Algoritmos Evolutivos Multi-objetivo para gestão da ... · Principal objetivo do escalonamento de...
-
Upload
truongthuy -
Category
Documents
-
view
214 -
download
0
Transcript of Algoritmos Evolutivos Multi-objetivo para gestão da ... · Principal objetivo do escalonamento de...
Algoritmos Evolutivos Multi-objetivo para gestão da demanda de energia elétrica
Carlos Henggeler Antunes Deptº de Engª Electrotécnica e de Computadores - Universidade de Coimbra
Iniciativa Energia para a Sustentabilidade - EfS INESC Coimbra
[email protected]; http://www2.deec.uc.pt/~ch
Integração de geração distribuída + evolução dos sistemas de energia elétrica para as smart-grids
Crescente integração de ICT
Demanda recurso com potencial de gestão e controlo: - alteração dos padrões de consumo de eletricidade de modo a satisfazer os requisitos dos serviços de energia dos utilizadores
Gestão da demanda de energia elétrica papel mais importante na eficiência global do sistema
Atrativa para diferentes intervenientes
Motivação
Rede elétrica que permitirá integrar de forma inteligente as
ações de todos os utilizadores a elas ligados
produtores centralizados e dispersos,
operadores de transporte e distribuição,
comercializadores,
consumidores
assegurando de forma eficiente o abastecimento sustentável,
económico e seguro de energia elétrica.
Smart grids
Integra produtos e serviços inovadores com monitorização, controlo, comunicação, e tecnologias de auto-regeneração (self-healing) para:
- facilitar a ligação e operação de geradores de todas as tecnologias e tamanhos,
- permitir aos consumidores um papel ativo na otimização da operação global do sistema,
- oferecer aos consumidores mais e melhor informação para escolhas mais diversificadas,
- reduzir o impacto ambiental global do sistema elétrico, - oferecer níveis acrescidos de fiabilidade e segurança de
abastecimento.
Smart grids
O desenvolvimentos das Smart Grids envolve questões - tecnológicas, - de mercado e comerciais, - de impacto ambiental, - de quadro regulatório, - de estabelecimento de standards, - de uso de ICT, - de desenho de estratégias de migração.
Inteligência distribuída: equipamentos e algoritmos.
Gestão integrada de recursos: cargas + geração local + armazenamento (VE)
Smart grids … e PO
O modelo actual do PPEC contempla a existência de candidaturas bienais, constituídas por um conjunto de medidas de promoção da eficiência no consumo de energia eléctrica propostas e executadas pelo comercializadores, agentes externos e operadores de redes de energia eléctrica.
As medidas são divididas em duas tipologias, alvo de avaliação separada:
- medidas tangíveis * indústria e agricultura, * comércio e serviços, * residencial; - medidas intangíveis.
Smart … rede, contadores, aparelhos, termóstatos, bairros, cidades, economias, …
Cargas de utilização final
- desligadas durante curtos períodos de tempo reduzir a
ponta do diagrama de carga e/ou os custos de aquisição,
- funcionamento deslocado no tempo períodos em que a
energia é mais barata,
- parâmetros de controlo alterados temporariamente
pequena diminuição do nível de serviço.
Gestão da demanda
Ações de controlo de cargas interesse potencial para diversos intervenientes
- consumidores que pretendem minimizar a factura ou maximizar a integração de outros recursos de armazenamento ou geração local,
- fornecedores que pretendem aumentar os lucros ou aumentar a quota de mercado,
- gestor da rede de distribuição que pretende optimizar o funcionamento do sistema
- aumentar a eficiência do mercado de energia
Gestão da demanda
Devem ser concebidas tendo em conta múltiplos aspectos de
avaliação:
- diminuição da ponta do diagrama de carga a diferentes
níveis de agregação,
- maximizar os lucros,
- minimizar o desconforto causado aos consumidores
- minimizar perdas
Ações de controlo de cargas
Alterar a forma e amplitude dos padrões de procura
Reduzir a ponta do diagrama de cargas evitando restrições de
capacidade e/ou picos de preços
Ações de controlo padrões on/off aplicados às cargas
controláveis, agrupadas de acordo com tipo, características
físicas, localização, etc.
Efeito indesejável efeito de restituição (payoff) devido ao
restabelecimento “demasiado simultâneo” da alimentação após
interrupção ponta mais elevada do que existiria sem ações de
controlo!
Controlo direto de cargas
Problema combinatório: identificação dos padrões on/off a aplicar em grupos de cargas sob controlo duração e localização no tempo de cada período off
Diferentes durações dos períodos on/off maior flexibilidade no controlo de cargas
melhores resultados nas múltiplas perspetivas de análise: económica, técnica, qualidade de serviço
Controlo direto de cargas
Funções objetivo
Minimizar a ponta do diagrama de carga, avaliada a diferentes níveis de agregação da demanda!
!- sub-estação (SE), !!- postos de transformação (PT1, PT2)!
Minimizar desconforto imposto ao consumidor !!- número de minutos!
!- máximo intervalo! Maximizar lucros ! Minimizar perdas!
Algoritmo genético multi-objetivo
Design (não requerendo pré-especificação) + seleção das ações de controlo
Modelos fisicamente baseados reproduzem os fenómenos físicos (incluindo efeito de payback) que ocorrem nas cargas sujeitas às ações de controlo
Cargas: AC + EWH
Algoritmo genético multi-objetivo
Principais características Representação: binária Tamanho da população: 100 Seleção: torneio binário Mutação: controlo adaptativo (de acordo com os valores
obtidos para cada função objectivo) Cruzamento: um ponto, prob. 0.7 Restrições: penalização da fitness Comportamento elitista (baseado na distância de cada
indivíduo a um ponto meta-óptimo) Possibilidade de introduzir interativamente níveis de
aspiração e de reserva
Algoritmo genético multi-objetivo
1860 cargas (1415 EWH +445 AC) em 20 grupos Limiares de conforto associados às cargas controláveis: 45ºC para AQS e 25ºC para a temperatura ambiente Dia útil, verão; Ponta: 31632 kW (SE), 602 kW (PT1), 707 kW (PT2)
Demand at the three aggregation levels (PA- full; PD1- dotted; PD2- pattern)
0
5000
10000
15000
20000
25000
30000
35000
0:00
1:00
2:00
3:00
4:00
5:00
6:00
7:00
8:00
9:00
10:0
0
11:0
0
12:0
0
13:0
0
14:0
0
15:0
0
16:0
0
17:0
0
18:0
0
19:0
0
20:0
0
21:0
0
22:0
0
23:0
0
Sub
-sta
tion
dem
and
(kW
)
0
100
200
300
400
500
600
700
800
Less
agg
rega
te d
eman
d (P
D1
and
PD
2)
(kW
)
Algoritmo genético multi-objetivo
Funções objetivo: - SE: 30901 kW
- PT1: 562 kW
- PT2: 579 kW,
- tempo total de violação do
limiar de conforto: 0
- máximo intervalo contínuo
de violação do limiar de
conforto: 0
- factor de perdas: 0.53518
- lucros: 7335 k€
Algoritmo genético multi-objetivo
- Diagrama de carga no PT2 sem e com ações de controlo - Redução da ponta: no PT2 = 128 kW (43.8% da carga sob controlo no período de ponta, 18.1% da ponta); na SE = 731 kW (33.6% da carga sob controlo, 2.31% da ponta).
Demand at PT2: without(thin) and with (dotted) power curtailments
0
100
200
300
400
500
600
700
800
0:00
1:00
2:00
3:00
4:00
5:00
6:00
7:00
8:00
9:00
10:0011
:0012
:0013
:0014
:0015
:0016
:0017
:0018
:0019
:0020
:0021
:0022
:0023
:00
kW
!
Controlo directo de cargas + reparametrização
! !
!"#$%&'%(')*"&!"#$% &'()*(
+,-.%/01234(5678
9:;31(
5%,8
9:;4<(
5%,8
.=>?@
A +, +-. //-, /0 12/B /3 /-4 /0 /0-, 12+C 03 /-5 //-, /0 6!D /3 7 /0 /0-, 6!E /, +-. /0-, /7 6!F /3 +-7 /0-, /7 6!G 0, /-7 // //-, 6!H /3 /-7 /0 /0-, 6!I /3 7 //-, /0 12+AJ 03 0-4 /0 /0-, 6!AA +, +-4 /0-, /7 12/AB /, 4 // //-, 6!AC 03 /-7 /0-, /7 6!AD /3 0-7 //-, /0 12/AE 03 /-7 /0-, /7 6!AF /, +-. /0-, /7 6!AG +3 /-7 /0 /0-, 12+AH +, +-7 /0-, /7 12+AI +, +-4 /0-, /7 12/BJ +, +-. //-, /0 12+BA +3 +-4 /0-, /7 12/BB +, +-7 /0-, /7 12+BC /3 +-7 /0-, /7 6!BD /3 /-7 /0 /0-, 6!
Optimizar o escalonamento de cargas eléctricas (residenciais) de acordo com sinais da rede + restrições/preferências definidas pelo utilizador!
Minimizar a conta de eletricidade, tendo em conta as preferências e assegurando a qualidade dos serviços de energia!
Restrições: !!- nível de potência contratada,!!- preferências relativas aos períodos admissíveis/preferidos
para o funcionamento de cada carga,!!- energia “usável” em cada período de tempo para ter em
conta variações na carga base (não controlável).!
Gestão de cargas (residenciais)
!Tarifas dinâmicas (num contexto smart grid)!
!Atitude proativa do consumidor residencial típico para optimizar o uso de energia eléctrica face a variáveis dinâmicas!
! !preços da eletricidade!! !condições climatéricas!! !requisitos de conforto!! !disponibilidade de geração local!! !armazenamento (VE)!
Gestão de cargas (residenciais)
Principal objetivo do escalonamento de cargas:!
!- ajudar os consumidores a tirar partido de diferentes utilizações dos serviços de energia para reduzir a conta de eletricidade através da implementação de ações de resposta da demanda!
Ações de controlo sobre cargas controláveis atrasar ou antecipar os ciclos de funcionamento das cargas, respeitando as preferências dos utilizadores.!
Gestão de cargas (residenciais)
Carga não disponível para ações de controlo!
Cargas controláveis!!- interrompíveis!!- deslocáveis!!- reparametrizáveis!
!Variação do preço €/kWh !!Vários níveis de potência contratada!!Preferências sobre períodos de tempo de funcionamento!
Gestão de cargas (residenciais)
Gestão de cargas (residenciais)
slot 1
0 4 12 1 2 3 5 6 7 8 9 10 11 13 17 14 15 16 18 19 20 21 22 23 24
slot 2
Slot
s de
tem
po
MLL slot 1
MLR *
slot 2slot 1MLR **
Horas
MLL
MLR*
MLR**
MLR** no período 2 MLR* no
período 1
MLL no período 1
OU 2
Gestão de cargas (residenciais)
slot 2Slot
s de
tem
po
slot 1
0 4 12 1 2 3 5 6 7 8 9 10 11 13 17 14 15 16 18 19 20 21 22 23 24
1
0 Pena
lizaç
ão MLL
slot 2Slot
s de
tem
po
slot 1
0 4 12 1 2 3 5 6 7 8 9 10 11 13 17 14 15 16 18 19 20 21 22 23 24
1
0 Pena
lizaç
ão MLL
slot 2Slot
s de
tem
po
slot 1
0 4 12 1 2 3 5 6 7 8 9 10 11 13 17 14 15 16 18 19 20 21 22 23 24
1
0 Pena
lizaç
ão MLL
Penalidades associadas às preferências sobre períodos de tempo de utilização de cada carga
Gestão de cargas (residenciais)
Função objectivo =
€ energia consumida pelas cargas controláveis +
€ penalidade associada às preferências +
€ penalidade relativa a (potência contratada – ponta) +
€ penalidade relativa a energia “usável” em cada período
de tempo
Gestão de cargas (residenciais)
0 4 12 1 2 3 5 6 7 10 11 13 17 14 15 16 18 19 20 21 22 23 24 0
P contratada
9 8
Potência contratada
Variação da carga base (não controlável) interrupção dos
serviços de energia (solução não admissível)
AG MO para gestão de cargas cíclicas
Principais características Representação: string de inteiros (minuto em que o ciclo tem início) Tamanho da população: 200 Seleção: torneio ternário Cruzamento: máscara binária, prob. 0.5 Mutação: desvio max 5 min., prob. 0.8 Elitismo: 5% pop. (substituem indivíduos com pior fitness)
AG MO para gestão de cargas cíclicas
Nova representação: - cargas deslocáveis (minuto de início) - cargas termostáticas (padrão on/off ou variação do ponto de operação) - VE (minuto de início e nível de potência de carregamento)
!
Gestão de cargas (residenciais)
0 4 2 3 5 6 7 Horas
0
P
8 24 1 9
• MLR • MSR • MLL
• EHW
0 4 1 2 3 5 6 7 Horas
0
Pterm
Utilização de água quente às 8 horas
8 9 24
• VE
0 4 2 3 5 6 7 8 0
Pve
9 24 1
312
4
5
2 3 4
5
5
!Agregador: intermediário entre os EMS em cada casa e a rede para coordenar a disseminação em larga escala de DR!
!Providenciar serviços de sistema aumentar a eficiência, assegurar maior segurança e fiabilidade e qualidade de serviço!
!Usar a flexibilidade dos recursos do lado da procura e as restrições técnicas da rede e das cargas controláveis contribuir para o equilíbrio oferta/procura e mitigar a intermitência das fontes renováveis !
Agregador
!Cluster de utilizadores com características semelhantes: potência contratada, perfil de uso, localização, …!
!Baseline perfil de consumo de cada cluster + resposta a sinais de disponibilidade/quantidade enviados pelo agregador!
!Função objetivo: maximizar os lucros do agregador, resultantes de “vender” à rede a flexibilidade dos clusters de utilizadores e recompensar os consumidores participantes (pelas cargas desviadas/desligadas de acordo com os pedidos)!
Agregador
Modelo de programação inteira mista! Variáveis binárias!
!- enviar ou não uma oferta à rede (Ot), !!- enviar ou não um pedido a cada cluster (At),!
Variáveis contínuas!!- quantidade de energia que o agregador pode oferecer à
rede (Et) !!- diferença entre o consumo baseline de cada cluster e a
sua função de resposta (Dt)! Restrições técnicas e funcionais!
Agregador
Agregador
TABLE I
CLUSTER DETAILS
Cluster ID Size Reliability
1 900 1
2 800 1
3 1250 0.6
4 1020 0.8
Besides the functional constraints discussed before, we
need to add some technical constraints to guarantee con-
sistent solutions.
This family of constraints described in Equation (6) de-
fines the variables Rt as the minimum difference between
baseline and actual load profiles in the whole load area.
In the last two constraint, we define M as an arbitrarily
large constant. The Equation (7) is a family of constraints
introduced to link the two families of decision variables, Yt
and Rt. In fact, Rt must be positive whenever the aggregator
is able to present an offer to the market (i.e., Yt = 1).
The last family of constraints (Equation (8)) guarantees
that – whenever the aggregator is able to present an offer to
the market (i.e., Yt = 1) – the energy offered to the market
is at most equal to the overall flexibility gathered by the
aggregator.
IV. NUMERICAL SIMULATION RESULTS
In this section, numerical results provided by the opti-
mization algorithm in a simulated scenario are presented
together with a discussion on advantages and limitations of
the approach.
We perform our experiments assuming that consumers
belong to four clusters, whose characteristics (namely, size
and reliability) are specified in Table I.
Although the optimization model is flexible, in our tests
we assume 24 one hour time slots for the market time scale
and 15 minutes time slots for the consumer time scale.
The energy price forecasts over the 24-hour time horizon
have been derived based on historical data, and are depicted
in Fig. 2.
Fig. 2. Energy price forecasts for the day-ahead market
The flexibility requests to be examined by the aggregator
optimization module are derived as follows. We consider
• two price levels; namely, 0.01e and 0.02e;
• a single volume reduction level of 1 kW;
• two options for the duration of a flexibility request;
namely, 2 hours (i.e., 8 time slots) and 3 hours (i.e.,
12 time slots).
To control the overall computational effort, we do not
account for all the possible level combinations of the three
factors, limiting the number of flexibility requests for each
cluster to 90 signals. The minimum and maximum size of
the bid have been fixed to ω = 100 kWh and Ω = 1 MWh,
respectively.
For each possible flexibility request, the response function
of the cluster is known; an example is given in Fig. 3.
Fig. 3. Baseline load profile and response function of a cluster to a
flexibility request
Based on this input data, we solve the optimization prob-
lem formulated in Section III-A using CPLEX [16]. The
optimal solution consists of the following bid made on the
energy market: from 9 to 10, the aggregator offers 187 kWh;
from 10 to 11, he offers 1 MWh; from 11 to 12, he offers
975.8 kWh and from 12 to 13 he offers 1 MWh. The resulting
bid is depicted in Fig. 4, represented by the red bars. The
blue profile shown in this figure represents the total amount
of power collected by the aggregator. Notice that in two time
intervals (from 10 to 11 and from 12 to 13) the aggregator
would be able to offer more than it does, due to a slightly
higher amount of power collected over the whole market
time slot; however, having fixed a threshold Ω = 1 MWh,
the aggregator is not allowed to exceed this value.
The energy collected by the aggregator is due to the
following flexibility requests sent to the clusters: clusters 1and 2 receive a reduction request of 1 kW lasting 3 hours,
from 9 to 12, with a corresponding reward of 0.02e; clusters
3 and 4 receive a reduction request of 1 kW from 11 to 14,
with a corresponding reward of 0.02e.
We point out that the aggregator formulates his bids over
the time slots corresponding to higher forecasted energy
prices, as it is evident from Fig. 2. The overall aggregator’s
profit for the optimal solution found by the algorithm is equal
100
Fig. 4. Aggregator offers to the energy market
Fig. 5. Baseline profile (dotted) of the load area and response profile (solid)to the aggregator’s offer
to 442.79e: 54.37ewill be paid by the aggregator to the con-sumers participating in the active demand, and the remainingamount is the net gain derived from selling the collectedflexibility to the market, according to the formulated bids.Notice that the seemingly low reward received by a singleconsumer corresponds to a significant daily saving on theenergy bill.
Fig. 5 shows the response of the whole load area to theoffer formulated by the aggregator; the dotted line representsthe baseline profile of the load area, obtained by summingup the base profiles of the clusters belonging to that loadarea. This figure highlights the power reduction over thetime intervals of the aggregator’s flexibility request, andthe corresponding payback in the following hours, due toa shift in consumers’ loads. The dashed upper and lowerlines denote the maximum and minimum loads compatiblewith the load area, over the 24-hour time horizon.
This test has been performed using a 3 GHz Intel Core 2Duo processor with 3.25 GB of RAM; the computation timerequired to find an optimal solution was about 3 minutes.Additional experiments with 4000 flexibility requests foreach cluster have been executed, taking a computational timeof approximately 45 minutes. In consideration of the fact thatthe problem is solved off-line (e.g. the day ahead), these com-putational times are practically feasible, i.e., the optimizationmodel can be solved exactly with no need to resort to specificsolution approaches such as dual decomposition or heuristic
techniques.
V. CONCLUSIONS
In this paper an optimization approach has been proposedallowing the aggregator to gather consumer flexibility in anelectricity distribution network, for generating services andbids to be submitted to the energy market. With referenceto the day-ahead market, it is shown how the aggregatorproblem can be formulated and solved through mixed in-teger linear programming. Simulation results are provided,showing the effectiveness and the flexibility features of theproposed approach. Besides the environmental impact, theoptimal solution found suggests considerable daily savingsfor consumers participating in the active demand.Extensions of the presented approach to deal with the intra-day market as well as the management of derivatives in thewholesale energy market are the subject of ongoing work.
REFERENCES
[1] http://www.fenix project.org/.[2] http://www.eu deep.com/.[3] http://intelligrid.epri.com/.[4] http://gad.ite.es/index en.html.[5] http://www.gridwiseac.org/.[6] European Commission. European technology platform smartgrids:
Vision and strategy for europes electricity networks of the future. 2006.[7] A. Chakrabortty and J. H. Chow. Invited Session: Emerging applica-
tions of control theory in electric smart grids. In Proc. of 49th IEEEConf. on Decision and Control, pages 182–218, Atlanta, December2010.
[8] A. Papavasiliou, H. Hindi, and D. Greene. Market-based controlmechanisms for electric power demand response. Proc. of 49th IEEEConf. on Decision and Control, pages 1891–1898, December 2010.
[9] S. Meyn, M. Negrete-Pincetic, G. Wang, A. Kowli, and E. Shafieep-oorfard. The value of volatile resources in electricity markets.Proc. of 49th IEEE Conf. on Decision and Control, pages 1029–1036,December 2010.
[10] A. Kiani and A. Annaswamy. The effect of a smart meter oncongestion and stability in a power market. Proc. of 49th IEEEConf. on Decision and Control, pages 194–199, December 2010.
[11] A. Roozbehani, M. Dahleh, and S. Mitter. On the stability of wholesaleelectricity markets under real-time pricing. Proc. of 49th IEEEConf. on Decision and Control, pages 1911–1918, December 2010.
[12] A. Baitch, A. Chuang, G. Mauri, and C. Schwaegerl. Internationalperspectives on demand-side integration. Proc. of 2007 CIRED - 19thInternational Conference on Electricity Distribution, Paper No. 0914,May 2007.
[13] R. Belhomme, R. Cerero Real de Asua, G. Valtorta, A. Paice,F. Bouffard, R. Rooth, and A. Losi. ADDRESS - Active demand forthe smart grids of the future. Proc. of 2008 CIRED Seminar: SmartGrids for Distribution, Paper No. 0080, June 2008.
[14] E. Peeters, R. Belhomme, C. Battle, A. Paice, F. Bouffard,S. Karkkainen, D. Six, and M. Hommelberg. ADDRESS: scenariosand architecture for active demand development in the smart grids ofthe future. Proc. of 2009 CIRED - 20th International Conference onElectricity Distribution, Paper No. 0406, June 2009.
[15] M. Sebastian, J. Marti, and P. Lang. Evolution of dso controlcentre tool in order to maximize the value of aggregated distributedgeneration in smart grid. Proc. of 2008 CIRED Seminar: Smart Gridsfor Distribution, Paper No. 0034, June 2008.
[16] IBM ILOG. Cplex optimization studio v. 12.2 documentation. 2010.
VI. ACKNOWLEDGEMENTS
The research leading to these results has received fundingfrom the European Community’s Seventh Framework Pro-gramme (FP7/2007-2013) under grant agreement no. 207643.
101
!Modelos e métodos para otimizar a gestão da demanda de energia elétrica relevantes num contexto smart grid!
!Natureza combinatória dos problemas!
!Múltiplos eixos de avaliação!! !- económicos!! !- técnicos!! !- qualidade de serviço!
!Desafios para os modelos e métodos de PO !
Sumário
Referências
- A. Soares, A. Gomes, C. H. Antunes, H. Cardoso. “Domestic load scheduling using genetic algorithms”, In: A. I. Esparcia-Alcázar (Ed.), “Applications of Evolutionary Computation”, Proc. 16th European Conference, EvoApplications 2013, Vienna, Austria, Lecture Notes in Computer Science, Vol. 7835, 142-151, 2013. - A. Gomes, J. Martinho, C. H. Antunes. “A physically-based model for simulating inverter type air conditioners/heat pumps”, Energy, vol. 50, 110-119, 2013. - A. Gomes, C. H. Antunes, J. Martinho, E. Oliveira. “Otimização multiobjetivo com algoritmos evolutivos – uma aplicação no setor elétrico”. Actas Congresso Latino-Iberoamericano de Investigación Operativa, Rio de Janeiro, Brazil, September 2012. - A. Soares, M. Lopes, C. H. Antunes, A. Gomes, N. Martins, “Smart(er) Energy Management Systems in Smart(er) Grids”, Proc. of the Int. Workshop on Energy Efficiency for a More Sustainable World, Ponta Delgada, Portugal, September 2012. - M. Lopes, C. H. Antunes, A. R. Soares, A. Carreiro et al. “An automated energy management system in a smart grid context”, 2012 IEEE ISSST – Int. Symposium on Sustainable Systems and Technology, Boston, USA, May 2012. - A. Soares, A. Gomes, C. H. Antunes. “Integrated management of residential energy resources”, EPJ Web of Conferences, vol. 33, 05005, 2012.
Referências
- A. Gomes, C. H. Antunes, E. Oliveira. “Direct load control in the perspective of an electricity retailer – a multi-objective evolutionary approach”. In: A. Gaspar Cunha, R. Takahashi, G. Schaefer, L. Costa (Eds.), “Soft Computing in Industrial Application”, Advances in Intelligent and Soft Computing, vol. 96, 13-26, Springer, 2011. - A. Gomes, C. H. Antunes, A. G. Martins. “Improving the responsiveness of NSGA-II using an adaptive mutation operator – a case study”. International Journal of Advanced Intelligence Paradigms, vol. 2, no. 1, 4-18, 2010. - A. Gomes, C. H. Antunes, A. G. Martins. “Physically-Based Load Demand Models for Assessing Electric Load Control Actions”, 2009 IEEE Bucharest Power Tech Conference, Bucharest, Romania, July 2009. - A. Gomes, C. H. Antunes, A. G. Martins. “Design of an adaptive mutation operator in an electrical load management case study”. Computers and Operations Research, vol. 35, issue 9, 2925 – 2936, 2008. - A. Gomes, C. H. Antunes, A. G. Martins. “A multiple objective approach to electric load management using an interactive evolutionary algorithm”. IEEE Transactions on Power Systems, vol. 22, no. 3, 1004-1011, 2007. - A. Gomes, C. H. Antunes, A. G. Martins. "A multiple objective evolutionary approach for the design and selection of load control strategies". IEEE Transactions on Power Systems, vol. 19, nº. 2, 1173-1180, May 2004.
* INESC Coimbra!!- Projeto Estratégico (Ref. FCT PEst-C/EEI/UI0308/2011)!!- Projeto Energy Box – Desenvolvimento e implementação de um
sistema de gestão de energia com resposta dinâmica da procura (Ref: FCT
MIT/SET/0014/2009) !
* Iniciativa Energia para a Sustentabilidade da Universidade de Coimbra!
* Projeto EMSURE – Energy and Mobility for Sustainable Regions (Ref. CENTRO-07-0224-FEDER-002004)!
Apoios