CC BY
4
УДК 004.424.4, 004.424.6;
ГРНТИ 28.17.19, 28.23.19
DOI: 10.47501/ITNOU.2022.1.31-35
А.А. Борзяк, Р. С. Смирнов
АО «Россети Цифра»
ИСПОЛЬЗОВАНИЕ ЭВОЛЮЦИОННОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА ДЛЯ РАСЧЕТА ЦЕН НА ЭЛЕКТРОЭНЕРГИЮ ДЛЯ КОНЕЧНЫХ ПОТРЕБИТЕЛЕЙ
В статье предлагается новый метод ценообразования на электроэнергию. Спрос на электроэнергию домохозяйства прогнозируется на основе их прошлых моделей использования. Пользователи группируются в разные группы в зависимости от их спроса, далее эволюционный алгоритм используется для генерации цен для пользователей, присутствующих вразных группах, врежимереального времени.
Ключевые слова: минимизация затрат на электроэнергию, эволюционные генетические алгоритмы, оптимизация профиля нагрузки
USAGE OF AN EVOLUTIONARY GENETIC ALGORITHM TO CALCULATE ELECTRICITY PRICES FOR END CONSUMERS
Proposal of a new method ofpricingfor electricity. Household electricity demand isproject-ed based on theirpast usagepatterns. Users are grouped into different groups based on their demand,and then an evolutionary algorithm is used to generate pricesfor userspresent in different groups in real time.
Keywords: energy cost minimization, evolutionary genetic algorithms, loadprofile optimization
Экономически целесообразное ценообразование на электроэнергию имеет жизненно важное значение для устойчивой энергосистемы. Традиционные модели ценообразования не решают задачу оптимального распределения себестоимости электроэнергии между потребителями из-за отсутствия поддержки связи в реальном времени между потребителями и поставщиками электроэнергии. Электрическая сеть, в которой используются интеллектуальные устройства, называется интеллектуальной сетью. В интеллектуальной сети поставщики электроэнергии могут отслеживать модели потребления электроэнергии клиентами в режиме реального времени, которые затем могут быть проанализированы для определения соответствующих цен. Чтобы проанализировать историю потребления и оценить электроэнергию в режиме реального времени, вычисления должны выполняться с минимальными задержками. В статье предлагается новый метод ценообразования на электроэнергию. Спрос на электроэнергию домохозяйства прогнозируется на основе их прошлых моделей использования, пользователи группируются в разные группы в зависимости от их спроса, далее эволюционный алгоритм используется для генерации цен для пользователей, присутствующих в разных группах, в режиме реального времени.
SMART grid — электрическая сеть, обеспечивающая потребителей электроэнергией с высокой эффективностью, надежностью и масштабируемостью. Интеллектуальная сеть производит, передает и распределяет электроэнергию надежным и сложным образом и имеет очень высокий потенциал полной замены традиционной электрической се-
А.А. Borziak, R.S. Smirnov
АО «Rosseti Digital»
Введение
ти в ближайшем будущем. В интеллектуальной сети используются интеллектуальные устройства, такие как интеллектуальные счетчики, которые периодически регистрируют данные об энергопотреблении на уровне устройств. Основная проблема, с которой сталкиваются поставщики электроэнергии в интеллектуальной сети, заключается в обеспечении соответствия спроса и предложения. Поставщики услуг должны иметь ресурсы для обработки ситуаций в часы пиковой нагрузки.
Чтобы справиться с нагрузкой в часы пик необходима избыточная, относительно среднего уровня потребления, генерация. Эта генерация периодически остается неиспользованной и простаивает некоторую часть времени, что приводит к растрате ресурсов. чтобы избежать этого расточительства, поставщики стараются сгладить кривую спроса, заставляя пользователей смещать энергопотребление с часов пик в непиковые часы. Это может быть достигнуто путем ценообразования на электроэнергию в соответствии с потребностью сети. Цена на потенциальные пиковые часы, т. е. когда прогнозируется повышенное использование сети должна быть выше по сравнению с ценой в непиковое время и стимулировать потребителя к снижению нагрузки.
Подробная информация о цене на каждом интервале предоставляется клиентам заранее, чтобы пользователи могли планировать свое расписание. Это побуждает пользователей переключать энергопотребление на непиковые часы, тем самым снижая нагрузку на поставщиков услуг в часы пик, что сглаживает кривую спроса. В предлагаемой модели, не все клиенты платят одинаково за единицу электроэнергии за определенный период времени.
Пользователи, которые, как ожидается, вносят больший вклад в часы пик, оплачивают больше затрат на единицу продукции.
Пользователи сгруппированы в разные кластеры в каждом интервале, и им начисляется цена исходя из кластера, в котором они присутствуют. Штрафной пик, вносящий вклад пользователей, взимая с них большие суммы, вынуждает их менять свои стратегии на потребление в какой-либо другой непиковый период, когда цена за единицу электричества дешевле.
Спрос клиентов должен быть предсказан, чтобы динамически оценивать единицу электроэнергии. Прогноз нагрузки на каждое индивидуальное домохозяйство создается на основе истории их прошлого шаблона использования электроэнергии. Прогнозирование происходит через каждый регулярный интервал на основе ранее записанных данных нагрузки на следующие интервал и является прогнозируемым. Для достижения плавной загрузки в реальном времени, не должно быть никаких проблем с задержками расчетов; иначе предсказание затянется, и будет трудно создать действительно оптимальную модель ценообразования.
Основные цели подхода перечислены ниже.
1) Прогнозирование почасового (или с меньшей дискретностью) спроса отдельных домохозяйств исходя из прошлого потребления электроэнергии.
2) Группировка пользователей на основе прогнозируемой нагрузки, т. е. пользователей, у которых прогнозируется высокий спрос, сгруппированы вместе в одну группу и пользователи, у которых прогнозируется более низкий спрос в другую группу.
3) Устанавливается такая модель ценообразования для каждого кластера в течение каждого периода - интервала времени, чтобы ценовой эффект был максимален.
В данной статье рассматривается эволюционный генетический алгоритм [1] расчета цены, стимулирующий потребителей к снижению потребления.
Компенсация потребления также возможна с использованием распределенной сети накопителей электроэнергии, размещенных у конечных потребителей или в узлах сети [2].
Реализация метода
«Умные» счетчики, установленные в каждом доме, регистрируют с определенным интервалом (на практике 15 минут, 30 минут, час) информацию о потреблении электроэнергии и периодически отправляют соответствующие данные. Облачные серверы объединяют участки в конкретных интервалах на основе предсказанных значений, при этом пользователи с разным уровнем спроса помещаются в разные кластеры.
После кластеризации цена за единицу электроэнергии рассчитывается для каждого кластера, а информация о цене отправляется в ценовую подсистему. Ценовая подсистема снова отправляет информацию о ценах на интеллектуальные счетчики, чтобы пользователи могли заранее видеть цены и перестраивать свои стратегии использования.
Почасовое прогнозирование спроса
Первый шаг в расчете цены персонифицированного спроса - это прогнозирование спроса на час для всех пользователей.
Ценовая подсистема берет предыдущие почасовые данные об использовании электроэнергии потребитель в качестве входных данных, а спрос на следующий час для каждого дома прогнозируется. Прогнозируемые значения спроса отправляются в облако для кластеризации и расчета цены на следующий час за каждый кластер. Все значения спроса, которые прогнозируются на уровне узлы группы, передаются в облако для дальнейших вычислений и расчета почасовой цены на электроэнергию.
Для интеллектуальной сети из п пользователей; обозначим прогноз потребность в энергии по модели для конкретного временного интервала будет
рир2,р3, ...,рп
Кластеризация на основе прогнозируемого спроса
Как только мы получим прогнозируемый спрос для всех пользователей, следующий шаг состоит в том, чтобы сгруппировать пользователей на основе их прогнозируемого вклада в общую нагрузку.
Поскольку количество кластеров изначально неизвестно, введем переменную к для обозначения числа кластеров. Также количество пользователей в сетке может варьироваться на каждый час, и мы не можем зафиксировать значение к для всех интервалов.
Каждый кластер будет иметь разные цены за единицу электроэнергии. Пользователи с более низким энергопотреблением относятся к нижнему кластеру и наоборот.
Вектор спроса, полученный для п пользователей и числа кластеров к, обозначим с, тогда результирующий наборов кластеров будет:
с 1=[ рс1 ,...,рсЩ],... ,ск= [ ]
Генерация цен с использованием генетического алгоритма
После объединения пользователей в разные группы вычисляем цены для каждой группы так, чтобы пользователи кластера с более высокой нагрузкой были оштрафова-
ны, а пользователи кластера с более низкой нагрузкой будут платить меньше за единицу-
Также цены должны быть такими, чтобы максимизировать прибыль поставщика услуг. В нашем подходе у нас использован генетический алгоритм, чтобы сгенерировать цены и максимизировать прибыль при соблюдении ограничений.
1) Функция-приспособленности:
функция-приспособленности используется для вычисления ценность приспособленности каждого человека в популяции. Целевая функция алгоритма - максимизировать прибыль поставщика услуг.
Следовательно, функция-приспособленности будет выглядеть следующим образом:
At — цена покупки в момент времени i,
Rt — максимальная цена продажи в момент времени i,
Si — штрафной фактор для / -го кластера,
Pi — сумма прогнозных нагрузок для домохозяйства в i кластере в определенный момент времени,
P — сумма всех прогнозных нагрузок
f (U 1 ,U 2, ...U k )= ( Ft* ( Si *U 1 + S>*U 2+ S3 * U 3+ ... Sk* U k) - At*U)/( At*U )
Здесь максимальная розничная цена указывает на максимально допустимую цену продажи, оптовая цена указывает цену покупки электроэнергии, а к представляет собой количество кластеров.
Алгоритмы решения задачи 1. Генетический алгоритм
На входе — значения нагрузки для всех кластеров, массив домохозяйств, максимальное количество поколений, максимальная отпускная цена, значения цен покупки для всех временных интервалов
На выходе - значение Si параметра для / того кластера
while максчислопоколений >0 do
1. Выбрать наилучшее домохозяйство
2. выбрать случайное домохозяйство из всего массива
выполнить crossover operation между ними с установленной частотой (crossover frequency)
сгенерировать новый массив домохозяйств
3. повторять процесс до получения всего нового поколения
Рассчитать функцию приспособленности для всех полученных домохозяйств, для определения лучшего, обновить искомое глобальное решение, если требуется
end
2. Crossover алгоритм
На входе - crossoverfrequency, домохозяйство 1, домохозяйство2 На выходе - домохозяйствох
gene ^ случайныйвыбор (0,к)
while crossoverfrequency >0 do if щоъ£Щ&(ИошеИоШ1, household2, gene ) then выполнить crossover уменьшить crossover byl
end
end
подробная реализация приведена в[3]. Заключение
В статье предложен эволюционный генетический алгоритм оптимального ценообразования на электроэнергию - полученный эффект может распределяться на основе социальных критериев среди потребителей по истечению расчетного периода или исходя из требований по поддержанию и развитию инфраструктуры среди поставщиков. При реализации на практике обязателен учет топологии сети и структуры топливной составляющей потребляемой электроэнергии в рамках современных подходов обеспечения устойчивого развития.
В качестве дальнейшего развития предполагается реализация алгоритмов в программном комплексе автоматизированного учета электроэнергии - Пирамида [4] и проверка на экспериментальных данных от энергосбытовых или электросетевых компаний, сравнение с альтернативными подходами к ценообразованию, например, динамического распределения ценового эффекта с использованием подходов теории игр (некооперативные игры) ( статья - Pricing Mechanism With Noncooperative Game and Revenue Sharing Contract in ElectricityMarket ) [5]. Литература
1. Пантелеев A.B. Метаэвристические алгоритмы поиска глобального экстремума. - М.: Изд-во МАИ-ПРИНТ, 2009.
2. Борзяк A.A., Смирнов P.C. Расчет оптимальных параметров и схемы размещения накопителей электроэнергии у потребителей и/или в узлах сетевой инфраструктуры с целью сокращения затрат на покупку электроэнергии. // ИТНОУ. 2021. № 1(17). С. 55-59, ISSN: 2587-6309
3. A.B. Еремеев, "Генетический алгоритм с турнирной селекцией как метод локального поискаДискретн. анализ и исслед. опер., 19:2 (2012), 41-53; J. Appl. Industr. Math., 6:3 (2012), 286-294
4. Описание программного комплекса Пирамида -http://www.sicon.ru/download/Pyramid20_Infosheet.pdf
5. К. Ma, С. Wang, J. Yang, С. Hua and X. Guan, "Pricing Mechanism With Noncooperative Game and Revenue Sharing Contract in Electricity Market," in IEEE Transactions on Cybernetics, vol. 49, no. 1, pp. 97-106, Jan. 2019, doi: 10.1109/TCYB.2017.2766171.
Сведения об авторах Борзяк Андрей Александрович
к. т. н., ведущий разработчик прикладного ПО
АО «Россети Цифра»
Москва, Россия
Эл. почта: aborziak@yandex.ru
Смирнов Роман Сергеевич
старший разработчик прикладного ПО
АО «Россети Цифра», Москва, Россия
Эл. почта: rssmirnov@gmail.com
Information about authors
BorziakAndrei
Ph.D., lead software engineer AO «Rosseti Digital» Moscow, Russian Federation E-mail', aborziak@vandex.ru Smirnov Roman lead software engineer AO «Rosseti Digital», Moscow, Russia E-mail: rssmirnov@gmail.com
