Открытый доступ Открытый доступ  Ограниченный доступ Платный доступ

Повышение энергоэффективности автономных электротехнических комплексов на основе классификации нагрузок и алгоритмов DSM

Ю. Л. Жуковский, П. К. Сусликов, П. В. Яковлев

Аннотация


Исследование посвящено повышению энергоэффективности изолированного электротехнического комплекса посредством управления спросом на основе классификации электрических нагрузок. В предложенном подходе используются вариативные, скользящие и гибкие нагрузки и оптимизируется коэволюционный алгоритм CC-PSO в среде MATLAB/Matpower. Проведено моделирование трёх сценариев: базового, с интеграцией системы накопления энергии (СНЭЭ) и DSM. Базовые операционные затраты составили 795 288 руб/сут. Интеграция СНЭЭ снижает их на 24,4 % (до 601 028 руб/сут.), тогда как DSM обеспечивает уменьшение на 21,5 % (до 622 858 руб/сут.) без существенных капитальных вложений. Результаты показывают, что DSM является экономически предпочтительным и повышает степень использования ВИЭ.


Ключевые слова


управление спросом, цифровые технологии, коэволюционный алгоритм, управление нагрузками, энергоэффективность, автономные сети, экономический расчёт

Полный текст:

PDF

Литература


Enemuo, M. Transitioning the mining sector: A review of renewable energy integration and carbon footprint reduction strategies / M. Enemuo, O. Ogunmodimu // Appl. Energy. — 2025. — Vol. 384. — P. 125484. DOI: 10.1016/j.apenergy. 2025.125484.

Ellabban, O. Optimal hybrid microgrid sizing framework for the mining industry with three case studies from Australia / O. Ellabban, A. Alassi // IET Renew. Power Gener. — 2021. — Vol. 15, № 2. — P. 409 – 423. DOI: 10.1049/rpg2.12038.

Zhukovsky, Y. Assessment of the potential effect of applying demand management technology at mining enterprises / Y. Zhukovsky, P. Suslikov // Sustain. Dev. Mt. Territ. — 2024. — Vol. 16, № 3. — P. 895 – 908. DOI: 10.21177/1998-4502- 2024-16-3-895-908.

Sheikh, H. I. Optimal integration of battery energy-storage system with high penetration of renewable energy in radial distribution network / H. I., M. K. Rathi, A. M. Soomro // Clean Energy. — 2022. — Vol. 6, № 3. — P. 404 – 411. DOI: 10.1093/ce/zkac027.

Murillo-Sanchez, C. E. Secure Planning and Operations of Systems With Stochastic Sources, Energy Storage, and Active Demand / C. E. Murillo-Sanchez, R. D. Zimmerman, C. Lindsay Anderson, R. J. Thomas // IEEE Trans. Smart Grid. — 2013. — Vol. 4, № 4. — P. 2220 – 2229. DOI: 10.1109/TSG.2013.2281001.

Zimmerman, R. D. MATPOWER: Steady-State Operations, Planning, and Analysis Tools for Power Systems Research and Education / R. D. Zimmerman, C. E. Murillo-Sanchez, R. J. Thomas // IEEE Trans. Power Syst. — 2011. — Vol. 26, № 1. — P. 12 – 19. DOI: 10.1109/TPWRS. 2010. 2051168.

Liu, J. Large-scale evolutionary optimization: A review and comparative study / J. Liu, R. Sarker, S. Elsayed, D. Essam, N. Siswanto // Swarm Evol. Comput. — 2024. — Vol. 85. — P. 101466. DOI: 10.1016/j.swevo.2023.101466.

Qing, Y. Cooperative coevolutionary multiobjective genetic programming for microarray data classification / Y. Qing, C. Ma, Y. Zhou, X. Zhang, H. Xia // Proceedings of the Genetic and Evolutionary Computation Conference. New York, NY, USA: ACM, 2021. — P. 804 – 811.

Bull, L. On Cooperative Coevolution and Global Crossover / L. Bull, H. Liu. 2023. DOI: 10.48550/arXiv.2308.06581.

Oltean, M. Solving classification problems using Traceless Genetic Programming / M. Oltean. 2021.

Oltean M. Solving even-parity problems using traceless genetic programming / M. Oltean // Proceedings of the 2004 Congress on Evolutionary Computation (IEEE Cat. No. 04TH8753). IEEE. — P. 1813 – 1819.

Oltean, M. Using traceless genetic programming for solving multi-objective optimization problems / M. Oltean, C. Groşan // J. Exp. Theor. Artif. Intell. — 2007. — Vol. 19, № 3. — P. 227 – 248. DOI: 10.1080/09528130601138273.

Liu, C. Research on application of coevolutionary ant colony optimization algorithm based on hybrid breeding strategy / C. Liu, X. Li, Z. Ye, X. Chen, Z. Pan, W. Jiang, Huang J. // Third International Conference on Control and Intelligent Robotics (ICCIR 2023) / ed. Wang K., Vijayalakshmi M. SPIE, 2023. — P. 111.

Qi, X. Collective intelligence evolution using ant colony optimization and neural networks / X. Qi, Z. Gan, C. Liu, Z. Xu, X. Zhang, W. Li, C. Ouyang // Neural Comput. Appl. — 2021. — Vol. 33, № 19. — P. 12721 – 12735. DOI: 10.1007/ s00521-021-05918-7.

Li, S. Co-evolutionary Multi-Colony Ant Colony Optimization Based on Adaptive Guidance Mechanism and Its Application / S. Li, X. You, S. Liu // Arab. J. Sci. Eng. 2021. Vol. 46, № 9. P. 9045 – 9063. DOI: 10.1007/s13369-021-05694-5.

Glorieux, E. Improved Constructive Cooperative Coevolutionary Differential Evolution for Large-Scale Optimisation / E. Glorieux, B. Svensson, F. Danielsson, B. Lennartson // 2015 IEEE Symp. Ser. Comput. Intell. IEEE, 2015. — P. 1703 – 1710. DOI: 10.1109/SSCI.2015.239.




DOI: http://dx.doi.org/10.71759/ns35-f596

Ссылки

  • На текущий момент ссылки отсутствуют.


                                              

© 1998 — 2025 НТФ "Энергопрогресс"

Политика конфиденциальности персональных данных

Адрес редакции: 129090, г. Москва, ул. Щепкина, д. 8
Телефон редакции   234-7449.

E-mail: prom_energy@rambler.ru; prom_energy1@mail.ru