1- مقدمه[1]

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:

• اجرای طرح محاسبات ابر ـ مه در ریزشبکه با چندیدن ساختمان هوشمند.
• کاهش حجم و زمان محاسبات مدیریت انرژی ریزشبکه.
• مدل­سازی مسئلۀ مدیریت انرژی ساختمان­های هوشمند در یک مسئلۀ دوهدفه به ­منظور کاهش هزینه و نرخ پیک به میانگین.
• در نظر گرفتن سیستم فتتولتاییک، سیستم ذخیره­ساز انرژی به صورت هم‌زمان در ساختمان­های هوشمند.
• خرید و فروش انرژی با شبکۀ بالادست.
• حل مسئلۀ بهینه­سازی دوهدفۀ پیشنهادی با الگوریتم بهینه‌سازی وال[26].

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.

2- سیستم مورد مطالعه

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

3- مدل ریاضی و مسئله

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.

1-3- اهداف مسئله

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.

2-3- بارهای ثابت

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.

3-3- بارهای قابل تغییر پیوسته یا بی­وقفه

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.

4-3- بارهای قابل تغییر با­وقفه

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:

5-3- قیود و مدل باتری

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.

6-3- قیود و مدل فتوولتاییک

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:

4- مفاهیم

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.

1-4- محاسبات ابر ـ مه

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:

1-1-4- لایۀ لبه

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.

2-1-4- لایۀ مه

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

3-1-4- لایۀ ابر

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].

2-4- الگوریتم بهینه­سازی وال

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.

5- سیستم مورد مطالعه و نتایج شبیه‌سازی

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

جدول (2): مشخصات سیستم ذخیره­ساز انرژی

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

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)

6- نتیجه‌گیری

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

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