Optimización de la planificación energética en hogares inteligentes: Un enfoque multi-objetivo
DOI:
https://doi.org/10.17533/udea.redin.20200587Palabras clave:
ciudades inteligentes, planificación energética de hogares, algoritmos evolutivos, optimización multiobjetivo, programación mixta-enteraResumen
Este artículo presenta los avances en el diseño e implementación de un sistema de recomendación para planificar el uso de electrodomésticos, enfocado en mejorar la eficiencia energética desde el punto de vista tanto de las compañías de energía como de los usuarios finales. El sistema propone el uso de información histórica y datos de sensores para definir instancias del problema de planificación considerando las preferencias del usuario, que a su vez se proponen resolver mediante un enfoque evolutivo multiobjetivo, para minimizar el consumo de energía y maximizar la calidad del servicio ofrecido a los usuarios. Se informan resultados prometedores en casos realistas del problema, en comparación con situaciones en las que no se utiliza una planificación energética inteligente (es decir, modelo ‘Bussiness as Usual’) y también con un algoritmo goloso desarrollado en el marco del proyecto de referencia. El enfoque evolutivo propuesto fue capaz de mejorar hasta el 29.0 % en la utilización de energía y hasta el 65,3 % en las preferencias del usuario sobre los métodos de referencia.
Descargas
Citas
W. Turner and S. Doty, Energy management handbook. The Fairmont Press, 2007.
A. Soares, A. Gomes, C. Antunes, and H. Cardoso, “Domestic load scheduling using genetic algorithms,” in European Conference on the Applications of Evolutionary Computation, 2013, pp. 142–151.
A. Soares, C. Antunes, C. Oliveira, and A. Gomes, “A multiobjective genetic approach to domestic load scheduling in an energy management system,” Energy, vol. 77, December 1 2014. [Online]. Available: https://doi.org/10.1016/j.energy.2014.05.101
M. Deakin and H. Al Waer, “From intelligent to smart cities,” Intelligent Buildings International, vol. 3, no. 3, July 2011. [Online]. Available: https://doi.org/10.1080/17508975.2011.586671
(2019) Energy use in homes. U.S. Energy Information Administration (EIA). Accessed Nov. 2019. [Online]. Available: https://bit.ly/2YjN5NG
(2019) Energy consumption in households. Eurostat Statistic Explained. Accessed Nov. 2019. [Online]. Available: https://bit.ly/2APLx63
G. Colacurcio, S. Nesmachnow, J. Toutouh, F. Luna, and D. G. Rossit, “Multiobjective household energy planning using evolutionary algorithms,” in Ibero-American Congress on Information Management and Big Data, Soria, Spain, 2019, pp. 269–284.
E. Luján and et al., “Cloud computing for smart energy management (CC-SEM Project),” in Ibero-American Congress on Information Management and Big Data, Soria, Spain, 2018, pp. 116–131.
E. Luján and et al., “An integrated platform for smart energy management: the CC-SEM project,” Revista Facultad de Ingeniería Universidad de Antioquia, no. 97, November 05 2019. [Online]. Available: https://doi.org/10.17533/udea.redin.20191147
I. S. Bayram and T. S. Ustun, “A survey on behind the meter energy management systems in smart grid,” Renewable and Sustainable Energy Reviews, vol. 72, May 2017. [Online]. Available: https://doi.org/10.1016/j.rser.2016.10.034
S. Nesmachnow, S. Baña, and R. Massobrio, “A distributed platform for big data analysis in smart cities: combining intelligent transportation systems and socioeconomic data for Montevideo, Uruguay,” EAI Endorsed Transactions on Smart Cities, vol. 2, no. 5, 2017. [Online]. Available: https://doi.org/10.4108/eai.19-12-2017.153478
J. Kolter and M. Johnson, “Redd: A public data set for energy disaggregation research,” in Workshop on Data Mining Applications in Sustainability, San Diego, CA, USA, 2011, pp. 59–62.
J. Chavat, J. Graneri, and S. Nesmachnow, “Energy disaggregation of household appliances based on pattern consumption similarities,” in Iberoamerican Congress on Smart Cities, 2019.
F. Glover, “An improved MIP formulation for products of discrete and continuous variables,” Journal of Information and Optimization Sciences, vol. 5, no. 1, 1984. [Online]. Available: https://doi.org/10.1080/02522667.1984.10698780
A. Soares, A. Gomes, and C. H. Antunes, “Categorization of residential electricity consumption as a basis for the assessment of the impacts of demand response actions,” Renewable and Sustainable Energy Reviews, vol. 30, February 2014. [Online]. Available: https://doi.org/10.1016/j.rser.2013.10.019
E. Orsi and S. Nesmachnow, “Smart home energy planning using IoT and the cloud,” in IEEE URUCON, Montevideo, Uruguay, 2017.
H. Bilil, G. Aniba, and H. Gharavi, “Dynamic appliances scheduling in collaborative microgrids system,” IEEE Transactions on Power Systems, vol. 32, no. 3, May 2017. [Online]. Available: https://doi.org/10.1109/TPWRS.2016.2613479
Z. W. Geem and Y. Yoon, “Harmony search optimization of renewable energy charging with energy storage system,” International Journal of Electrical Power & Energy Systems, vol. 86, March 2017. [Online]. Available: https://doi.org/10.1016/j.ijepes.2016.04.028
A. Barbato and A. Capone, “Optimization models and methods for demand-side management of residential users: A survey,” Energies, vol. 7, September 2014. [Online]. Available: https://doi.org/10.3390/en7095787
X. Guan, Z. Xu, and Q. S. Jia, “Energy-efficient buildings facilitated by microgrid,” IEEE Transactions on smart grid, vol. 1, no. 3, December 2010. [Online]. Available: https://doi.org/10.1109/TSG.2010.2083705
A. Barbato, A. Capone, L. Chen, F. Martignon, and S. Paris, “A distributed demand-side management framework for the smart grid,” Computer Communications, vol. 57, February 15 2015. [Online]. Available: https://doi.org/10.1016/j.comcom.2014.11.001
S. Nesmachnow, “An overview of metaheuristics: accurate and efficient methods for optimisation,” International Journal of Metaheuristics, vol. 3, no. 4, December 2014. [Online]. Available: https://doi.org/10.1504/IJMHEUR.2014.068914
Nesmachnow, S., “Computación científica de alto desempeño en la facultad de ingeniería, universidad de la república,” Revista de la Asociación de Ingenieros del Uruguay, vol. 61, no. 1, pp. 12–15, 2010.
L. A. Wolsey and G. L. Nemhauser, Integer and combinatorial optimization. Hoboken, NJ, USA: John Wiley & Sons, 2014.
Gurobi optimizer reference manual. Gurobi Optimization. Accessed Jun. 12, 2020. [Online]. Available: https://bit.ly/3hqg1wd
W. E. Hart and et al., Pyomo-optimization modeling in python, 2nd ed. Berlin, Germany: Springer Science & Business Media, 2017.
G. Colacurcio, “Algoritmos evolutivos para la planificación de eficiencia energética en hogares,” undergraduate thesis, Faculty of Engineering, Universidad de la República, Montevideo, Uruguay, 2019, in Press.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Revista Facultad de Ingeniería Universidad de Antioquia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter