Energy consumption optimization of enterprise with local generators and energy storage devices

Cover Page

Cite item

Full Text

Abstract

This paper considers the energy consumption optimization for an enterprise using both the centralized power grid, local generators and energy storage systems. To solve this problem, the authors suggest a heuristic algorithm for the energy consumption optimization of an enterprise, including the solution of a linear programming problem. To reduce the risks of significant discrepancies between the scheduled and actual power consumption profiles, one can use the optimal energy consumption scheduling algorithm with a moving scheduling horizon. The optimal energy consumption scheduling problem solved in this paper has additional restrictions that can result in the smoothing of the optimal power consumption profile of the enterprise, provided the power of local generators and storage devices is enough. This facilitates the implementation of such energy consumption profile of the enterprise, since it does not require a sharp change in operating modes, reconfiguration of equipment and changes in the intensity of work of enterprise personnel. The heuristic algorithm proposed by the authors makes it possible to implement additional conditions, and, at the same time, avoid reducing the optimal energy consumption scheduling problem of the enterprise to a linear-integer optimization problem. This article provides an example of energy consumption optimization for a small enterprise featuring two power consumers, as well as various local generators and power storage devices.

About the authors

Oleg Yur'evich Maryasin

Yaroslavl State Technical University

Email: maryasin2003@list.ru
Yaroslavl

Artem Nikolaevich Plohotnyuk

Yaroslavl State Technical University

Email: admin@nixson.ru
Yaroslavl

References

  1. МАРЬЯСИН О.Ю, ЛУКАШОВ А.И., СМИРНОВ Н.А. Про-гнозирование рыночных цен на электроэнергию и часов пи-ковой нагрузки для региона Российской Федерации // Управ-ление большими системами. – 2022. – Vol. 99. – P. 81–113.
  2. Цены на электроэнергию ”ТНС энерго Ярославль”.[Электронный ресурс]. – URL: https://yar.tns-e.ru/legal-entities/prices (дата обращения: 10.08.2023).
  3. Часы пиковой нагрузки от АТС. [Электронный ресурс]. –URL: https://www.atsenergo.ru/results/market/calcfacthour (да-та обращения: 10.08.2023).
  4. AFRAM A., JANABI-SHARIFI F. Theory and applications ofHVAC control systems – A review of model predictive control(MPC) // Building and Environment. – 2014. – Vol. 72. –P. 343–355.
  5. AHMAD A., KHAN A., JAVAID N., HUSSAIN H.M.ET AL. An Optimized Home Energy Management Systemwith Integrated Renewable Energy and Storage Resources //Energies. – 2017. – Vol. 10. – P. 2–35.
  6. AMJADY N., KEYNIA F. A new prediction strategy for pricespike forecasting of day-ahead electricity markets // AppliedSoft Computing. – 2011. – Vol. 11. – P. 4246–4256.
  7. ASCIONE F., BIANCO N., DE STASIO C., MAURO G.M. ETAL. Simulation-based model predictive control by the multi-objective optimization of building energy performance andthermal comfort // Energy and Buildings. – 2016. – Vol. 111. –P. 131–144.
  8. ASLAM S., HERODOTOU H., MOHSIN S.M., JAVAID N.ET AL. A survey on deep learning methods for power load andrenewable energy forecasting in smart microgrids // Renewableand Sustainable Energy Reviews. – 2021. – Vol. 144. – P. 1–23.
  9. BASANTES J.A., PAREDES D.E., LLANOS J.R., ORTIZ D.E.ET AL. Energy Management System (EMS) Based on ModelPredictive Control (MPC) for an Isolated DC Microgrid //Energies. – 2023. – Vol. 16. – P. 1–22.
  10. CANTILLO-LUNA S., MORENO-CHUQUEN R.,CELEITA D., ANDERS G. Deep and Machine LearningModels to Forecast Photovoltaic Power Generation //Energies. – 2023. – Vol. 16. – P. 1–24.
  11. CAO Z., HAN Y., WANG J., ZHAO Q. Two-stage energygeneration schedule market rolling optimisation of highly windpower penetrated microgrids // Int. Journal of Electrical Power& Energy Systems. – 2019. – Vol. 112. – P. 12–27.
  12. CHAUDHARY G., LAMB J.J., BURHEIM O.S., AUSTB B.Review of Energy Storage and Energy Management SystemControl Strategies in Microgrids // Energies. – 2021. – Vol. 14. –P. 1–25.
  13. CORINALDESI C., SCHWABENEDER D., LETTNER G.,AUER H. A rolling horizon approach for real-time tradingand portfolio optimization of end-user flexibilities // SustainableEnergy, Grids and Networks. – 2020. – Vol. 24. – P. 1–10.
  14. DESHMUKH M.K., DESHMUKH S.S. Modeling of hybridrenewable energy systems // Renewable and Sustainable EnergyReviews. – 2008. – Vol. 12. – P. 235–249.
  15. DILEEP G. A survey on smart grid technologies andapplications // Renewable Energy. – 2020. – Vol. 146. –P. 2589–2625.
  16. GILLES J. Empirical wavelet transform // IEEE Trans. onSignal Process. – 2013. – Vol. 61. – P. 3999–4010.
  17. GitHub - oemof/feedinlib [Электронный ресурс]. –URL: https://github.com/oemof/feedinlib (дата обращения:10.08.2023).
  18. HEMEIDA A.M., EL-AHMAR M.H., EL-SAYED A.M.,HASANIEN H.M. ET AL. Optimum design of hybrid wind/PVenergy system for remote area // Ain Shams EngineeringJournal. – 2020. – Vol. 11. – P. 11–23.
  19. ILBEIGI M., GHOMEISHI M., DEHGHANBANADAKI A.Prediction and optimization of energy consumtion in anoffice building using artificial neural network and a geneticalgorithm // Sustainable Cities and Society. – 2020. – Vol. 61. –P. 1–15.
  20. JIANG P., WANG Y., WANG J. Short-term wind speedforecasting using a hybrid model // Energy. – 2017. – Vol. 119. –P. 561–577.
  21. KIM W.; JEON Y.; KIM Y. Simulation-based optimization ofan integrated daylighting and HVAC system using the designof experiments method // Applied Energy. – 2016. – Vol. 15. –P. 666–674.
  22. LAGO J., DE RIDDER F., DE SCHUTTER B. Forecastingspot electricity prices: deep learning approaches and empiricalcomparison of traditional algorithms // Applied Energy. –2018. – Vol. 221. – P. 386–405.
  23. LAMNATOU C., CHEMISANA D., CRISTOFARI C. Smartgrids and smart technologies in relation to photovoltaics,storage systems, buildings and the environment // RenewableEnergy. – 2022. – Vol. 185. – P. 1376–1391.
  24. LEE J.Y., CHOI S.G. Linear programming based hourly peakload shaving method at home area // Int. Conf. on AdvancedCommunication Technology. – 2014. – P. 310–313.
  25. MAHARJAN I.K. Demand Side Management: LoadManagement, Load Profiling, Load Shifting, Residentialand Industrial Consumer, Energy Audit, Reliability, Urban,Semi-Urban and Rural Setting. – LAP Lambert AcademicPublishing, – 2010. – 116 p.
  26. MARYASIN O.YU., LUKASHOV A.I. Analyzing andForecasting Peak Load Hours // Int. Conf. on IndustrialEngineering, Applications and Manufacturing. – 2021. – P. 25–30.
  27. MARYASIN O.YU., LUKASHOV A.I. Comparing NeuralNetworks in Forecasting Market Electricity Prices and RegionalEnergy Consumption // Int. Conf. on Industrial Engineering,Applications and Manufacturing. – 2022. – P. 40–45.
  28. MARYASIN O.YU., LUKASHOV A.I. Developing a DigitalModel of an Electricity Consumer using Deep Learning // Int.Conf. on Control Systems, Mathematical Modeling, Automationand Energy Efficiency. – 2020. – P. 624–629.
  29. MARYASIN O.YU., LUKASHOV A.I. Optimal EnergyConsumption Scheduling for Enterprises with Local EnergySources // Lecture Notes in Electrical Engineering. – 2023. –Vol. 986. – P. 282–293.
  30. MARYASIN O.YU., LUKASHOV A.I. Optimizing the DailyEnergy Consumption of an Enterprise // Lecture Notes inElectrical Engineering. – 2022. – Vol. 857. – P. 370–382.
  31. MARYASIN O.YU., PLOHOTNYUK A. Day-Ahead PowerForecasting of Renewable Energy Sources Using NeuralNetworks and Machine Learning // Int. Conf. on IndustrialEngineering, Applications and Manufacturing. – 2023. – P. 130–135.
  32. RAJA S.C., DHARSSINI A.C.V., NESMALAR J.J.D.,KARTHICK T. Deployment of IoT-Based Smart Demand-SideManagement System with an Enhanced Degree of User Comfortat an Educational Institution // Energies. – 2023. – Vol. 16. –P. 1–24.
  33. REZAEI N., AHMADI A., DEIHIMI M.A. ComprehensiveReview of Demand-Side Management Based on Analysis ofProductivity: Techniques and Applications // Energies. – 2022. –Vol. 15. – P. 1–28.
  34. SANDHU H.S., FANG L., GUAN L. Forecasting day-aheadprice spikes for the Ontario electricity market // Electric PowerSystems Research. – 2016. – Vol. 141. – P. 450–459.
  35. SHAH A.S., NASIR H., FAYAZ M., LAJIS A. ET AL. AReview on Energy Consumption Optimization Techniques in IoTBased Smart Building Environments // Information. – 2019. –Vol. 10. – P. 1–34.
  36. SILVENTE J., KOPANOS G.M., PISTIKOPOULOS E.N.,ESPUNA A. A rolling horizon optimization framework forthe simultaneous energy supply and demand planning inmicrogrids // Applied Energy. – 2015. – Vol. 155. – P. 485–501.
  37. SINGH N., MOHANTY S.R., MISHRA K.K., NERI F.A Review of Electricity Price Forecasting Problem andTechniques in Deregulated Markets // Int. Journal of Economicsand Statistics. – 2017. – Vol. 5 – P. 101–112.
  38. TIAN C., MA J., ZHANG C., ZHAN P.A. Deep NeuralNetwork Model for Short-Term Load Forecast Based onLong Short-Term Memory Network and Convolutional NeuralNetwork // Energies. – 2018. – Vol. 11. – P. 1–13.
  39. UGURLU U., OKSUZ I., TAS O. Electricity Price ForecastingUsing Recurrent Neural Networks // Energies. – 2018. –Vol. 11. – P. 1–23.
  40. VORONIN V., NEPSHA F., KRASILNIKOV M. Short termforecasting peak load hours of regional power systems usingmachine learning methods // Cigre science & Engineering. –2023. – Vol. 29. – P. 1–18.
  41. WANG Y., WU L. On practical challenges of decomposition-based hybrid forecasting algorithms for wind speed and solarirradiation // Energy. – 2016. – Vol. 112. – P. 208–220.
  42. WERON R. Electricity price forecasting: A review of thestate-of-the-art with a look into the future // Int. Journal ofForecasting. – 2014. – Vol. 30. – P. 1030–1081.
  43. YADAV A.K., CHANDEL S. Solar radiation prediction usingArtificial Neural Network techniques: a review // Renewableand Sustainable Energy Reviews. – 2014. – Vol. 33. – P. 772–781.
  44. YANG F., LI W., LI C., MIAO Q. State-of-charge estimation oflithium-ion batteries based on gated recurrent neural network //Energy. – 2019. – Vol. 175. – P. 66–75.
  45. ZHANG Q., LIU B., ZHOU F., WANG Q. ET AL. State-of-charge estimation method of lithium-ion batteries based onlong-short term memory network // IOP Conf. Series: Earth andEnvironmental Science. – 2018. – P. 1–7.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».