Sensorbasierte Energieeinkauf in Cyber-physischen Systemen der Smart Grid

Verteilte und erneuerbare Energiequellen werden voraussichtlich eine wichtige Rolle in der zukünftigen Energie-Landschaft spielen, da Verbraucher und Unternehmenskunden ihre Abhängigkeit vom Hauptstromnetz als Energiequelle reduzieren. Umwelt- oder Umgebungsdaten wie Temperatur und Luftfeuchtigkeit sowie die Menge an Sonnenlicht und Wind können verwendet werden, um die Stromnachfrage der Nutzer und das Angebot aus erneuerbaren Quellen vorherzusagen. In diesem Papier beschreiben wir ein Cyber-physisches System der Smart Grid (SG-CPS), das Sensoren umfasst, die Echtzeit-Datenströme von erfassten Informationen an Vorhersage-Modelle für die Nachfrage und das Angebot von Elektrizität übermitteln. Ein optimierungsbasierter Entscheidungsträger nutzt diese Prognosen zusammen mit den Echtzeitpreisen für Netzstrom und historischen Informationen, um die Menge und den Zeitpunkt der Netzstromkäufe tagsüber und nachts zu bestimmen. Wir untersuchen zwei Formen des optimierungsbasierten Entscheidungsträgers: eine, die lineare Programmierung verwendet, und eine andere, die mehrstufige stochastische Programmierung nutzt. Unsere Ergebnisse zeigen, dass sensorbasierte Vorhersagen in Kombination mit dem optimierungsbasierten Entscheidungsträger, der auf der SG-CPS-Plattform gehostet wird, gut mit Unsicherheiten in der Nachfrage, dem Angebot und den Strompreisen umgehen können, und Entscheidungen über den Kauf von Netzstrom treffen, die sowohl das Auftreten von Energieknappheit als auch die Kosten für den Netzstromkauf niedrig halten. Anschließend untersuchen wir die Rechen- und Speicheranforderungen der zuvor genannten Vorhersage- und Optimierungsalgorithmen und stellen fest, dass sie innerhalb der Fähigkeiten moderner Mikroprozessoren für eingebettete Systeme liegen und somit für den Einsatz in typischen Haushalten und Gemeinschaften geeignet sind.