519.718

Использование методов оптимизации в энергосистемах имеет важное значение для снижения затрат и потерь в системе. Одним из наиболее важных моментов в процессе является вычислительная стоимость поиска наилучшего решения. Количество ограничений, количество переменных и низкая скорость сходимости оптимизационных алгоритмов - вот некоторые примеры вычислительных затрат. В данной статье представлено исследование вариантов оптимизации с использованием нечеткой логики. Рассмотрены теоретические аспекты процесса нечеткой оптимизации, а затем приводится пример использования оптимизации энергопотребления в энергосистеме. Рассматривается оптимизация тепловых систем зданий в рамках нечеткого математического программирования. Задача нечеткой оптимизации решается аналитически при некоторых допущениях. Показано, что значительное увеличение комфортности производственного помещения может быть достигнуто при незначительном увеличении затрат на электроэнергию.

The use of optimization methods in power systems is essential to reduce costs and losses in the system. One of the most important points in the process is the computational cost of finding the best solution. The number of constraints, the number of variables, and the low convergence rate of optimization algorithms are some examples of computational costs. All the advantages of fuzzy logic systems: they are flexible and allow you to change the rules; they even accept inaccurate, distorted and erroneous information; these systems are associated with human reasoning and decision-making, so they are useful in making decisions in complex situations in various types of applications - they can be effectively used to improve the efficiency of power systems and save electricity. This article presents a study of optimization options using fuzzy logic. The theoretical aspects of the fuzzy optimization process are considered, and then an example of the use of energy consumption optimization in the power system is given. Optimization of thermal systems of buildings in the framework of fuzzy mathematical programming is considered. The fuzzy optimization problem is solved analytically under certain assumptions. It is shown that a significant increase in the comfort of the production room can be achieved with a slight increase in energy costs.

Генеральный директор ООО «Теплоэнергоэксперт», Московский энергетический институт (технический университет), факультет: институт теплоэнергетики и технической физики (ИТТФ), Профессиональный инженер, член Национальной Палаты Инженеров РФ

Беляев Н.А., Коровкин Н.В., Чудный В.С. Многокритериальная оптимизация при планировании развития энергосистем //Известия Российской академии наук // Энергетика. 2021. №2. С. 3-11.

Курир В.И. Оптимизация режимов работы энергосистем // Динамика нелинейных дискретных электротехнических и электронных систем. 2017. С. 295-297.

Dantzig G.B., Wolfe Ph. Decomposition Principle for Linear Programs". Operations Research. 1960. No. 8. Pp. 101-111.

Каланов Х.Х., Хафизов Р.Р. Применение математических методов для расчета и оптимизации режимов сложных энергосистем // Вопросы науки 2020: Потенциал науки и современные аспекты. 2020. С. 22-27.

Komissarov P.V. Relevance of the application of the theory of fuzzy sets in the calculation of the strategic security of a complex technical system. Actual issues of modern science. No. 1. Vol. 2, add. Collection of Scientific Articles. 6. 2020. V. 2. Pp. 54-63.

Rabbani M. et al. Sustainable supplier selection by a new decision model based on interval-valued fuzzy sets and possibilistic statistical reference point systems under uncertainty. International Journal of Systems Science: Operations & Logistics. 2019. V. 6. No. 2. Pp. 162-178.

Jain S., Kanwar N. Day ahead optimal scheduling of generators using Dynamic Programming method. 2019 8th International Conference on Power Systems (ICPS). IEEE. 2019. Pp. 1-6.

Zhong S. et al. A reliability-and-cost-based fuzzy approach to optimize preventive maintenance scheduling for offshore wind farms. Mechanical Systems and Signal Processing. 2019. V. 124. Pp. 643-663.

K. Asai, H. Tanaka and T. Okuda. «Decision Making and Its Goal in a Fuzzy Environment», In: Fuzzy Sets and Their Applications to Cognitive and Decision Processes. New York. 1975.

Kumar P.V.N., Chengaiah C. Issues of Unit Commitment and Load Scheduling: A Fuzzy Dynamic Programming Approach. International Journal of Pure and Applied Mathematics. 2017. V. 114. No. 9. Pp. 157-165.

Boglou V. et al. A fuzzy energy management strategy for the coordination of electric vehicle charging in low voltage distribution grids. Energies. 2020. V. 13. No. 14. Pp. 3709.

Ebeed M., Kamel S., Jurado F. Optimal power flow using recent optimization techniques. Classical and recent aspects of power system optimization. Academic Press. 2018. Pp. 157-183.

Naderi E., Pourakbari-Kasmaei M., Abdi H. An efficient particle swarm optimization algorithm to solve optimal power flow problem integrated with FACTS devices. Applied Soft Computing. 2019. V. 80. Pp. 243-262.

Савченко Д.В., Резникова К.М., Смышляева А.А. Нечеткая логика и нечеткие информационные технологии // Отходы и ресурсы. 2021. Т. 8. №1. С. 10.

R.Bellman and L.A.Zadeh. «Decision-making in a Fuzzy Environment». Management Science. Vol. 17. 1970.

Tang R., Wang S. Model predictive control for thermal energy storage and thermal comfort optimization of building demand response in smart grids. Applied Energy. 2019. V. 242. Pp. 873-882.

Pezeshki Z., Mazinani S.M. Comparison of artificial neural networks, fuzzy logic and neuro fuzzy for predicting optimization of building thermal consumption: a survey. Artificial Intelligence Review. 2019. V. 52. No. 1. Pp. 495-525.

Jallal M.A. et al. A hybrid neuro-fuzzy inference system-based algorithm for time series forecasting applied to energy consumption prediction. Applied Energy. 2020. V. 268. Pp. 114977.

Kuboth S. et al. Economic model predictive control of combined thermal and electric residential building energy systems. Applied Energy. 2019. V. 240. Pp. 372-385.

Li Y., Sun K., Tong S. Adaptive fuzzy robust fault-tolerant optimal control for nonlinear large-scale systems. IEEE Transactions on Fuzzy Systems. 2017. V. 26. No. 5. Pp. 2899-2914.