بهینه‌سازی مصرف برق توربین بادی در خانه با الگوریتم مدیریت انرژی

بهینه‌سازی مصرف برق توربین بادی در خانه فقط به نصب یک توربین و چند وسیله هوشمند محدود نمی‌شود. مسئله اصلی این است که برق تولیدشده در هر لحظه چگونه میان بارهای خانگی توزیع شود تا هم خرید برق از شبکه کاهش پیدا کند و هم کاربر احساس نکند کنترل خانه از دستش خارج شده است.

در این مقاله، مفهوم یک الگوریتم مدیریت انرژی (Energy Management Algorithm یا EMA) برای یک خانوار بررسی می‌شود؛ الگوریتمی که با در نظر گرفتن توان لحظه‌ای تولیدی توربین بادی، وضعیت لوازم هوشمند، اولویت هر وسیله، میزان جابه‌جایی زمانی مجاز برای روشن شدن و تعرفه برق، تصمیم می‌گیرد کدام وسیله روشن بماند، کدام‌یک سطح توان خود را تغییر دهد، کدام با تأخیر شروع شود و در چه شرایطی اصلاً اجازه فعال شدن نداشته باشد.

این موضوع در کشورهایی که سامانه‌های انرژی با سرعت در حال توسعه‌اند، اهمیت عملی زیادی پیدا کرده است. رشد تقاضای برق و افزایش انتظار مصرف‌کنندگان باعث شده منابع انرژی تجدیدپذیر، از جمله باد و خورشید، بیش از گذشته و حتی در مقیاس خانگی، به‌عنوان منبع اصلی یا مکمل برق به کار گرفته شوند. در کشورهایی مانند لهستان و آلمان، گسترش نصب این سامانه‌ها تا حد زیادی به‌واسطه طرح‌های تأمین مالی و مشوق‌های سرمایه‌گذاری انجام شده است؛ طرح‌هایی که هدفشان کاهش هزینه بالای مصرف برق شبکه برای خانوارها بوده است.

با این حال، یک چالش بنیادین همچنان پابرجاست: تولید برق از خورشید و باد به‌شدت به شرایط آب‌وهوا، فصل و حتی ساعت شبانه‌روز وابسته است. این نوسان فقط روی قبض برق اثر نمی‌گذارد؛ بلکه بر عملکرد مناسب شبکه برق و نحوه برنامه‌ریزی کار لوازم خانگی هم اثر مستقیم دارد. به همین دلیل، مدیریت انرژی در خانه‌ای که از منبع تجدیدپذیر استفاده می‌کند باید پویا، لحظه‌ای و تصمیم‌محور باشد، نه صرفاً مبتنی بر یک زمان‌بندی ثابت.

چرا بهینه‌سازی برق توربین بادی در خانه به یک الگوریتم نیاز دارد؟

توربین بادی خانگی، برخلاف یک منبع تغذیه پایدار، توان ثابتی تحویل نمی‌دهد. ممکن است در یک بازه کوتاه توان تولیدی بالا باشد و چند دقیقه بعد افت کند. اگر خانه بدون منطق کنترلی از این انرژی استفاده کند، معمولاً یکی از دو حالت رخ می‌دهد: یا بخشی از برق تولیدی بی‌هدف به شبکه تزریق می‌شود، یا لوازم خانگی در زمانی کار می‌کنند که ناچار باید برق گران‌تری از شبکه خریداری شود.

اینجاست که الگوریتم مدیریت انرژی اهمیت پیدا می‌کند. هدف این الگوریتم، استفاده حداکثری از توان تولیدی توربین بادی برای تغذیه لوازم هوشمند خانگی است، به‌گونه‌ای که هزینه مصرف از شبکه برق کاهش یابد. اما ماجرا فقط به این هدف ختم نمی‌شود. یک سامانه خوب باید هم‌زمان آسایش کاربر را هم حفظ کند؛ یعنی مثلاً ماشین لباس‌شویی یا آب‌گرم‌کن را فقط به‌خاطر یک تصمیم اقتصادی، در زمانی نامناسب و آزاردهنده فعال نکند.

در این رویکرد، هر وسیله هوشمند فقط یک بار الکتریکی ساده نیست؛ بلکه یک موجودیت با اولویت، زمان مجاز جابه‌جایی و گاهی قابلیت تغییر توان است. همین ویژگی‌ها باعث می‌شود تصمیم‌گیری از حالت ساده روشن/خاموش فراتر برود و وارد فضای بهینه‌سازی واقعی شود.

چرا در این مدل، توربین بادی به‌جای سامانه خورشیدی انتخاب شده است؟

در این چارچوب پژوهشی، انتخاب توربین بادی بر پایه دو ملاحظه انجام شده است: افزایش تولید برق و ملاحظات اقتصادی در مقایسه با نیروگاه خورشیدی. این به آن معنا نیست که سامانه خورشیدی همیشه گزینه ضعیف‌تری است؛ بلکه در سناریوی بررسی‌شده فرض شده که از نظر بازده تولیدی و توجیه اقتصادی، توربین بادی انتخاب مناسب‌تری برای خانه است.

در عمل، این موضوع کاملاً به محل نصب وابسته است. در مناطق با الگوی باد مناسب، توربین بادی می‌تواند تولیدی پخش‌شده‌تر در طول شبانه‌روز داشته باشد، در حالی که سامانه خورشیدی به تابش روزانه محدود است. با این حال، در بسیاری از خانه‌ها تصمیم نهایی باید بر اساس داده واقعی سرعت باد، موانع اطراف، محدودیت‌های سازه‌ای، صدای مجاز، الزامات شهرداری و هزینه نگهداری گرفته شود.

بنابراین، اگرچه این مقاله بر برق بادی خانگی تمرکز دارد، منطق الگوریتمی آن برای بسیاری از سامانه‌های تولید پراکنده نیز قابل تعمیم است؛ به‌ویژه زمانی که تولید، متغیر و وابسته به شرایط محیطی باشد.

ساختار کلی الگوریتم مدیریت انرژی در خانه

هسته اصلی الگوریتم این است که در هر تکرار محاسباتی، چند مقدار کلیدی خوانده و تحلیل شوند: توان لحظه‌ای توربین بادی، جمع توان لوازم روشن در خانه و تعرفه جاری برق. سپس بر اساس این اطلاعات تصمیم گرفته می‌شود که آیا اساساً نیازی به مداخله وجود دارد یا خیر.

این منطق باعث می‌شود الگوریتم بی‌دلیل وارد تغییر وضعیت لوازم نشود. در سامانه‌های واقعی، هر تغییر مکرر در روشن و خاموش شدن یا تغییر توان، هم می‌تواند برای کاربر آزاردهنده باشد و هم برای خود تجهیز مفید نباشد. بنابراین یک الگوریتم بالغ باید فقط زمانی دخالت کند که از نظر اقتصادی و عملکردی، این مداخله ارزشمند باشد.

از نظر معماری، EMA را می‌توان یک لایه تصمیم‌گیری بالادستی در نظر گرفت که روی مجموعه‌ای از لوازم هوشمند کم‌مصرف کار می‌کند. این لوازم باید قابلیت دریافت فرمان داشته باشند؛ برای مثال، امکان تغییر سطح توان، شروع با تأخیر یا خاموش شدن کنترل‌شده. بدون این قابلیت‌ها، بهینه‌سازی فقط روی کاغذ باقی می‌ماند.

ورودی‌های اصلی الگوریتم

• PWT(i): توان لحظه‌ای تولیدشده توسط توربین بادی در تکرار i.
• Ph(i): مجموع توان لوازمی که در همان لحظه روشن هستند.
• tz: ناحیه زمانی تعرفه برق؛ یعنی اینکه در آن لحظه برق شبکه با چه تعرفه‌ای محاسبه می‌شود.
• PA: توان مصرفی هر وسیله هوشمند یا سطح توان قابل تنظیم آن.
• pr: اولویت هر وسیله برای تغییر وضعیت، تغییر توان، خاموشی یا روشن شدن.
• ts: میزان جابه‌جایی زمانی مجاز برای روشن شدن یا اجرای وظیفه هر وسیله.

نکته مهم این است که الگوریتم فقط به مقدار کل مصرف نگاه نمی‌کند، بلکه ویژگی هر وسیله را هم در نظر می‌گیرد. برای مثال، یک یخچال یا سامانه تهویه حیاتی را نمی‌توان مانند ماشین ظرف‌شویی با تأخیر زیاد کنترل کرد. بنابراین، مفهوم اولویت و جابه‌جایی زمانی در عمل بسیار تعیین‌کننده است.

منطق تصمیم‌گیری مرحله‌به‌مرحله در EMA

در آغاز هر تکرار، مقدار جاری PWT(i)، مجموع توان بارهای روشن Ph(i) و تعرفه جاری tz خوانده می‌شود. سپس یک شرط اولیه بررسی می‌شود. متن پژوهش فرمول این شرط را به‌صورت نمادین ارائه کرده است، اما تفسیر عملکردی آن روشن است: الگوریتم ابتدا می‌سنجد که آیا وضعیت فعلی اصلاً نیازمند دخالت هست یا نه.

اگر شرط اول برقرار نباشد، همان تکرار خاتمه پیدا می‌کند. معنی عملی این اتفاق آن است که لوازم روشن فقط از توان توربین بادی تغذیه می‌شوند و نیازی به اصلاح وضعیت وجود ندارد. در چنین حالتی، EMA از انجام تغییرات غیرضروری پرهیز می‌کند.

اما اگر آن شرط برقرار باشد، الگوریتم وارد مرحله بعد می‌شود و اختلاف توان را به‌صورت ΔPh(i) محاسبه می‌کند. این کمیت نشان می‌دهد شکاف میان وضعیت مصرف لوازم و شرایط تولید یا تأمین تا چه اندازه است و آیا لازم است توان برخی بارها کم یا زیاد شود، یا زمان اجرای بعضی از آن‌ها تغییر کند.

در گام بعدی، یک شرط هم‌زمان دیگر بررسی می‌شود. در اینجا علاوه بر تعرفه زمانی tz، پارامتر ΔPhys نیز نقش دارد. ΔPhys مقدار مجاز پذیرفته‌شده برای تغییرات |ΔPh(i)| است و در عمل، تعداد دفعات یا دامنه تغییر توان لوازم هوشمند را محدود می‌کند.

این بخش یکی از واقع‌گرایانه‌ترین اجزای الگوریتم است. اگر چنین محدودیتی وجود نداشته باشد، سامانه ممکن است با هر نوسان کوچک در باد، مدام فرمان تغییر وضعیت صادر کند. نتیجه چه خواهد بود؟ استهلاک بیشتر، نارضایتی کاربر و رفتاری که از نظر بهره‌برداری اصلاً قابل قبول نیست.

اگر شرط دوم برقرار نباشد، تکرار فعلی پایان می‌یابد. اما اگر برقرار باشد، زیربرنامه‌ای با عنوان بهینه‌سازی توان لوازم هوشمند اجرا می‌شود. پیش از شروع این زیرروال، پارامترهای جاری لوازم فعال خوانده می‌شود تا تصمیم‌گیری بر پایه وضعیت واقعی همان لحظه انجام گیرد.

نقش الگوریتم GRASP در بهینه‌سازی مصرف برق بادی

برای انجام فرآیند بهینه‌سازی، از الگوریتم ابتکاری GRASP استفاده شده است. نام کامل آن Greedy Randomized Adaptive Search Procedure است؛ یعنی یک روش جست‌وجوی تطبیقی تصادفی-حریصانه. چنین روش‌هایی معمولاً زمانی به کار می‌روند که مسئله تصمیم‌گیری چندمتغیره است و پیدا کردن جواب دقیق با هزینه محاسباتی پایین دشوار می‌شود.

در مسئله مدیریت انرژی خانگی، تعداد حالت‌های ممکن می‌تواند بسیار زیاد شود: کدام وسیله روشن باشد، کدام خاموش شود، کدام‌یک تغییر توان بدهد، کدام با تأخیر اجرا شود و همه این‌ها در کنار تعرفه برق و تولید متغیر توربین بادی. استفاده از GRASP کمک می‌کند در زمان مناسب، یک راه‌حل خوب و عملی به دست آید؛ حتی اگر الزاماً جواب ریاضیِ مطلقاً بهینه نباشد.

مزیت روش‌های ابتکاری در سامانه‌های خانگی این است که به تصمیم‌گیری سریع نزدیک‌ترند. وقتی تولید توربین لحظه‌به‌لحظه تغییر می‌کند، الگوریتمی که دیر تصمیم بگیرد، عملاً کارایی خود را از دست می‌دهد.

تابع هدف در GRASP چه چیزهایی را در نظر می‌گیرد؟

تابع هدفی که در این بهینه‌سازی استفاده شده، چند عامل را به‌طور هم‌زمان لحاظ می‌کند:

• مقادیر جاری PWT، یعنی توان لحظه‌ای تولیدشده توسط توربین بادی.
• توان مصرفی از شبکه برق PEG، که باید تا حد ممکن کاهش یابد.
• مقادیر توان فعلی هر وسیله روشن PA، برای اینکه تصمیم‌ها با محدودیت واقعی بارها سازگار باشند.
• cWT: درآمد یا پاداش هر کیلووات‌ساعت انرژی منتقل‌شده از توربین بادی به شبکه برق.
• cEG: هزینه هر کیلووات‌ساعت برق خریداری‌شده از شبکه، بر اساس تعرفه مربوطه.
• ts: مقدار جابه‌جایی زمانی مجاز برای لوازم هوشمند فعال.
• pr: اولویت لوازم هوشمند فعال.
• تعداد کل لوازم هوشمند موجود در خانه.

ترکیب این متغیرها نشان می‌دهد هدف فقط کمینه‌سازی مصرف از شبکه نیست. گاهی ممکن است تزریق برق به شبکه درآمدی ایجاد کند و در شرایط دیگر، استفاده مستقیم از برق بادی در داخل خانه از نظر اقتصادی بهتر باشد. تصمیم بهینه دقیقاً به نسبت بین cWT و cEG و همچنین به محدودیت‌های مرتبط با آسایش کاربر وابسته است.

برای نمونه، اگر قیمت خرید برق از شبکه بالا باشد و پاداش تزریق به شبکه پایین، منطقی است که تا حد امکان بارهای قابل انعطاف در زمانی فعال شوند که تولید توربین وجود دارد. اما اگر ساختار تعرفه متفاوت باشد، ممکن است بخشی از انرژی مازاد به شبکه فروخته شود و شروع بعضی بارها به ساعت دیگری منتقل شود.

شرط تکمیلی برای تطبیق بهتر بار با توان توربین بادی

در این مدل، نسبت به برخی کارهای قبلی، یک شرط اضافی نیز در فرآیند بهینه‌سازی وارد شده است. این شرط به مقدار Ph_EMA مربوط می‌شود؛ یعنی مجموع توان همه لوازم پس از انجام بهینه‌سازی توسط EMA.

هدف این شرط آن است که توان نهایی لوازم پس از بهینه‌سازی، بهتر با توان تولیدی توربین بادی منطبق شود. این تطبیق بهتر ممکن است به بهای برداشت مقدار کمی انرژی از شبکه برق تمام شود؛ آن هم به دلیل مقدار ΔP که در مدل پذیرفته شده است.

از نظر مهندسی، این یک مصالحه هوشمندانه است. اگر بخواهیم بدون هیچ انحرافی فقط و فقط با توان دقیق توربین کار کنیم، معمولاً مجبور می‌شویم پیوسته بارها را کم‌وزیاد کنیم یا برخی وسایل را خاموش نگه داریم. اما اگر یک حاشیه کوچک مجاز از شبکه در نظر بگیریم، رفتار سامانه نرم‌تر، کاربردی‌تر و قابل‌قبول‌تر می‌شود.

به بیان ساده، الگوریتم می‌گوید: «لازم نیست هر وات مصرف دقیقاً با هر وات تولید برابر باشد؛ اگر با یک برداشت کوچک از شبکه بتوان آسایش بیشتر و تطبیق بهتر بارها را حفظ کرد، این کار مجاز است.» همین نگاه، در سامانه‌های واقعی بسیار کاربردی‌تر از رویکردهای سخت‌گیرانه است.

الگوریتم در نهایت چه تصمیم‌هایی برای لوازم هوشمند می‌گیرد؟

خروجی فرآیند بهینه‌سازی می‌تواند برای هر وسیله هوشمند یکی از چند تصمیم مشخص باشد. این تصمیم‌ها دامنه کنترل الگوریتم را نشان می‌دهند و درک آن‌ها برای طراحی یک خانه هوشمند مبتنی بر انرژی بادی ضروری است.

• عدم موافقت با فعال‌سازی وسیله: یعنی کاربر یا برنامه زمان‌بندی قصد روشن کردن وسیله را دارد، اما الگوریتم در آن لحظه اجازه فعال‌سازی نمی‌دهد.
• فعال‌سازی وسیله یا جابه‌جایی زمان فعال‌سازی آن: وسیله می‌تواند فوراً روشن شود یا با یک تأخیر مشخص ts اجرا گردد.
• تغییر مقدار توان: برای تجهیزاتی که قابلیت تنظیم دارند، سطح توان مصرفی می‌تواند کم یا زیاد شود.
• غیرفعال‌سازی وسیله: در برخی شرایط، خاموش کردن وسیله از نظر بهینه‌سازی بهترین تصمیم است.

همین چهار نوع تصمیم نشان می‌دهد که مدیریت انرژی خانگی صرفاً زمان‌بندی ساده نیست. در خانه‌های پیشرفته، بارها می‌توانند انعطاف‌پذیری متفاوتی داشته باشند. برای مثال، یک شارژر خودروی برقی یا گرم‌کن آب مخزن‌دار معمولاً برای تغییر توان مناسب‌تر از بارهایی است که باید الگوی کاری ثابتی داشته باشند.

اولویت و جابه‌جایی زمانی چگونه آسایش کاربر را حفظ می‌کنند؟

اگر هدف فقط کم کردن هزینه برق بود، می‌شد بسیاری از لوازم را هر زمان که باد می‌وزد روشن کرد و هر زمان که باد کم شد خاموش نمود. اما چنین رویکردی در زندگی واقعی قابل قبول نیست. به همین دلیل، در این مدل به هر وسیله یک اولویت pr اختصاص داده می‌شود.

اولویت مشخص می‌کند کدام وسیله باید زودتر برای تغییر توان، خاموش شدن یا روشن شدن با تأخیر انتخاب شود. برای مثال، بارهای غیرحیاتی یا راحتی‌محور می‌توانند اولویت پایین‌تری داشته باشند و بیشتر در معرض تغییر باشند، در حالی که بارهای ضروری باید کمتر دست‌کاری شوند.

پارامتر ts نیز نشان می‌دهد روشن شدن یک وسیله تا چه حد قابل جابه‌جایی است. این موضوع برای لوازمی مانند ماشین لباس‌شویی، ماشین ظرف‌شویی، شارژ باتری یا برخی سامانه‌های گرمایشی کم‌اهمیت‌تر بسیار مفید است. اما برای تجهیزات فوری یا وابسته به حضور کاربر، ts باید بسیار محدود یا حتی صفر باشد.

طراحی درست pr و ts در عمل از خودِ الگوریتم هم مهم‌تر است. اگر این پارامترها با رفتار واقعی اعضای خانواده سازگار نباشند، بهترین بهینه‌سازی ریاضی هم به نارضایتی کاربر منتهی می‌شود. تجربه نشان می‌دهد سامانه‌ای موفق است که منطق مهندسی را با الگوی زندگی ساکنان هماهنگ کند.

کاهش هزینه برق فقط با تولید بیشتر نیست، با زمان‌بندی بهتر هم هست

یکی از نکات کلیدی این مدل آن است که کاهش هزینه برق از شبکه، صرفاً نتیجه افزایش تولید توربین بادی نیست. بخش مهمی از صرفه‌جویی از طریق زمان‌بندی و تخصیص درست مصرف به دست می‌آید. یعنی حتی با یک توربین مشخص، اگر بارها درست مدیریت شوند، سهم بیشتری از انرژی تولیدی در خودِ خانه مصرف خواهد شد.

تعرفه زمانی برق tz در این میان نقش تعیین‌کننده دارد. در سامانه‌هایی که تعرفه چندزمانه دارند، ارزش اقتصادی هر کیلووات‌ساعت برق خریداری‌شده از شبکه در ساعات مختلف یکسان نیست. بنابراین الگوریتم باید بداند در چه ساعتی خرید برق گران‌تر یا ارزان‌تر است و این موضوع را در تصمیم‌گیری دخالت دهد.

از سوی دیگر، اگر برای تزریق برق توربین بادی به شبکه، پاداش یا دریافتی cWT وجود داشته باشد، الگوریتم باید بین دو انتخاب موازنه برقرار کند: مصرف مستقیم در خانه یا فروش به شبکه. این تصمیم زمانی پیچیده‌تر می‌شود که هم‌زمان برخی بارها قابلیت تأخیر داشته باشند و برخی دیگر نه.

نکات اجرایی برای پیاده‌سازی واقعی در یک خانه

اگر بخواهیم چنین الگوریتمی از سطح مقاله به یک سامانه واقعی خانگی برسد، چند پیش‌نیاز عملی باید فراهم باشد. نخست، اندازه‌گیری توان تولیدی توربین بادی و توان مصرفی بارها باید به‌صورت قابل اتکا و نزدیک به زمان واقعی انجام شود. بدون داده درست، هر الگوریتمی تصمیم‌های نادرست می‌گیرد.

دوم، لوازم انتخاب‌شده باید واقعاً هوشمند باشند؛ یعنی امکان کنترل بیرونی، دریافت فرمان، گزارش وضعیت و در صورت لزوم تنظیم توان داشته باشند. بسیاری از وسایل به ظاهر هوشمند فقط کلید روشن و خاموش از راه دور دارند و برای مدیریت انرژی پیشرفته کافی نیستند.

سوم، باید برای هر وسیله پروفایل عملیاتی تعریف شود: آیا تغییر توان‌پذیر است؟ آیا امکان جابه‌جایی زمانی دارد؟ چه محدودیت دمایی، زمانی یا کاربری دارد؟ آیا خاموش و روشن شدن مکرر به آن آسیب می‌زند؟ این جزئیات در موفقیت سامانه حیاتی‌اند.

چهارم، لازم است یک سیاست مشخص برای حد مجاز برداشت از شبکه وجود داشته باشد؛ همان مفهومی که در قالب ΔP و نیز محدودیت ΔPhys در مدل دیده می‌شود. اگر این حدود بدون شناخت کافی تنظیم شوند، یا صرفه اقتصادی از بین می‌رود یا سامانه بیش از حد تهاجمی و مزاحم می‌شود.

اشتباهات رایج در طراحی مدیریت انرژی مبتنی بر توربین بادی

یکی از خطاهای متداول این است که تمام بارهای خانه به‌عنوان بارهای قابل کنترل فرض شوند. در عمل، فقط بخشی از مصرف خانگی انعطاف‌پذیر است. بارهای حیاتی، پیوسته یا وابسته به ایمنی باید از دامنه مداخله شدید الگوریتم خارج شوند.

اشتباه رایج دیگر، نادیده گرفتن آسایش کاربر است. اگر الگوریتم از نظر عددی عالی عمل کند اما کاربر هر روز با تأخیر آزاردهنده در کار لوازم روبه‌رو شود، خیلی زود آن را غیرفعال خواهد کرد. موفقیت واقعی فقط روی کاغذ یا در شبیه‌سازی سنجیده نمی‌شود.

همچنین نباید فرض کرد که هر تغییر کوچک در تولید توربین باید فوراً به تغییر بار منجر شود. وجود حد مجاز برای تغییرات ΔPhys دقیقاً برای جلوگیری از همین رفتار ناپایدار است. این بخش در طراحی صنعتی بسیار مهم‌تر از چیزی است که در نگاه اول به نظر می‌رسد.

خطای دیگر، ساده‌سازی بیش از حد منطق اقتصادی است. هزینه برق شبکه cEG و دریافتی تزریق به شبکه cWT همیشه ثابت و یکسان نیستند و به ساختار تعرفه، قرارداد، کشور، شرکت توزیع و مدل اتصال بستگی دارند. بنابراین الگوریتم باید با منطق تعرفه واقعی همان محل تنظیم شود.

این مدل برای چه خانه‌هایی مناسب‌تر است؟

چنین الگوریتمی بیشترین فایده را در خانه‌هایی دارد که سه ویژگی را هم‌زمان داشته باشند: یک منبع تولید متغیر مانند توربین بادی، چند بار قابل کنترل یا قابل زمان‌بندی، و ساختار تعرفه یا سازوکار اقتصادی‌ای که مدیریت زمان مصرف را معنادار کند.

اگر خانه‌ای فقط چند بار ثابت و غیرقابل کنترل داشته باشد، فرصت بهینه‌سازی محدود می‌شود. برعکس، هرچه تعداد لوازم هوشمند کم‌مصرف با قابلیت تنظیم بیشتر باشد، فضای تصمیم‌گیری الگوریتم غنی‌تر خواهد شد. به همین دلیل، در متن مدل نیز تعداد کل لوازم هوشمند خانه یکی از متغیرهای تابع هدف در نظر گرفته شده است.

این رویکرد به‌ویژه برای خانه‌هایی جذاب است که می‌خواهند سهم خودمصرفی از انرژی بادی را بالا ببرند، وابستگی به شبکه را کم کنند و بدون سرمایه‌گذاری سنگین روی باتری، از انعطاف‌پذیری بارها به‌عنوان یک منبع تعادل استفاده کنند. در واقع، مدیریت هوشمند بار می‌تواند بخشی از نقشی را ایفا کند که در سامانه‌های دیگر بر عهده ذخیره‌سازهاست.

جمع‌بندی موقت: هسته ایده در این بخش چیست؟

تا اینجا روشن شد که هدف EMA در یک خانوار، استفاده حداکثری از توان تولیدی توربین بادی برای تغذیه لوازم هوشمند، کاهش هزینه خرید برق از شبکه و حفظ بیشترین سطح ممکن آسایش کاربر است. این کار با اختصاص اولویت به لوازم، تعریف امکان جابه‌جایی زمانی، محدود کردن تغییرات مکرر توان و استفاده از یک الگوریتم ابتکاری مانند GRASP انجام می‌شود.

همچنین دیدیم که الگوریتم در هر تکرار، توان توربین، مجموع بارهای روشن و تعرفه جاری را می‌سنجد؛ در صورت نیاز اختلاف توان را محاسبه می‌کند؛ فقط اگر شرایط لازم برقرار باشد وارد مرحله بهینه‌سازی می‌شود؛ و در نهایت برای هر وسیله تصمیمی از جنس عدم فعال‌سازی، فعال‌سازی یا تعویق، تغییر توان یا غیرفعال‌سازی می‌گیرد. در بخش‌های بعدی، منطق بارها و پارامترهای کاربردی این مدل را می‌توان دقیق‌تر باز کرد.

تأیید کاربر، ویژگی تجهیزات هوشمند و نتایج شبیه‌سازی الگوریتم مدیریت انرژی

زیر‌برنامه «تأیید توسط کاربر» در الگوریتم EMA

در زیر‌برنامه تأیید توسط کاربر، اطلاعات مربوط به اقداماتی که الگوریتم مدیریت انرژی EMA برای وسایل هوشمند خانه در نظر گرفته است، به کاربر نمایش داده می‌شود. سپس کاربر می‌تواند با آگاهی کامل، پیشنهاد ارائه‌شده را بپذیرد یا رد کند.

اگر کاربر به پیام یا اعلان نمایش‌داده‌شده واکنشی نشان ندهد، EMA پس از سپری‌شدن زمان از پیش تعیین‌شده، به‌صورت خودکار اجرای پیشنهاد ارائه‌شده را تأیید می‌کند. این سازوکار برای خانه‌ای که هدف آن بهینه‌سازی مصرف برق توربین بادی در خانه است، اهمیت زیادی دارد؛ چون هم اختیار کاربر حفظ می‌شود و هم فرآیند مدیریت انرژی به‌دلیل عدم پاسخ‌گویی متوقف نمی‌ماند.

ویژگی‌های لوازم هوشمند در یک خانه نمونه

برای ارزیابی عملکرد الگوریتم EMA، فرض شده است که خانه از وسایل هوشمند و کم‌مصرف استفاده می‌کند؛ وسایلی که به سامانه اندازه‌گیری توان مصرفی هر دستگاه (PA) مجهز هستند و امکان کنترل از راه دور برای تغییر توان مصرفی، خاموش‌کردن دستگاه و نیز اعمال تأخیر زمانی در راه‌اندازی (ts) را فراهم می‌کنند.

در این مدل، برای هر وسیله، پارامترهای PA، ts و pr تعریف شده‌اند. همچنین فرض شده است که برای هر وسیله‌ای که در وضعیت خاموش قرار دارد، مقدار PA = 0 kW در نظر گرفته می‌شود.

در مورد بویلر، سه المنت گرمایشی با توان‌های 1.5، 1.5 و 2 kW نصب شده‌اند. این ساختار به EMA اجازه می‌دهد توان مصرفی بویلر را روی یکی از سطوح زیر تنظیم کند:

• ۱.۵ کیلووات
• ۲ کیلووات
• ۳ کیلووات
• ۳.۵ کیلووات
• ۵ کیلووات

کولر گازی نیز امکان تنظیم توان مصرفی در مقادیر زیر را دارد:

• ۲.۲ کیلووات
• ۳ کیلووات
• ۳.۵ کیلووات

هر دو وسیله، یعنی بویلر و کولر گازی، پس از رسیدن به مقادیر از پیش تعیین‌شده پارامترهای خروجی، به‌صورت خودکار خاموش می‌شوند. این ویژگی برای مدیریت بار اهمیت زیادی دارد، زیرا EMA می‌تواند بدون مداخله مستقیم کاربر، سطح مصرف این تجهیزات را با تولید توربین بادی هماهنگ کند.

پارامترهای وسایل هوشمند

جدول ۱ فهرست وسایل هوشمند نصب‌شده در یک خانه نمونه را نشان می‌دهد؛ برای این وسایل، مقادیر PA، ts و pr تعریف شده‌اند.

توضیح علائم جدول ۱:

• PA* – مقدار توان به زیر‌برنامه کنترل اختصاصی نصب‌شده در وسیله هوشمند بستگی دارد.
• PA** – مقدار توان به تصمیم الگوریتم EMA بستگی دارد.

منطق اولویت و امکان خاموش‌سازی دستگاه‌ها توسط EMA

در این مطالعه فرض شده است که EMA می‌تواند وسایلی را که مقدار pr آن‌ها برابر 2، 3 و 5 است، خاموش کند. در مقابل، وسایلی با pr = 6 توسط EMA خاموش نخواهند شد.

همچنین فرض شده است که هر وسیله تنها پس از دریافت تأیید از EMA یا بر اساس تصمیم آگاهانه کاربر روشن می‌شود.

برای ماشین لباس‌شویی و ماشین ظرف‌شویی مقدار pr = 1 در نظر گرفته شده است، زیرا زمان شروع کار این وسایل را می‌توان تا حد زیادی توسط EMA جابه‌جا کرد. این انعطاف‌پذیری اثر مثبتی بر فرآیند بهینه‌سازی دارد و به الگوریتم اجازه می‌دهد زمان کار آن‌ها را به ساعت‌های ارزان‌تر یا ساعت‌های هم‌زمان با تولید بهتر توربین منتقل کند.

وسایلی با pr = 4 نیز به‌گونه‌ای در نظر گرفته شده‌اند که پس از اتمام برنامه جاری، به‌صورت خودکار خاموش شوند.

در مورد شارژر باتری خودروی برقی نیز فرض شده است که این تجهیز در بازه تعرفه شبانه روشن می‌شود. زمان لازم برای شارژ باتری از 10% تا 100% ظرفیت، برابر با ۹ ساعت و ۴۰ دقیقه است. مرحله نخست شارژ باتری با جریان ثابت انجام می‌شود و حدود ۱.۵ ساعت طول می‌کشد.

پیشنهاد شبکه هوشمند خانگی HAN برای مدیریت انرژی

برای مدیریت انرژی در خانه، ساخت یک شبکه هوشمند از نوع Home Area Network (HAN) پیشنهاد شده است. در این ساختار، عنصر اصلی شبکه ماژول مدیریت انرژی (EMM) است که از جمله شامل یک میکروکنترلر با الگوریتم EMA نصب‌شده و همچنین سامانه اندازه‌گیری توان تولیدی توربین بادی WT می‌شود.

فرض شده است که وسایل هوشمند خانه، مطابق موارد جدول ۱، توسط انرژی تولیدی یک توربین بادی با توان ۱۵ kW تغذیه شوند. هنگام تعیین توان نامی توربین بادی، شارژر باتری خودرو در محاسبه لحاظ نشده است. دلیل این فرض آن است که باتری خودروی برقی در تعرفه شبانه شارژ می‌شود؛ تعرفه‌ای که از تعرفه روزانه ارزان‌تر است. افزون بر این، در این بازه زمانی معمولاً تعداد کمتری از وسایل خانگی روشن هستند.

اگر تولید انرژی از توربین بادی کمتر از نیاز باشد یا به‌طور کامل وجود نداشته باشد، کمبود انرژی از شبکه برق سراسری (EG) تأمین می‌شود. EMA با بهینه‌سازی مصرف انرژی تولیدی WT و در نتیجه کاهش هزینه انرژی، مصرف برق وسایل هوشمند از شبکه EG را تا حد امکان کاهش می‌دهد.

کنترل وسایل هوشمند از طریق شبکه HAN انجام می‌شود. همچنین مقدار انرژی دریافت‌شده از شبکه EG و نیز مقدار انرژی تزریق‌شده به این شبکه در اثر مازاد تولید توربین بادی، توسط یک کنتور هوشمند (SM) اندازه‌گیری می‌شود. ارتباط میان SM و EMM نیز از طریق HAN برقرار است.

شکل ۲. نمودار یک شبکه هوشمند در مقیاس خانگی

نتایج آزمون‌های شبیه‌سازی الگوریتم مدیریت انرژی

آزمون‌های شبیه‌سازی با هدف بررسی درستی عملکرد مفهوم توسعه‌یافته EMA انجام شده‌اند. علاوه بر فرضیات قبلی، شبیه‌سازی‌ها با مجموعه‌ای از فرض‌های تکمیلی زیر اجرا شده‌اند:

• خانه در شهر ینا (Jena) آلمان قرار دارد و از برنامه قیمت‌گذاری Time-of-Use (ToU) با دو ناحیه زمانی (tz) استفاده می‌کند:
  • tz = 1 از ساعت ۰:۰۰ تا ۶:۰۰ و از ۲۲:۰۰ تا ۲۴:۰۰ که در آن قیمت هر 1 kWh انرژی (cEG_1) برابر 0.32 € است.
  • tz = 2 از ساعت ۶:۰۰ تا ۲۲:۰۰ که در آن قیمت هر 1 kWh انرژی (cEG_2) برابر 0.41 € است.
• پاداش یا جبران پرداختی برای هر 1 kWh انرژی منتقل‌شده از WT به EG برابر 0.092 € است و این مقدار برای شهر ینا اعمال می‌شود.
• ∆Phys = 0.2 kW
• ∆P = 0.4 kW

آزمون‌های شبیه‌سازی برای بازه زمانی ۱ روز و برای خانه‌ای مجهز به وسایل ارائه‌شده در جدول ۱ انجام شده‌اند. ویژگی‌های زمانی این وسایل بر اساس یک پایگاه داده تعیین شده است. نتایج ارزیابی مزایای استفاده از EMA و توربین بادی WT برای پنج حالت تحلیلی در جدول ۲ ارائه شده‌اند.

شرح دقیق حالت ۲ در شبیه‌سازی

در حالت ۲، الگوریتم EMA برای ناحیه زمانی tz = 2 بهینه‌سازی انرژی را انجام داد و زمان اجرای اعلام‌شده ماشین لباس‌شویی را از ساعت 7:14 به ساعت 22:00 در ناحیه tz = 1 منتقل کرد.

در ساعت 9:06 اعلان دیگری مربوط به شروع کار ماشین ظرف‌شویی ثبت شد. EMA پیشنهاد داد که اجرای این وسیله نیز به ساعت 23:00 در ناحیه tz = 1 منتقل شود. کاربر با این پیشنهاد موافقت نکرد، زیرا برنامه‌ریزی دیگری برای استفاده از دستگاه داشت. در نتیجه، پس از این تصمیم، ماشین ظرف‌شویی روشن شد و کار خود را در ساعت 9:37 به پایان رساند.

در ساعت 10:09 درخواست دیگری برای کارکرد ماشین ظرف‌شویی ثبت شد. در این نوبت، کاربر با انتقال زمان کار دستگاه به ساعت 23:00 موافقت کرد.

در حالت‌های ۱ و ۲، مقدار انرژی دریافت‌شده از شبکه EG توسط همه وسایل یکسان بود؛ با این حال، در حالت دوم، به‌دلیل عملکرد EMA، هزینه انرژی کاهش یافت. مطابق جدول ۲، این کاهش برابر با 1.16% یا 0.21 € بوده است.

در سناریوی ۳، کاهش هزینه انرژی نسبت به سناریوهای ۱ و ۲ فقط از محل تولید انرژی توسط توربین بادی به دست آمد. در این حالت، سود نهایی خانوار برابر با ۶٫۶۰ یورو بود.

جدول نتایج پنج سناریوی شبیه‌سازی

نتایج مقایسه‌ای آزمون‌های شبیه‌سازی برای پنج حالت مختلف در جدول ۲ ارائه شده است. این جدول مبنای ارزیابی عملکرد الگوریتم مدیریت انرژی در شرایط متفاوت تولید و مصرف است و نشان می‌دهد هر سناریو چه اثری بر سود نهایی خانوار و میزان استفاده از توان توربین بادی داشته است.

بررسی سناریوی ۴ و نقش الگوریتم در تطبیق بار با توان توربین

در سناریوی ۴، الگوریتم مدیریت انرژی یا EMA مقدار انرژی دریافتی از شبکه برق را برای بازه زمانی tz = 2 کاهش داد. این کار با تنظیم مجموع توان وسایل تحت کنترل، یعنی Ph_EMA، انجام شد؛ به‌گونه‌ای که این مجموع از توان تولیدی توربین بادی PWT بیشتر نشود، مگر به اندازه اختلاف مجاز تعریف‌شده با ∆P = 0.4 kW. این منطق کنترلی در شکل ۳ نمایش داده شده است.

با درنظرگرفتن مقادیر کمیت‌های تعریف‌شده در تابع هدف، EMA برای کنترل کولر گازی مجموعه‌ای از اقدامات مشخص را اجرا کرد:

• در ساعت ۶:۲۷ درخواست کارکرد کولر ثبت شد، اما به علت پایین بودن توان تولیدی توربین بادی، کولر روشن نشد.
• در ساعت ۶:۴۲ الگوریتم اجازه روشن‌شدن کولر را صادر کرد، اما با توان PA = 2.2 kW و با درنظرگرفتن شرط (۴).
• در ساعت ۶:۴۷ کولر به‌صورت خودکار خاموش شد.
• در ادامه روز، EMA دیگر هیچ مداخله‌ای روی این وسیله انجام نداد.

در مورد بویلر، الگوریتم EMA از ساعت ۶:۴۵ تا ۷:۳۲ برای بهینه‌سازی Ph_EMA اقدام کرد تا با توجه به شرط (۴)، اختلاف تعیین‌شده ∆P نسبت به تغییرات PWT از حد مجاز فراتر نرود. توالی دقیق عملکرد الگوریتم در این بازه زمانی به شکل زیر بود:

1. در ساعت ۶:۴۵ درخواست روشن‌شدن بویلر ثبت شد، اما چون کولر گازی در آن لحظه فعال بود، بویلر روشن نشد.
2. پس از خاموش‌شدن خودکار کولر در ساعت ۶:۴۷، EMA بویلر را با توان PA = 2 kW روشن کرد.
3. در ساعت ۶:۵۰، پس از روشن‌شدن کتری که مطابق شرط (۴) امکان فعال‌سازی داشت، الگوریتم بویلر را خاموش کرد.
4. در ساعت ۶:۵۳، EMA بویلر را با توان PA = 3 kW روشن کرد.
5. در ساعت ۶:۵۸، مطابق شرط (۴)، توان بویلر را به 2 kW کاهش داد.

نکته مهم این است که اگر شرط (۴) در الگوریتم لحاظ نمی‌شد، واکنش EMA در ساعت ۶:۵۳ متفاوت بود. در آن صورت، به‌جای روشن‌کردن بویلر با توان 3 kW، آن را با توان 2 kW روشن می‌کرد. نتیجه چنین تصمیمی طولانی‌ترشدن مدت کارکرد بویلر بود. بنابراین شرط (۴) فقط یک محدودیت ساده نیست، بلکه در عمل به فشرده‌ترشدن زمان بهره‌برداری و استفاده مؤثرتر از انرژی موجود کمک می‌کند.

ادامه عملکرد EMA برای بویلر در همان صبح به این صورت بود:

• در ساعت ۷:۰۹، الگوریتم دوباره توان بویلر را به 3 kW افزایش داد.
• پس از روشن‌شدن ماشین لباس‌شویی در ساعت ۷:۱۵، EMA توان بویلر را به 1.5 kW کاهش داد.
• در ساعت ۷:۱۹، توان بویلر را به 2 kW افزایش داد.
• در ساعت ۷:۲۴، به دلیل روشن‌شدن کولر گازی، بویلر را خاموش کرد.
• پس از خاموش‌شدن خودکار کولر، EMA در ساعت ۷:۲۹ بویلر را دوباره با توان PA = 3 kW روشن کرد.
• در ساعت ۷:۳۲، به علت کاهش توان تولیدی توربین بادی و در شرایطی که ماشین لباس‌شویی همچنان در حال کار بود و کتری نیز روشن بود، بویلر خاموش شد.

پس از این بازه، مداخله بعدی الگوریتم در ساعت ۱۴:۰۶ رخ داد:

• هم‌زمان با روشن‌شدن کتری، EMA توان بویلر را از 5 kW به 2 kW کاهش داد.
• پس از خاموش‌شدن کتری در ساعت ۱۴:۰۹، توان بویلر دوباره به 5 kW افزایش یافت.
• در ساعت ۱۴:۱۳، چون کولر گازی روشن شد، بویلر توسط EMA خاموش شد.
• کولر در ساعت ۱۴:۲۰ به‌صورت خودکار خاموش شد.
• پس از آن، EMA دوباره بویلر را با توان PA = 5 kW روشن کرد، اما این وسیله پس از ۱ دقیقه به‌طور خودکار خاموش شد.

آخرین مداخله ثبت‌شده EMA روی بویلر در ساعت ۱۶:۱۶ انجام شد. در این لحظه، کولر گازی و کتری تحت کنترل EMA هر دو روشن بودند و الگوریتم توان بویلر را از 5 kW به 3 kW برای مدت ۱ دقیقه کاهش داد.

مجموع این اقدامات باعث شد در سناریوی ۴، سود نهایی خانوار نسبت به سناریوی ۳ بیشتر شود. طبق جدول ۲، این افزایش سود برابر با ۳٫۹۳٪، معادل ۰٫۲۷ یورو بود.

سناریوی ۵: تولید بالا و بی‌نیازی از مداخله الگوریتم

در سناریوی ۵، مطابق جدول ۲، بین ساعت ۶:۰۰ تا ۲۴:۰۰ توان تولیدی توربین بادی زیاد بود و رابطه PWT > Ph برقرار بود؛ یعنی توان توربین از نیاز بار خانگی بیشتر می‌شد. در نتیجه برای بازه tz = 2 نیازی به عملکرد EMA وجود نداشت، زیرا محدودیت کمبود توان عملاً ایجاد نشده بود. علاوه بر این، در این خانوار سود بالایی معادل ۱۶٫۳۵ یورو به دست آمد.

شکل ۳. نمایش عملکرد الگوریتم EMA در سناریوی ۴

جمع‌بندی نتایج شبیه‌سازی

نتایج حاصل از مطالعات شبیه‌سازی نشان می‌دهد که مفهوم توسعه‌یافته EMA می‌تواند استفاده از انرژی تولیدشده توسط توربین بادی را بهینه کند و این بهینه‌سازی مستقیماً در هزینه انرژی مصرفی خانوار بازتاب پیدا می‌کند. به بیان عملی، هرچه مصرف وسایل هوشمند خانه بهتر با توان لحظه‌ای توربین هماهنگ شود، نیاز به خرید برق از شبکه کمتر و سود اقتصادی بیشتر خواهد بود.

این اثر با افزودن شرط تکمیلی (۴) به فرآیند بهینه‌سازی حاصل شده است. این شرط باعث می‌شود از توان تولیدی توربین بادی PWT تا حد ممکن برای تغذیه لوازم خانگی هوشمند استفاده شود و در عین حال آسایش کاربر در استفاده از این وسایل نیز بهتر حفظ شود. بنابراین الگوریتم فقط بر کمینه‌سازی هزینه تمرکز ندارد، بلکه تلاش می‌کند میان اقتصاد بهره‌برداری و راحتی مصرف‌کننده تعادل برقرار کند.

همچنین تعریف مقادیر اولویت مشخص برای هر وسیله در فرآیند بهینه‌سازی، بر دستیابی به بیشترین سطح ممکن از راحتی کاربر هنگام استفاده از وسایل تأثیر مستقیم دارد. این اولویت‌بندی به الگوریتم اجازه می‌دهد میان چند بار قابل‌کنترل تصمیم بگیرد که کدام وسیله زودتر، با چه توانی و در چه زمانی فعال یا محدود شود.

یک اثر تکمیلی دیگر EMA می‌تواند نقش آموزشی آن باشد. این الگوریتم می‌تواند به‌مرور در شکل‌دادن به الگوی رفتاری کاربر مؤثر باشد؛ به‌ویژه از نظر زمان‌بندی مناسب روشن‌کردن وسایل خانگی در زمانی که تولید انرژی از منابع انرژی تجدیدپذیر وجود دارد. به زبان ساده، کاربر با مشاهده رفتار سامانه یاد می‌گیرد که چه زمان‌هایی برای استفاده از بارهای پرمصرف مناسب‌تر است تا بیشترین بهره از انرژی پاک تولیدشده در محل به دست آید.

منابع

1. Powroźnik P., Szcześniak P., Turchan K., Krysik M., Koropiecki I., Piotrowski K., An Elastic Energy Management Algorithm in a Hierarchical Control System with Distributed Control Devices. Energies, 15 (2022), 4750, https://doi.org/10.3390/en15134750
2. Shewale A., Mokhade A., Funde N., Bokde N.D., A Survey of Efficient Demand-Side Management Techniques for the Residential Appliance Scheduling Problem in Smart Homes, Energies, 15, (2022), 2863, https://doi.org/10.3390/en15082863
3. Bątkiewicz-Pantuła M., Comparative analysis of production costs of electricity generated from various renewable energy sources, Przegląd Elektrotechniczny, 95 (2019), nr 2, 71-74
4. Powroźnik P., Szulim R., Miczulski W., Piotrowski, K., Household Energy Management, Appl. Sci., 11 (2021), 1626. https://doi.org/10.3390/app11041626
5. Powroźnik P., Szcześniak P., Piotrowski K., Elastic Energy Management Algorithm Using IoT Technology for Devices with Smart Appliance Functionality for Applications in Smart-Grid, Energies, 15 (2022), 109, https://doi.org/10.3390/en15010109
6. Pitsoulisi L., Resende M.G., Greedy randomized adaptive search procedurę, in Handbook of Applied Optimization, Pardalosi P.M., Resende M.G., Oxford University Press: Oxford, UK, (2002), 168–181
7. https://www.fibaro.com/en/products/wall-plug/
8. http://www.s-und-w-energie.de
9. https://www.stromauskunft.de/de/stadt/stromanbieter-injena.html
10. Erneuerbare-EnergienGesetz, https://www.erneuerbareenergien.de/EE/Redaktion/DE/Standardartikel/FAQ/faq_eeg_2009.html

در این بخش، داده‌های مرجع از مجموعه‌داده بار الکتریکی منتشرشده در مخزن یادگیری ماشین دانشگاه کالیفرنیا، ارواین، استفاده شده است.

مرجع داده: Electricity Load Diagrams 2011–2014

[11] http://archive.ics.uci.edu/ml/datasets/ElectricityLoadDiagrams20112014

مشخصات نویسندگان منبع

D.Sc. Wiesław Miczulski، دانشگاه زیلونا گورا، مؤسسه مترولوژی، الکترونیک و علوم کامپیوتر، نشانی: str. Prof. Szafrana ۲, ۶۵-۹۶۵ Zielona Góra، ایمیل: W.Miczulski@imei.uz.zgora.pl

M.Sc. Oliwia Pers، شرکت ETB Solution GmbH، نشانی: Dessauer Straße ۸, ۰۶-۸۸۶ Lutherstadt Wittenberg، ایمیل: oliwia.pers@etb-solution.com

مشخصات انتشار

شناسه منبع و ناشر: PRZEGLĄD ELEKTROTECHNICZNY، ISSN ۰۰۳۳-۲۰۹۷، R. ۹۸ NR ۱۱/۲۰۲۲

DOI: 10.15199/48.2022.11.28

این مطلب در PQBlog منتشر شده است.

دسته‌بندی نویسنده/ناشر: Electrical Engineer

برای مطالعه مطالب بیشتر، بخش View more posts در منبع اصلی قابل دسترسی است.