OPTIMIZACIÓN DEL COSTE DE LA ELECTRICIDAD EN VECINDARIOS DESPLAZANDO CARGAS Y EVITANDO PICOS DE DEMANDA CONJUNTOS TECNOLOGIA ENERGÉTICA Diego R. Rodríguez, Fernando Eizaguirre, Aitor Milo Pag. 1 / 12 Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.dyna-energia.com - email: [email protected]OPTIMIZATION DEL COSTE DE LA ELECTRICIDAD EN VECINDARIOS DESPLAZANDO CARGAS Y EVITANDO PICOS DE DEMANDA CONJUNTOS Diego R. Rodríguez, Fernando Eizaguirre y Aitor Milo IK4 - Ikerlan S. Coop. Dpto. de Tecnologías de la Información. Paseo José María Arizmendiarrieta 2, – 20500 Arrasate- Mondragón. Tfno: +34 943 712400. [email protected]Recibido: 8/dic/2013 - Aceptado: 3/ene/2014 – DOI: http://dx.doi.org/10.6036/ES6918 ELECTRICITY COST OPTIMIZATION IN NEIGHBOURHOODS BY SHIFTING ELECTRICAL LOADS AND AVODING JOINT DEMAND PEAKS ABSTRACT: This paper proposes a method that allows residential neighborhoods to take advantage of electricity low prices during off-peaks hours and, at the same time, avoid generating joint demand peaks. The method is based on moving loads in the home (controllable devices such as appliances) to valley hours with low rates while simultaneously trying not coinciding in time in order to not generate joint peaks. To this end, an optimization algorithm generates electricity price profiles slightly different for each home. The profile is received in the home by an EMS (Energy Management System) that switches on the devices in the most economic moment, always trying to respect the preferences and habits of the users. It has been found that joint power peaks can be decreased and, at the same time, electricity cost savings can be achieved. The optimization algorithm is based on particle swarm optimization method. Key Words: Optimization, Particle Swarm Algorithms, Energy Efficiency, Smart Cities, Electric Demand Response RESUMEN: Este artículo propone un método que permite a vecindarios o conjuntos de viviendas con una infraestructura eléctrica común aprovechar tarifas eléctricas en horas valles sin originar picos de demanda simultáneos. El método se basa en desplazar las cargas en la vivienda (dispositivos controlables como electrodomésticos) a horas de tarifas valles evitando la simultaneidad en el consumo con el objetivo de no generar picos de demanda. Para ello, un algoritmo de optimización genera perfiles de precios de la electricidad ligeramente diferentes para cada vivienda. Dicho perfil es recibido diariamente en la vivienda por un EMS (Energy Management System) que se encarga de encender los aparatos en el momento más económico, intentando siempre respetar los hábitos y preferencias de los usuarios. Se ha comprobado que se consiguen disminuir los picos de potencia a la par que se pueden conseguir ahorros en la factura eléctrica. El algoritmo de optimización utilizado está basado en los algoritmos de enjambre de partículas. Palabras Clave: Optimización, Algoritmos de Enjambres de Partículas, Eficiencia Energética, Ciudades Inteligentes, Respuesta de la Demanda Eléctrica. 1.- INTRODUCCIÓN La gestión energética es uno de los temas que más preocupan en la actual situación económica que vive el mundo. Para poner en contexto su importancia citamos algunos datos. En el caso de España y ciñéndonos al caso de las edificaciones, se estima que el consumo por metro cuadrado y año en España es del orden de 119 kWh (en Europa es de 236 kWh). Asimismo, se estima que el consumo en viviendas supone el 25% de la energía total consumida mientras que si a esto le unimos el dato del resto de edificios, principalmente del sector terciario, estaremos hablando del 40% sobre el total consumido. Por otro lado se estima que en el 2030 el consumo energético será un 17% superior al del año 2005 según un informe de la Comisión Europea del 2010. Estos datos no hacen más que avalar la necesidad de proveer de soluciones a los agentes que hacen uso de dicha energía para por un lado reducir su consumo eléctrico, así como la factura correspondiente, y por otro lado reducir las emisiones de gases de efecto invernadero. En este contexto, en los últimos años hemos asistido a una explosión de soluciones que por un lado tratan de paliar las deficiencias que determinados edificios puedan tener realizando operaciones sobre estos para mejorar su eficiencia
12
Embed
OPTIMIZATIÓN DEL COSTE DE LA ELECTRICIDAD EN VECINDARIOS ... - REVISTA DYNA ENERGÍA · 2015. 3. 12. · OPTIMIZACIÓN DEL COSTE DE LA ELECTRICIDAD EN VECINDARIOS DESPLAZANDO CARGAS
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
OPTIMIZACIÓN DEL COSTE DE LA ELECTRICIDAD EN VECINDARIOS DESPLAZANDO CARGAS Y EVITANDO PICOS DE DEMANDA
CONJUNTOS TECNOLOGIA ENERGÉTICA
Diego R. Rodríguez, Fernando Eizaguirre, Aitor Milo
VECINDARIOS DESPLAZANDO CARGAS Y EVITANDO PICOS DE
DEMANDA CONJUNTOS
Diego R. Rodríguez, Fernando Eizaguirre y Aitor Milo IK4 - Ikerlan S. Coop. Dpto. de Tecnologías de la Información. Paseo José María Arizmendiarrieta 2, – 20500 Arrasate-Mondragón. Tfno: +34 943 712400. [email protected]
ELECTRICITY COST OPTIMIZATION IN NEIGHBOURHOODS BY
SHIFTING ELECTRICAL LOADS AND AVODING JOINT DEMAND
PEAKS
ABSTRACT: This paper proposes a method that allows residential neighborhoods to take advantage of electricity low prices during off-peaks hours and, at the same time, avoid generating joint demand peaks. The method is based on moving loads in the home (controllable devices such as appliances) to valley hours with low rates while simultaneously trying not coinciding in time in order to not generate joint peaks. To this end, an optimization algorithm generates electricity price profiles slightly different for each home. The profile is received in the home by an EMS (Energy Management System) that switches on the devices in the most economic moment, always trying to respect the preferences and habits of the users. It has been found that joint power peaks can be decreased and, at the same time, electricity cost savings can be achieved. The optimization algorithm is based on particle swarm optimization method. Key Words: Optimization, Particle Swarm Algorithms, Energy Efficiency, Smart Cities, Electric Demand Response
RESUMEN: Este artículo propone un método que permite a vecindarios o conjuntos de viviendas con una infraestructura eléctrica común aprovechar tarifas eléctricas en horas valles sin originar picos de demanda simultáneos. El método se basa en desplazar las cargas en la vivienda (dispositivos controlables como electrodomésticos) a horas de tarifas valles evitando la simultaneidad en el consumo con el objetivo de no generar picos de demanda. Para ello, un algoritmo de optimización genera perfiles de precios de la electricidad ligeramente diferentes para cada vivienda. Dicho perfil es recibido diariamente en la vivienda por un EMS (Energy Management System) que se encarga de encender los aparatos en el momento más económico, intentando siempre respetar los hábitos y preferencias de los usuarios. Se ha comprobado que se consiguen disminuir los picos de potencia a la par que se pueden conseguir ahorros en la factura eléctrica. El algoritmo de optimización utilizado está basado en los algoritmos de enjambre de partículas. Palabras Clave: Optimización, Algoritmos de Enjambres de Partículas, Eficiencia Energética, Ciudades Inteligentes, Respuesta de la Demanda Eléctrica.
1.- INTRODUCCIÓN La gestión energética es uno de los temas que más preocupan en la actual situación económica que vive el mundo. Para
poner en contexto su importancia citamos algunos datos. En el caso de España y ciñéndonos al caso de las
edificaciones, se estima que el consumo por metro cuadrado y año en España es del orden de 119 kWh (en Europa es de
236 kWh). Asimismo, se estima que el consumo en viviendas supone el 25% de la energía total consumida mientras que
si a esto le unimos el dato del resto de edificios, principalmente del sector terciario, estaremos hablando del 40% sobre
el total consumido. Por otro lado se estima que en el 2030 el consumo energético será un 17% superior al del año 2005
según un informe de la Comisión Europea del 2010. Estos datos no hacen más que avalar la necesidad de proveer de
soluciones a los agentes que hacen uso de dicha energía para por un lado reducir su consumo eléctrico, así como la
factura correspondiente, y por otro lado reducir las emisiones de gases de efecto invernadero.
En este contexto, en los últimos años hemos asistido a una explosión de soluciones que por un lado tratan de paliar las
deficiencias que determinados edificios puedan tener realizando operaciones sobre estos para mejorar su eficiencia
energética pero por otro lado, han empezado a proliferar soluciones basadas en las TIC (Tecnologías de la Información
y Comunicación) software capaces de gestionar de manera cuasi-automática el consumo energético de las viviendas.
Estas herramientas han venido posibilitadas por:
La aparición de los denominados “contadores inteligentes” o “smart meters” que son capaces de proveer de
diversa información cercana al tiempo real sobre los consumos energéticos en cada instante, permitiendo cierta
monitorización del consumo energético.
La posibilidad de determinados dispositivos para ser controlados en el tiempo de manera que sus cargas
puedan ser desplazadas a zonas en las cuales la energía sea más económica (por ejemplo activación de un
electrodoméstico en horas valle), si bien este tipo de desplazamientos deben [1] contar con la aprobación y
supervisión de los usuarios y [2] no generar problemas de suministro a la red como por ejemplo picos en la
demanda debido a que todos los usuario quieren activar los electrodomésticos el momento más barato.
Este artículo presenta un método para, justamente, posibilitar que los usuarios se beneficien de la activación de sus
electrodomésticos en horas valles (ahorro en la factura) al tiempo que se evitan picos de demanda simultáneos y
masivos que puedan comprometer o desestabilizar la red.
Este tipo de aproximaciones (cuya viabilidad está ligada a una mayor liberalización del mercado energético que la
actualmente existente en la mayoría de países europeos), pueden ser interesantes para determinadas Empresas de
Servicios Energéticos (ESE), en inglés ESCO (Energy Service Company), que podrían ofrecer a sus usuarios (tanto a
particulares como empresas del sector terciario) una forma de reducir los costes energéticos pero siempre teniendo en
cuenta en que la red eléctrica no sufra grandes alteraciones que pongan en riesgo la estabilidad y calidad de servicio.
2. ESTADO DEL ARTE EN GESTIÓN ENÉRGÉTICA EN EDIFICIOS Y BARRIOS DE VIVIENDAS La investigación en eficiencia y gestión energética se mueve en múltiples frentes. Por una parte puede abordarse una
mejora estructural de las edificaciones para aumentar su eficiencia energética, tratándose en estos casos de reducir la
cantidad de energía consumida. Un análisis general de las posibilidades de generación de soluciones que puedan
mejorar la eficiencia energética en el sector residencial es propuesto en [3] en el que los autores concentran sus
esfuerzos en cuales pueden ser los beneficios a nivel de reducción de gases de efecto invernadero.
Asimismo, otros trabajos estudian cómo puede gestionarse la demanda partir de la capacidad de medir (smart meters) y
de predecir la demanda, en este ámbito existen muchos estudios centrados en edificios comerciales y también en el
sector residencial. En [1], centrado en edificios comerciales y mediante una simulación de agentes, se muestra cómo
una demanda reactiva a los perfiles de precios puede impactar sobre el propio mercado de la electricidad. En [2], un
trabajo más centrado en el sector residencial, se muestra un sistema que simula la adecuación de la demanda de la
vivienda en función del perfil de precios del día, retrasando o adelantando la puesta en marcha de electrodomésticos
para aprovechar las horas de menor precio, estimando los ahorros que pudieran conseguirse.
Otra serie de trabajos, por ejemplo en [4], se centran más en comprobar mediante simulación cómo una demanda
reactiva al perfil de precios, puede a su vez, originar una reacción en el propio mercado cambiando el propio perfil para
encarecerlo justamente en aquellos tramos donde más se está demandando (porque estaba más barato). Este tipo de
“acción/reacción” del mercado puede comprometer soluciones en las que se intenta sacar partido del perfil de precios
suponiendo que permanecerá estable a lo largo del día.
Entre los trabajos más destacados a nivel de gestión energética, algunos se han centrado en la optimización de la parte
productiva [15], [11], [13] intentando optimizar ésta acorde a la posible demanda existente. Otro conjunto de trabajos
considera el problema de gestionar las distintas demandas como un problema de planificación y aportan soluciones a
dicho problema de una forma muy variada. Así, en [8] los autores gestionan los elementos térmicos de una casa
conservando el nivel de confort de ésta y reduciendo tanto los costes como el consumo. Por otro lado, en [9] se usa
teoría de juegos para la gestión de la demanda manejando los distintos electrodomésticos de una casa de forma que se
reducen los costes y se mejora la gestión de los picos de demanda. Además en dicho trabajo se tiene en cuenta que la
gestión de ese consumo pueda provenir de diversas fuentes de origen renovable siendo el sistema el que elija la menos
5.2. Clúster, Vivienda, Enjambre y Partícula Cada partícula representa una solución completa al problema, es decir, si asumimos por ejemplo un clúster con 75
viviendas, cada partícula contendrá 75 perfiles de precios horarios diferentes. Cada perfil se implementa con un array de
24 posiciones donde en cada hora tenemos el precio del kWh. Estos valores podrán oscilar entre un mínimo (precio al
que compró la ESE) y un máximo (precio al que ofrece la ESE a los clientes no adscritos al programa de
ClsVivienda arrayViviendas[75] // Array de viviendas
Clase ClsVivienda
ClsElectrodomestico[3] // Electrodomésticos de cada vivienda
// Enjambre, partículas y perfil de precios
Clase ClsEnjambre
ClsParticula arrayParticulas[40] // Enjambre o población compuesto por 40 partículas
Clase ClsParticula
ClsPerfilPrecio arrayPerfiles[75] // Cada partícula contiene 75 perfiles, uno por vivienda
// El perfil i-esimo corresponde a la vivienda i-esima
Clase ClsPerfilPrecio
Real arrayPrecios[24] // Precio en cada una de las 24 horas
5.3. Función objetivo mediante Simulación La función objetivo que evalúa una partícula consiste en simular el comportamiento de las viviendas del clúster
asignando a cada una el perfil de precios que le corresponde según dicha partícula. Para poder simular lo que va a
ocurrir en una vivienda, se conocen los siguientes datos:
Potencia máxima de la vivienda, p.e., 3,3 kW.
Aparatos controlables por el EMS que hay en la vivienda, en este caso una lavadora, un lavavajillas y un
calentador. Para cada uno de ellos conocemos:
o Potencia máxima (en kW)
o Hábitos de utilización expresados de la siguiente forma:
Array de 24h Probability Off to On – Probabilidad de que un aparato que está apagado en la
hora h-1 sea encendido en la hora h. Este array captura los hábitos de encendido.
Array de 24h Probability On to Off – Probabilidad de que un aparato que está encendido en
la hora h-1 termine su trabajo en la hora h. Este array captura las duraciones habituales.
o Retraso máximo (en horas) que el usuario está dispuesto aceptar para la puesta en marcha de un
aparato respecto a sus hábitos normales. El EMS podrá retrasar la puesta en marcha, como máximo,
dicho tiempo, salvo que se fuera a rebasar la potencia máxima, caso en el cual se pospone el
encendido lo que haga falta.
o Mínimo número de horas que hay que esperar para poder volver a encender el aparato (se utiliza para
evitar “anomalías estadísticas” de muchos encendidos en el mismo día).
A partir de estos datos, el proceso de simulación de la partícula y la estrategia que implementan los EMSs de la casa se
describe con el siguiente pseudocódigo:
// Para todos los períodos horarios (se simulan dos períodos iguales de 24 horas para minimizar distorsiones o efectos frontera)
para h = 1 to 48
para v = 1 to NumViviendas
para ap = 1 to NumElectrodomesticos de la vivienda v
Buscar el momento h’ de encendido más barato según el perfil de precios
pero sin sobrepasar el retraso máximo permitido por el usuario
Programar ap para encender en h’ (inhibir encenderlo antes)
// Posponer encendido
Sino
// Había que encender pero se sobrepasa potencia, posponer
ap.probabilityOnToOff(h+1) = 1
Sino
// Mantener apagado
MantenerApagado ap
// Si estaba encendido
Sino
// Testear probabilidad de apagado
Si (random(0..1) < (ap.probabilityOnToOff(h))
// Apagar
Apagar ap
Sino
// Mantener encendido
MantenerEncendido ap
finPara
finPara
finPara
Durante el proceso de simulación y según se van encendiendo y apagando los aparatos se contabilizan las cargas que se
van produciendo a lo largo de las 24 horas así como el coste de dichas cargas en función de los perfiles que lleva cada
vivienda. El resultado de la simulación son los siguientes datos:
Máximo Pico de kWh consumidos en una hora por el clúster
Precio medio en €/kWh obtenido promediando el precio medio obtenido por cada vivienda
Varianza del precio medio de cada vivienda respecto al precio medio global
Se pretende que el algoritmo de optimización genere unos perfiles distintos para cada vivienda de manera que se
minimice el Máximo Pico, tratando de evitar sobrecargas en la red, a la par que se deja a los EMS buscar el precio más
bajo para la casa.
Como observación, nótese que la evaluación de una generación de 40 partículas, donde cada partícula contiene 75
perfiles (de otras tantas viviendas) implica un total de 40x75 simulaciones. Si iteramos durante 25 generaciones el
número total de simulaciones será de 40x75x25 = 75.000 simulaciones.
6.- RESULTADOS OBTENIDOS 6.1. Desde el punto de vista de la ESE En el modelo negocio descrito para la ESE, es fundamental que se minimicen los picos indeseados de potencia, tanto
para no desestabilizar la red (comprometiendo el servicio) como para no pagar incrementos por sobrepasamientos.
Como se ha mencionado al principio del presente artículo, los autores de [5], han comprobado que una infraestructura
en la cual los EMS traten de buscar el precio más barato pero sin una coordinación entre los EMSs, acaba produciendo
picos indeseados.
Como primer paso de experimentación hemos confirmado la aseveración de los autores de [5]. Se ha experimentado en
dos circunstancias (promediando 50 simulaciones de 1 clúster, 15 viviendas y 3 electrodomésticos por vivienda):
Escenario I: Cuando los usuarios encienden los aparatos sin tener en cuenta los perfiles de precios, es decir, no
hay un EMS que gestione un encendido inteligente de los aparatos.
En la gráfica anterior se ve con claridad que el sistema de perfiles diferentes que se implementa en el escenario III
consigue disminuir de forma efectiva los picos máximos indeseados que se producen en el escenario II, corroborando la
validez de la hipótesis principal del presente artículo.
Asimismo, como resultado colateral, esta herramienta de simulación puede servir a la ESE para investigar cual son los
picos máximos esperables en función del comportamiento de las viviendas (libre, con EMS y perfiles iguales, con EMS
y perfiles diferentes). Esta información puede ser valiosa para la ESE como indicador de la electricidad que debe
comprar en el mercado.
6.2. Desde el punto de vista de las viviendas El beneficio que pueden obtener los usuarios finales y clientes de la ESE está condicionado por el margen de beneficio
de la propia ESE. La posibilidad de desplazar la demanda a cubrir de las horas picos a la valle del pool le genera un
ahorro económico en la compra de energía. Este ahorro puede ser totalmente transferido a sus clientes o en un
porcentaje. El hecho de permitir un desplazamiento de sus consumos puede acarrear una falta de confort a los usuarios
que lógicamente tendría que compensarse con una reducción del precio de la energía. Del mismo modo el porcentaje de
descuento a transferir a cada usuario tendría que depender de la cantidad de energía transferible que ofrece el mismo.
Como sabemos, el algoritmo de optimización genera los perfiles de precios “encajándolos” entre dos perfiles (el azul y
el verde en la figura IV) con lo cual el beneficio de cada vivienda individual respecto a los precios del mercado está
asegurado. La cuantificación del beneficio depende de los umbrales mínimos que marque la ESE (decisión comercial),
es decir, depende de en qué medida el perfil rojo pueda acercarse al perfil verde (cuanto más se acerque, menos
beneficio para la ESE y más para la vivienda). El perfil azul representaría el coste que la ESE aplicaría a un usuario que
no permite desplazamientos.
Figura IV: Perfiles de precio de la electricidad
Para cuantificar los beneficios con un ejemplo concreto, se puede comparar (a) el coste para la ESE de los kWh
consumidos, (b) con lo que han pagado las viviendas por dichos kWh, y (c) con lo que hubieran pagado las viviendas si
no permiten desplazamiento de cargas. La figura V a continuación muestra la diferencia de costes (en este caso sólo
para 75 viviendas y extrapolando los datos a 1mes). En este experimento el perfil de compra de la ESE se ha generado
como un 20% más barato que el perfil de compra individual a una comercializadora al uso. Los perfiles de las viviendas
Como principales líneas de trabajo futuras sería interesante estudiar estas ideas sobre escenarios más heterogéneos, con
tipologías diferentes de viviendas, edificios de oficinas, etc. Asimismo sería apropiado rebajar la granularidad de la
simulación al orden de minutos. Finalmente podrían aplicarse técnicas de PSO multiobjetivo para optimizar
simultáneamente la disminución de picos de demanda y, por ejemplo, homogeneizar la varianza entre los precios que
obtienen las viviendas.
Igualmente sería interesante contrastar estos resultados con los de otras técnicas, en particular los algoritmos genéticos,
aunque un estudio relativamente reciente [16] muestra que, para una amplia variedad de problemas, los algoritmos PSO
convergen más rápidamente hacia las soluciones óptimas que los algoritmos genéticos, si bien finalmente obtienen
resultados similares.
AGRADECIMIENTOS Este trabajo ha sido financiado por el Departamento de Tecnología, Innovación y Competitividad del Gobierno Vasco.
BIBLIOGRAFÍA [1] Zhi Zhou; Fei Zhao; Jianhui Wang, "Agent-Based Electricity Market Simulation With Demand Response From Commercial Buildings," Smart
Grid, IEEE Transactions on , vol.2, no.4, pp.580,588, Dec. 2011. [2] Roe, C.; Meliopoulos, S.; Entriken, R.; Chhaya, S., "Simulated demand response of a residential energy management system" Energytech,
2011 IEEE , vol., no., pp.1,6, 25-26 May 2011 [3] Kenichi Wada, Keigo Akimoto, Fuminori Sano, Junichiro Oda, Takashi Homma, Energy efficiency opportunities in the residential sector and
their feasibility, Energy, Volume 48, Issue 1, December 2012, Pages 5-10. [4] Motamedi, A.; Zareipour, H.; Rosehart, W.D., "Electricity Price and Demand Forecasting in Smart Grids," Smart Grid, IEEE Transactions on ,
vol.3, no.2, pp.664,674, June 2012 [5] S. Kishore, L.V. Syder, “Control Mechanisms for Residential Electricity Demand in Smart Grids”. Proc of the First Int IEEE Int. Conf on Smart
Grid Communications, Gaithersburg, MD, pp 443-448, Oct 2010.
[6] AlRashidi, M. R.; El-Hawary, M.E., "A Survey of Particle Swarm Optimization Applications in Electric Power Systems," Evolutionary Computation, IEEE Transactions on , vol.13, no.4, pp.913,918, Aug. 2009
[7] J. Kennedy and R. Eberhart. “Particle swarm optimization”. In Proceedings of IEEE International Conference on Neural Networks, volume IV, pages1942{1948, Perth, Australia, 1995.
[8] Pengwei Du; Ning Lu, "Appliance Commitment for Household Load Scheduling," Smart Grid, IEEE Transactions on , vol.2, no.2, pp.411,419, June 2011
[9] Mohsenian-Rad, A.-H.; Wong, V.W.S.; Jatskevich, J.; Schober, R.; Leon-Garcia, A., "Autonomous Demand-Side Management Based on Game-Theoretic Energy Consumption Scheduling for the Future Smart Grid," Smart Grid, IEEE Transactions on , vol.1, no.3, pp.320,331, Dec. 2010
[10] Faria, P.; Vale, Z.; Soares, J.; Ferreira, J., "Demand Response Management in Power Systems Using a Particle Swarm Optimization Approach," Intelligent Systems, IEEE (to be published)
[11] Tsui, K. M.; Chan, S.C., "Demand Response Optimization for Smart Home Scheduling Under Real-Time Pricing," Smart Grid, IEEE Transactions on , vol.3, no.4, pp.1812,1821, Dec. 2012
[12] Sousa, T.; Morais, H.; Vale, Z.; Faria, P.; Soares, J., "Intelligent Energy Resource Management Considering Vehicle-to-Grid: A Simulated Annealing Approach," Smart Grid, IEEE Transactions on , vol.3, no.1, pp.535,542, March 2012
[13] Bozchalui, M.C.; Hashmi, S.A.; Hassen, H.; Canizares, C.A.; Bhattacharya, K., "Optimal Operation of Residential Energy Hubs in Smart Grids," Smart Grid, IEEE Transactions on , vol.3, no.4, pp.1755,1766, Dec. 2012
[14] Takeuchi, A.; Hayashi, T.; Nozaki, Y.; Shimakage, T., "Optimal Scheduling Using Metaheuristics for Energy Networks," Smart Grid, IEEE Transactions on , vol.3, no.2, pp.968,974, June 2012
[15] Logenthiran, T.; Srinivasan, D.; Tan Zong Shun, "Demand Side Management in Smart Grid Using Heuristic Optimization," Smart Grid, IEEE Transactions on , vol.3, no.3, pp.1244,1252, Sept. 2012
[16] R. Hassan, B. Cohanim, O. De Weck, G. Venter. “A comparison of particle swarm optimization and the genetic algorithms”. In 46th AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics, and Materials Conference (2005), pp. 1-13 Key: citeulike:5781649