Проблемы оптимизации энергопотребления домохозяйств в задачах повышения энергоэффективности жилищного сектора

Целью работы является исследование проблемы оптимизации энергопотребления и  практического применения методов повышения энергоэффективности в жилищном секторе.  Оптимизация управления энергоэффективностью позволяет уменьшать расходование  энергоресурсов при выполнении различных работ, отопление зданий и т.д. Создание  методов оптимизации позволит в короткие сроки снизить платежи за коммунальные услуги,  а в целом для отрасли, будет способствовать уменьшению потребления различных ресурсов  и улучшению экологического состояния региона. В отличии от других подходов, акцент в  данной работе ставится на удобство и простоту, необходимую для использования этой  методики населением в домашних хозяйствах. В предложенном комплексном подходе  используются методы теории вероятностей, линейного программирования, модели теплообмена. Проведенное исследование подтверждает эффективность полученного  решения и может служить основой для создания учебно-исследовательских стендов. Статья  состоит из двух частей: в первой части выполнен анализ ведущих работ в этой тематике и  определены причины, затрудняющие массовое применение предлагаемых в этих работах  решений. Далее предложена и обоснована постановка задачи и сформулирован ряд  основных требований к математической модели энергопотребления, необходимых для того, чтобы сконструированную методику можно было применять для оптимизации  энергопотребления в домашних хозяйствах. Во второй части на примерах конкретных  бытовых электроприборов предлагается математическая модель их функционирования. При  исследовании существующих методов оптимизации энергопотребления в домохозяйствах  были выявлены проблемы, заключающиеся в сложности применения этих методов на практике и получены рекомендации, позволяющие сформулировать основные принципы  построения методики оптимизации, удобной для практического применения. Было показано, что при построении такой методики первичным является вопрос о данных, которые может  предоставить пользователь. Был определен минимальный состав входных данных, по которым сконструированы необходимые алгоритмы оптимизации энергопотребления. Так же был предложен ряд алгоритмов определения некоторых входных показателей, которые  легко использовать в домашних хозяйствах. Таким образом, общий план исследований в  данной работе заключается в следующем:
• провести группировку приборов по способу задания функциональных требований;
• выяснить приемлемый для пользователя состав и вид входных данных;
• определить минимальный набор входных данных для формализации ограничения суммарной потребляемой мощности;
• сконструировать алгоритмы оптимизации, работающие с указанными выше входными данными.
Важнейшими результатами выполненной работы являются следующие:
• разработана методика прогнозирования графика максимальной суммарной мощности потребления.
• разработаны методики оптимизации энергопотребления для каждого из выделенных подмножеств бытовых приборов.
• выполнено моделирование полученных алгоритмов оптимизации, которое показало их  работоспособность, эффективность и возможность их практического применения без какой- либо адаптации.
Таким образом, в статье предложено решение задачи оптимизации энергопотребления в  жилищном секторе, ориентированное на практическое применение.

1. Na Li, Lijun Chen, Steven H. Low Optimal Demand Response Based on Utility Maximization in Power Networks Power and Energy Society General Meeting// IEEE Power and Energy Society General Meeting. 2011. P. 1–8.

2. Volkova I.O., Gubko M.V., Salnikova E.A. Active consumer: optimization problems of power consumption and self-generation // Automation and remote control. 2014. 75. 3. P. 551– 562. doi: http://dx.doi.org/10.1134/S0005117914030114.

3. Albani M.H., El-Saadany E.F. A summary of demand response in electricity markets// Electric power systems Research. 2008. 11. 78. P. 1989– 1996.

4. Ann-Piette M., Ghatikar G., Kiliccote S., Watson D., Koch E., Hennage D. Design and operation of an open, interoperable automated demand response infrastructure for commercial buildings // J. Comput. Inf. Sci. Eng. Jun. 2009. Vol. 9. P. 1–9.

5. Saeid Bashash, Hosam K. Fathy Modeling and Control Insights into Demand-side Energy Management through Setpoint Control of Thermostatic Loads// American Control Conference on O'Farrell Street. San Francisco. CA. USA. 2011 June 29 – July 01. P. 4546– 4553. doi: http://dx.doi.org/10.1109/ACC.2011.5990939.

6. Bradac Z., Kaczmarczyk V., Fiedler P. Optimal scheduling of domestic appliances via MILP// Energies. 2015. 8. 1. P. 217–232. doi: http://dx.doi.org/10.3390/en8010217.

7. S-C Chan Load/price forecasting and managing demand response for smart grids: Methodologies and challenges// Signal processing magazine. 2012. 29. 5. P. 68–85. doi: http://dx.doi.org/10.1109/MSP.2012.2186531.

8. A.J. Conejo, J.M. Morales, L. Baringo Realtime demand response model// Smart grid, IEEE transactions. 2010. 1. 3. P. 236–242. doi: http://dx.doi.org/10.1109/TSG.2010.2078843.

9. R.S. Ferreira, L.A.N. Barroso, M.M. Carvalho Demand response models with correlated price data: a robust optimization approach// App. Energy. 2012. 96. P. 133–149. doi: http://dx.doi.org/10.1016/j.apenergy.2012.01.016.

10. S. Gottwalt Demand side management – a simulation of household behavior under variable prices// Energy policy. 2011. 39. 12. P. 3–8174. doi: http://dx.doi.org/10.1016/j.enpol.2011.10.016.

11. B. Li Predicting user comfort level using machine learning for smart grid environments// Innovative smart grid technologies (ISGT 2011). P. 1–6.

12. J.M. Lujano-Rojas Optimum residential load management strategy for real time pricing demand response programs// Energy policy. 2012. 45. P. 671–679. doi: http://dx.doi.org/10.1016/j.enpol.2012.03.019.

13. Amir-Hamed Mohsenian-Rad, Alberto Leon-Garcia Optimal Residential Load Control With Price Prediction in Real-Time Electricity Pricing Environments// IEEE Transactions on smart grid.Sept. 2010. Vol.1. No.2. P. 120–133. doi: http://dx.doi.org/10.1109/TSG.2010.2055903.

14. M.A.A. Pedrasa, T.D. Spooner, I.F. MaxGill Scheduling of demand side resources using binary particke swarm optimization// IEEE Transactions on Power Systems. Aug. 2009. Vol. 24. No. 3. P. 1173–1181.

15. B. Ramanathan, V. Vittal A framework for evaluation of advanced direct load control with minimum disruption// IEEE Transactions on Power Systems. Nov. 2008 Vol. 23. No.4. P. 1681–1688. doi: http://dx.doi.org/10.1109/TPWRS.2008.2004732.

16. K.C. Sou Scheduling smart home appliances using mixed integer linear programming// 50th IEEE conference on decision and control and European control conference (CDC-ECC 2011). P. 5144–5149. doi: http://dx.doi.org/10.1109/CDC.2011.6161081.

17. Scott Ziegenfus Demand Response And Light Control // ASHRAE Journal. November. 2012. P B20–B24.

18. Capasso A., Grattieri W., Lamedica R., Prudenzi A. A bottom-up approach to residential load modeling// IEEE Transactions on Power Systems. Sept. 1994. Vol. 2. P. 957–965. doi: http://dx.doi.org/10.1109/59.317650.

19. Гребенюк Г.Г., Ковалев С.П., Крыгин А.А., Середа Л.А. Организация энергоменеджмента и планирование электрической нагрузки домохозяйств// Энергобезопасность и энергосбережение. 2015. № 3. С. 22–27.

20. Зоркальцев В.И., Филатов А.Ю. Новые варианты двойственных алгоритмов внутренних точек для систем линейных неравенств // Журнал вычислительной математики и математической физики. 2004. Том 44. № 7. С. 1234–1243.

21. Усков Е.И. Численное сравнение оптимизационных алгоритмов // Теоретические и прикладные задачи нелинейного анализа. ВЦ РАН Москва. 2012. С. 118–131.

22. Callaway D. S. Tapping the energy storage potential in electric loads to deliver load following and regulation, with application to wind energy // Energy Conversion and Management. 2009, Vol. 50, P. 1389–1400. doi: http://dx.doi.org/10.1016/j.enconman.2008.12.012