Науковий вісник НГУ

Евристичне керування споживанням електроенергії електроприймачами напругою до 1000 В гірничодобувних підприємств

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №1 2024

Останнє оновлення: 04 березня 2024

Опубліковано: 30 листопада -0001

Перегляди: 846

Authors:

О.М.Сінчук, orcid.org/0000-0002-9078-7315, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

М.В.Рогоза, orcid.org/0000-0002-2395-227X, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О.Ю.Михайленко*, orcid.org/0000-0003-2898-6652, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Д.В.Кобеляцький, orcid.org/0009-0006-1308-7426, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В.О.Федотов, orcid.org/0000-0002-6536-5591, Криворізький національний університет, м. Кривий Ріг, Україна

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2024, (1): 084 - 091

https://doi.org/10.33271/nvngu/2024-1/084

Abstract:

Мета. Полягає у розробці методу синтезу структури та алгоритму роботи системи автоматизованого керування процесом споживання електроенергії електроприймачами з напругою живлення до 1000 В гірничорудних підприємств із підземними способами видобутку залізної руди, що дозволить здійснювати пряме управління підключенням навантаження до промислової енергосистеми для забезпечення мінімуму витрат на придбання електроенергії залежно від її вартості на добу наперед.

Методика. Задача керування споживанням електроенергії електроприймачами залізорудних шахт формалізується як бінарна форма змішаного цілочисельного програмування. Для її розв’язку застосовується бінарна реалізація евристичного генетичного алгоритму. Методом математичного моделювання проводиться аналіз впливу налаштувань генетичного алгоритму, як от число фенотипів у популяції, число елітних фенотипів, що переходять незмінними у наступне покоління, і метод схрещування фенотипів на його якість.

Результати. У результаті проведення досліджень установлено, що найбільш ефективними при керуванні процесом споживання електроенергії на базі еволюційного генетичного алгоритму є застосування функції Лапласа для схрещування і задіянням дотриманням відсотка числа елітних фенотипів у популяції на рівні 10 %. При чому, за найменшого розміру популяції спостерігалася краща точність при застосуванні саме функції Лапласа, а при одно- і двоточковому схрещуванні – гірша, але не значно (не більше 0,2 %). Але зі збільшенням числа елітних фенотипів скорочується тривалість еволюційного пошуку у ході керування, при одно- і двоточковому схрещуванні, практично, у два рази.

Наукова новизна. Уперше розроблена структура евристичної системи автоматизованого керування споживанням електроенергії підземними електроприймачами з напругою живлення до 1000 В залізорудних шахт на основі еволюційного генетичного алгоритму, що дозволяє в залежності від планових обсягів видобутку руди і вартості електроенергії на добу наперед визначити оптимальний графік електричних навантажень підземних дільничних підстанцій, котрий, при дотриманні прийнятих обмежень на погодинну й добову потужність, забезпечує мінімізацію витрат на придбання електроенергії, тим самим зменшуючи собівартість кінцевого продукту.

Практична значимість. Розроблена архітектура евристичної системи керування споживанням електроенергії електроприймачами напругою до 1000 В на базі еволюційного генетичного алгоритму, котра рекомендується для застосування при оптимізації графіку електричних навантажень трансформаторних підстанцій гірничо-металургійних підприємств, зокрема, залізорудних шахт, що працюють на цьому класі напруги.

Ключові слова: електрична енергія, електроприймачі до 1000 В, евристичний алгоритм, генетичний алгоритм, шахта

References.

1. Verkhovna Rada of Ukraine. Legislation of Ukraine (n.d.). On Electricity Market. Retrieved from https://zakon.rada.gov.ua/go/2019-19.

2. Sinchuk, O., Strzelecki, R., Sinchuk, I., Веridzе, Т., Fedotov, V., Baranovskyi, V., & Budnikov, K. (2022). Mathematical model to assess energy consumption using water inflow-drainage system of iron-ore mines in terms of a stochastic process. Mining of Mineral Deposits, 16(4), 19-28. https://doi.org/10.33271/mining16.04.019.

3. Sinchuk, I., Mykhailenko, O., Kupin, A., Ilchenko, O., Budni­kov, K., & Baranovskyi, V. (2022). Developing the algorithm for the smart control system of distributed power generation of water drainage complexes at iron ore underground mines. 2022 IEEE 8 ^th International Conference on Energy Smart Systems (ESS), 116-122. https://doi.org/10.1109/ESS57819.2022.9969263.

4. Mykhailenko, O., & Budnikov, K. (2022). Economic aspects of introducing pumped-storage hydroelectric power plants into the mine dewatering system for distributed power generation. IOP Conference Series: Earth and Environmental Science (EES), 1049, 012055. https://doi.org/10.1088/1755-1315/1049/1/012055.

5. Denysiuk, S., Opryshko, V., & Danilin, O. (2020). Assessment of electricity consumption level influence at system loses. 2020 IEEE 7 ^th International Conference on Energy Smart Systems (ESS), 182-185. Kyiv, Ukraine. https://doi.org/10.1109/ESS50319.2020.9160106.

6. Assad, U., Hassan, M. A. S., Farooq, U., Kabir, A., Khan, M. Z., Bukhari, S. S. H., …, & Popp, J. (2022). Smart Grid, Demand Response and Optimization: A Critical Review of Computational Methods. Energies, 15(6), Article 6. https://doi.org/10.3390/en15062003.

7. Usman, R., Mirzania, P., Alnaser, S. W., Hart, P., & Long, C. (2022). Systematic Review of Demand-Side Management Strategies in Power Systems of Developed and Developing Countries. Energies, 15(21), Article 21. https://doi.org/10.3390/en15217858.

8. Bastani, M., Damgacioglu, H., & Celik, N. (2018). A -constraint multi-objective optimization framework for operation planning of smart grids. Sustainable Cities and Society, 38, 21-30. https://doi.org/10.1016/j.scs.2017.12.006.

9. Güler, E., & Filik, Ü. B. (2020). Optimal Residential Load Control Comparison Using Linear Programming and Simulated Annealing For Energy Scheduling. Eskişehir Technical University Journal of Science and Technology A – Applied Sciences and Engineering, 21(1), Article 1. https://doi.org/10.18038/estubtda.648767.

10. Logenthiran, T., Srinivasan, D., & Shun, T. Z. (2012). Demand Side Management in Smart Grid Using Heuristic Optimization. IEEE Transactions on Smart Grid, 3(3), 1244-1252. https://doi.org/10.1109/TSG.2012.2195686.

11. Ullah, K., Khan, T. A., Hafeez, G., Khan, I., Murawwat, S., Alamri, B., …, & Khan, S. (2022). Demand Side Management Strategy for Multi-Objective Day-Ahead Scheduling Considering Wind Energy in Smart Grid. Energies, 15(19), Article 19. https://doi.org/10.3390/en15196900.

12. Menos-Aikateriniadis, C., Lamprinos, I., & Georgilakis, P. S. (2022). Particle Swarm Optimization in Residential Demand-Side Management: A Review on Scheduling and Control Algorithms for Demand Response Provision. Energies, 15(6), Article 6. https://doi.org/10.3390/en15062211.

13. Nayak, S. K., Sahoo, N. C., & Panda, G. (2015). Demand side management of residential loads in a smart grid using 2D particle swarm optimization technique. 2015 IEEE Power, Communication and Information Technology Conference (PCITC), 201-206. https://doi.org/10.1109/PCITC.2015.7438160.

14. Albogamy, F. R., Ashfaq, Y., Hafeez, G., Murawwat, S., Khan, S., Ali, F., Aslam Khan, F., & Rehman, K. (2022). Optimal Demand-Side Management Using Flat Pricing Scheme in Smart Grid. Processes, 10(6), Article 6. https://doi.org/10.3390/pr10061214.

15. Ramezani, M., Bahmanyar, D., & Razmjooy, N. (2020). A new optimal energy management strategy based on improved multi-objective antlion optimization algorithm: Applications in smart home. SN Applied Sciences, 2(12), 2075. https://doi.org/10.1007/s42452-020-03885-7.

16. Khan, Z. A., Khalid, A., Javaid, N., Haseeb, A., Saba, T., & Shafiq, M. (2019). Exploiting Nature-Inspired-Based Artificial Intelligence Techniques for Coordinated Day-Ahead Scheduling to Efficiently Manage Energy in Smart Grid. IEEE Access, 7, 140102-140125. https://doi.org/10.1109/ACCESS.2019.2942813.

17. Tamilarasu, K., Sathiasamuel, C. R., Joseph, J. D. N., Madurai Elavarasan, R., & Mihet-Popa, L. (2021). Reinforced Demand Side Management for Educational Institution with Incorporation of User’s Comfort. Energies, 14(10), Article 10. https://doi.org/10.3390/en14102855.

18. Niharika, & Mukherjee, V. (2018). Day-ahead demand side management using symbiotic organisms search algorithm. IET Generation, Transmission & Distribution, 12(14), 3487-3494. https://doi.org/10.1049/iet-gtd.2018.0106.

19. Javaid, N., Javaid, S., Abdul, W., Ahmed, I., Almogren, A., Alamri, A., & Niaz, I. A. (2017). A Hybrid Genetic Wind Driven Heuristic Optimization Algorithm for Demand Side Management in Smart Grid. Energies, 10(3), Article 3. https://doi.org/10.3390/en10030319.

20. Nethravathi, S., & Murali, V. (2022). A Novel Residential Energy Management System Based on Sequential Whale Optimization Algorithm and Fuzzy Logic. Distributed Generation & Alternative Energy Journal, 557-586. https://doi.org/10.13052/dgaej2156-3306.3739.

21. Jasim, A. M., Jasim, B. H., Neagu, B.-C., & Alhasnawi, B. N. (2023). Efficient Optimization Algorithm-Based Demand-Side Management Program for Smart Grid Residential Load. Axioms, 12(1), Article 1. https://doi.org/10.3390/axioms12010033.

22. Logenthiran, T., Srinivasan, D., & Shun, T. Z. (2011). Multi-Agent System for Demand Side Management in smart grid. 2011 IEEE Ninth International Conference on Power Electronics and Drive Systems, 424-429. https://doi.org/10.1109/PEDS.2011.6147283.

23. Hasanpor Divshali, P., Choi, B. J., Liang, H., & Söder, L. (2017). Transactive Demand Side Management Programs in Smart Grids with High Penetration of EVs. Energies, 10(10), Article 10. https://doi.org/10.3390/en10101640.

24. Matallanas, E., Castillo-Cagigal, M., Gutiérrez, A., Monasterio-Huelin, F., Caamaño-Martín, E., Masa, D., & Jiménez-Leube, J. (2012). Neural network controller for Active Demand-Side Management with PV energy in the residential sector. Applied Energy, 91(1), 90-97. https://doi.org/10.1016/j.apenergy.2011.09.004.

25. Philipo, G. H., Kakande, J. N., & Krauter, S. (2022). Neural Network-Based Demand-Side Management in a Stand-Alone Solar PV-Battery Microgrid Using Load-Shifting and Peak-Clipping. Energies, 15(14), Article 14. https://doi.org/10.3390/en15145215.

26. Keshtkar, A., & Arzanpour, S. (2014). A fuzzy logic system for demand-side load management in residential buildings. 2014 IEEE 27 ^th Canadian Conference on Electrical and Computer Engineering (CCECE), 1-5. https://doi.org/10.1109/CCECE.2014.6900956.

27. Shah, Z. A., Sindi, H. F., Ul-Haq, A., & Ali, M. A. (2020). Fuzzy Logic-Based Direct Load Control Scheme for Air Conditioning Load to Reduce Energy Consumption. IEEE Access, 8, 117413-117427. https://doi.org/10.1109/ACCESS.2020.3005054.

28. Foster, J. D., Berry, A. M., Boland, N., & Waterer, H. (2014). Comparison of Mixed-Integer Programming and Genetic Algorithm Methods for Distributed Generation Planning. IEEE Transactions on Power Systems, 29(2), 833-843. https://doi.org/10.1109/TPWRS.2013.2287880.

29. Kolahan, F., & Doughabadi, M. H. (2012). The Effects of Parameter Settings on the Performance of Genetic Algorithm through Experimental Design and Statistical Analysis. Advanced Materials Research, 433-440. https://doi.org/10.4028/www.scientific.net/AMR.433-440.5994.

30. Kavoosi, M., Dulebenets, M. A., Abioye, O. F., Pasha, J., Wang, H., & Chi, H. (2019). An augmented self-adaptive parameter control in evolutionary computation: A case study for the berth scheduling problem. Advanced Engineering Informatics, 42, 100972. https://doi.org/10.1016/j.aei.2019.100972.

31. Market operator (n.d.). Day ahead market. Retrieved from https://www.oree.com.ua/index.php/IDM_graphs.

• < Попередня
• Наступна >