C 3,
⊂ [ α I, β I], ∀ I ∈ A T 1,
} ∀ I ∈ AT miyot = 0, ∀ t ∈ T lo I \[ α I, β I], ∀ I ∈ A C 3},
miyot = 0, ∀ t ∈ H \ { F tI , ...., F t yo + T loI - 1, 1,
variables F tI ( I ∈ A T 1, t ∈ H),
pag
miI ( tI ∈ A PAG2, t ∈ H),
miyot= 0, ∀ t ∈ H \ [α I, β I], ∀ I ∈ A PAG 2,
pag
I( I ∈
r AC 3).
E / E tyo = pag Ir , ∀ t ∈ T lo I ⊂ [ α I, β I], ∀ I ∈ A C 3, (23)
miyot = 0, ∀ t ∈ T lo I \[ α I, β I], ∀ I ∈ A C 3},
var iables F t I ( I ∈ A T 1, t ∈ H), 2) Modo consumidores II

miI ( tI ∈ A PAG2, t ∈ H), En este modo de funcionamiento, los consumidores prefieren la comodidad
pag
I( I ∈
r AC 3),
incluso a costa de facturas de electricidad más altas. El HEMC ajusta los pesos
(22) ( γ 1 = 0, γ 2 = 0, γ 3 = 1) del problema de optimización de modo que se
dónde C AI se modela en la Ecuación 17, R PAG A está modelado en
imponga la prioridad de los consumidores del modo II. La
Ecuación 21 y D A I se modela en la Ecuación 20, respectivamente. El problema de optimización se modifica y se puede modelar como
Parámetros γ 1, γ 2, y γ 3 ¿Son las ponderaciones que se utilizan para obtener la sigue: ∑
compensación deseada entre los parámetros en conflicto del objetivo?
función. ( )n+ ∑ ∑
min λIFt I- αI Dpag
A ( miI t)
2
PAG
I ∈ A 1T ti ∈ A PAG
}
2
sub. a: E / E t yo = pag Ir , ∀ t ∈ {
F tI , ...., F t} yo + T loI - 1
⊂ [ α I, β I], ∀ I ∈ A T 1,
Ahora, los modos de operación de los consumidores basados en su
miyot = 0, ∀ t ∈ H \ { F tI , ...., F t yo + T loI - 1, ∀ I ∈ A T 1,
prioridad, preferencias y con respecto a la función objetivo se definen y
modelan en las subsecciones siguientes. Hay cuatro tipos de modos de pag
funcionamiento de los consumidores, cada uno de los cuales se define y miyot= 0, ∀ t ∈ H \ [α I, β I], ∀ I ∈ A PAG 2,
modela de la siguiente manera:
miyot = 0, ∀ t ∈ T lo I \[ α I, β I], ∀ I ∈ A C 3},
variables F tI ( I ∈ A T 1, t ∈ H),
pag
I( I ∈
r AC 3).
(24)
1) Modo consumidores I 3) Modo consumidores III
En el modo III, los consumidores se centran en reducir la PAR, lo que es

favorable tanto para los consumidores como para la empresa de servicios
públicos. El PAR reducido suaviza la curva de demanda, lo que alivia la
En este modo de funcionamiento, el enfoque de los consumidores está en carga de la empresa de servicios públicos al apagar las plantas de energía
reducir su factura de electricidad, incluso si resulta en una gran incomodidad pico, lo que disminuye la carga para los consumidores a través de un
para el usuario. Por lo tanto, HEMC ajustará los pesos del objetivo precio reducido por unidad de consumo de energía. La
función como ( γ 1 = 1, γ 2 = 0, γ 3 = 0) para lograr la prioridad y HEMC ajusta pesos ( γ 1 = 0, γ 2 = 1, γ 3 = 0) para obtener el PAR
preferencia de los consumidores. Para consumidores en modo 1, reducido. El problema de optimización modificado
el problema de optimización se puede modificar de la siguiente manera: para el modo III se puede modelar de la siguiente manera:
10 VOLUMEN 4, 2016
Se desarrolla un algoritmo para la gestión eficiente de la energía de
pag los edificios residenciales. El algoritmo propuesto es un híbrido del

I( I ∈
r AC 3)
algoritmo de optimización del lobo gris (GWO) y el algoritmo de
max ( miIt)
min evolución diferencial mejorada modificada (mEDE), denominado
1
∑T ∑
A
algoritmo GmEDE. El algoritmo propuesto toma las mejores
T
( mi
I )t
t = 1 yo = características de ambos algoritmos. La descripción detallada es la
}
sub. a: E / E t yo = pag Ir , ∀ t ∈ {
F tI , ...., F t} yo + T loI - 1 siguiente:
⊂ [ α I, β I], ∀ I ∈ A T 1,
A. ALGORITMO DE OPTIMIZACIÓN DEL LOBO GRIS
miyot = 0, ∀ t ∈ H \ { F tI , ...., F t yo + T loI - 1, ∀ I ∈ A T 1, GWO es un algoritmo heurístico inspirado en la caza y la
pag
I r min 6 mi t I 6 pagIr max, ∀ t ∈ [ α I, β I], ∀ I ∈ A PAG 2, naturaleza de liderazgo jerárquico de los lobos. Los lobos tienen
miyot= 0, ∀ t ∈ H \ [α I, β I], ∀ I ∈ A PAG tres niveles de liderazgo: alfa α, beta β, y delta δ. La
2,
α Se asume como el mejor líder del grupo, que se encarga
de la guía de otros lobos. La γ es el miembro más débil del
miyot = 0, ∀ t ∈ T lo I \[ α I, β I], ∀ I ∈ A C 3}, grupo. La β y δ ven luego α
variables F tI ( I ∈ A T 1, t ∈ H), en el orden jerárquico. La γ no será considerado para el liderazgo de
los lobos. En nuestro escenario, α es considerado como el miembro
mejor / más apto para adquirir uno de nuestros objetivos,
pag
I( I ∈
r AC 3). es decir, minimización de la factura de la luz. Inicialmente, la población se genera
(25)
aleatoriamente mediante la Ecuación 27 de la siguiente manera:
4) Modo consumidores IV
Z (a, b) = rand (popl, A), (27)
En el modo IV, los consumidores se preocupan por los tres
objetivos: factura de electricidad reducida, PAR aliviado y lograr dónde popl es la población de lobos grises y A es el conjunto de
el equilibrio deseado entre la factura de electricidad y el usuario. electrodomésticos en una vivienda de edificios residenciales. El GWO
incomodidad. El HEMC asignará pesos iguales a ( γ 1 = tiene tres fases principales: (i) presa circundante, (ii) caza y (iii)
1/3, γ 2 = 1/3, γ 3 = 1/3) con el fin de lograr todos los objetivos. El actualización de la posición de los lobos grises. El procedimiento paso a
problema de optimización para el modo IV puede ser paso del algoritmo GWO se describe en el algoritmo 1.
escrito de la siguiente manera:
( ) B. ALGORITMO DE EVOLUCIÓN DIFERENCIAL MEJORADO

1 1 PAG 1A
min CA+R D MODIFICADO
3I 3 A+ 3I
} La evolución diferencial mejorada modificada (mEDE) es una versión
sub. a: E / E t yo = pag Ir , ∀t ∈ { F tI , ...., F t} yo + T loI - 1 actualizada y modificada de DE y EDE. Es un algoritmo basado en la
⊂ [ α I, β I], ∀ I ∈ A T 1, población desarrollado por Storn y Price en 1995 [48]. El mEDE tiene
miyot = 0, ∀ t ∈ H \ { F tI , ...., F t tres pasos principales: mutación, cruce y selección. Primero, la
yo + T loI - 1, ∀ I ∈ A T 1,
población se genera aleatoriamente mediante la Ecuación 28 de la
pag
I r min 6 mi t I 6 pagIr max, ∀ t ∈ [ α I, β I], ∀ I ∈ A PAG2,
siguiente manera:
miyot = 0, ∀ t ∈ H \ [α I, β I], ∀ I ∈ A PAG2,
Z (a, b) = l b + ( rand × ( U B - l B)). (28)
miyot = 0, ∀ t ∈ T lo Luego, la mutación se realiza en la población, que se genera
I \[ α I, β I], ∀ I ∈ A C 3},
aleatoriamente en el primer paso. Se eligen tres vectores aleatorios
variables F tI ( I ∈ A T 1, t ∈ H), durante el proceso de mutación para cada vector objetivo. Para
miI ( tI ∈ A PAG2, t ∈ H), formar un vector mutante, se agrega la diferencia de dos vectores en
pag
I( I ∈
r AC 3).
el tercer vector. El vector mutante se genera usando la Ecuación 29
(26) de la siguiente manera:
V a, G + 1 = X r 1, G + F (x r 2, GRAMO - X r 3, GRAMO), (29)

V. ESTRATEGIAS PROPUESTAS Y ADOPTADAS
Las estrategias tradicionales como las estrategias basadas en modelos dónde X r 1, X r 2, X r 3 y F representan los tres vectores aleatorios y el
analíticos, las estrategias basadas en algoritmos heurísticos y las factor de escala, respectivamente. El vector objetivo es el primero
estrategias basadas en la teoría de juegos son capaces de realizar la vector entre los vectores seleccionados. Después de la fase de
gestión energética mediante la programación de cargas residenciales. Sin generación del vector mutante, comienza la fase de cruce, donde el
embargo, estas estrategias no pueden manejar una gran cantidad de vector de prueba se genera combinando los elementos del vector
electrodomésticos residenciales y no son eficientes para realizar la objetivo y mutante sobre la base de la tasa de cruce, que decide
optimización en tiempo real debido a su naturaleza determinista y cuántos elementos se toman de los vectores objetivo y mutante. Una
limitaciones inherentes. Por tanto, una estrategia basada en DA-GmEDE vez creado el vector de prueba, los vectores de prueba y objetivo se
VOLUMEN 4, 2016 11
{
Algoritmo 1: Pseudocódigo del algoritmo de optimización V b, a, G + 1 si rand (b) ≤ 0,90
U b, a, G + 1 = (32)
del lobo gris X b, a, G + 1 De lo contrario
Inicialización de parámetros Mitr, popl, A, α, β, δ;

Generación de población aleatoria de lobos grises. U b, a, G + 1 = randb (j) · X b, a, G + 1 (33)
Z a( a = 1, 2, 3, ..., norte); Z U b, a, G + 1 = R y B) · v b, a, G + ( 1 - randb (b)) · X bolso ( 34)
(a, b) = rand (popl, A);
tiempo itr <Mitr hacer El procedimiento paso a paso del algoritmo mEDE se describe en el
por a = 1: popl hacer algoritmo 2.
Determinar la aptitud como función objetivo
usando la ecuación ( Ajuste = p r I × Xt I ); Algoritmo 2: Pseudocódigo del algoritmo de evolución
Si ajustar < α gritar luego
diferencial mejorado modificado
α scre = ajuste;
Inicialización de parámetros Mitr, R, popl, t;
α pos = Z (a, :);
Generación de población usando la ecuación
final
( Z (a, b) = l b + ( rand × ( U B - l B))) ;
Si ajuste> α gritar y encajar < β gritar luego
por t = 1: T hacer
β scre = aptitud;
Determine el vector mutante usando la ecuación
β pos = Z (a, :);
( V a, G + 1 = X r 1, G + F (x r 2, GRAMO - X r 3, GRAMO));
final
por itr = 1: Mitr hacer
Si ajuste> α gritar y encajar> β gritar y encajar < δ gritar
Determina el 1 S t vector de prueba con R 0,30;
luego
Si rand ≤ 0,30 luego
δ scre = ajuste; µ b = tú B
δ pos = Z (a, :); demás
final µb=XB
final final
por a = 1: popl hacer Determina el 2 Dakota del Norte vector de prueba con R 0,60;
por b = 1: A hacer Si rand ≤ 0,60 luego
Crear r 1 y r 2 utilizando rand mando; µ b = tú B
Determinar ambos D y B aptitud demás
Coeficientes
→ usando ecuaciones µb=XB
~ = 2 × ~ r 2); final
( D = 2 ~ a × r 1 - ~ a) y ( B
Determina el 3 rd vector de prueba con R 0,90;
Actualizar α, β y δ por ecuaciones (~
Si rand ≤ 0,90 luego
A α = B ~ 1 × ~ X α - ~ X), µ b = tú B
A β = B 2 ~× ~ X β - ~ X), y
(~ demás
A δ = B ~ 3 × ~ X δ - ~ X);
(~ µb=XB
final final
final Determina el 4 th y 5 th vectores de prueba por las
final ecuaciones (33) y (34), respectivamente;
Determine el mejor vector de prueba de prueba;
Z nuevo ← µ B mejor;
Compare el vector de prueba con el vector objetivo para
generar el mejor vector;
comparado con el fin de seleccionar el mejor vector con mejor Si f (Z nuevo) < f (Z B) luego
aptitud con el fin de actualizar la generación. El mEDE tiene una Z b = Z nuevo
implementación fácil en comparación con DE porque el DE tiene tres final
parámetros de control (tamaño de la población, factor de escala y final
tasa de cruce) mientras que mEDE tiene solo dos (tamaño de la final
población y factor de escala). En mEDE, todas las fases iniciales son
iguales a DE; la diferencia está solo en la tasa de cruce, y se generan
cinco vectores de prueba en lugar de uno. Los cinco vectores de
prueba se generan usando las ecuaciones 30-34: C. ALGORITMO DE EVOLUCIÓN DIFERENCIAL MEJORADO
{ MODIFICADO LOBO GRIS PROPUESTO
V b, a, G + 1 si rand (b) ≤ 0,30 El algoritmo de evolución diferencial mejorada modificada del
U b, a, G + 1 = { (30)
X b, a, G + 1 De lo contrario lobo gris (GmEDE) es nuestro algoritmo propuesto, que es un
híbrido del algoritmo GWO y mEDE. El algoritmo propuesto
V b, a, G + 1 si rand (b) ≤ 0,60 toma las mejores características de los algoritmos GWO y mEDE
U b, a, G + 1 = (31)
X b, a, G + 1 De lo contrario para programar de manera óptima la carga de viviendas
12 VOLUMEN 4, 2016
Edificios. En mEDE, la población se crea en cuatro fases: inicialización Esquema de precios diarios
0,55
de parámetros, mutación, cruzamiento y selección del mejor vector
Objetivo
de prueba. La población generada aleatoriamente se actualiza luego 0,5 Previsión basada en ANN
con el vector de prueba más adecuado, que se crea comparando con

0,45
el vector objetivo. El procedimiento de selección adoptado es mejor
porque se considera un vector de prueba con la mejor adecuación 0.4
para el proceso de selección. El GWO tiene tres fases principales: (i)
0,35
Precio ($)
rodear a la presa, (ii) cazar y (iii) actualizar la posición de los lobos.
Los agentes actualizan posiciones con el líder ( α) 0,3
dentro del paquete. No existe un mecanismo de comparación entre α, β, y
δ en GWO para buscar la mejor selección de agentes. Existe la posibilidad 0,25
de que α y δ puede estar lo suficientemente cerca de la presa en

0,2
comparación con α. Por lo tanto, la fase de cruce de mEDE se realiza para
una comparación clara entre los agentes de búsqueda de GWO. Después 0,15
de la mejor selección de agente, la posición se actualiza en GWO. La

0,1
operación de cruce en α, β, y δ se realiza utilizando las siguientes 2 4 6 8 10 12 14 dieciséis 18 20 22 24
ecuaciones: Intervalos de tiempo (horas)
{ FIGURA 4: Señal de precios de DR pronosticada para el día siguiente utilizando ANN

v B si la aptitud de v B 6 α α De lo
α nuevo = { (35)
contrario
v B si la aptitud de v B 6 β β De lo 12
β nuevo = { (36) Consumo de energía real
contrario
Previsión basada en ANN
10
v B si la aptitud de v B 6 δ δ De lo
δ nuevo = (37)
Consumo de energía (kWh)
contrario
8
Los pasos del algoritmo GmEDE propuesto son los siguientes: (i)
inicialización de parámetros, (ii) presa circundante, (iii) selección del 6
mejor agente de búsqueda y (iv) actualización de la posición. El
procedimiento paso a paso del GmEDE propuesto se presenta en el
4
algoritmo 3
2
VI. RESULTADOS DE LA SIMULACIÓN Y DISCUSIÓN
En esta sección, se presentan los resultados de la simulación y la
discusión para validar el desempeño de la estrategia de gestión de 0
2 4 6 8 10 12 14 dieciséis 18 20 22 24
energía propuesta con la señal de precio DR diaria y el pronóstico del
Intervalos de tiempo (horas)
consumo de energía usando ANN. En este documento, los edificios
FIGURA 5: Patrón de consumo de energía en el hogar previsto para el día
residenciales tienen tres tipos de electrodomésticos: electrodomésticos
siguiente utilizando ANN
cambiables en el tiempo, electrodomésticos intercambiables de energía y
electrodomésticos críticos. Los parámetros de los algoritmos utilizados en
la simulación y descripción de todos los electrodomésticos en edificios
gies. Nuestra estrategia de programación basada en DA-GmEDE
residenciales se enumeran en la Tabla 2 y la Tabla 3, respectivamente. Los
propuesta se compara con W / O (sin) programación y programación
parámetros (potencia nominal, intervalos de tiempo de funcionamiento,
basada en estrategias existentes: DA-GA [19], [18] y DA- game-teórico [37]
consumo energético real, etc.) de los electrodomésticos se toman de la
para validar la superioridad de la estrategia propuesta. Para una
referencia [49]. El horizonte temporal de programación es de veinticuatro
comparación justa, hemos utilizado la señal de precio DR pronosticada
horas, desde las 01:00 am hasta las 00:59 am. La señal de precios de DR
con anticipación y el patrón de consumo de energía, y el mismo conjunto
del día por delante se obtiene del informe de MISO, que se ha tomado de
de electrodomésticos que se enumeran en la Tabla 3 para nuestra
la FERC [45]. La ANN se habilita al aprender a pronosticar los precios
estrategia propuesta DA-GmEDE y estrategias existentes (DA-GA, y DA-
diarios para que HEMC programe de manera óptima los
teoría del juego). La estrategia propuesta basada en DA-GmEDE y las
electrodomésticos dentro del horizonte de tiempo de programación
estrategias existentes (DA-GA, DA-game-teórico) se prueban a través de
sujeto a la estabilidad, confiabilidad y seguridad del sistema de energía.
métricas de rendimiento como el costo de la electricidad, PAR y el
La señal de precios de DR pronosticada para el día siguiente y los
equilibrio entre la factura de la electricidad y la incomodidad del usuario.
patrones de consumo de energía se muestran en las Figuras 4 y
La descripción detallada es la siguiente:
5, respectivamente. El HEMC se basa en nuestra propuesta
DA-GmEDE y en la estrategia existente (DA-GA, DA-game-teórico)
VOLUMEN 4, 2016 13
Algoritmo 3: Pseudocódigo de nuestro algoritmo de evolución diferencial mejorado modificado propuesto por lobo gris
Inicialización de parámetros Mitr, popl, A, α, β, δ;

Generar inicialmente población de lobos grises al azar Z a( a = 1, 2, 3, ..., norte);
Z (a, b) = rand (popl, A);
tiempo itr <Mitr hacer
por a = 1: popl hacer
Determine un vector mutante usando la ecuación ( V a, G + 1 = X r 1, G + F (x r 2, GRAMO - X r 3, GRAMO)) de mEDE; Determine la
aptitud del vector mutante como costo × tú B;
Generar aleatoriamente α, β, δ;
Determine la aptitud de α, β y δ como función objetivo usando la Ecuación ( Fitness = p r I× Xt I );
Si ajuste de υ (b) <α gritar luego
α pos = tú B;
final
Si encajar tú b> α gritar y tú b < β gritar luego
β pos = υ (b);
final
Si encajar X b> α gritar y encajar X b> β gritar y encajar X b < δ gritar luego
δ pos = tú B);
final
final
por a = 1: popl hacer
por b = 1: A hacer
Crear aleatoriamente r 1 y r 2 teniendo valores 0 < r < 1;
→
B α,
Determine la aptitud de los coeficientes D y B mediante las ecuaciones ( D = 2 ~ a × r 1 - ~ a) y (~ Actualizar = 2 × ~ r 2);
β, δ usando ecuaciones (~ Aα=B ~ ~ 1
~ × ~ X α - ~ x), A β=B
~ ~
B 3 × ~ X δ - ~ X);
2 × ~ X β - ~ X, y A δ=
final
final
final
A. CONSUMO DE ENERGÍA Y FACTURA ELÉCTRICA BAJO

CUATRO MODOS DE OPERACIÓN
TABLA 2: Parámetros utilizados en la simulación para las estrategias de
gestión energética propuestas y existentes
El consumo de energía y el costo de la electricidad para cuatro modos de
Parámetros Valores operación se ilustran en las Figuras 6 y 7, respectivamente. En la Figura 6
Población 100 se muestra que el consumo de energía de los edificios residenciales
Límite mínimo de población inferior 0,1 dentro del horizonte de tiempo de programación bajo el modo de
Límite máximo de población superior 0,9 operación IV es mayor que el de los modos I y III, y menor que el del
Número de lobos en cada manada 17 modo de operación II. El consumo máximo de energía del modo de
Épocas máximas 100 funcionamiento I, modo III y modo IV es mucho menor que el del modo
Variables de decisión 2 de funcionamiento II. Este comportamiento se debe al hecho de que los
Tasa de aprendizaje 0,002 usuarios en modo de funcionamiento II se preocupan más por su
Deterioro de peso 0,0002 comodidad incluso con un alto consumo de energía. El consumo de
Valor inicial de ponderaciones 0,1 energía de los consumidores en el modo de funcionamiento III es mayor
Valor inicial de sesgo Número de 0 que el del modo de funcionamiento I, y menor que el del modo de
objetivos 2 funcionamiento II y el modo IV porque el usuario en el modo de
Impulso 0,5 funcionamiento III sólo se preocupa por PAR. El consumo de energía de
Umbral de selección de características 0,5 los usuarios en el modo de operación I es menor que el de todos los
Distancia de la presa Variar

modos II, III y IV porque los usuarios en el modo de operación I quieren
Estado de líder 0o1 reducir la factura de electricidad incluso a costa de una gran incomodidad
Numero de dimensiones 17 para el usuario. La Figura 7 ilustra que la factura de electricidad por hora
Gradiente del problema Variar

dentro del horizonte de tiempo de programación en los modos de
operación I, III y IV es menor que la del modo de operación II porque los
aparatos en los modos de operación I,
III, y IV posponen su operación ya sea en términos de tiempo
14 VOLUMEN 4, 2016
TABLA 3: Parámetros de los electrodomésticos residenciales utilizados en simulaciones.
Horarios de operación
Clasi fi cación Tipos de electrodomésticos Potencia nominal (kW) Prioridad
(Horas)
Aire acondicionado [0,8 1,5] 12 2

Energía Refrigerador [0,5 1,2] 24
desplazable Dispensador de agua [0,8 1,2] 24
accesorios Radiador electrico [0,5 1,5] 10
Hora Lavadora 0,7 5 3
desplazable Secador de tela 2 4
accesorios Bomba de agua 0.4 2
Hervidor eléctrico 1,5 1 1
Crítico
Plancha electrica 1.8 4
accesorios
Microonda 1.8 3
Secador de pelo 1.2 1
3,5 1.8
Modo I Modo I
Modo II 1,6 Modo II
3
Modo III Modo III
Modo IV Pago de electricidad por hora ($) 1.4 Modo IV
2.5
1.2
2 1
1,5 0,8
0,6
1
0.4
0,5
0,2
0 0
2 4 6 8 10 12 14 dieciséis 18 20 22 24 2 4 6 8 10 12 14 dieciséis 18 20 22 24
Intervalos de tiempo (horas) Intervalos de tiempo (horas)
FIGURA 6: Evaluación del consumo de energía en cuatro modos de FIGURA 7: Evaluación del pago de facturas de electricidad en cuatro
funcionamiento con señal de precios prevista para el día anterior modos de operación con señal de precios prevista para el día
o poder. Por lo tanto, el HEMC basado en DA-GmEDE logra el El consumo de energía programado de la red eléctrica
equilibrio deseado entre el pago de la factura de la luz y la durante 7 a 10 horas es de 9 kWh, lo cual es muy alto porque
incomodidad. Además, el HEMC redujo tanto la factura de la luz los aparatos críticos están programados en estos intervalos
como el PAR. de tiempo. Las estrategias basadas en la teoría de juegos
DA-GA y DA tienen un consumo de energía moderado en los
B. CONSUMO DE ENERGÍA DE UNA VIVIENDA EN EDIFICIOS intervalos de tiempo restantes. La estrategia propuesta
RESIDENCIALES DENTRO DEL HORIZONTE DE PROGRAMACIÓN basada en DA-GmEDE para edificios residenciales tiene un
consumo de energía de 7 kWh durante 7 a 10 horas, que es
El patrón de consumo de energía de una casa antes de programar y el consumo máximo de energía, y es menor en comparación
después de programar con DA-GA, DA-game-teórico y nuestras con el consumo máximo de energía tanto de DA-GA como de
estrategias DA-GmEDE propuestas se ilustran en la Figura DA-game. -Estrategias basadas en la teoría. La estrategia
8. El consumo de energía de una vivienda antes de la programación propuesta basada en DA-GmEDE tiene un consumo de
es elevado durante 6 a 9 y de 13 a 17 horas, que son las horas pico energía moderado en los intervalos de tiempo restantes. Por
de demanda que llevan a una alta factura de luz y PAR. El consumo lo tanto, se concluye que nuestra estrategia propuesta es un
de energía de una casa después de la programación con DA-GA, 36,4% mejor que el caso de programación W / O, y un 33,3%
DA-game-teórico y nuestras estrategias DA-GmEDE propuestas se mejor que la programación basada en la teoría de juegos
limitan a 7 kWh, 8,24 kWh y 8,14 kWh, respectivamente. La estrategia DA-GA y DA-game. Por lo tanto,
basada en la teoría de juegos DA-GA y DA-
VOLUMEN 4, 2016 15
12 6
Programación W / O Programación W / O
DA-GA DA-GA
10 DA-teórico-del-juego 5 DA-teórico-del-juego
DA-GmEDE DA-GmEDE
Pago de factura de luz por hora ($)

8 4
6 3
4 2
2 1
0 0
2 4 6 8 10 12 14 dieciséis 18 20 22 24 2 4 6 8 10 12 14 dieciséis 18 20 22 24
Intervalos de tiempo (horas) Intervalos de tiempo (horas)
FIGURA 8: Comparación del consumo de energía por hora sin FIGURA 9: Comparación del pago de la factura de electricidad por hora
programación de carga y con programación de carga basada en sin programación de carga y con programación de carga basada en la
DA-GmEDE, DA-GA y DA-game-teórico utilizando la señal de precios teoría DA-GmEDE, DA-GA y DA-Game bajo la señal de precios prevista
prevista para el día anterior para el día anterior
6
C.FACTURA DE ELECTRICIDAD POR HORA DE UNA VIVIENDA EN
Programación W / O
EDIFICIOS RESIDENCIALES DENTRO DEL HORIZONTE PROGRAMADO Con programación
La factura diaria de electricidad de los electrodomésticos con

programación basada en nuestra propuesta DA-GmEDE, DA-GA, 4
DA-game-teórico y programación W / O se ilustra en la Figura 9. Antes de
programar, la factura de electricidad es alta durante 6 a 9 y de 13 a 17
PAR
3
horas porque los consumidores usan más electrodomésticos durante
estas horas pico, lo que lleva a una factura de electricidad más alta de $
5.5. Después de programar los electrodomésticos residenciales con 2
estrategias DA-GmEDE, DA-GA y DA-teoría de juegos, se logra una

reducción en la factura de electricidad por intervalo de tiempo de hasta $ 1
0,7, $ 1,2 y $ 0,9, respectivamente. La factura de electricidad máxima es
de $ 5,5 por intervalo de tiempo, que se reduce a: $ 0,7 con nuestra
0
propuesta DA-GmEDE, $ 1,2 con DA-GA y $ 0,9 con DA-game-teórico. Es 1 2 3
obvio que cada estrategia tiene la capacidad de programar la carga
residencial, lo que conduce a una factura de electricidad reducida en FIGURA 10: Comparación de PAR sin programación de carga y con
comparación con el caso de programación W / O. Nuestra estrategia programación de carga basada en DA-GA, DA-Game-theory y
DA-GmEDE, respectivamente, bajo la señal de precios prevista para
propuesta basada en DA-GmEDE supera la estrategia basada en DA-GA
el día anterior
en un 41,6% y la estrategia basada en la teoría del juego DA en un 22,2%
en términos de reducción de la factura de electricidad. Por lo tanto, los
extensos resultados de la simulación muestran que nuestra estrategia
estabilidad del sistema y reducción de costes, respectivamente. El
propuesta basada en DA-GmEDE logra una reducción significativa en la
HEMC basado en DA-GA, DA-game-teórico y nuestras estrategias
factura de electricidad en comparación con otras estrategias existentes.
propuestas basadas en DA-GmEDE cambian la carga de horas de
precio alto a horas de precio bajo bajo la señal de precios del día
D. EVALUACIÓN DE PAR ANTES Y DESPUÉS DE LA PROGRAMACIÓN anterior, lo que lleva a una reducción en PAR. La carga programada
DE CARGA DE UNA HOGAR según las estrategias DA-GA, DA-game-teórico y DA-GmEDE reduce
La evaluación de la programación PAR W / O y con programación basada el PAR en comparación con el caso de programación W / O por
en DA-GA, DA-game-teórico y nuestras estrategias propuestas basadas en 17,64%, 25,49%, 47,05%, respectivamente. El porcentaje de reducción de
DA-GmEDE se ilustran en la Figura 10. El énfasis de PAR es mantener un la estrategia propuesta basada en DA-GmEDE es mayor en comparación
consumo de energía equilibrado durante El horizonte temporal de con las otras estrategias, como se ilustra en la Figura 10. Por lo tanto, se
programación, que es favorable tanto para la empresa de servicios concluye que nuestra estrategia propuesta basada en DA-GmEDE supera
públicos como para los usuarios finales en términos de energía. a otras estrategias en términos de PAR.
dieciséis VOLUMEN 4, 2016
50 25
Programación W / O
DA-GA
45 Con programación
DA-teórico-del-juego
DA-GmEDE
40 20
Pago total de la factura de electricidad ($)
35
Factura de luz ($)

30 15
25
20 10
15
10 5
0 0
1 2 3 0 2 4 6 8 10
Tiempo de espera (horas)
FIGURA 11: Pago total de la factura de electricidad sin programación FIGURA 12: Evaluación de la compensación de rendimiento entre la
de carga y con programación de carga basada en DA-GA, factura de electricidad y el tiempo de espera de la estrategia
DA-Game-theory y DA-GmEDE, respectivamente, bajo la señal de DA-GmEDE propuesta y las estrategias DA-GA y DA-Game-teóricas
precios prevista para el día anterior existentes
E. FACTURA TOTAL DE ELECTRICIDAD DE UNA HOGAR ANTES Y DESPUÉS DE por otro lado, para nuestra estrategia DA-GmEDE propuesta, la
LA PROGRAMACIÓN compensación de desempeño entre la factura de electricidad y la
La evaluación del pago total de la factura de electricidad sin incomodidad del usuario es comparativamente mínima. Por lo tanto,
programación y con programación basada en DA-GA, nuestra estrategia propuesta basada en GmEDE logra la compensación
DA-game-teórico y nuestras estrategias propuestas basadas en deseada entre la factura de electricidad y la incomodidad del usuario.
DA-GmEDE se ilustra en la Figura 11. La reducción general de la
factura de electricidad de DA-GA, DA-game-teórico y nuestra VII. CONCLUSIÓN Y FUTURAS DIRECCIONES DE
estrategia propuesta basada en DA-GmEDE es del 15,2%, 8,7% y INVESTIGACIÓN
23,9%, respectivamente, en comparación con el caso no En este documento, se propone un marco basado en HEMC y luego se
programado. La reducción neta de la factura del DA-GmEDE presenta una estrategia basada en DA-GmEDE para que HEMC lleve a
propuesto es alta en comparación con las otras estrategias. Por lo cabo una gestión energética eficiente de edificios residenciales bajo la
tanto, nuestra estrategia propuesta supera a las estrategias señal de precios DR prevista para el día y las preferencias de los
existentes en términos de pago de facturas de electricidad y PAR. consumidores. Además, el problema de gestión de la energía se formula
como un problema de optimización utilizando cuatro modos de operación
F. ANÁLISIS DE COMPROMISO DE RENDIMIENTO para lograr el programa de consumo de energía óptimo y lograr la
La compensación de rendimiento entre nuestra estrategia DA-GmEDE compensación deseada entre la factura de electricidad y la incomodidad
propuesta y las estrategias existentes (DA-GA y DA-teoría del juego) en del usuario. El marco propuesto es favorable tanto para los consumidores
términos de factura de electricidad y tiempo de espera se ilustra en la como para las empresas eléctricas. Para los consumidores, la estrategia
Figura 12. En la gestión de la energía, la compensación existe entre el propuesta basada en DA-GmEDE programa los electrodomésticos para
costo de la electricidad y la incomodidad. Los usuarios que se centren en maximizar el beneficio en términos de reducción de la factura de
la minimización de las facturas de electricidad tendrán que esperar horas electricidad. Por otro lado, el bene fi cio logrado para las empresas de
de bajo precio para operar un electrodoméstico. Así, existe una relación servicios públicos es la reducción de PAR, lo que aumenta la estabilidad
inversa entre la factura de la luz y el malestar del usuario. En el escenario del sistema eléctrico suavizando la curva de demanda. Para la validación
de programación W / O, el tiempo de espera es cero porque los usuarios del desempeño, se llevaron a cabo simulaciones y los resultados del
operan los electrodomésticos de acuerdo con su elección y demanda. Sin marco propuesto basado en DA-GmEDE se compararon con la estrategia
embargo, para el patrón de consumo de energía programado basado en basada en DA-GA, la estrategia basada en la teoría del juego DA y la
nuestra estrategia DA-GmEDE propuesta y las estrategias DA-GA programación W / O en términos de factura eléctrica y reducción de PAR.
existentes, y las estrategias basadas en la teoría de juegos DA, debe La estrategia propuesta basada en DA-GmEDE redujo la factura de
comprometer su comodidad. Los usuarios se enfrentan a una mayor electricidad y el PAR en un 23,90% y un 47,05%, en comparación con la
incomodidad cuando la diferencia entre la hora preferida de los usuarios programación W / O, respectivamente.
y la hora programada es alta. La compensación de rendimiento entre la
factura de electricidad y el tiempo de espera es alta para las estrategias Este trabajo puede extenderse en varias direcciones en el
basadas en la teoría de juegos DA-GA y DA. En futuro, que se describen a continuación:
VOLUMEN 4, 2016 17
• Se puede utilizar un sistema con Internet de las cosas (IoT) [14] Abubakar, I., SN Khalid, MW Mustafa, Hussain Shareef y M. Mustapha.
para la gestión energética de los edificios residenciales. “Aplicación de la supervisión de carga en la gestión de energía de los
electrodomésticos: una revisión”. Revisiones de energía renovable y sostenible
• El concepto de niebla y nube se puede utilizar para una programación 67 (2017): 235-245.
energética óptima de edificios residenciales en lugar de utilizar un [15] Du, Yuefang F., Lin Jiang, Yuanzheng Li y Qinghua Wu. "Un enfoque de optimización
HEMC. robusto para la programación del lado de la demanda teniendo en cuenta la

incertidumbre de los aparatos operados manualmente". Transacciones IEEE en Smart
• Se puede desarrollar un marco inteligente para la optimización Grid 9, no. 2 (2016): 743-755.
energética de edificios residenciales con fuentes de energía [dieciséis]Paterakis,
Nikolaos G., Ozan Erdinc, Anastasios G. Bakirtzis y João PS Catalão.
renovables, vehículos eléctricos y empresas de servicios "Programación óptima de electrodomésticos con precios diarios y estrategias
de respuesta a la demanda que modelan la carga". Transacciones IEEE sobre
• públicos. El mismo marco se puede extender para modelos
informática industrial 11, no. 6 (2015): 1509-1519.
escalables bajo algoritmos heurísticos avanzados, modelos [17] Mohsenian-Rad, Amir-Hamed y Alberto Leon-Garcia. “Control óptimo de la
analíticos y métodos estocásticos. carga residencial con predicción de precios en entornos de precios de
electricidad en tiempo real”. IEEE Trans. Smart Grid 1, no. 2 (2010): 120-133.
• Se puede desarrollar un modelo innovador para la consideración
[18] Jiang, Xin y Chunyan Xiao. "Estrategia de gestión de la demanda de energía doméstica
conjunta de HEMS residenciales y el control en tiempo real del sistema basada en la potencia operativa mediante algoritmo genético". Acceso IEEE 7 (2019):
de almacenamiento de energía y los inversores fotovoltaicos para hacer 96414-96423.
que el algoritmo sea resistente contra predicciones inexactas tanto para [19] Zhao, Zhuang, Won Cheol Lee, Yoan Shin y Kyung-Bin Song. "Un método de
programación de energía óptimo para la respuesta a la demanda en el sistema de
la generación como para el consumo de energía. gestión de energía del hogar". Transacciones IEEE en Smart Grid 4, no. 3 (2013):
1391-1400.
[20] Yao, Enxin, Pedram Samadi, Vincent WS Wong y Robert Schober. "Gestión del
REFERENCIAS
lado de la demanda residencial bajo alta penetración de unidades fotovoltaicas
[1] Stenner, Karen, Elisha R. Frederiks, Elizabeth V. Hobman y Stephanie Cook. en tejados". Transacciones IEEE en Smart Grid 7, no. 3 (2015): 1597-1608.
"Disposición a participar en el control directo de la carga: el papel de la
desconfianza del consumidor". Energía aplicada 189 (2017): 76-88. [21] Ma, Kai, Ting Yao, Jie Yang y Xinping Guan. "Programación de energía
[2] Takano, Hirotaka, Asuka Kudo, Hisao Taoka y Atsumi Ohara. "Un estudio básico sobre residencial para respuesta a la demanda en redes inteligentes". Revista
precios de incentivo para programas de respuesta a la demanda basados en la Internacional de Energía Eléctrica y Sistemas de Energía 78 (2016): 320-325.
maximización del bienestar social". Revista del Consejo Internacional de Ingeniería [22] Erol-Kantarci, Melike y Hussein T. Mouftah. “Redes de sensores inalámbricos
Eléctrica 8, no. 1 (2018): 136-144. para una gestión energética residencial rentable en la red inteligente”.
[3] Shirazi, Elham y Shahram Jadid. "Programación óptima de electrodomésticos Transacciones IEEE en Smart Grid 2, no. 2 (2011): 314-325.
residenciales bajo un esquema de precios dinámico a través de HEMDAS". [23] Derakhshan, Ghasem, Heidar Ali Shayanfar y Ahad Kazemi. “La optimización de
Energía y Edificios 93 (2015): 40-49. los programas de respuesta a la demanda en redes inteligentes”. Energy Policy
[4] Althaher, Sereen, Pierluigi Mancarella y Joseph Mutale. "Respuesta 94 (2016): 295-306.
automatizada a la demanda del sistema de gestión de energía del hogar bajo [24] Manzoor, Awais, Nadeem Javaid, Ibrar Ullah, Wadood Abdul, Ahmad Almogren y Atif
precios dinámicos y restricciones de potencia y comodidad". Transacciones IEEE Alamri. "Un esquema heurístico híbrido inteligente para la gestión del lado de la
en Smart Grid 6, no. 4 (2015): 1874-1883. demanda basada en la medición inteligente en hogares inteligentes". Energias
[5] Moon, Seokjae y Jang-Won Lee. "Programación de respuesta a la demanda de múltiples 10, no. 9 (2017): 1258.
residencias con electrodomésticos de varias clases en una red inteligente". Transacciones IEEE [25] Javaid, Nadeem, Ghulam Hafeez, Sohail Iqbal, Nabil Alrajeh, Mohamad Souheil
en la red inteligente 9, no. 4 (2016): 2518-2528. Alabed y Mohsen Guizani. "Integración energéticamente eficiente de fuentes de
[6] Tsui, Kai Man y Shing-Chow Chan. "Optimización de la respuesta a la demanda para la energía renovable en la red inteligente para la gestión de la demanda". IEEE
programación de hogares inteligentes con precios en tiempo real". Transacciones IEEE Access 6 (2018): 77077-77096.
en Smart Grid 3, no. 4 (2012): 1812-1821. [26] Hafeez, Ghulam, Nadeem Javaid, Sohail Iqbal y Farman Khan. “Programación óptima de
[7] Chana, Inderveer. "Hiperheurística basada en la búsqueda de bacterias para la programación cargas residenciales en unidades fotovoltaicas de servicios públicos y de azotea”.
de recursos en la computación en red". Sistemas informáticos de la generación futura 29, no. 3 Energías 11, no. 3 (2018): 611.
(2013): 751-762. [27] Ghulam Hafeez, Noor Islam, Ammar Ali, Salman Ahmad, Muhammad Usman y
[8] Faria, Pedro, João Soares, Zita Vale, Hugo Morais y Tiago Sousa. “Optimización del Khurram Saleem Alimgeer. "Un marco modular para una programación de
enjambre de partículas modificadas aplicada a la respuesta integrada a la demanda y carga óptima bajo un esquema de respuesta a la demanda basado en el precio
la programación de recursos de GD”. Transacciones IEEE en la red inteligente 4, no. 1 en Smart Grid". Procesos 7, no. 8 (2019): 499.
(2013): 606-616. [28] Ghulam Hafeez, Abdul Wahab Khan, Malik Ali Judge, Zafar Iqbal y
[9] Fernandes, Filipe, Tiago Sousa, Marco Silva, Hugo Morais, Zita Vale y Pedro Nadeem Javaid, "Optimal Residential Load Scheduling Under Utility and
Faria. “Metodología de algoritmo genético aplicada al control inteligente de la Rooftop PV units". En Conferencia Internacional sobre Computación P2P,
casa”. En 2011, el Simposio de IEEE sobre aplicaciones de inteligencia Paralela, Grid, Cloud e Internet (págs. 553-562). Springer, Cham.
computacional en redes inteligentes (CIASG), págs. 1-8. IEEE, 2011. [29] Ghulam Hafeez, Nadeem Javaid, Saman Zahoor e Itrat Fatima. “Integración
[10] Naz, Aqdas, Nadeem Javaid, Muhammad Babar Rasheed, Abdul Haseeb, energéticamente eficiente de fuentes de energía renovable en redes inteligentes”. En
Musaed Alhussein y Khursheed Aurangzeb. "Gestión de energía teórica del Conferencia internacional sobre tecnologías emergentes de interconexión en red,
juego con optimización de la capacidad de almacenamiento y previsión de datos y web, págs. 553-562. Springer, Cham, 2017.
energía generada por células fotovoltaicas en Micro Grid". Sostenibilidad 11, no. [30] Ghulam Hafeez, Integración eficiente de fuentes de energía renovable en la red
10 (2019): 2763. inteligente para la gestión del lado de la demanda, Tesis de maestría,
[11] Mohsenian-Rad, Amir-Hamed, Vincent WSWong, Juri Jatskevich, Robert Schober Universidad COMSATS de Islamabad, Islamabad, Pakistán, 2017.
y Alberto Leon-García. “Gestión autónoma del lado de la demanda basada en la [31] Javaid, Nadeem, Mudassar Naseem, Muhammad Babar Rasheed, Danish
programación del consumo de energía basada en la teoría del juego para la Mahmood, Shahid Ahmed Khan, Nabil Alrajeh y Zafar Iqbal. "Un nuevo
futura red inteligente”. Transacciones IEEE en Smart Grid 1, no. 3 (2010): 320- controlador de gestión de energía doméstica optimizado heurísticamente para
331. redes inteligentes". Ciudades y sociedad sostenibles 34 (2017): 211-227.
[12] Ahmed, Maytham S., Azah Mohamed, Tamer Khatib, Hussain Shareef, Raad Z. [32] Haider, Haider Tarish, Ong Hang See y Wilfried Elmenreich. “Esquema de
Homod y Jamal Abd Ali. “Controlador de horario óptimo en tiempo real para el respuesta a la demanda residencial basado en precios de nivel de consumo
sistema de gestión de energía del hogar que utiliza un nuevo algoritmo de adaptativo”. Energy 113 (2016): 301-308.
búsqueda de retroceso binario”. Energía y Edificios 138 (2017): 215-227. [33] Hu, Mian, Jiang-Wen Xiao, Shi-Chang Cui y Yan-Wu Wang. “Respuesta a la demanda
[13] Basit, Abdul, Guftaar Ahmad Sardar Sidhu, Anzar Mahmood y Feifei Gao. distribuida en tiempo real para la programación de la gestión energética en redes
“Técnicas de gestión de energía eficientes y autónomas para los hogares inteligentes”. Revista Internacional de Energía Eléctrica y Sistemas de Energía 99
inteligentes del futuro”. Transacciones IEEE en Smart Grid 8, no. 2 (2015): (2018): 233-245.
917-926. [34] Eid, Cherrelle, Elta Koliou, Mercedes Valles, Javier Reneses y Rudi
18 VOLUMEN 4, 2016
Hakvoort. "Precios basados en el tiempo y respuesta a la demanda de electricidad: barreras

existentes y próximos pasos". Política de servicios públicos 40 (2016): 15-25.
[35] Bradac, Zdenek, Vaclav Kaczmarczyk y Petr Fiedler. “Programación óptima
de electrodomésticos a través de MILP”. Energías 8, no. 1 (2015): 217-232.
[36] Khalid, Rabiya, Nadeem Javaid, Muhammad Hassan Rahim, Sheraz Aslam
y Arshad Sher. "Programador y controlador de gestión de energía difusa
para hogares inteligentes". Computación sostenible: informática y
sistemas 21 (2019): 103-118.
[37] Khalid, Adia, Nadeem Javaid, Abdul Mateen, Manzoor Ilahi, Tanzila Saba y Amjad
Rehman. "Tarifa mejorada del precio de la electricidad por tiempo de uso mediante la
teoría de juegos" Electrónica 8, no. 1 (2019): 48.
[38] Mohseni, Amin, Seyed Saeidollah Mortazavi, Ahmad Ghasemi y Ali Nahavandi. "La
aplicación de la flexibilidad de los electrodomésticos mediante un conjunto de modelos
secuenciales de fases de energía ininterrumpida en la planificación diaria de una
microrred residencial". Energía 139 (2017): 315-328.
[39] Bradac, Zdenek, Vaclav Kaczmarczyk y Petr Fiedler. “Programación óptima de
electrodomésticos a través de MILP”. Energías 8, no. 1 (2015): 217-232. Aslam,
[40] Sheraz, Adia Khalid y Nadeem Javaid. “Hacia una gestión eficiente de la energía
en redes inteligentes considerando las microrredes con previsión energética
diaria”. Investigación de sistemas de energía eléctrica 182 (2020):
106232.
[41] Youse fi, Mojtaba, Amin Hajizadeh y Mohsen Nourbakhsh Soltani. "Un estudio
comparativo sobre métodos de modelado estocástico para sistemas de gestión
de energía en el hogar". Transacciones IEEE sobre informática industrial 15, no.
8 (2019): 4799-4808.
[42] Zhang, Dong, Shuhui Li, Min Sun y Zheng O'Neill. "Una respuesta a la demanda óptima
y basada en el aprendizaje y un sistema de gestión de la energía en el hogar".
Transacciones IEEE en Smart Grid 7, no. 4 (2016): 1790-1801.
[43] Alobaidi, Mohammad H., Fateh Chebana y Mohamed A. Meguid. “Marco de
aprendizaje conjunto robusto para la previsión diaria del consumo de energía
en los hogares”. Energía aplicada 212 (2018): 997-1012. Moustris, KP, KA
[44] Kavvadias, AI Kokkosis y AG Paliatsos. "Pronóstico con un día de anticipación de
la irradiación solar global media por hora para fines de sistemas de gestión de
energía utilizando modelos de redes neuronales artificiales". (2016): 104-6.
[45] Tiempo real precios por Residencial clientes, MISO

diario informe archivo; 2017. [En línea]. Disponible:
http://www.ferc.gov/market-oversight/mkt-electric/midwest/miso-archives.asp ..
Acceso: 19 de mayo de 2019.
[46] Seo, Jongkwan, Ju Jin, Jin Young Kim y Jae-Jo Lee. "Respuesta automatizada a la
demanda residencial basada en una red de infraestructura de medición
avanzada". Revista internacional de redes de sensores distribuidos 12, no. 2
(2016): 4234806.
[47] Nan, Sibo, Ming Zhou y Gengyin Li. "Programación óptima de respuesta a la demanda
de la comunidad residencial en redes inteligentes". Energía aplicada 210 (2018):
1280-1289.
[48] Storn, R .; Price, K. Evolución diferencial: un esquema adaptativo simple y
eficiente para la optimización global 580 en espacios continuos; Instituto
Internacional de Ciencias de la Computación: Berkeley, CA, EE. UU., 1995.
[49] Missaoui, Rim, Hussein Joumaa, Stephane Ploix y Seddik Bacha. “Gestión de
hogares inteligentes energéticos según los precios de la energía: análisis de un
sistema de gestión energética de un edificio”. Energía y Edificios 71 (2014):
155-167.
VOLUMEN 4, 2016 19

An Innovative Optimization Strategy For - En.es

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

An Innovative Optimization Strategy For - En.es

Cargado por

Copyright:

Formatos disponibles

Este artículo ha sido aceptado para su publicación en un número futuro de esta revista, pero no ha sido completamente editado.

El contenido puede cambiar antes de la publicación final. Información de la cita: DOI

Identificador de objeto digital 10.1109 / ACCESS.2017.DOI

Una estrategia de optimización innovadora para

Autor para correspondencia: Farrukh Aslam Khan (correo electrónico: fakhan@ksu.edu.sa )

lado de la generación (GSM) y (ii) gestión del lado de la demanda.

SG Red inteligente EM Manejo de energía

TLBOA Algoritmo de optimización basado en la enseñanza y el r It Número de intervalos de tiempo restantes

BPOA Algoritmo de optimización de la polinización BAT F tI Flexibilidad temporal

DDT Técnica de descomposición dual ˆt

FPS Esquema de precios fijos Dpag

IA Aparatos interrumpibles K Liga número real que 1

TFA Aparatos flexibles en el tiempo H Horizonte de tiempo de programación

HAN Red de área doméstica T Ilo Duración del tiempo de operación

Energía Los beneficios para la

ANNBasedForcaster Compañia de Utilidades

Inicio sesión Vigilancia

j=1 incomodidad al usuario, mientras que los electrodomésticos críticos no causan

aparatos cambiables en el siguiente intervalo de tiempo, respectivamente.

Inicio sesión Vigilancia

{ 1, 2, 3, ...., T}. El horizonte global es de 24 horas; cada

hora de inicio y β I es la hora de finalización de la operación. Es más, X t I (9)

y toleran retrasos. Estos dispositivos se pueden retrasar o adelantar a cualquier

pag causado por los aparatos de potencia cambiante se debe a la desviación de

los consumidores seleccionan α yo = 10 soy y β yo = 1 pm para que ∑ ( ∑∑

El horizonte de tiempo de programación se puede modelar de la siguiente manera:

var iables F t I ( I ∈ A T 1, t ∈ H), 2) Modo consumidores II

miyot = 0, ∀ t ∈ T lo I \[ α I, β I], ∀ I ∈ A C 3},

1) Modo consumidores I 3) Modo consumidores III

En el modo III, los consumidores se centran en reducir la PAR, lo que es

Se desarrolla un algoritmo para la gestión eficiente de la energía de

pag los edificios residenciales. El algoritmo propuesto es un híbrido del

( ) B. ALGORITMO DE EVOLUCIÓN DIFERENCIAL MEJORADO

V a, G + 1 = X r 1, G + F (x r 2, GRAMO - X r 3, GRAMO), (29)

Inicialización de parámetros Mitr, popl, A, α, β, δ;

con el vector de prueba más adecuado, que se crea comparando con

de que α y δ puede estar lo suficientemente cerca de la presa en

de la mejor selección de agente, la posición se actualiza en GWO. La

{ FIGURA 4: Señal de precios de DR pronosticada para el día siguiente utilizando ANN

Inicialización de parámetros Mitr, popl, A, α, β, δ;

A. CONSUMO DE ENERGÍA Y FACTURA ELÉCTRICA BAJO

Parámetros Valores operación se ilustran en las Figuras 6 y 7, respectivamente. En la Figura 6

Población 100 se muestra que el consumo de energía de los edificios residenciales

Tasa de aprendizaje 0,002 usuarios en modo de funcionamiento II se preocupan más por su

objetivos 2 funcionamiento II y el modo IV porque el usuario en el modo de

Distancia de la presa Variar

Gradiente del problema Variar

TABLA 3: Parámetros de los electrodomésticos residenciales utilizados en simulaciones.

Aire acondicionado [0,8 1,5] 12 2

Pago de factura de luz por hora ($)

EDIFICIOS RESIDENCIALES DENTRO DEL HORIZONTE PROGRAMADO Con programación

La factura diaria de electricidad de los electrodomésticos con

estrategias DA-GmEDE, DA-GA y DA-teoría de juegos, se logra una

dieciséis VOLUMEN 4, 2016

Factura de luz ($)

HEMC. robusto para la programación del lado de la demanda teniendo en cuenta la

Hakvoort. "Precios basados en el tiempo y respuesta a la demanda de electricidad: barreras

[45] Tiempo real precios por Residencial clientes, MISO

También podría gustarte