CC BY
30
УДК 621.311.001.57:681.51 ББК 31.278
А.К. АБД ЭЛЬРАХИМ, Д.С. ОБЫЧАЙКО, В.А. ШИХИН
ОЦЕНИВАНИЕ ЭФФЕКТИВНОСТИ ФУНКЦИОНИРОВАНИЯ МИКРОЭНЕРГОСИСТЕМЫ В МУЛЬТИАГЕНТНОМ ПРЕДСТАВЛЕНИИ
Ключевые слова: мультиагентная система, микроэнергосистема, эффективность микроэнергосистемы, распределенная генерация, возобновляемые источники энергии.
В статье предлагается подход для решения задачи оценивания эффективности функционирования микроэнергосистемы (microgrid), представленной в виде мульти-агентной системы. Предлагаемый в работе подход основан на схеме, разработанной для оценки эффективности функционирования микроэнергосистемы путём рассмотрения оценки функционирования как микроэнергосистемы в целом, так и отдельных её субъектов (агентов), что позволяет формализовать процесс интеграции разнородных целевых функций в единые критерии по типовым индексам эффективности функционирования микроэнергосистемы: техническим, экономическим и экологическим. Научная новизна данной работы состоит в разработке метода комбинированного оценивания технической, экономической и экологической эффективности функционирования микроэнергосистемы на основе мультиагент-ного представления, что является основой для решения задачи многокритериальной оптимизации. Алгоритм оценки эффективности функционирования микроэнергосистемы направлен на решение практических задач проектирования гибридно-генерирующих и экологически безопасных теплоэлектроснабжающих систем в изолированных районах.
Введение. Рассмотрим микроэнергосистему (микрогрид), представляющую собой единое объединение с централизованным управлением разнородных распределенных источников энергии, возобновляемых источников энергии, накопителей энергии и разнотипных потребителей [8, 12].
В настоящее время активно обсуждаются направления развития энергетики в контексте все более широкого внедрения возобновляемых источников энергии (ВИЭ). В таких удаленных регионах, как, например, арктические или островные, внедрение ВИЭ является одним из перспективных и уже отчасти используемых решений проблемы обеспечения бесперебойного энергоснабжения. Однако вопрос повышения эффективности локальных энергосистем, в том числе с ВИЭ, остаётся актуальным. Повышение эффективности связано не только с внедрением новых источников энергии, но и с совершенствованием способов и технологий управления локальными микроэнергосистемами.
Микроэнергосистемы относятся к классу сложных динамических систем, под которыми обычно понимаются системы с наличием разветвленной структуры, перекрестных связей, неопределенности различных типов, нестабильности характеристик элементов, нелинейностей и др. Решение задач управления в подобных системах связано с использованием подходов на основе декомпозиции. В этом смысле мультиагентное представление (МАС-технология) многокомпонентной системы предлагает декомпозицию на основе введения в рассмотрение взаимосвязанных агентов [6, 9].
Особенности локальных микроэнергосистем. Стратегии управления микроэнергосистемой могут существенно и даже концептуально отличаться от стратегий управления традиционными энергосистемами. Основные причины заключаются в следующем [5]:
- стационарные и динамические характеристики субъектов микроэнергосистем существенно отличаются от аналогичных характеристик мощных энергоустановок;
- микроэнергосистемы подвержены значительному дисбалансу из-за наличия однофазных нагрузок и/или нестабильности распределенной генерации;
- значительная часть выработки электроэнергии в микроэнергосистеме может поступать от «неуправляемых» источников (например, ветроэлектрические установки ВЭУ), когда для максимизации выходной мощности возобновляемого источника энергии используется стратегия управления на базе максимальной точки отслеживания мощности (МРРТ);
- широко применяемые в микроэнергосистеме накопители энергии могут играть важную роль в реализации управления ею и обеспечения ее устойчивой работы, однако следует учитывать то, что они являются частично-управляемыми и нелинейными источниками;
- субъекты микроэнергосистемы подвержены частым коммутациям и перекоммутациям по условиям обеспечения надежности энергоснабжения и качества электроэнергии;
- в дополнение к выработке и поставке электрической энергии микроэнергосистема, как правило, отвечает за производство и подачу тепла ко всем или части потребителей;
- в рамках микроэнергосистемы предусматриваются более широкие возможности по децентрализации управления передачей и потреблением электроэнергии, однако сохраняется принцип сочетания централизованного и децентрализованного управления;
- существующие погрешности измерений и ошибки при передаче информации по линиям связи являются более чувствительными при решении задач управления в мелкомасштабных локальных системах, каковыми являются микроэнергосистемы;
- в рамках микроэнергосистемы решения, принимаемые для какого-либо субъекта, оказывают, как правило, существенное влияние на управление процессами в её смежных фрагментах.
Таким образом, указанные специфические черты отдельных субъектов и микроэнергосистемы в целом приводят к тому, что данная динамическая система может быть охарактеризована как нелинейная непрерывно-дискретно-событийная система с переменными труднопредсказуемыми параметрами и перекрестными связями. Проведение аналитических исследований таких систем крайне затруднительно и возможно только при существенных упрощениях, которые, как правило, недопустимы по соображениям потери важной информации.
В связи с указанными выше характеристиками подобных систем, относящихся к рассматриваемому классу объектов, задача нахождения эффек-
тивных подходов, применимых для решения задачи многокритериальной оптимизации микроэнергосистем в реальном времени, является актуальной проблемой.
Для целей повышения эффективности функционирования микроэнергосистемы в соответствии с устанавливаемыми применительно к конкретным условиям критериями очевидна необходимость перехода к интеллектуальному автоматизированному управлению, гибко учитывающему множество факторов, разнопланово влияющих на протекающие процессы в единой системе1 [11].
Мультиагентное представление системы в задачах управления микроэнергосистемой. В последние годы мультиагентная форма представления многокомпонентных динамических систем находит всё большее применение [7, 10], в том числе для исследования микроэнергосистем [4, 9], позволяя создавать иерархические системы управления на основе распределения функций управления между автономными и кооперативными агентами, реализуя такие важные характеристики, как модульность, гибкость, надёжность, реконфигурируемость и т. п. Применение МАС-технологии в приложении к рассмотрению микроэнергосистем позволяет по-новому подойти к решению задачи создания систем с комбинированным централизованным и децентрализованным управлением.
Решение оптимизационных задач, связанных с многоцелевым управлением при наличии противоречивых критериев и неравновесным распределением критериев между разнородными субъектами динамической системы, можно связать с мультиагентным представлением исходной системы и предложить эффективные методы решения по оптимизации её функционирования.
Как известно, решение задач управления в сложных динамических системах, под которыми обычно понимаются системы высокой размерности с наличием разветвлённой структуры с перекрестными связями, неопределённости различных типов, нелинейностей и др., связано с подходами на основе декомпозиции систем такого рода. В этом смысле МАС-технология предлагает именно такую декомпозицию на основе введения в рассмотрение взаимосвязанных агентов. Итак, применение мультиагентных подходов является перспективной технологией для управления и принятия решений в системах, где существуют распределённое управление и неопределённость, связанная с реализуемым каждым агентом законом управления, труднопредсказуемым поведением внешней среды, возможными потерями полной наблюдаемости и управляемости объектами.
Следует отметить, что применение мультиагентного подхода позволяет более полно отразить наличие данных по отдельным субъектам (агентам) системы, что обусловливает возможность получения более обоснованных решений и ведет к повышению эффективности функционирования как системы в целом, так и каждого агента в отдельности.
1 ГОСТ Р МЭК 62264-1-2014 «Интеграция систем управления предприятием. Часть 1. Модели и терминология». М.: Стандартинформ, 2016.
На рис. 1 приведено формализованное представление агента, принятое в данной работе с учётом основных функциональных черт, присущих агенту: рассуждение, самонастройка, самооптимизация, коммуникабельность, активность.
u '(О
{
Рис. 1. Формализованное представление агента МАС: U i (t) - вектор входных ограничений и уставок, связанный с функциональной чертой «коммуникация», при этом U' (р = ^ ', DC•', DR•']Т, где L - технологические ограничения агента; DC•' - вектор входных команд; DR•' - вектор входных рекомендаций; Z(t) - вектор выходных переменных, характеризующих протекание физических процессов во времени, по которым идентифицируется состояние агента; S(t) - вектор состояний агента, связанный с его функциональной чертой «активность»; Ула- показатель качества функционирования агента; Х(^ - вектор параметров и событийно-изменяющихся констант агента, связанный с его функциональными чертами «самонастройка» (в отношении параметров) и «рассуждение» (в отношении констант); Ш({) - вектор внутренних генерируемых управлений агента, связанный с его функциональной чертой «самооптимизация»
На рис. 1. представлен некоторый /-й агент Лг-, обладающий набором функциональных черт, описание которых сформулируем в виде определений:
Определение 1. «Коммуникабельность»: под «коммуникабельностью» понимается способность агента взаимодействовать с другими интеллектуальными агентами посредством приема внешних входных команд DC и внешних рекомендаций D с учетом своих технологических ограничений L• а также способность генерировать D и DR либо только либо ни то, ни другое.
Определение 2. «Активность»: агент должен быть способен реагировать в режиме реального времени в форме изменений своих возможных состояний
S(t• ДО).
Определение 3. «Рассуждение»: агент, чтобы реализовать свои цели, должен быть способен принимать решения по изменению своих констант (событийно изменяющихся) на основе анализа постоянно поступающих новых данных.
Определение 4. «Самонастройка»: под «самонастройкой» понимается способность агента автономно подстроить свои внутренние параметры в связи с происходящими изменениями.
Определение 5. «Самооптимизация»: агент должен быть способен оптимизировать свои ресурсы для повышения эффективности исполнения своих задач УАО, что ведет к повышению эффективности системы в целом в соответствии с установленными показателями эффективности системы Г575.
Определение 6. «Состояние агента»: под «Состоянием агента» Б1 будем понимать вектор, описывающий изменяющиеся во времени технические и/или технологические внутренние черты соответствующего агента. Предлагаемый перечень возможных состояний агентов и способы их оценивания представлены в табл. 1.
Таблица 1
Возможные состояния агентов и способы их оценивания
№ Наименование состояния Тип оценки состояния Источник исходной информации Оцениватель
1/2 $1,2® (включен/выключен) детерминированный выход агента ЦУС (2ЦУС) не требуется
3/4 Б3/4(г) (рабочее состояние/ аварийное состояние) вероятностный Р выход г'-го агента - (2) ИНС
5/6 Бм® (нарастающий процесс/ убывающий процесс) временной ряд Уг выход г'-го агента - (2) АЫМА-модель
Наблюдаемость множества состояний агентов, составляющих микроэнергосистемы, является важным свойством, поскольку не только служит источником представления необходимой критической информации по работоспособности системы, но и существенно влияет на эффективность ее функционирования.
Были выделены три основных компонента, определяющих вектор состояния агентов Б1(г) (см. табл. 1):
1. Детерминированная бинарная составляющая <У'1/2(0 = 2С,ЦУС, определяющая базовое состояние агента, т.е. соответствующий агент А, находится во включенном или выключенном состоянии.
2. Вероятностная составляющая Б3/4(г) = Р(а' < 21 < Ь), где а1, Ь1 - переделы агента Аг как рабочее (исправное) или аварийное состояние. Для оценивания 53/4(1) предлагается использовать искусственную нейронную сеть (ИНС).
3. Составляющая Б15/6(г) в виде временного ряда Б5/6(г) = АШМА1 г = 2" АШМА - оценка выхода 1-го агента на основе АЫМА-модели, описывающей нарастание/убывание значения соответствующего выхода агента Аг. Например, эта составляющая вектора состояний 5 позволяет прогнозировать возможность дисбаланса генерируемой и потребляемой мощностей и, следовательно, дает возможность избежать дефицита активной мощности в микроэнергосистеме. В качестве метода оценивания <Б5/6(г) предлагаем использовать АЫМА-модель «интегрированная модель авторегрессии -скользящего среднего». Модель АЫМА(р, ё, д), определяется следующим уравнением:
ЛЫИА = = с + ±а£ах( _ +±Ь]г1 _} , (1)
¿=1 ]=1
где г1 - стационарный временной ряд; с, а¿, Ь}- - параметры модели; Дё - оператор разности временного ряда порядка ё (последовательное взятие ё раз разностей первого порядка - сначала от временного ряда, затем от полученных разностей первого порядка, затем от второго порядка и т.д.); р - порядок авторегрессии; д - порядок скользящего среднего.
Среди преимуществ АММА моделей можно отметить гибкость, позволяющую модели АЫМА описывать большой спектр характеристик временных рядов [1].
В итоге вектор оценки состояний агента Ai будет иметь вид
£(?) = $/2(г),„(г), ¿5/6(0)г. (2)
Предлагается набор агентов, соответствующих основным субъектам микроэнергосистемы (табл. 2). Однако перечень агентов может быть расширен для более подробного описания или в связи с конкретными специфическими чертами рассматриваемой системы. Например, для наногрид (малая микроэнергосистема) необходимо учитывать инвертеры в качестве отдельного субъекта системы, поскольку они оказывают более значимое влияние на устойчивость и качество процессов [3].
Таблица 2
Формализованные агенты и их функциональность в составе МАС-микроэнергосистемы
Агент, Л1 Функциональность, FU1
1. Центр управления и связи (ЦУС) микроэнергосистемы, агент А1 F11 - ответственность за управление микроэнергосистемой; F12 - отслеживание и планирование режимов распределенных и возобновляемых источников энергии; Fi3 - прогнозирование генерируемой мощности соответствующего источника ВИЭ; Fi4 - прогнозирование состояния накопителей энергии; Fi5 - стабилизация частоты в микроэнергосистеме; Fi6 - обеспечение динамической устойчивости микроэнергосистемы
2.Распределительная электросеть (РЭС), включающая подстанцию, агент А2 F2i - ответственность за внешнее по отношению к микроэнергосистеме электроснабжение; F2,2 - прием излишков электроэнергии от микроэнергосистемы во внешнюю электросеть
3. Распределенные дизель-генераторные установки (ДГУ), агент А3 F3i - ответственность за генерируемую мощность соответствующего распределённого генератора или группы генераторов
4. Распределенные газопоршневые установки (ГПУ), агент А4 F4i - ответственность за генерируемую мощность соответствующего распределённого генератора или группы генераторов
5. Возобновляемые источники энергии (ВИЭ): солнечная электростанция (СЭС), агент А5 F51 - ответственность за генерацию соответствующей СЭС
6. Возобновляемые источники энергии (ВИЭ): ветровая электростанция (ВЭС), агент А6 F61 - ответственность за генерацию соответствующей ВЭС
Электротехника и энергетика 11
Окончание табл. 2
Агент, Л, Функциональность, Гш
7.Накопители энергии (НЭ), агент А7 ^7,1 - участие в покрытии дефицита мощности; Р7,2 - участие в поглощении избытка мощности; Р7,ъ - участие в регулировании частоты; ^74 - повышение динамической устойчивости микроэнергосистемы
8. Спрос потребителя (ПЭЭ), агент А8 ^ 1 - целевое использование электроэнергии
9. Спрос ценозависимого потребителя (ЦЗП), агент А9 ^д - целевое использование электроэнергии; ^9 2 - участие в регулировании мощности
10. База данных реального времени (БДРВ), агент А10 F10,1 -сбор, хранение, обмен данными и архивами
11. Система имитационного моделирования (SIM), агент А11 ^1,1 - моделирование, тестирование режимов функционирования микроэнергосистемы
Формулировка целевых функций. Большинство известных из литературы подходов к решению оптимизационных задач применительно к управлению микроэнергосистемами формулируется в рамках однокритериальной постановки, а именно: на минимизацию общих эксплуатационных затрат или минимизацию потерь, но имеются и формулировки оптимизационных задач в многокритериальной постановке [2, 14]. Однако во всех этих подходах осуществляется сведение многокритериальной задачи к скалярному случаю, включая формальное объединение технических и экономических показателей, что, по мнению большинства специалистов в области создания и эксплуатации микроэнергосистем, недопустимо1. Эффективность функционирования микроэнергосистемы не рекомендуется оценивать единым интегрированным показателем и, как минимум, следует подразделять на относительно обособленное рассмотрение технической и экономической эффективности с введением соответствующих целевых показателей и критериев.
Соответственно, особенностью данной работы является то, что с учётом мнения отраслевых экспертов предлагается подход к формулированию оптимизационных задач, связанных с повышением эффективности микроэнергосистемы посредством введения раздельного рассмотрения отдельных групповых показателей эффективности, а только затем производить их свертку. В то же время предложенное в работе мультиагентное представление микроэнергосистемы позволяет перейти к совокупному учёту показателей эффективности как отдельных агентов, так и системы в целом.
На основе критериев эффективности функционирования микроэнергосистемы были сформулированы целевые функции эффективности функционирования микроэнергосистемы.
1. Качество электроэнергии (КЭ). Качество производимой и отпускаемой потребителям электроэнергии является одним из основных критериев
1 О комплексном определении показателей технико-экономического состояния объектов электроэнергетики, в том числе показателей физического износа и энергетической эффективности объектов электросетевого хозяйства, и об осуществлении мониторинга таких показателей: постановление Правительства РФ от 19 декабря 2016 г. № 1401 [Электронный ресурс]. Доступ из справ.-прав. системы «КонсультантПлюс».
при оценке эффективности функционирования любой энергосистемы и регулируется в соответствии с ГОСТ 32144-2013 «Электрическая энергия. Совместимость технических средств электромагнитная. Нормы качества электрической энергии в системах электроснабжения общего назначения», где указаны более 10 показателей, из которых выберем два в качестве целевых функций (без потери общности математической постановки задачи):
- отклонение основной частоты напряжения от номинального А/=f — fmm, которое связано прежде всего с дефицитом активной мощности и не должно превышать ±0,2 Гц в течение 95% времени;
- отклонение напряжения А U. Величины провалов и перенапряжений связаны с множеством факторов, в том числе с их случайным характером, учесть которые в компактном математическом выражении в общем случае не представляется возможным, но в первую очередь они связаны с соотношением активной и реактивной мощности. Отклонение напряжения в сети определяется на основе сравнения значений напряжения общей шины U SYS и опорного напряжения Ure/. Следовательно, AU = Ure/- USYS.
2. Экономический критерий (ЭК). Экономический критерий Y2 SYS формируется из трёх составляющих: стоимость генерируемой электроэнергии
SYS ENN SYS
y3 = C , цена для потребителя y4 = PR, прибыль владельца микроэнергосистемы y5 SYS ^ REV.
3. Надёжность процесса электроснабжения Y3 SYS. Исследование надёжности сетевых комплексов обосновано в рамках вероятностных категорий. Именно поэтому к настоящему времени накоплен отечественный и зарубежный опыт решения задач по оценке надёжности систем электроэнергетики со следующими тремя категориями, соответствующими международной классификации показателей надежности: CAIDI - индекс средней продолжительности перерыва в электроснабжении потребителей (время ремонта); SAIDI -индекс средней продолжительности перерыва в электроснабжении потребителей (продолжительность отказа); SAIFI - индекс средней частоты перерывов в электроснабжении потребителей (частота отказов) [13].
4. Экологичность Y4 SYS. Экологичность функционирования микроэнергосистемы предлагается ограничить рассмотрением выброса парниковых газов (CO2, NOX и др.), хотя данные показатели не являются единственными.
Решение задачи оценки эффективности функционирования микроэнергосистемы предлагается разбить на несколько этапов (рис. 2).
На этапе 1 (см. рис. 2) решается задача выбора таких моделей описания агентов, которые адекватно соответствуют исследуемым целевым функциям (ЦФ) и отвечают ограничениям по точности и информативности:
в.
MOAi Д ySYS. (3)
На этапе 2 производится синтез имитационной мультиагентной модели исследуемой системы с учетом специфики каждой ЦФ yjSYS, j = 1, 10 из четырех групп критериев.
РЭС-агент -ДГУ-агент -ГПУ-агент -СЭС-агент ВЭС-агент -НЭ-агент -ПЭЭ-агент ЦЗП-агент -
Выбор модели агента Л1
Этап 1
Оценка ЦФ агентов.-.
У 11,1*1,1:
Синтез Расчет
модели оценивания
Я
£
Оценка показ ателей по ЦФ у15У5
Оценка показателей по ЦФ у,т
Синтез Расчет
модели ИМ 1 оценивания
"Ч
Оценка ЦФ агентов^; ,_г
Т.
Оценка ЦФ агентов.-.
Синтез Расчет
модели ¿1.'-! оценивания
£
Оценка показателей по ЦФ у95У5
Оценка показателей
по ЦФ У1П5У5
Синтез Расчет
модели 1+.-1 оценивания
Оценка ЦФ
У10/,;—1,11
Этап »
Су1 Су2 Суп
Свертка
многоцелевой
задачи
оптимизации
Су1 Су2 Суп
Свертка ^зге«
многоцелевой 4
задачи
оптимизации
Этап 3
Рис. 2. Решение задачи оценивания эффективности функционирования микроэнергосистемы: РЭС-агент - агент распределительной электрической сети; ДГУ-агент - агент дизель-генераторной установки; ГПУ-агент - агент газопоршневой установки; СЭС-агент - агент солнечной электростанции; ВЭС-агент - агент ветровой электростанции; НЭ-агент - агент накопителей энергии; ПЭЭ-агент - агент спроса потребителя; ЦЗП-агент - агент спроса ценозависимого потребителя; е,- - точность модели агента А,-; ©,- - информативность модели агента А,-; ек - погрешность расчета показателя эффективности целевой функции Г/™; сук - весовой коэффициент показателя эффективности целевой функции Г/га
Оценка показателей эффективности осуществляется параллельно с расчётом точности оценивания е;, что является важной выходной информацией. В синтезированной мультиагентной модели описания отдельные агенты функционируют в условиях взаимодействия соответствующих моделируемых общесистемных процессов, что позволяет произвести оценку их собственных ЦФ у}АО и решать задачи по самооптимизации и самонастройке (см. рис. 1).
Этап 3 соответствует решению задачи получения численной оценки эффективности функционирования микроэнергосистемы, сочетающей все четы-
ре предложенных общесистемных критерия. По полученным оценкам показателей осуществляется расчёт оценки соответствующих критериев эффективности для системы в целом YkSYS, k = 1, 4 а также значений индивидуальных показателей эффективности функционирования отдельных агентов yfG, указанных выше. Представленная на рис. 2 схема отражает формализованный процесс интеграции разнотипных ЦФ в установленные критерии.
Заключение. Разработано унифицированное представление агента, применимое к микроэнергосистемам, представляющим собой композицию из субъектов, формализуемых в виде непрерывных, дискретных и дискретно-событийных моделей. Сформулированы возможные состояния агентов в рамках микроэнергосистемы и способы их оценивания.
Разработана схема решения задачи оценивания эффективности микроэнергосистемы. Представленная схема позволяет формализовать процесс интеграции разнородных ЦФ в единые критерии по определённым типам, а также произвести оценку эффективности функционирования отдельных агентов в взаимосвязанной системе.
Литература
1. Дуброва Т.А. Статистические методы прогнозирования. М.: ЮНИТИ-ДАНА, 2003. 206 с.
2. Dehghanpour K., Nehrir H. Real-Time Multiobjective Microgrid Power Management Using Distributed Optimization in an Agent-Based Bargaining Framework. IEEE Trans. Smart Grid., 2017, vol. 9, no. 6, pp. 6318-6327.
3. Guarderas G., Francés A., Asensi R., Uceda J. Large-signal black-box behavioral modeling of grid-supporting power converters in AC microgrids. IEEE International Conference on Renewable Energy Research and Applications (ICRERA), 2017, pp. 153-158.
4. Kantamneni A., Brown L., Parker G., Weaver W. Survey of multi-agent systems for micro-grid control. Engineering applications of artificial intelligence, 2015, no. 45, pp. 192-203.
5. Katiraei F., Iravani R., Hatziargyriou N., Dimeas A. Microgrids management. IEEE Power Energy Mag., 2008, vol. 6, no. 3, pp. 54-65.
6. Leitao P., Karnouskos S., Ribeiro L., Lee J., Strasser T., Colombo A. Smart Agents in Industrial Cyber-Physical Systems. Proc. of the IEEE, 2016, vol. 5(104), pp. 1086-1101.
7. Leitao P., Marik V., Vrba P. Past present and future of industrial agent applications. IEEE Trans. Ind. Inf., 2013, vol. 9, no. 4, pp. 2360-2372.
8. Marnay C., Chatzivasileiadis S., Abbey C., Iravani R., Joos G., Lombardi P., Mancarella P., Appen J. Microgrid Evolution Roadmap: International Symposium on Smart Electric Distribution Systems and Technologies (EDST), 2015, pp. 139-144.
9. McArthur S., Davidson E., Catterson V., Dimeas A., Hatziargyriou N., Ponci, F., Funaba-shi T. Multi-agent systems for power engineering applications. P. 1: Concepts, approaches and technical challenges. IEEE Transactions on Power Systems, 2007, vol. 22, no. 4, pp. 1753-1759.
10. Metzger M., Polaków G. A survey on applications of agent technology in industrial process control. IEEE Trans. Ind. Inf., 2011, vol. 7, no. 4, pp. 570-570.
11. Minchala-Avila L.I., Garza-Castanon L.E., Vargas-Martinez A., Zhangc Y. Review of Optimal Control Techniques Applied to the Energy Management and Control of Microgrids. Procedia Computer Science, 2015, vol. 52, pp. 780-787.
12. Rohbogner G., Hahnel U.J.J., Benoit P., Fey S. Multi-agent systems' asset for smart grid applications. Computer Science and Information Systems, 2013, vol. 10, iss. 4, pp. 1799-1822.
13. Shikhin V., Abd Elraheem A., Ren J., "Real-Time Control of Microgrid via Multi-Agent Approach. In: Proc. of Int. Conf. on Industrial Engineering, Applications and Manufacturing (ICIEAM), Moscow, 2018, pp. 1-5.
14. Wang Y., Huang Y., Wang Y., Li F., Zhang Y., Tian C. Operation Optimization in a Smart Micro-Grid in the Presence of Distributed Generation and Demand Response. Sustainability, 2018, no. 10, pp. 847-872.
АБД ЭЛЬРАХИМ АМИН КАМАЛЬ - аспирант кафедры управления и интеллектуальных технологий, Национальный исследовательский университет «Московский энергетический институт», Россия, Москва ([email protected]).
ОБЫЧАЙКО ДМИТРИЙ СЕРГЕЕВИЧ - аспирант кафедры управления и интеллектуальных технологий, Национальный исследовательский университет «Московский энергетический институт», Россия, Москва ([email protected]).
ШИХИН ВЛАДИМИР АНАТОЛЬЕВИЧ - кандидат технических наук, доцент кафедры управления и интеллектуальных технологий, Национальный исследовательский университет «Московский энергетический институт», Россия, Москва ([email protected]).
A. ABD ELRAHEEM, D. OBYCHAIKO, V. SHIKHIN EVALUATION OF OPERATIONAL EFFICIENCY OF MICROGRID IN MULTI-AGENT REPRESENTATION Key words: multi-agent system, microgrid, microgrid efficiency, distributed generation, renewable energy sources.
The paper proposes an approach to solving the problem of assessing the operational efficiency of agent-based microgrids. The approach discussed in this paper is based on analyzing microgrid objects as distributed agents forming a multi-agent system (MAS), which enables to evaluate the efficiency of microgrid as a whole, as well as the operational efficiency of each separate agent. The elaborated scheme also gives the possibility to formalize the process of integrating heterogeneous objective functions into certain combined criteria, particularly: technical, economic and environmental ones. The scientific novelty of the paper is the development of the method of combined assessment of technical, economic and ecological efficiency of micro-energy system operation based on multi-agent system, which is the basis for solving the problem of multi-criteria optimization. The construction of the algorithm for evaluating the efficiency of the micro-energy system is carried out in relation to the applications of designing a hybrid-generating and environmentally safe heat-electric supply systems in remote areas.
References
1. Dubrova T.A. Statisticheskie metody prognozirovaniya [Statistical methods of forecasting]. Moscow, UNITY-DANA Pyubl., 2003, 206 p.
2. Dehghanpour K., Nehrir H. Real-Time Multiobjective Microgrid Power Management Using Distributed Optimization in an Agent-Based Bargaining Framework. IEEE Trans. Smart Grid., 2017, vol. 9, no. 6, pp. 6318-6327.
3. Guarderas G., Francés A., Asensi R., Uceda J. Large-signal black-box behavioral modeling of grid-supporting power converters in AC microgrids. IEEE International Conference on Renewable Energy Research and Applications (ICRERA), 2017, pp. 153-158.
4. Kantamneni A., Brown L., Parker G., Weaver W. Survey of multi-agent systems for micro-grid control. Engineering applications of artificial intelligence, 2015, no. 45, pp. 192-203.
5. Katiraei F., Iravani R., Hatziargyriou N., Dimeas A. Microgrids management. IEEE Power Energy Mag., 2008, vol. 6, no. 3, pp. 54-65.
6. Leitao P., Karnouskos S., Ribeiro L., Lee J., Strasser T., Colombo A. Smart Agents in Industrial Cyber-Physical Systems. Proc. of the IEEE, 2016, vol. 5(104), pp. 1086-1101.
7. Leitao P., Marik V., Vrba P. Past present and future of industrial agent applications. IEEE Trans. Ind. Inf., 2013, vol. 9, no. 4, pp. 2360-2372.
8. Marnay C., Chatzivasileiadis S., Abbey C., Iravani R., Joos G., Lombardi P., Mancarella P., Appen J. Microgrid Evolution Roadmap: International Symposium on Smart Electric Distribution Systems and Technologies (EDST), 2015, pp. 139-144.
9. McArthur S., Davidson E., Catterson V., Dimeas A., Hatziargyriou N., Ponci, F., Funabashi T. Multi-agent systems for power engineering applications. P. 1: Concepts, approaches and technical challenges. IEEE Transactions on Power Systems, 2007, vol. 22, no. 4, pp. 1753-1759.
10. Metzger M., Polaków G. A survey on applications of agent technology in industrial process control. IEEE Trans. Ind. Inf., 2011, vol. 7, no. 4, pp. 570-570.
11. Minchala-Avila L.I., Garza-Castanon L.E., Vargas-Martinez A., Zhangc Y. Review of Optimal Control Techniques Applied to the Energy Management and Control of Microgrids. Procedia Computer Science, 2015, vol. 52, pp. 780-787.
12. Rohbogner G., Hahnel U.J.J., Benoit P., Fey S. Multi-agent systems' asset for smart grid applications. Computer Science and Information Systems, 2013, vol. 10, iss. 4, pp. 1799-1822.
13. Shikhin V., Abd Elraheem A., Ren J., "Real-Time Control of Microgrid via Multi-Agent Approach. In: Proc. of Int. Conf. on Industrial Engineering, Applications and Manufacturing (ICIEAM), Moscow, 2018, pp. 1-5.
14. Wang Y., Huang Y., Wang Y., Li F., Zhang Y., Tian C. Operation Optimization in a Smart Micro-Grid in the Presence of Distributed Generation and Demand Response. Sustainability, 2018, no. 10, pp. 847-872.
ABD ELRAHEEM AMIN KAMAL - Post-Graduate Student, Department of Control Systems and Intelligent Technologies, Moscow Power Engineering Institute, Russia, Moscow ([email protected]).
OBYCHAIKO DMITRY - Post-Graduate Student, Department of Control Systems and Intelligent Technologies, Moscow Power Engineering Institute, Russia, Moscow ([email protected]).
SHIKHIN VLADIMIR - Candidate of Technical Sciences, Associate Professor, Department of Control Systems and Intelligent Technologies, Moscow Power Engineering Institute, Russia, Moscow ([email protected]).
Формат цитирования: Абд Эльрахим А.К., Обычайко Д.С., Шихин В.А. Оценивание эффективности функционирования микроэнергосистемы в мультиагентном представлении // Вестник Чувашского университета. - 2020. - № 1. - С. 5-16.
