Внутренний обмен кредитами на солнечную энергию в микросети на примере комплекса таунхаусов

  • Аркадий МАЦЕХ
DOI: https://doi.org/10.24160/0013-5380-2025-3-39-50
Ключевые слова: микросети, солнечные фотоэлементы, возобновляемая энергия, распределенная генерация, источники выгоды в микросетях, энергетические тарифы, жилищные кооперативы, биржа энергетических кредитов, P2P торговля энергией, ценообразование на энергию

Аннотация

В статье рассматривается задача оптимизации использования солнечной энергии в жилых комплексах (посёлках) с помощью внутренней системы обмена энергетическими кредитами. Исследование направлено на разработку и апробацию комплексного подхода к управлению энергопотреблением, максимизирующего экономические выгоды как для потребителей солнечной энергии, так и для других потребителей в микросетях, работающих на солнечной энергии. Подход к управлению энергопотреблением должен быть простым в реализации с минимальными вмешательством и дополнительными затратами. В статье представлены результаты трехлетнего исследования в австралийском комплексе таунхаусов, состоящем из двух микросетей на 19 и 24 дома и семи солнечных энергоустановок. Предлагаемая система включает в себя несколько новых элементов: 1) механизм внутреннего обмена энергетическими кредитами, основанный на реальных моделях потребления; 2) модель сбалансированного тарифа, установленная на уровне 65 % базового внутреннего тарифа, определяемого путем коллективного принятия решений; 3) гибкая система накопления кредитов с возможностью возврата переплаты. Полевые данные, собираемые ежеквартально, показывают, что при такой архитектуре до 35 % всей энергии, потребляемой пользователями, не имеющими солнечных панелей, производится их соседями, использующими солнечные панели. Если экспорт солнечной энергии учитывать с помощью предложенной математической модели, то это позволит либо радикально снизить затраты на электроэнергию, либо постоянно накапливать кредиты для пользователей солнечных панелей в зависимости от их общего потребления энергии. Это также обеспечит постоянное снижение затрат на 5–10 % (общественные скидки на солнечную энергию) для пользователей, не имеющих солнечных панелей. Разработанный и внедренный подход предлагает простую методологию учета экспорта солнечной энергии в небольших жилых микросетях, предлагая значительные преимущества для пользователей солнечной энергии по сравнению с традиционным прямым подключением к электросети. Значительные экономические выгоды получают как пользователи, владеющие солнечными панелями, благодаря более справедливым тарифам на экспорт энергии, так и не имеющие солнечных панелей, благодаря скидкам на коммунальную энергию. Методология и результаты могут быть применены к аналогичным жилым микросетям по всему миру, особенно в условиях, когда преобладают встроенные сетевые архитектуры. Математическая модель, представленная в этой работе и проверенная в ходе реальных полевых испытаний, может быть применена к потоку данных автоматизированного учета энергии с коротким временем выборки (несколько минут), что позволяет осуществлять тарификацию в режиме реального времени. Она легко применима для использования интеллектуальных систем управления энергопотреблением и автоматического и гибкого управления нагрузкой.

Биография автора

Аркадий МАЦЕХ

кандидат физ.-мат. наук, главный научный сотрудник, директор, Компания Фуко Динамикс, Голд-Кост, Австралия.

Литература

1. Jirdehi M.A. et al. Different Aspects of Microgrid Management: A Comprehensive Review. – Journal of Energy Storage, 2020, vol. 30, DOI: 10.1016/j.est.2020.101457.
2. Agupugo C.P. et al. Advancements in Technology for Renewable Energy Microgrids. – International Journal of Novel Research in Engineering and Science, 2024, vol. 11, pp. 122–137, DOI: 10.5281/zenodo.13292182.
3. Embedded Networks Factsheet [Электрон. ресурс], URL: https://ewosa.com.au/assets/volumes/general-downloads/fact-sheets/Embedded-networks.pdf (дата обращения 13.02.2025).
4. Katiraei F. et al. Microgrids Management. Control and Operation Aspects of Microgrids. – IEEE Power & Energy Magazine, 2008, pp. 55–65, DOI: 10.1109/MPE.2008.918702.
5. Marzal S. et al. An Embedded Internet of Energy Communication Platform for the Future Smart Microgrids Management. – IEEE Internet of Things Journal, 2019, vol. 6, No 4, pp. 7241–7251, DOI: 10.1109/JIOT.2019.2915389.
6. Gallo D. et al. Low Cost Smart Power Metering. – IEEE International Instrumentation and Measurement Technology Conference, 2013, pp. 763–767, DOI: 10.1109/I2MTC.2013.6555518.
7. Abate F. et al. A Low Cost Smart Power Meter for IoT. – Measurement, 2019, vol. 136, pp. 59–66, DOI: 10.1016/j.measurement.2018.12.069.
8. Palacios-Garcia E.J. et al. Smart Metering System for Microgrids. – IECON 2015 – 41st Annual Conference of the IEEE Industrial Electronics Society, 2015, pp. 3289–3294, DOI: 10.1109/IECON.2015.7392607.
9. Stadler M. et al. Value Streams in Microgrids: A Literature Review. – Applied Energy, 2016, vol. 162, pp. 980–989, DOI: 10.1016/j.apenergy.2015.10.081.
10. Gerbinet S., Belboom S., Léonard A. Life Cycle Analysis (LCA) of Photovoltaic Panels: A Review. – Renewable and Sustainable Energy Reviews, 2014, vol. 38, pp. 747–753, DOI: 10.1016/j.rser.2014.07.043.
11. PVWatts® Calculator by National Renewable Energy Laboratory [Электрон. ресурс], URL: https://pvwatts.nrel.gov/ (дата обращения 08.01.2025).
12. The RETScreen® Clean Energy Management Software [Электрон. ресурс], URL: https://natural-resources.canada.ca/maps-tools-and-publications/tools/modelling-tools/retscreen/7465 (дата обращения 08.01.2025).
13. McManus M.C. Environmental Consequences of the Use of Batteries in Low Carbon Systems: The Impact of Battery Produc-tion. – Applied Energy, 2012, vol. 93, pp. 288–295, DOI: 10.1016/j.apenergy.2011.12.062.
14. Jenkins D.P., Fletcher J., Kane D. Mode for Evaluating Impact of Battery Storage on Microgeneration in Dwellings. – Energy Conversion and Management, 2008, vol. 49, pp. 2413–2424, DOI: 10.1016/j.enconman.2008.01.011.
15. Desrochers K. et al. Real-world, Full-scale Validation of Power Balancing Services from Packetized Virtual Batteries. – IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT), 2019, DOI: 10.1109/ISGT.2019.8791628.
16. Morgan M.G., Talukdar S.N. Electric Power Load Management: Some Technical, Economic, Regulatory and Social Issues. – Proceedings of the IEEE, 1979, vol. 67, No. 2, pp. 241–312, DOI: 10.1109/PROC.1979.11234.
17. Schweppe F.C. et al. Homeostatic Utility Control. – IEEE Trans-actions on Power Apparatus and Systems, 1980, No. 3, pp. 1151–1163, DOI: 10.1109/TPAS.1980.319745.
18. Binyamin S.S., Ben Slama S.A., Zafar B. Artificial Intelligence-Powered Energy Community Management for Developing Renewable Energy Systems in Smart Homes. – Energy Strategy Reviews, 2024, vol. 51, DOI: 10.1016/j.esr.2023.101288.
19. Ukoba K. et al. Optimizing Renewable Energy Systems Through Artificial Intelligence: Review and Future Prospects. – Energy & Environment, 2024, vol. 35(7), pp. 3833–3879, DOI: 10.1177/0958305X24125629.
20. Long C. et al. Peer-To-Peer Energy Trading in a Community Microgrid. – IEEE Power Energy Society General Meeting, 2017, DOI: 10.1109/PESGM.2017.8274546.
21. Tomin N., Zhukov A., Domyshev A. Deep Reinforcement Learning for Energy Microgrids Management Considering Flexible Energy Sources. – International Workshop on Flexibility and Resiliency Problems of Electric Power Systems. EPJ Web of Conferences, 2019, vol. 217, DOI: 10.1051/epjconf/201921701016.
22. Shahzad S. et al. Possibilities, Challenges, and Future Opportunities of Microgrids: A Review. – Sustainability, 2023, vol. 15, DOI: 10.3390/su15086366.
23. Celli G. et al. Optimal Participation of a Microgrid to the Energy Market with an Intelligent EMS. –International Power Engineering Conference, 2005, pp. 663–668, DOI: 10.1109/IPEC.2005.206991.
24. Fridgen G. et al. One Rate Does Not Fit All: An Empirical Analysis of Electricity Tariffs for Residential Microgrids. – Ap-plied Energy, 2018, vol. 210, pp. 800–814, DOI: 10.1016/j.apenergy.2017.08.138.
25. Burke W.J., Auslander D.M. Residential Electricity Auction with Uniform Pricing and Cost Constraints. – 41st North American Power Symposium, 2009, DOI: 10.1109/NAPS.2009.5484058.
26. Alferidi A. et al. AI-Powered Microgrid Networks: Multi-Agent Deep Reinforcement Learning for Optimized Energy Trading in Interconnected Systems. – Arabian Journal for Science and Engineering, 2024, DOI: 10.1007/s13369-024-09754-4
#
1. Jirdehi M.A. et al. Different Aspects of Microgrid Management: A Comprehensive Review. – Journal of Energy Storage, 2020, vol. 30, DOI: 10.1016/j.est.2020.101457.
2. Agupugo C.P. et al. Advancements in Technology for Renewable Energy Microgrids. – International Journal of Novel Research in Engineering and Science, 2024, vol. 11, pp. 122–137, DOI: 10.5281/zenodo.13292182.
3. Embedded Networks Factsheet [Electron. resource], URL: https://ewosa.com.au/assets/volumes/general-downloads/fact-sheets/Embedded-networks.pdf (Accessed on 13.02.2025).
4. Katiraei F. et al. Microgrids Management. Control and Operation Aspects of Microgrids. – IEEE Power & Energy Magazine, 2008, pp. 55–65, DOI: 10.1109/MPE.2008.918702.
5. Marzal S. et al. An Embedded Internet of Energy Communication Platform for the Future Smart Microgrids Management. – IEEE Internet of Things Journal, 2019, vol. 6, No 4, pp. 7241–7251, DOI: 10.1109/JIOT.2019.2915389.
6. Gallo D. et al. Low Cost Smart Power Metering. – IEEE International Instrumentation and Measurement Technology Conference, 2013, pp. 763–767, DOI: 10.1109/I2MTC.2013.6555518.
7. Abate F. et al. A Low Cost Smart Power Meter for IoT. – Measurement, 2019, vol. 136, pp. 59–66, DOI: 10.1016/j.measurement.2018.12.069.
8. Palacios-Garcia E.J. et al. Smart Metering System for Microgrids. – IECON 2015 – 41st Annual Conference of the IEEE Industrial Electronics Society, 2015, pp. 3289–3294, DOI: 10.1109/IECON.2015.7392607.
9. Stadler M. et al. Value Streams in Microgrids: A Literature Review. – Applied Energy, 2016, vol. 162, pp. 980–989, DOI: 10.1016/j.apenergy.2015.10.081.
10. Gerbinet S., Belboom S., Léonard A. Life Cycle Analysis (LCA) of Photovoltaic Panels: A Review. – Renewable and Sustainable Energy Reviews, 2014, vol. 38, pp. 747–753, DOI: 10.1016/j.rser.2014.07.043.
11. PVWatts® Calculator by National Renewable Energy Laboratory [Electron. resource], URL: https://pvwatts.nrel.gov/ (Accessed on 08.01.2025).
12. The RETScreen® Clean Energy Management Software [Electron. resource], URL: https://natural-resources.canada.ca/maps-tools-and-publications/tools/modelling-tools/retscreen/7465 (Accessed on 08.01.2025).
13. McManus M.C. Environmental Consequences of the Use of Batteries in Low Carbon Systems: The Impact of Battery Production. – Applied Energy, 2012, vol. 93, pp. 288–295, DOI: 10.1016/j.apenergy.2011.12.062.
14. Jenkins D.P., Fletcher J., Kane D. Mode for Evaluating Impact of Battery Storage on Microgeneration in Dwellings. – Energy Conversion and Management, 2008, vol. 49, pp. 2413–2424, DOI: 10.1016/j.enconman.2008.01.011.
15. Desrochers K. et al. Real-world, Full-scale Validation of Power Balancing Services from Packetized Virtual Batteries. – IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT), 2019, DOI: 10.1109/ISGT.2019.8791628.
16. Morgan M.G., Talukdar S.N. Electric Power Load Management: Some Technical, Economic, Regulatory and Social Issues. – Proceedings of the IEEE, 1979, vol. 67, No. 2, pp. 241–312, DOI: 10.1109/PROC.1979.11234.
17. Schweppe F.C. et al. Homeostatic Utility Control. – IEEE Transactions on Power Apparatus and Systems, 1980, No. 3, pp. 1151–1163, DOI: 10.1109/TPAS.1980.319745.
18. Binyamin S.S., Ben Slama S.A., Zafar B. Artificial Intelligence-Powered Energy Community Management for Developing Renewable Energy Systems in Smart Homes. – Energy Strategy Reviews, 2024, vol. 51, DOI: 10.1016/j.esr.2023.101288.
19. Ukoba K. et al. Optimizing Renewable Energy Systems Through Artificial Intelligence: Review and Future Prospects. – Energy & Environment, 2024, vol. 35(7), pp. 3833–3879, DOI: 10.1177/0958305X24125629.
20. Long C. et al. Peer-To-Peer Energy Trading in a Community Microgrid. – IEEE Power Energy Society General Meeting, 2017, DOI: 10.1109/PESGM.2017.8274546.
21. Tomin N., Zhukov A., Domyshev A. Deep Reinforcement Learning for Energy Microgrids Management Considering Flexible Energy Sources. – International Workshop on Flexibility and Resiliency Problems of Electric Power Systems. EPJ Web of Conferences, 2019, vol. 217, DOI: 10.1051/epjconf/201921701016.
22. Shahzad S. et al. Possibilities, Challenges, and Future Opportunities of Microgrids: A Review. – Sustainability, 2023, vol. 15, DOI: 10.3390/su15086366.
23. Celli G. et al. Optimal Participation of a Microgrid to the Energy Market with an Intelligent EMS. –International Power Engineering Conference, 2005, pp. 663–668, DOI: 10.1109/IPEC.2005.206991.
24. Fridgen G. et al. One Rate Does Not Fit All: An Empirical Analysis of Electricity Tariffs for Residential Microgrids. – Applied Energy, 2018, vol. 210, pp. 800–814, DOI: 10.1016/j.apenergy.2017.08.138.
25. Burke W.J., Auslander D.M. Residential Electricity Auction with Uniform Pricing and Cost Constraints. – 41st North American Power Symposium, 2009, DOI: 10.1109/NAPS.2009.5484058.
26. Alferidi A. et al. AI-Powered Microgrid Networks: Multi-Agent Deep Reinforcement Learning for Optimized Energy Trading in Interconnected Systems. – Arabian Journal for Science and Engineering, 2024, DOI: 10.1007/s13369-024-09754-4
Опубликован
2025-01-30
Выпуск
№ 3 (2025): Выпуск № 3
Раздел
Статьи