نوع مقاله : مقاله پژوهشی فارسی
نویسندگان
1 پژوهشگر پسادکتری، گروه مهندسی برق، دانشکدۀ فنی و مهندسی، دانشگاه یاسوج، یاسوج، ایران
2 دانشیار، گروه مهندسی برق، دانشکدۀ فنی و مهندسی، دانشگاه یاسوج، یاسوج، ایران
چکیده
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
With the increase in the number of locally distributed generation resources and the increase of smart buildings in today's microgrids, the computational volume and data exchanged between units have increased. Therefore, it is necessary to perform on-site calculations and send the final information to the upstream layer for decision-making and planning. This paper presents a cloud-fog computing structure that reduces the computational burden and time of calculations for energy management of smart buildings in the smart microgrids. The proposed system has several smart buildings, each with fixed and shiftable loads, an energy storage system, and a photovoltaic system. In the proposed energy management of smart buildings, the cost and peak-to-average ratio are presented as objective functions in a multi-objective problem. Every smart building can buy and sell energy with the upstream network. Whale optimization algorithm has been used to solve the optimization problem and the cost and peak-average ratio have been reduced and optimized simultaneously. By implementing cloud-fog computing and solving the optimization problem of each smart building locally, the computational burden and computing time have been reduced from 465.46 seconds to 48.52 seconds compared to the case without cloud-fog structure. Therefore, cloud-fog computing has reduced the computational burden and the time of calculations in the proposed energy management system of each smart building, after which the planning of the units is done locally.
کلیدواژه‌ها [English]
با رشد سریع جمعیت و توسعۀ اقتصادی، وابستگی به انرژی الکتریکی روز به روز در حال افزایش است که در پی آن، مصرف انرژی نیز افزایش یافته است [1]. شبکۀ برق سنتی قادر به پاسخ به افزایش تقاضای انرژی و چالشهای ایجادشده همچون تولید هیبریدی، ارتباطات دوطرفه و جریان برق دوطرفه نیست؛ از این رو، ریزشبکهها[1] که اینترنت اشیا[2]، فناوری‌های کنترل مدرن، فناوری‌های اطلاعات و ارتباطات[3]، جریان برق دوطرفه و هیبریدی را در خود جاداده‌اند، به عنوان شبکۀ الکتریکی هوشمند[4] توسعه یافته‌اند. ریزشبکهها برای پاسخ به افزایش تقاضای انرژی، دو برنامۀ پاسخ به تقاضا[5] برای مدیریت انرژی و نصب نیروگاه جدید برای تولید انرژی را ارائه میدهند [2].
در برنامههای پاسخ به تقاضا، یکی از چالشها نبود اطلاعات کافی کاربران است که در پی آن، کاربران را از مشارکت بازمیدارد [3]. یکی از راه‌حل‌های نوین برای حل این مسئله سیستم مدیریت انرژی هوشمند[6] و حل مسئلۀ بهینهسازی به صورت محلی در محل‌های کاربران است. با اجرای سیستم مدیریت انرژی با اینترنت اشیا، هزینۀ انرژی مصرفکننده به حداقل میرسد که انگیزهای برای کاربران نهایی برای شرکت در برنامههای پاسخ به تقاضا است [4]. خروجی سیستم مدیریت انرژی برنامهریزی بهینۀ زمان استفادۀ لوازم خانگی، شارژ و دشارژ سیستمهای ذخیرهساز انرژی، خرید و فروش انرژی ساختمانهای هوشمند[7] و منابع انرژی تجدیدپذیر[8] است [5]. سیستمهای ذخیرهساز انرژی[9] برای ذخیرۀ انرژی از منابع انرژی تجدیدپذیر در طول روز و تخلیۀ انرژی در طول شب و همچنین، بازههای زمانی که در آنها هزینۀ انرژی زیاد است، برای تأمین انرژی مورد نیاز ساختمانهای هوشمند و همچنین فروش انرژی به کار برده میشوند.
در طول دهۀ گذشته، با ظهور محاسبات ابری[10]، مدیریت دادههای اینترنتی به طرزی چشمگیر بهبود یافته است و همچنین، تجمیع و اشتراکگذاری دادهها حل شده است. با گسترش فناوری اینترنت اشیا و محبوبیت بیشتر آن، تجهیزات هوشمند و تقاضای خدمات مرتبط به‌سرعت افزایش یافته‌اند. جمعآوری و تجزیه‌وتحلیل دادهها در اینترنت اشیا به عنوان یک نیاز ضروری است. اینترنت اشیا به پهنای باند بالا، قدرت محاسباتی زیاد، مدیریت داده و سرعت پاسخ‌گویی سریع نیاز دارد که در آن، رایانش ابری نمیتواند این الزامات را برآورده کند؛ زیرا بهشدت به سرورهای ابری متمرکز متکی است. برای غلبه بر این محدودیت، مفاهیم محاسبات لبه[11] و محاسبات مه[12] به عنوان طرح‌های محاسباتی جدید ارائه شدهاند. عملکرد شبکه را میتوان با استفاده از منابع آزاد محاسباتی توزیعشده واقع در لبه بهبود بخشید. سیستمهای اینترنت اشیای مبتنی بر مه و محاسبات لبه که طرحی جدید هستند، میتوانند خدماتی بهتر ارائه دهند [6].
در مدیریت سمت تقاضا، تکنیکها و الگوریتمهایی مختلف برای به حداقل رساندن هزینۀ صورت‌حساب انرژی بر اساس تعرفهها و مشوقها اتخاذ شدهاند. مصرفکنندگان میتوانند انرژی تجدیدپذیر را برای تأمین انرژی وسایل خود به کار گیرند و در صورت تولید مازاد انرژی در طول روز، آن را به شبکۀ برق بفروشند [7]. یک رویکرد جدید از هاب انرژی[13] در [8] برای مدیریت سمت تقاضا در خانه‌های هوشمند[14] ارائه شده است که انرژی مورد نیاز بارها را به صورت جداگانه کنترل میکنند. در مرجع [9]، یک سیستم مدیریت انرژی برای ساختمان هوشمند با سیستم ذخیرهساز انرژی اجرا شده است. در [10]، یک مدل مبتنی بر یادگیری عمیق[15] برای افزایش عملکرد کوتاهمدت ریزشبکهها با هدف به حداقل رساندن هم‌زمان هزینههای عملیاتی و انتشار آلودگی در حضور منابع انرژی توزیعشده برای مدیریت سمت تقاضا معرفی شده است.
در مرجع [11]، الگوریتم بهینهسازی ازدحام ذرات[16] برای بهینهسازی مصرف انرژی لوازم خانگی با قابلیت جابه‌جایی زمان استفاده شده است. در مرجع [12]، سیستم مدیریت انرژی برای مدیریت مصرف انرژی لوازم خانگی با استفاده از الگوریتم گرگ خاکستری[17] و الگوریتم ژنتیک[18] بررسی شده است؛ اما سیستم ذخیرهساز انرژی و زمان‌بندی قابل تغییر انرژی بررسی نشده است. در مرجع [13]، یک سیستم مدیریت انرژی برای به حداقل رساندن هزینۀ انرژی و نرخ استفاده از منابع انرژی نو به میانگین ارائه شده است. همچنین، از الگوریتم ژنتیک برای حل مسئلۀ بهینهسازی استفاده شده است. در [14]، از الگوریتم جغرافیای زیستی[19] مبتنی بر سطح پرتو برای برنامهریزی لوازم خانگی[20] استفاده شده است. دو تابع هدف هزینه و نسبت پیک به میانگین[21] در مسئله به حداقل رسیده‌اند. سیستم پیشنهادی دارای سیستم ذخیرهساز انرژی، سیستم فتوولتاییک و توربین بادی است و همچنین، با شبکۀ بالادست تبادل انرژی برای خرید و فروش انرژی دارد.
در [15]، به منظور تقویت امنیت شبکههای توزیع با چندین ریزشبکه، یک رویکرد کارآمد دومرحله‌ای سلسله‌مراتبی با استفادۀ بهینه از منابع ذخیرهساز انرژی و برنامههای مدیریت مصرف ارائه شده است. در مرحلۀ اول، حادثه و تأثیر آن بر شبکۀ توزیع مدلسازی شده است و سپس در مرحلۀ دوم، اقدامات پیشگیرانه و اصلاحی برای افزایش آمادگی سیستم و کاهش خسارت‌های ناشی از رویدادهای شدید انجام شدهاند. در این مقاله، عدم قطعیت و ریسک ناشی از رویدادها در مسئله با استفاده از بهینهسازی استوار[22] در نظر گرفته شده است. در [16]، نویسندگان انعطاف‌پذیری فضایی سیستم ذخیرهسازی انرژی تعبیه‌شده در وسایل نقلیه را برای پر کردن شکاف بین برنامهریزی بهینۀ اقتصادی در طول عملیات نرمال و مکان‌هایی که در آنها به دلیل تقاضای زیاد ظرفیت پشتیبان اضافی مورد نیاز است، بررسی کردهاند. در این مقاله، یک چارچوب بهینهسازی دومرحله‌ای ارائه شده است که در ابتدا، سرمایه‌گذاری در ماژول‌های سیستم ذخیرهسازی انرژی سیار را به حداکثر می‌رساند و در مرحلۀ دوم، امکان مسیریابی مجدد وسایل نقلیه را برای ایجاد ریزشبکههای پویا و جلوگیری از کاهش بار پیش‌بینی‌شدۀ ناشی از رویدادها فراهم میکند. در [17]، یک برنامهریزی دومرحله‌ای برای بررسی انعطاف‌پذیری در طراحی یک ریزشبکۀ متشکل از پنلهای خورشیدی، میکروتوربین‌ها و باتری‌های متحرک معرفی شده است تا انعطاف‌پذیری سیستم را در برابر رویدادها با تأثیر زیاد افزایش دهد. در چارچوب پیشنهادی، به منظور افزایش انعطاف‌پذیری سیستم تصمیم‌های سرمایه‌گذاری در مرحلۀ اول اتخاذ میشوند و سپس در مرحلۀ دوم، متغیرهای عملیاتی بهینه میشوند.
نویسندگان در مرجع [18] برای توسعۀ مفهوم ریزشبکهها از اینترنت انرژی[23] استفاده کردند تا راهحلی را برای مدیریت سمت تقاضا پیشنهاد کنند. در این مرجع، استفاده از یک کانال ارتباطی هوشمند در میان لایههای ابر و مه[24] به منظور کاهش تأخیر پردازش فرض شده است. این دستگاه‌ها با توجه به اهمیت و سیاست‌های مصرفکننده و همچنین، موقعیت‌های منابع انرژی در یک ردیف اولویت پویا مرتب شدهاند. طرح مدیریت انرژی بر پایۀ ساختار محاسبات مه در مرجع [19] ارائه شده است. طرح آنها به آخرین کاربر این امکان را میدهد که طرح مدیریت انرژی را برای کاهش هزینه اجرا کند. مرجع [20]، یک ساختار ابر ـ مه را بر اساس سه لایه ارائه میکند تا تلفات انرژی را به حداقل برساند و انرژی مازاد را متعادل کند. مدلی از یک ساختار ابر ـ مه برای مدیریت منابع در مرجع [21] ارائه شده است که یک چارچوب سلسله‌مراتبی محاسبات ابر ـ مه[25] را به منظور آمادهسازی انواع خدمات محاسباتی در ریزشبکه توصیف میکند.
در این مقاله، یک مدل محاسباتی ابر - مه برای یک ریزشبکه با ساختمانهای هوشمند ارائه شده است تا به دنبال آن، حجم محاسبات و زمان محاسبات در ریزشبکه کاهش یابد. در این مدل، هر ساختمان هوشمند به عنوان یک گره (لایۀ مه) در نظر گرفته شده است که به طور مستقل قابلیت مدیریت انرژی را دارد. در طرح پیشنهادی، هر لایۀ مه توانایی مدیریت توزیعشده و تصمیمگیری را دارد. در هر لایۀ مه، دادههای مصرف لوازم، تولید توان سیستم فتوولتاییک و سطح شارژ سیستم ذخیرهساز انرژی از لایۀ لبه به دست میآید و سپس مدیریت انرژی اجرا میشود و در ادامه زمان روشن و خاموش بودن لوازم، میزان فروش انرژی، میزان خرید انرژی، مقدار شارژ و دشارژ سیستم ذخیرهساز انرژی تعیین میشود. همچنین، دادهها به گره بعدی که در سطح سلسله‌مراتبی بالاتر قرار دارد، برای پردازش و تصمیمگیری در لایۀ بالاتر (ابر) منتقل میشود. هدف اجرای محاسبات ابر - مه، کاهش حجم و زمان محاسباتی است که در پی آن، دادههای پیش پردازش‌شده در لایههای پایین در لایۀ ابر به منظور تجزیه‌وتحلیل و مدیریت کل ریزشبکه جمعآوری میشود. به صورت خلاصه، نوآوری اصلی مقاله به شرح زیر بیان میشود:
ادامۀ مقاله به این شرح است: در بخش دوم، سیستم مورد مطالعه که یک ریزشبکه با چندین ساختمان هوشمند است، شرح داده شده است. مدل ریاضی مسئله و اهداف و قیود مسئلۀ بهینهسازی با دو هدف هزینه و نرخ پیک به میانگین در قسمت سوم ارائه شدهاند. مفاهیم محاسبات ابر ـ مه و الگوریتم بهینهسازی وال در قسمت چهارم بیان شدهاند. در قسمت پنجم، دادههای سیستم شبیهسازی به همراه نتایج شبیهسازی شرح و تحلیل شده است. در نهایت، نتیجهگیری در قسمت ششم بیان شده است.
همان‌گونه که در شکل (1) نشان داده شده است، سیستم مورد مطالعه یک ریزشبکه با تعداد n ساختمان هوشمند است. هر ساختمان هوشمند دارای بارهای ثابت[27] و قابل تغییر[28]، پنل های فتوولتاییک و سیستم ذخیرهساز انرژی است. سیستم ذخیرهساز انرژی با ذخیرۀ انرژی و دشارژ در بازههای زمانی که در آنها قیمت انرژی زیاد است و همچنین، فروش به شبکۀ بالادست سبب کاهش هزینۀ کل هر ساختمان هوشمند میشود. سیستم ذخیرهساز انرژی در زمان شارژ به عنوان بار قابل تغییر و در زمان دشارژ به عنوان یک منبع تولید توان در نظر میشود. میزان انرژی هر ساختمان هوشمند برابر مجموع بارهای ثابت و قابل تغییر است. همچنین، انرژی مازاد مورد نیاز هر ساختمان هوشمند توسط شبکۀ بالادست تأمین میشود. شبکۀ بالادست میزان خرید و فروش انرژی هر ساختمان هوشمند را جمعآوری میکند و سپس برنامهریزی را بر اساس دادههای به‌دست‌آمده انجام میدهد.
شکل (1): سیستم ریزشبکۀ پیشنهادی با ساختمانهای هوشمند
در این بخش، در ابتدا، فرمولبندی مسئله با دو هدف هزینه و نرخ پیک به میانگین ارائه میشود و سپس قیود مسئله و مدل سیستم فتوولتاییک، سیستم ذخیرهساز انرژی و بارهای ثابت و قابل تغییر بیان میشوند.
مسئلۀ مدیریت انرژی پیشنهادی به عنوان یک مسئلۀ دوهدفه مدلسازی میشود. در این مدل، زمان استفاده و خاموش بودن بارهای ساختمان هوشمند با متغیرهای عدد صحیح باینری نشان داده میشود و زمان روشن و خاموش بودن این بارها قابل تغیر است. همچنین، متغیرهای پیوسته نشاندهندۀ توان مورد نیاز و تولیدی بارها، سیستم فتوولتاییک و سیستم ذخیرهساز انرژی هستند.
هزینۀ انرژی مصرفی و نرخ پیک بار به میانگین به عنوان اهداف اولیۀ این مقاله در نظر گرفته شدهاند. فرمولبندی اولین هدف مسئلۀ پیشنهادی (هزینه) به صورت زیر بیان شده است:
که در آن، هزینۀ کل برابر هزینۀ خرید انرژی از شبکۀ بالادست ( ) منهای درآمد حاصل از فروش انرژی به شبکۀ بالادست ( ) است. انرژی تولیدشده توسط سیستم فتوولتاییک و سیستم ذخیرهساز انرژی در هر ساختمان هوشمند مربوط به خود ساختمان هوشمند است و از این رو، هزینهای در برنامهریزی روزانۀ ساختمان هوشمند ندارد. پس داریم:
که در آن، انرژی مورد نیاز برای بارهای ثابت و بارهایی با قابلیت تغیر در زمان استفاده است. مقدار انرژی خریداریشده از شبکۀ بالادست برای شارژ باتری را نشان میدهد. مقدار انرژی تأمین‌شدۀ بار توسط فتوولتاییک است. مقدار انرژی تأمین‌شدۀ بار توسط سیستم ذخیرهساز انرژی در زمان دشارژ است. نشاندهندۀ قیمت خرید انرژی از شبکۀ بالادست است. مقدار انرژی فروختهشده به شبکۀ بالادست توسط سیستم ذخیرهساز انرژی در زمان دشارژ است. قیمت فروش انرژی به شبکۀ بالادست است. بازۀ زمانی را نشان میدهد که در این مقاله، بازۀ 24ساعته در نظر گرفته شده است.
دومین هدف مسئلۀ پیشنهادی (نرخ پیک بار به میانگین) به صورت زیر ارائه شده است:
که در آن، انرژی خریداریشده از شبکۀ بالادست است و به صورت زیر به دست میآید:
بیشترین انرژی خریداریشده ( ) نیز برابر بیشترین مقدار انرژی خریداریشده در بازۀ زمانی 24ساعته است (در این مقاله، دورۀ زمانی یک‌ساعته در نظر گرفته شده است) و میانگین انرژی خریداریشده ( ) به صورت زیر بیان میشود:
یک مسئلۀ بهینهسازی چندهدفه را میتوان با روشهای مختلف از جمله ضرایب وزنی، سطح پرتو و غیره حل کرد [14، 22-24]. در این مقاله، مسئلۀ بهینهسازی چندهدفه با رویکرد جمع وزنی و ترکیب خطی دو تابع به یک مسئلۀ بهینهسازی تک‌هدفه تبدیل شده است [24]. پس داریم:
که در آن، و ضرایب وزنی هستند.
بارهای ثابت مانند دوربینهای امنیتی، یخچال، پمپ آب و ... به بارهایی گفته میشود که پروفایل مصرف انرژی ثابتی دارند و نمیتوان زمان مصرف آنها را تغییر داد؛ از این رو، انرژی مصرفی بارهای ثابت به صورت زیر محاسبه میشود:
که در آن، تعداد بارهای ثابت در هر ساختمان هوشمند را نشان میدهد. میزان توان مصرفی هر بار ثابت برای یک ساعت را نشان میدهد. نشاندهندۀ وضعیت روشن یا خاموش بودن هر بار ثابت است که یک عدد باینری است. زمانی که بار روشن باشد، برابر یک است و زمانی که بار خاموش باشد، برابر با صفر است.
بارهای قابل تغییر پیوسته یا بدون وقفه از جمله ماشین لباسشویی و خشککن، بارهایی هستند که میتوان زمان روشن و خاموش بودن آنها را مدیریت کرد و پس از روشن شدن، زمان استفادۀ آن پشت سر هم است. انرژی مصرفی بارهای قابل تغییر پیوسته به صورت زیر محاسبه میشود:
که در آن، تعداد بارهای قابل تغییر بیوقفه را نشان میدهد. میزان توان مصرفی هر بار قابل تغییر بیوقفه برای یک ساعت را نشان میدهد. نشاندهندۀ وضعیت روشن یا خاموش بودن هر بار قابل تغییر بیوقفه است که یک عدد باینری است. زمانی که بار روشن باشد، برابر یک است و زمانی که بار خاموش باشد، برابر صفر است. زمان روشن یا خاموش بودن این بارها در مسئلۀ بهینهسازی تعیین میشود.
بارهای قابل تغییر باوقفه ازجمله اسپلیت و آبگرمکن، بارهایی هستند که میتوان زمان روشن و خاموش بودن آنها را مدیریت کرد و نیازی نیست که زمان استفادۀ آنها پشت سر هم باشد و میتوانند چندین بار خاموش و روشن شوند. انرژی مصرفی بارهای قابل تغییر باوقفه به صورت زیر محاسبه میشود:
که در آن، تعداد بارهای قابل تغییر باوقفه را نشان میدهد. میزان توان مصرفی هر بار قابل تغییر باوقفه برای یک ساعت را نشان میدهد. وضعیت روشن یا خاموش بودن هر بار قابل تغییر باوقفه را نشان میدهد که یک عدد باینری است. زمانی که بار روشن باشد، برابر یک است و زمانی که بار خاموش باشد، برابر صفر است. زمان روشن یا خاموش بودن این بارها در مسئلۀ بهینهسازی تعیین میشود.
کل بار مصرفی در هر ساختمان هوشمند به صورت زیر حاصل میشود:
محدودیت‌های پارامترهای سیستم ذخیرهساز انرژی مانند نرخ شارژ ( )، نرخ دشارژ ( )، وضعیت سطح شارژ ( )، حداقل سطح شارژ ( ) و حداکثر سطح دشارژ ( )، محدودیت‌های توان شارژ ( ) و دشارژ ( ) به صورت زیر مدل میشوند [25]:
و به‌ترتیب نرخ شارژ و دشارژ سیستم ذخیرهساز انرژی را نشان میدهند. و به‌ترتیب مقدار شارژ و دشارژ سیستم ذخیرهساز انرژی را بیان میکنند. معادلۀ (13) نشان میدهد سیستم ذخیرهساز توسط شبکۀ بالادست ( ) و فتوولتاییک ( ) شارژ میشود. با توجه به معادلۀ (15)، مقدار دشارژ برابر مقدار انرژی فروختهشده به شبکۀ بالادست ( ) و تأمین بار از طریق سیستم ذخیرهساز انرژی ( ) است. همچنین، نشاندهندۀ حالت شارژ و دشارژ و یک عدد باینری صفر یا یک است. معادلۀ (16) کمینه و بیشینۀ سطح انرژی را مشخص میکند.
توان تولیدشده توسط پنل فتوولتاییک در یک روز با بازۀ زمانی یک‌ساعته به صورت زیر است [26]:
که در آن، تابش افقی کل ( ) در محل پنلهای خورشیدی است. زمان واقعی در بازۀ زمانی یک‌ساعته است. مساحت کل ( ) پنل خورشیدی و راندمان تبدیل انرژی خورشیدی در سیستم فتوولتاییک است.
انرژی تولیدشده در پنل فتوولتاییک هر ساختمان هوشمند برای تأمین بار ساختمان هوشمند یا شارژ سیستم ذخیرهساز انرژی استفاده میشود؛ از این رو، داریم:
در این مقاله، فروش انرژی به شبکۀ بالادست از طریق سیستم ذخیرهساز انرژی انجام میشود. از آنجا که سیستم ذخیرهساز انرژی قادر به ذخیرۀ انرژی محدودی در یک بازۀ زمانی است، اگر پنل فتوولتاییک انرژی بیشتری از مجموع انرژی مورد نیاز بار ساختمان هوشمند و انرژی قابل ذخیره در سیستم ذخیرهساز انرژی تولید کند، باقی‌ماندۀ انرژی پنل فتوولتاییک تلف میشود. پس داریم:
7-3- قیود بار
در هر ساختمان هوشمند، تمامی بارها باید تأمین شوند و در این مقاله، سیستم ذخیرهساز انرژی و سیستم فتولتاییک بار را تأمین میکنند و کمبود انرژی بارها از شبکۀ بالادست تأمین میشود. پس داریم:
که در آن، مقدار انرژی خریداریشده از شبکۀ بالادست برای تأمین انرژی مورد نیاز بارهای ثابت و قابل تغییر است که مقدار این انرژی بزرگ‌تر یا مساوی صفر است ( )؛ از این رو، قید زیر را داریم:
در این بخش، در ابتدا، مفاهیم مربوط به محاسبات لبه و محاسبات ابر ـ مه شرح داده میشود و سپس الگوریتم بهینهسازی وال ارائه میشود.
در ریزشبکههای هوشمند، به دلیل نفوذ ساختمانهای هوشمند و سایر تجهیزات هوشمند، نیاز به تبادل دادهها بین واحدها وجود دارد؛ از این رو، روش مجازیسازی همسایگی بر اساس رویکرد ابر ـ مه برای ایجاد این بستر ارائه شده است [20، 27]؛ در نتیجه، واحدها فقط قابلیت تبادل (دریافت و ارسال) اطلاعات خود را با محلههای مجازی خود به‌جای واحد واقعی موجود در همسایۀ خود دارند. یک لایۀ مجازی توسط واحد مجازیسازی برای واحدها تعریف شده است که نشاندهندۀ سرویس در لایۀ مه است. این واحد دادههای مورد نیاز را از کل واحدهای زیرمجموعه به دست میآورد و دادههای هر واحد را در هر دوره به محلههای مجازی خود ارسال میکند؛ بنابراین، واحدها با عدم شناسایی دریافتکننده و فرستندۀ اصلی به دادهها دست می‌یابند؛ بنابراین، ساختار ارائه‌شده باید دارای شرایط زیر باشد: (۱) مانیتورینگ بلادرنگ سیستم با هدف به دست آوردن شرایط پیشبینی بار، انرژی تولیدشدۀ واحدها و انرژی مورد نیاز واحد های هوشمند و غیره، (۲) مناسب برای طیف گستردۀ ریزشبکه، (۳) امکان مبادلۀ دادههای بلادرنگ با عدم همبستگی مستقیم بین واحدها و (۴) تعیین توپولوژی ریزشبکه و همگرایی به یک راهحل بهینه در عوامل هوشمند ریزشبکه؛ بنابراین، چارچوب رویکرد محاسبات ابر ـ مه با چندین لایه به شرح زیر ارائه میشود:
بخشهای فیزیکی ساختمانهای هوشمند مانند تجهیزات اندازهگیری، سیستم ذخیرهساز انرژی، سیستم فتوولتاییک و ... در لایۀ لبه هستند. این دادهها به محلههای مجازی ارسال میشوند و با دریافت اطلاعات از لایۀ مه عمل میکنند.
لایه مه شامل تجهیزات شبکه با قابلیت محاسبات محلی و اندازهگیری دادههای توزیعشده است و همچنین، سرورهای محلی این اطلاعات را دریافت میکنند. وظیفۀ اصلی این لایه گسترش محاسبات ابری در نزدیکی و کنار تجهیزات است که در پی آن، دادهها و اطلاعات بلادرنگ تجزیه‌وتحلیل میشوند و همچنین، دادهها را به صورت کوتاهمدت ثبت و ذخیره میکند. اطلاعات هر ساختمان هوشمند در لایۀ مه جمعآوری میشود و سپس مدیریت انرژی هر ساختمان هوشمند در لایۀ مه مربوط محاسبه میشود و در ادامه اطلاعات نهایی به لایۀ ابر برای پردازش ریزشبکه ارسال میشود. در محاسبات ابر ـ مه، به دلیل عدم نیاز به تجزیۀ دادهها در یک گره اصلی، زمان محاسبه ناچیز است و از آن صرفنظر میشود. در واقع، لایۀ مه به عنوان یک لایۀ توزیعشده در محاسبات ابر - مه عمل میکند که توانایی انجام محاسبات و ارسال اطلاعات را در روش توزیعشده دارد. یک سیستم با مفهوم ابر - مه در شکل (2) نشان داده شده است. مفهوم ابر - مه از طبیعت گرفته شده است و از آنجا که ابر نسبت به مه از زمین دورتر است، لایۀ پایینی مه و لایۀ بالایی ابر نام‌گذاری شده است. در محاسبات ابر - مه، لایۀ مه یک زیرلایه از لایه ابر است که مسئول پردازش مجموعۀ دادههای توزیعشده در ریزشبکۀ گسترده است.
شکل (2): ساختار ابر ـ مه برای ریزشبکه
لایۀ ابر دارای توانایی محاسباتی زیاد است و همچنین، فضای ذخیرهسازی زیادی برای ثبت و ذخیرهسازی اطلاعات دارد. لایۀ مه خلاصهای از دادهها را برای تصمیمگیری و برنامهریزی بلندمدت به لایۀ ابر ارسال میکند و این اطلاعات برای برنامهریزی بلندمدت و تصمیمگیری برای مدت طولانی در لایۀ ابر ذخیره میشود. ارتباطات بین لایههای مه از طریق لایۀ ابر تنظیم میشود و همچنین، ارتباطات و سیاست‌های بین لایههای مه و سیستم را تنظیم میکند [20].
الگوریتم بهینهسازی وال در سال ۲۰۱۶ توسط آقای میرجلالی بر اساس رفتار اجتماعی والهای گوژپشت در راهبرد شکار شبکۀ حباب الهام گرفته شده است. این الگوریتم از نظر سرعت همگرایی، اجرا و دقت بهینهسازی از الگوریتمهای بهینهسازی مشابه بهتر عمل کرده است [28].
فرآیند بهینهسازی الگوریتم بهینهسازی وال شامل سه مرحله است که در ادامه ارائه شدهاند: (الف) محاصرۀ طعمه، (ب) حملۀ شبکۀ حباب‌دار و (پ) مرحلۀ جست‌وجوی طعمه.
به‌روزرسانی موقعیت در مرحلۀ محاصرۀ طعمه به شرح زیر مدل میشود:
که در آن، موقعیت والها در جمعیت لحظۀ فعلی است. بهترین موقعیت بهینهای است که جمعیت تا کنون به آن رسیده است. تعداد تکرارهایی است که در حال حاضر اجرا شدهاند. و بردارهای ضرایب قابل تنظیم هستند تا والهای جمعیت بهتدریج به والها در موقعیت بهینه در زمان فعلی نزدیک شوند. بردارهای ضرایب و به صورت زیر محاسبه میشوند:
که در آن، یک عدد تصادفی بین صفر و یک است [0، 1]. همچنین، یک عدد بین صفر و دو [0، 2] است که به صورت خطی با افزایش تعداد تکرار کاهش میباید.
در مرحلۀ حملۀ شبکۀ حبابی، روشهای شکار والهای گوژپشت به دو نوع مکانیسم انقباض و مکانیسم تقریب مارپیچ تقسیم میشوند. در این مرحله، والها طعمۀ خود را در یک مسیر مارپیچی محاصره میکنند و به صورت مداوم حلقۀ محاصرۀ اطراف را کوچک میکنند. هر وال در جمعیت 50 درصد شانس دارد که موقعیت خود را از طریق مکانیسم انقباض یا مکانیسم تقریب مارپیچ بهروز کند. به‌روزرسانی موقعیت مکانیسم انقباض به صورت معادلۀ (24) مدل میشود و به‌روزرسانی موقعیت مکانیسم تقریب مارپیچ به شرح زیر است:
که در آن، فاصلۀ بین موقعیت فعلی والها در جمعیت و موقعیت مطلوب جمعیت تا کنون است. ضریبی ثابت است که وضعیت مارپیچ لگاریتمی را بیان میکند و یک عدد تصادفی بین [0، 1] است.
به‌روزرسانی موقعیت در مرحلۀ جست‌وجوی طعمه به شرح زیر مدل میشود:
که در آن، موقعیت والی است که به صورت تصادفی از جمعیت لحظۀ فعلی انتخاب شده است و به‌عنوان هدف برای نزدیک شدن دیگر والها در نظر گرفته میشود.
بنابراین، الگوریتم بهینهسازی وال به‌روزرسانی موقعیت والها در جمعیت را با توجه به مقدار عدد تصادفی و بردار ضریب انتخاب میکند که به شرح زیر ارائه میشود:
که در آن، یک عدد تصادفی بین [0، 1] است.
سیستم مورد مطالعه که در شکل (3) نشان داده شده است، یک ریزشبکه شامل سه خانۀ هوشمند است که انرژی هر خانه توسط سیستم فتوولتاییک، سیستم ذخیرهساز انرژی خود و همچنین، شبکۀ بالادست تأمین میشود و قابلیت فروش انرژی به شبکۀ بالادست را دارد. در این مقاله از نرمافزار متلب 2019a برای شبیهسازی و حل مسئلۀ پیشنهادی استفاده شده است. همچنین، سیستم کامپیوتری که شبیهسازی بر روی آن انجام شده است، دارای پردازندۀ مرکزی با مشخصات (Intel Core(TM) i7-4600U CPU 2.70 GHz) است و همچنین، دارای 12 گیگابایت رم از نوع DDR3 و ویندوز 10 پرو 64بیتی است.
در این مقاله، برای نشان دادن کارایی محاسبات ابر ـ مه در کاهش حجم محاسبات و زمان محاسبات، سیستم تحت دو سناریوی اصلی ارائه شده است: (الف) بدون در نظر گرفتن محاسبات ابر ـ مه و بهینهسازی هم‌زمان سه ساختمان هوشمند با یکدیگر و (ب) انجام محاسبات ابر ـ مه و در نظر گرفتن هر ساختمان هوشمند به عنوان یک لایۀ مه و بهینهسازی بر اساس ساختار ابر ـ مه.
شکل (3): سیستم مورد مطالعه با سه ساختمان هوشمند
مشخات بارهای ساختمان هوشمند در جدول (1) ارائه شده است [8-11] که شامل بارهای ثابت، بارهای قابل تغییر بیوقفه و باوقفه هستند. جدول (2) مشخصات سیستم ذخیرهساز انرژی را نشان میدهد. مقدار توان تولیدی سیستم فتوولتاییک و قیمت خرید انرژی در شکل‌های (4) و (5) نشان داده شده است. همچنین، پارامترهای و به‌ترتیب برابر یک و 50 در نظر گرفته شدهاند.
جدول (1): مشخصات بارهای هر ساختمان هوشمند
|
بارهای ثابت |
|||
|
زمان شروع |
مدت زمان استفاده روزانه (ساعت) |
توان (kW) |
نوع بار |
|
3 |
21 |
9/0 |
یخچال |
|
1 |
24 |
1/0 |
دوربین امنیتی |
|
18 |
7 |
1/0 |
روشنایی |
|
9 |
14 |
2/0 |
رایانه شخصی |
|
17 |
6 |
2/0 |
تلوزیون |
|
بارهای قابل تغییر بیوقفه |
|||
|
بازۀ زمانی برای استفاده |
مدت زمان استفادۀ روزانه (ساعت) |
توان (kW) |
نوع بار |
|
9-20 |
3 |
9/0 |
اجاقگاز |
|
8-22 |
2 |
1 |
ماشین لباسشویی |
|
17-24 |
2 |
4/1 |
ماشین ظرفشویی |
|
10-22 |
1 |
8/1 |
خشککن |
|
18-24 |
2 |
1 |
آبگرمکن |
|
10-19 |
2 |
5/0 |
کتری برقی |
|
14-22 |
2 |
6/0 |
پلوپز |
|
10-18 |
1 |
1/1 |
اتو |
|
بارهای قابل تغییر باوقفه |
|||
|
8-24 |
10 |
3/1 |
اسپلیت اصلی |
|
9-20 |
8 |
5/1 |
اسپلیت اتاق 1 |
|
1-10 |
6 |
3/1 |
اسپلیت اتاق 2 |
|
8-23 |
4 |
1/0 |
لب تاب |
جدول (2): مشخصات سیستم ذخیرهساز انرژی
|
(kW) |
(kW) |
(kW) |
و (kW/h) |
پارامتر |
|
5/0 |
3 |
5/0 |
6/0 |
مقدار |
شکل (4): توان تولیدی سیستم فتوولتاییک
شکل (5): سیگنال قیمت ساعتی خرید انرژی
دو سناریوی اصلی تحت سه مورد مطالعاتی زیر برای حل مسئلۀ بهینهسازی مدیریت انرژی (معادلۀ (7)) بررسی میشوند: (الف) حالت پایه با مشخصات بیان‌شده برای سیستم ذخیرهساز انرژی در جدول (2) و انرژی تولیدی سیستم فتوولتاییک مطابق شکل (4)، (ب) اندازۀ مختلف شارژ و دشارژ باتری، (پ) قیمتهای فروش انرژی مختلف. برای نشان دادن سه مورد مطالعاتی، در ساختمان هوشمند (1) حالت پایه در نظر گرفته شده است. در ساختمان هوشمند (2)، ظرفیت باتری به 5 کیلو وات افزایش میباید و همچنین، نرخ شارژ و دشارژ نیز 9/0 (کیلووات بر ساعت) در نظر گرفته شده است. در دو حالت قبل، قیمت خرید و فروش با یکدیگر برابر در نظر گرفته شده است. در ساختمان هوشمند (3)، قیمت فروش انرژی به شبکۀ بالادست 9/0قیمت خرید انرژی در نظر گرفته شده است.
دو سناریوی اصلی که حل مسئله بدون ساختار ابر ـ مه و با ساختار ابر ـ مه هستند، در ادامه بررسی شدهاند.
نتایج شبیهسازی برای تمامی سناریوهای بیان‌شده در جدول (3) ارائه شده است. همان‌گونه که مشاهده میشود، هر دو تابع هزینه از جمله هزینۀ کل و نرخ پیک به میانگین به طور هم‌زمان برای تمامی سناریوها کاهش یافته‌اند.
با مقایسۀ نتایج سه ساختمان هوشمند با یکدیگر، مشاهده میشود سیستم مدیریت انرژی تحت مقادیر مختلف اندازه، شارژ و دشارژ سیستم ذخیرهساز انرژی و قیمتهای مختلف، مسئلۀ بهینهسازی ارائه‌شده را حل کرده است.
مقایسۀ نتایج ساختمانهای هوشمند (1) و (2) نشان میدهد با افزایش حجم و نرخ شارژ و دشارژ، سیستم ذخیرهساز انرژی نقش بیشتری در تأمین بارها و فروش انرژی ایفا میکند و در پی آن، هزینهها در ساختمان هوشمند (2) نسبت به ساختمان هوشمند (1) کاهش یافته‌اند. مقایسۀ نتایج ساختمان هوشمند (3) با ساختمان هوشمند (1) نشان میدهد با کم شدن هزینۀ فروش انرژی نسبت به خرید انرژی، مقدار انرژی فروختهشده کاهش مییابد.
همچنین، با انجام محاسبات ابر - مه و حل مسئلۀ بهینهسازی هر ساختمان هوشمند به صورت محلی، حجم محاسبات و زمان محاسبات نسبت به حالت پایه و بدون ساختار ابر ـ مه، از 46/465 ثانیه به 52/48 ثانیه کاهش یافته است. این نتایج نشان میدهد در ریزشبکۀ با تعدادی زیاد ساختمان هوشمند و منابع تولیدی و مصرفی هوشمند، حجم و زمان محاسبات به دلیل افزایش تعداد پارامترها و متغیرها به شدت افزایش مییابد. علاوه بر این، در ریزشبکۀ با ساختار ابر - مه، به دلیل پایینتر بودن متغیرهای کنترلی در مسئلۀ بهینهسازی، الگوریتمها قادر به یافتن پاسخهای بهینهتر و مناسبتر هستند. در جدول (3)، مشاهده میشود هزینۀ کل در حالت ابر - مه (3/2128) نسبت به حالت بدون در نظر گرفتن ساختار ابر - مه (7/2270) کاهش یافته است؛ از این رو، نیاز به انجام محاسبات ابر - مه در ریزشبکههای هوشمند امری ضروری است. شکل (6) زمان محاسباتی برای حل مسئلۀ پیشنهادی با ساختار ابر - مه و بدون ساختار ابر - مه را نشان میدهد.
در ادامه، برای نمونه، جزئیات نتایج ساختمان هوشمند (2) با ساختار ابر - مه برای بهترین پاسخ ارائه شده است. نمودار همگرایی الگوریتم بهینهسازی وال برای حل مسئلۀ مدیریت انرژی در شکل (7) نشان داده شده است.
جدول (3): نتایج شبیهسازی
|
بدون انجام محاسبات ابر - مه |
با انجام محاسبات ابر - مه |
حالت اجرا |
|||||||
|
مجموع سه ساختمان هوشمند |
ساختمان هوشمند (3) |
ساختمان هوشمند (2) |
ساختمان هوشمند (1) |
مجموع سه ساختمان هوشمند |
ساختمان هوشمند (3) |
ساختمان هوشمند (2) |
ساختمان هوشمند (1) |
پارامتر |
|
|
7/2270 |
78/759 |
48/745 |
39/765 |
3/2128 |
76/716 |
02/701 |
51/710 |
میانگین پاسخها |
تابع هزینۀ کل |
|
3/2122 |
31/691 |
58/684 |
93/709 |
1/2019 |
63/692 |
23/654 |
27/672 |
بهترین جواب |
|
|
95/41 |
06/21 |
34/20 |
799/18 |
- |
95/14 |
34/16 |
60/16 |
انحراف استاندارد |
|
|
1/1930 |
01/647 |
65/631 |
26/651 |
5/1807 |
46/609 |
92/594 |
12/603 |
میانگین پاسخها |
هزینۀ کل (سنت) ( ) |
|
5/1754 |
49/578 |
28/564 |
62/594 |
6/1707 |
47/585 |
18/554 |
98/567 |
بهترین جواب |
|
|
50/45 |
29/20 |
26/20 |
88/17 |
- |
452/14 |
07/16 |
27/16 |
انحراف استاندارد |
|
|
811/6 |
26/2 |
28/2 |
28/2 |
42/6 |
15/2 |
12/2 |
15/2 |
میانگین پاسخها |
نرخ پیک به میانگین ( ) |
|
33/6 |
05/2 |
06/2 |
11/2 |
91/5 |
96/1 |
91/1 |
04/2 |
بهترین جواب |
|
|
27/0 |
15/0 |
158/0 |
169/0 |
- |
062/0 |
059/0 |
060/0 |
انحراف استاندارد |
|
|
2/238 |
23/79 |
26/80 |
71/78 |
89/239 |
88/78 |
08/81 |
93/79 |
کل انرژی مورد نیاز برای بهترین پاسخ (کیلووات) |
|
|
58/191 |
03/64 |
24/64 |
31/63 |
33/193 |
65/63 |
96/64 |
72/64 |
کل انرژی خریداریشده برای بهترین پاسخ (کیلووات) |
|
|
67/1 |
73/0 |
94/0 |
10-16´29/2 |
73/3 |
61/0 |
70/1 |
42/1 |
کل انرژی فروختهشده برای بهترین پاسخ (کیلووات) |
|
|
46/465 |
- |
52/48 |
11/48 |
28/48 |
زمان محاسبات (ثانیه) |
||||
شکل (6): زمان محاسبات مسئلۀ مدیریت انرژی
شکل (7): نمودار همگرایی الگوریتم بهینهسازی وال برای حل مسئلۀ پیشنهادی ساختمان هوشمند (2)
مقدار انرژی ذخیرهشده و همچنین، شارژ و دشارژ سیستم ذخیرهساز انرژی در شکل (8) نشان داده شده است. شکل (9)، مقدار انرژی مورد نیاز بارهای ساختمان هوشمند (2) و منبع تأمینکننده این انرژی را نشان میدهد. کل انرژی مورد نیاز ساختمان هوشمند و انرژی خریداریشده در شکل (10) ارائه شده است. شکل (11) مقدار انرژی فروختهشده به شبکۀ بالادست را نشان میدهد. همان‌طور که در این شکل میتوان دید، انرژی مازاد سیستم ذخیرهساز انرژی پس از تأمین بار محلی در بازههای زمانی که در آنها قیمت انرژی زیاد است، به شبکۀ بالادست فروخته میشود.
شکل (8): سطح انرژی، شارژ و دشارژ سیستم ذخیرهساز انرژی ساختمان هوشمند (2)
شکل (9): انرژی مورد نیاز بارهای ساختمان هوشمند (2) به همراه منبع تأمینکنندۀ انرژی
شکل (10): کل انرژی مورد نیاز و انرژی خریداریشده ساختمان هوشمند (2)
شکل (11): انرژی فروختهشده به شبکۀ بالادست ساختمان هوشمند (2)
در این مقاله، یک سیستم مدیریت انرژی دوهدفه برای کاهش هزینه و نرخ پیک به میانگین ارائه شده است. الگوریتم بهینهسازی وال برای حل مسئلۀ مدیریت انرژی در سه ساختمان هوشمند با سیستم ذخیرهساز انرژی، سیستم فتتولتاییک و بارهای ثابت و قابل تغییر استفاده شده است. سناریوهای مختلف از جمله حجم و نرخ شارژ و دشارژ مختلف سیستم ذخیرهساز انرژی و قیمت فروش انرژی مختلف در ساختمانهای هوشمند مختلف بررسی شدهاند. علاوه بر این، ساختار محاسباتی ابر ـ مه با سه لایۀ ابر، مه و لبه با هدف مدیریت انرژی و بهینهسازی دو هدف هزینه و نرخ پیک به میانگین ساختمانهای هوشمند در ریزشبکهها ارائه شده است. با اجرای ساختار ابر ـ مه، حجم محاسبات و زمان محاسبات در مسئلۀ مدیریت انرژی کاهش یافته است و همچنین، تابع هزینه به دلیل کاهش متغیرهای کنترلی نیز کاهش یافته است. برای ادامۀ این پژوهش، میتوان در ساختمانهای هوشمند، انرژی الکتریکی و حراراتی را به عنوان هاب انرژی با سیستم فتوولتاییک حراراتی بررسی کرد. همچنین، میتوان انتشار آلودگی را به عنوان تابع هدف سوم در مسئله در نظر گرفت و سپس با استفاده از الگوریتمهای تکاملی بر پایۀ سطح پرتو، مسئلۀ چندهدفه را حل کرد. علاوه بر این، میتوان یک ریزشبکه با چندین ساختمان هوشمند، خودروهای برقی، ایستگاه‌های شارژ خودروی برقی و انواع مختلف منابع انرژی توزیعشده را بر ساختار ابر ـ مه اجرا و سپس امنیت سایبری دادههای مبادله‌شده را بررسی کرد. در نظر گرفتن و بررسی عدم قطعیت منابع تولیدی و بارها و همچنین استفاده از روشهای یادگیری عمیق برای تخمین دادهها نیز میتواند در ادامه مطالعه شود.
فهرست علامتهای اختصاری
|
بازۀ زمانی |
|
|
تعداد بارهای ثابت در هر ساختمان هوشمند |
|
|
تعداد بارهای قابل جابه‌جایی بیوقفه |
|
|
تعداد بارهای قابل تغییر باوقفه |
|
|
تابش افقی کل ( ) در محل پنلهای خورشیدی |
|
|
زمان واقعی در بازۀ زمانی یک‌ساعته |
|
|
مساحت کل ( ) پنل خورشیدی |
|
|
راندمان تبدیل انرژی خورشیدی در سیستم فتوولتاییک |
|
|
تکرار فعلی |
|
|
ضریب ثابت نشاندهندۀ وضعیت مارپیچ لگاریتمی |
|
|
هزینۀ خرید انرژی از شبکۀ بالادست |
|
|
درآمد حاصل از فروش انرژی به شبکۀ بالادست |
|
|
انرژی مورد نیاز برای بارهای ثابت و قابل جابه‌جایی |
|
|
مقدار انرژی خریداریشده از شبکۀ بالادست برای شارژ باتری |
|
|
مقدار انرژی تأمین‌شدۀ بار توسط فتوولتاییک |
|
|
مقدار انرژی تأمین‌شدۀ بار توسط سیستم ذخیرهساز انرژی در زمان دشارژ |
|
|
قیمت خرید انرژی از شبکۀ بالادست |
|
|
مقدار انرژی فروختهشده به شبکۀ بالادست توسط سیستم ذخیرهساز انرژی در زمان دشارژ |
|
|
قیمت فروش انرژی به شبکۀ بالادست |
|
|
انرژی خریداریشده از شبکۀ بالادست |
|
|
بیشترین انرژی خریداریشده |
|
|
میانگین انرژی خریداریشده |
|
|
میزان توان مصرفی هر بار ثابت برای یک ساعت |
|
|
وضعیت روشن یا خاموش بودن هر بار ثابت |
|
|
میزان توان مصرفی هر بار قابل تغییر بیوقفه برای یک ساعت |
|
|
وضعیت روشن یا خاموش بودن هر بار قابل تغییر بیوقفه |
|
|
میزان توان مصرفی هر بار قابل تغییر باوقفه برای یک ساعت |
|
|
وضعیت روشن یا خاموش بودن هر بار قابل تغییر باوقفه |
|
|
نرخ شارژ |
|
|
نرخ دشارژ |
|
|
وضعیت سطح شارژ |
|
|
حداقل سطح شارژ |
|
|
حداکثر سطح دشارژ |
|
|
مقدار شارژ سیستم ذخیرهساز انرژی |
|
|
مقدار دشارژ سیستم ذخیرهساز انرژی |
|
|
شارژ سیستم ذخیرهساز انرژی توسط فتوولتاییک |
|
|
حالت شارژ و دشارژ سیستم ذخیرهساز انرژی |
|
|
مقدار انرژی خریداریشده از شبکۀ بالادست برای تأمین انرژی مورد نیاز بارهای ثابت و قابل تغییر |
|
|
موقعیت والها در جمعیت لحظۀ فعلی |
|
|
بهترین موقعیت بهینهای است که جمعیت تا کنون به آن رسیده است |
|
|
بردارهای ضرایب |
و |
|
عدد تصادفی بین صفر و یک |
|
|
یک عدد بین صفر و دو [0، 2] |
|
|
فاصلۀ بین موقعیت فعلی والها در جمعیت و موقعیت مطلوب جمعیت تا کنون |
|
|
عدد تصادفی بین صفر و یک |
|
|
موقعیت والی است که به صورت تصادفی از جمعیت لحظۀ فعلی انتخاب شده است |
|
|
عدد تصادفی بین صفر و یک |
|
تاریخ ارسال مقاله : 28/08/1403
تاریخ پذیرش مقاله : 04/12/1403
نام نویسنده مسئول : سید محمد برناپور
نشانی نویسنده مسئول : ایران، یاسوج، دانشگاه یاسوج، دانشکده فنی و مهندسی، گروه مهندسی برق
[1] Microgrids
[2] Internet-of-Things
[3] Information and Communications Technology
[4] Smart Grid
[5] Demand Response Program
[6] Smart Energy Management System
[7] Smart Building
[8] Renewable Energy Resources
[9] Energy Storage System
[10] Cloud Computing
[11] Edge Computing
[12] Fog Computing
[13] Energy Hub
[14] Smart Home
[15] Deep Learning
[16] Particle Swarm Optimization Algorithm
[17] Grey Wolf Optimizer
[18] Genetic Algorithm
[19] Biogeography-based optimization algorithm
[20] Household Appliance Scheduling
[21] Peak-to-Average Ratio
[22] Robust Optimizer
[23] Energy Internet
[24] Cloud-Fog Layers
[25] Cloud-Fog Computing
[26] Whale Optimization Algorithm
[27] Shiftable Loads
[28] Non-Shiftable Loads
)