ПЛАНУВАННЯ ГНУЧКОГО НАВАНТАЖЕННЯ В КІБЕРФІЗИЧНІЙ СИСТЕМІ ДОМОГОСПОДАРСТВА З СОНЯЧНОЮ ГЕНЕРАЦІЄЮ: НАДІЙНІСТЬ РІШЕНЬ ЗА НЕВИЗНАЧЕНОСТІ ВХІДНИХ ДАНИХ

Владислав Лось; Інна Розломій

doi:10.28925/2663-4023.2026.35.1448

Автор(и)

Владислав Лось Черкаський національний університет імені Богдана Хмельницького https://orcid.org/0009-0009-3948-4392
Інна Розломій Черкаський державний технологічний університет https://orcid.org/0000-0001-5065-9004

DOI:

https://doi.org/10.28925/2663-4023.2026.35.1448

Ключові слова:

планування гнучкого навантаження, кіберфізична система, система керування енергією домогосподарства, надійність рішень, невизначеність прогнозу, генетичний алгоритм, сонячна генерація, керування попитом

Анотація

Системи керування енергією домогосподарства ухвалюють рішення про час роботи приладів на підставі даних, що надходять із зовнішніх і не завжди надійних джерел: прогнозу погоди, тарифу, опису приладів, заданого користувачем. Похибка або недоступність будь-якого з цих джерел може зробити розрахунково вигідний розклад невигідним і навіть дорожчим за звичний режим споживання. У статті запропоновано метод планування гнучкого навантаження на добу наперед, у якому розклад неподільних запусків приладів шукає генетичний алгоритм, а подільні навантаження розподіляються детермінованою жадібною процедурою всередині обчислення цільової функції. Метод доповнено п’ятьма механізмами, що підвищують надійність рішень: ступеневою деградацією джерела прогнозу генерації, вилученням із планування приладів із неповним описом, гарантією того, що план не дорожчий за базовий розклад, поверненням переліку порушених обмежень замість відмови та збереженням знімка вхідних даних для відтворення рішення. Метод досліджено на моделі реального домогосподарства із сонячною станцією 4 кВт за одноставкового, двозонного й тризонного тарифів. За точних даних план знижує вартість електроенергії за зонних тарифів на 18,5–26,9 % без станції і приблизно вдвічі в ясний день. За реальної похибки архівного прогнозу генерації впродовж семи діб план зберіг близько 75 % економії, досяжної за точного прогнозу, а за переходу на модель ясного неба як резервне джерело – близько 71 %. Точний оптимум, знайдений змішаним цілочисловим лінійним програмуванням, за реального прогнозу перевершує метод у середньому лише на 0,5–2,0 відсоткового пункту, а в найгіршу добу дає меншу економію; прості правила планування в ті самі доби дають від’ємну економію. Відносно фактичного споживання, коли мешканці вже вручну зсували навантаження, економія становила 14,4–22,1 %, тобто розбіжність опису приладів із дійсністю помітно змінює очікувану вигоду. Показано, що гарантія «не дорожче за базовий розклад» діє лише щодо прогнозу, і визначено напрями її поширення на фактичні умови.

Завантаження

Дані завантаження ще не доступні.

Посилання

Beaudin, M., & Zareipour, H. (2015). Home energy management systems: A review of modelling and complexity. Renewable and Sustainable Energy Reviews, 45, 318–335. https://doi.org/10.1016/j.rser.2015.01.046

Han, B., Zahraoui, Y., Mubin, M., Mekhilef, S., Seyedmahmoudian, M., & Stojcevski, A. (2023). Home energy management systems: A review of the concept, architecture, and scheduling strategies. IEEE Access, 11, 19999–20025. https://doi.org/10.1109/ACCESS.2023.3248502

Avizienis, A., Laprie, J.-C., Randell, B., & Landwehr, C. (2004). Basic concepts and taxonomy of dependable and secure computing. IEEE Transactions on Dependable and Secure Computing, 1(1), 11–33. https://doi.org/10.1109/TDSC.2004.2

Pilz, M., Baghaei Naeini, F., Grammont, K., Smagghe, C., Davis, M., Nebel, J.-C., Al-Fagih, L., & Pfluegel, E. (2020). Security attacks on smart grid scheduling and their defences: A game-theoretic approach. International Journal of Information Security, 19(4), 427–443. https://doi.org/10.1007/s10207-019-00460-z

Sou, K. C., Weimer, J., Sandberg, H., & Johansson, K. H. (2011). Scheduling smart home appliances using mixed integer linear programming. In Proceedings of the 50th IEEE Conference on Decision and Control and European Control Conference (pp. 5144–5149). IEEE. https://doi.org/10.1109/CDC.2011.6161081

Liemthong, R., Srithapon, C., Ghosh, P. K., & Chatthaworn, R. (2022). Home energy management strategy-based meta-heuristic optimization for electrical energy cost minimization considering TOU tariffs. Energies, 15(2), 537. https://doi.org/10.3390/en15020537

Katoch, S., Chauhan, S. S., & Kumar, V. (2021). A review on genetic algorithm: Past, present, and future. Multimedia Tools and Applications, 80(5), 8091–8126. https://doi.org/10.1007/s11042-020-10139-6

Korab, R., Połomski, M., & Naczyński, T. (2024). Optimal scheduling of energy storage and shiftable loads in grid-connected residential buildings with photovoltaic micro-installations. Energies, 17(21), 5264. https://doi.org/10.3390/en17215264

Cabrera-Tobar, A., Massi Pavan, A., Petrone, G., & Spagnuolo, G. (2022). A review of the optimization and control techniques in the presence of uncertainties for the energy management of microgrids. Energies, 15(23), 9114. https://doi.org/10.3390/en15239114

Tostado-Véliz, M., Arévalo, P., Kamel, S., Zawbaa, H. M., & Jurado, F. (2022). Home energy management system considering effective demand response strategies and uncertainties. Energy Reports, 8, 5256–5271. https://doi.org/10.1016/j.egyr.2022.04.006

Blonsky, M., McKenna, K., Maguire, J., & Vincent, T. (2022). Home energy management under realistic and uncertain conditions: A comparison of heuristic, deterministic, and stochastic control methods. Applied Energy, 325, 119770. https://doi.org/10.1016/j.apenergy.2022.119770

Silva, C., Faria, P., Vale, Z., & Corchado, J. M. (2022). Demand response performance and uncertainty: A systematic literature review. Energy Strategy Reviews, 41, 100857. https://doi.org/10.1016/j.esr.2022.100857

Yang, D., Wang, W., Gueymard, C. A., Hong, T., Kleissl, J., Huang, J., Perez, M. J., Perez, R., Bright, J. M., Xia, X., van der Meer, D., & Peters, I. M. (2022). A review of solar forecasting, its dependence on atmospheric sciences and implications for grid integration: Towards carbon neutrality. Renewable and Sustainable Energy Reviews, 161, 112348. https://doi.org/10.1016/j.rser.2022.112348

Melnyk, R. V., & Melnyk, M. V. (2025). Metod prohnozuvannia obsiahiv heneratsii enerhii soniachnoiu elektrostantsiieiu [Method for forecasting the energy generation of a solar power plant]. Ukrainskyi zhurnal informatsiinykh tekhnolohii [Ukrainian Journal of Information Technology], 7(1), 149–159. https://doi.org/10.23939/ujit2025.01.149

Kulapin, O. V., & Makhotilo, K. V. (2024). Modeliuvannia hrafikiv navantazhennia prosiumera na bazi povedinkovoho pidkhodu [Modeling of prosumer load schedules based on a behavioral approach]. Enerhetyka: ekonomika, tekhnolohii, ekolohiia [Energy: Economics, Technology, Ecology], (1), 98–105. https://doi.org/10.20535/1813-5420.1.2024.297584

Danylchenko, D. O., Fedorchuk, S. O., Ivakhnov, A. V., Kulapin, O. V., & Hrytsenko, V. V. (2022). Doslidzhennia perspektyv zastosuvannia sotsio-demohrafichnykh danykh dlia analizu potentsialu keruvannia popytom [Study of the prospects of using socio-demographic data for analysing demand response potential]. Visnyk Natsionalnoho tekhnichnoho universytetu «KhPI». Seriia: Enerhetyka: nadiinist ta enerhoefektyvnist [Bulletin of the National Technical University «KhPI». Series: Energy: Reliability and Energy Efficiency], (1(4)), 11–16. https://doi.org/10.20998/2224-0349.2022.01.06

Flores, M., Heredia, D., Andrade, R., & Ibrahim, M. (2022). Smart home IoT network risk assessment using Bayesian networks. Entropy, 24(5), 668. https://doi.org/10.3390/e24050668

Hart, G. W. (1992). Nonintrusive appliance load monitoring. Proceedings of the IEEE, 80(12), 1870–1891. https://doi.org/10.1109/5.192069

Schirmer, P. A., & Mporas, I. (2023). Non-intrusive load monitoring: A review. IEEE Transactions on Smart Grid, 14(1), 769–784. https://doi.org/10.1109/TSG.2022.3189598

Baranski, M., & Voss, J. (2004). Genetic algorithm for pattern detection in NIALM systems. In 2004 IEEE International Conference on Systems, Man and Cybernetics (Vol. 4, pp. 3462–3468). IEEE. https://doi.org/10.1109/ICSMC.2004.1400878

Egarter, D., Sobe, A., & Elmenreich, W. (2013). Evolving non-intrusive load monitoring. In Applications of Evolutionary Computation (pp. 182–191). Springer. https://doi.org/10.1007/978-3-642-37192-9_19

Deb, K. (2000). An efficient constraint handling method for genetic algorithms. Computer Methods in Applied Mechanics and Engineering, 186(2–4), 311–338. https://doi.org/10.1016/S0045-7825(99)00389-8

Zippenfenig, P. (2023). Open-Meteo.com Weather API [Computer software]. Zenodo. https://doi.org/10.5281/zenodo.7970649

Loutzenhiser, P. G., Manz, H., Felsmann, C., Strachan, P. A., Frank, T., & Maxwell, G. M. (2007). Empirical validation of models to compute solar irradiance on inclined surfaces for building energy simulation. Solar Energy, 81(2), 254–267. https://doi.org/10.1016/j.solener.2006.03.009

Anderson, K. S., Hansen, C. W., Holmgren, W. F., Jensen, A. R., Mikofski, M. A., & Driesse, A. (2023). pvlib python: 2023 project update. Journal of Open Source Software, 8(92), 5994. https://doi.org/10.21105/joss.05994

Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz-Sabater, J., Nicolas, J., Peubey, C., Radu, R., Schepers, D., Simmons, A., Soci, C., Abdalla, S., Abellan, X., Balsamo, G., Bechtold, P., Biavati, G., Bidlot, J., Bonavita, M., … Thépaut, J.-N. (2020). The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 146, 1999–2049. https://doi.org/10.1002/qj.3803