بخش مهندسی عمران و ساخت و ساز نیاز به کاهش مصرف انرژی را بدون به خطر انداختن کیفیت زندگی تشخیص داده است. سپس، باید تعادلی بین هزینه های ساختمان و بهره وری انرژی ایجاد شود. بدون یک ابزار تصمیم گیری چندهدفه موثر که همه آنها را با موفقیت ترکیب می کند، این چالش به سادگی قابل رسیدگی نیست [1]. چندین کشور خواهان کاهش انتشار CO ² و در عین حال گسترش عرضه انرژی هستند. اگر می‌خواهیم به این هدف برسیم، انرژی‌های تجدیدپذیر (RE) باید بیشتر در تولید برق استفاده شود. افزایش نوسانات ولتاژ ناشی از RE را می توان با ادغام دستگاه های ذخیره انرژی در مقیاس بزرگ در شبکه کاهش داد [2]. به دلیل تکنولوژی و شرایط اقتصادی امروز، این اغلب غیرممکن است. انعطاف پذیری تقاضا سومین رویکرد برای یکپارچه سازی انرژی های تجدیدپذیر در مقیاس بزرگ (RE) است [3]. سیستم مدیریت انرژی (EMS) بر پیش‌بینی تقاضا و مدیریت عرضه متکی است زیرا منابع معمولی و عمدتاً قابل کنترل (مانند نیروگاه‌های حرارتی) از این طریق در شبکه سنتی نفوذ کرده‌اند.

در مقابل، EMS توسط پیش‌بینی تقاضا و برنامه‌ریزی عرضه هدایت می‌شود که REها در شبکه‌های مدرن ادغام شوند [4]. به دلیل ماهیت غیرقابل پیش بینی مصرف انرژی مصرف کننده نهایی، DPO نمی تواند کاملاً برنامه ریزی شود [5]. با این حال، مقدار زیادی از تقاضای متغیر ممکن است در معرض برنامه ریزی باشد، که امکان اتصال ساده تری از REها را به شبکه فراهم می کند. در شبکه هوشمند، مشتریان دیگر تنها «خریداران» نیستند، بلکه «تولیدکننده» و «خریدار» هم زمان خواهند بود. بنابراین تمرکززدایی در تولید، ذخیره سازی و مدیریت برق اجتناب ناپذیر است. زیرا سیستم به قدری پیچیده است که روش های مدیریت و مدیریت متمرکز سیستم سنتی بی اثر هستند [6]. در نتیجه، «راه‌حل‌های غیرمتمرکز» جدید برای بازار انرژی باید فراتر از برنامه‌ریزی صرف مصرف و شکل‌دهی نمایه بار باشد [7]. آنها همچنین باید تعامل بین تولید کنندگان و مصرف کنندگان و واکنش به مشوق های تامین کننده را در میان چیزهای دیگر در نظر بگیرند. GBEOS به دلیل توانایی آنها در پیوند دادن به کاربر [8]، لوازم خانگی، منابع تولید کننده محلی و مدیر شبکه، ممکن است یک گزینه عملی در این مورد باشد [9]. علیرغم مزایای ظاهری GBEOS، ما می‌توانیم مسائل خاصی مانند کمبود زیرساخت، عدم قطعیت پیش‌بینی‌های مورد استفاده، مدل‌سازی انواع دستگاه، چالش‌های بهینه‌سازی چند هدفه، محدودیت‌های محاسباتی، مدل‌سازی آسایش و محدودیت‌های زمانی را شناسایی کنیم [10].

در ادبیات، صدها محقق استراتژی‌های متعددی را برای توسعه GBEOS پیشنهاد کرده‌اند، از جمله یکپارچه‌سازی شبکه [11]، چند هدف [4،12]، CS و غیرقابل پیش‌بینی [13]، و مدل‌سازی ارتباطات و شبکه [14]. با توجه به Ref. [15]، تکنیک های بهینه سازی GBEOS ممکن است به دو دسته اصلی تقسیم شوند:

تکنیک‌های معمولی: اگر/آنوقت قوانین برای تنظیم منابع توزیع‌شده استفاده می‌شوند و/یا لوازم خانگی از بالاترین به پایین‌ترین اهمیت رتبه‌بندی می‌شوند. علیرغم سادگی، این رویکردها یک جنبه منفی قابل توجه دارند: نمی توان آنها را گسترش داد زیرا از قوانین برای ساختن سیستم استفاده نمی کنند. مرجع [16] از یک چارچوب سلسله مراتبی مشترک برای پیشنهاد یک استراتژی EMS برای یک سیستم ترکیبی نیروگاه بادی و خورشیدی استفاده کرد. علاوه بر این، مرجع [17] روشی را برای مدیریت چندین نوع تجهیزات بار و اپراتورهای متعدد و همچنین یک رویکرد واقع بینانه برای به حداقل رساندن هزینه های انرژی و تنظیم نوسان قیمت تحت قیمت گذاری بلادرنگ ارائه می دهد.

رویکردهای هوش مصنوعی: سیستم‌های کنترل مبتنی بر منطق فازی، شبکه‌های عصبی مصنوعی [18]، و سیستم‌های استنتاج فازی عصبی تطبیقی ​​اکثر این کنترل‌کننده‌های GBEOS را تشکیل می‌دهند [19]. راه‌حل‌های مبتنی بر شبکه عصبی مصنوعی می‌توانند به‌جای ابزارهای شبیه‌سازی، به سرعت مشکلات مدیریت و پیش‌بینی را برطرف کنند. کنترل هوشمند لوازم خانگی با این تکنیک پردازش اطلاعات امکان پذیر است که فرآیندهای غیرخطی را تقلید می کند و شبیه مغز انسان در Ref. [20]. این روش ها پس از تعیین تابع هدف مشمول محدودیت ها، مناسب ترین راه حل ها را نیز برای مسائل کشف می کنند. می توان یک تابع هدف را از نظر کاهش خطا، هزینه و بهینه سازی ساخت به عنوان پیامد این کاربردها مشخص کرد. الگوریتم‌های بهینه‌سازی مختلف، برنامه‌های مصرف انرژی بهینه را برای وسایل برقی بر اساس تعرفه‌های مختلف خوراک، مکانیسم‌های قیمت‌گذاری و ملاحظات راحتی ایجاد کرده‌اند [21]. در زمان‌بندی GBEOS، تکنیک‌های بهینه‌سازی که اغلب مورد استفاده قرار می‌گیرند، بهینه‌سازی ازدحام ذرات، الگوریتم ژنتیک و کنترل پیش‌بینی مدل هستند [22]. PSO در طول عملیات دستگاه از پتانسیل کامل خود استفاده شد [23]. این روش متغیرهایی مانند آب و هوا، الگوهای استفاده و ترتیب استفاده از دستگاه را در نظر می گیرد. علاوه بر این، رویکرد BPSO برای برنامه‌ریزی چهار منبع انرژی تجدیدپذیر مسکونی تنظیم‌شده و دستگاه‌های RE ناسازگار استفاده شد [24].

فراابتکاری ابزار بسیار مؤثری برای حل این مسائل بهینه‌سازی است که به طراح اجازه می‌دهد تا از میان راه‌حل‌های بهینه متعدد در پرتو چندین هدف انتخاب کند و از این رو با یکدیگر قابل مقایسه نیستند (بهینه پارتو) [16،25]. مشکلاتی مانند این یک مشکل اضافی دارند زیرا هیچ فراابتکاری برای اطمینان از بهترین پاسخ ممکن وجود ندارد. قضیه No Free Lunch (NFL) بیان می کند که هیچ الگوریتم بهینه سازی نمی تواند تمام مسائل بهینه سازی را به درستی حل کند. در واقع، برخی از الگوریتم ها بهترین راه حل را برای برخی مسائل ارائه می دهند در حالی که نمی توانند راه حل بهینه را برای گروه دیگری از مسائل بیابند. تنها راه برای پی بردن به عملکرد یک الگوریتم در یک مسئله خاص، آزمایش الگوریتم بهینه سازی در آن مسئله است.

بنابراین، این مقاله با هدف توضیح چگونگی ساخت یک GBEOS با استفاده از الگوریتم‌های فراابتکاری، از جمله XGBoost، MVO، SFLA، MFO، ICA و ChOA است. این الگوریتم‌های بهینه‌سازی به دو دلیل انتخاب شده‌اند: ۱) برای حل مسئله بهینه‌سازی GBEOS استفاده نشده‌اند و ۲) در حل سایر مسائل بهینه‌سازی عملکرد خوبی داشته‌اند. در این راستا، روش های کنترل DPO و SPO نیز در نمایش معماری کلی سیستم گنجانده خواهد شد. به عنوان گام نهایی، چندین مطالعه موردی برای بررسی تأثیر مکانیسم‌های کنترل بر هزینه‌ها و آسایش به طور مستقیم انجام خواهد شد.

مشارکت های اصلی مقاله را می توان به شرح زیر بیان کرد.

• •پیشنهاد یک ساختار مبتنی بر فراابتکاری برای بهینه سازی همزمان مصرف انرژی و سطح راحتی مشتری در حالی که محیط محلی و رفتارهای تقاضای انرژی را در نظر می گیرد.
• •توسعه دو روش کنترل مکمل: SPO و DPO.
• •دوتایی کردن شش الگوریتم فراابتکاری پیوسته پیشنهادی.
• •ارزیابی سرعت همگرایی شش الگوریتم فراابتکاری باینریزه شده با استفاده از هفت تابع بهینه‌سازی معیار تک‌وجهی، شش چندوجهی و بیست تابع بهینه‌سازی معیار پیچیده.
• •پیشنهاد یک مکانیسم وزن دهی کارآمد برای مدیریت مبادله هزینه-آسایش.
• •پیشنهاد سه مدل مجزا، یعنی RTP، TUP و FPP، برای تعیین تأثیر ماهیت طرح قیمت‌گذاری بر صرفه‌جویی بالقوه حاصل از EMS.

با توجه به ساختار زیر، بقیه این مقاله به این صورت خواهد بود: بخش 2 بر نمایش بستر آزمایش تمرکز دارد. بخش 3 چارچوب GCBEMS پیشنهادی را معرفی می کند. راه حل های طراحی برای سازگاری EMS در بخش 4 مورد بحث قرار می گیرند. آزمایش ها و یافته ها در بخش 5 ارائه شده اند. بخش 6 با خلاصه ای از نکات اصلی به پایان می رسد.