Smart Grid and Demand-Side Management Review

5to Congreso Nacional de Ingeniería Informática / Sistemas de Información Ing. de Sistemas, Ing. de Software y Gestión de Proyectos Smart Grid and Demand-Side Management Review Diego Lizondo1,3, Adrian Jimenez1, Pedro Araujo1, Adrian Will1,2, Sebastian Rodriguez1,3 1 Grupo de Investigación en Tecnologías Informáticas Avanzadas ± U.T.N.-F.R.T. Rivadavia 1050, Tucumán, Argentina 2 Universidad Nacional de Tucumán - Facultad de Ciencias Exactas y Tecnológica Av. Independencia 1800, Tucumán, Argentina 3 Concejo Nacional de Investigaciones Científicas y Tánicas (CONICET) {diego.lizondo;adrian.jimenez;pedro.araujo;adrian.will;sebastian.rodriguez}@gitia.org Abstract El consumo de energía, específicamente de energía eléctrica ha crecido de manera sostenida en las últimas décadas. Debido a los nuevos requisitos de los usuarios consumidores y al surgimiento de nueva tecnología se nacimiento a las Redes Inteligentes o Smart Grids. En éste contexto, es que surge la propuesto de Demand-Side Management (DSM) como alternativa para el control y uso eficiente de la energía. El presente trabajo tiene como objetivo realizar una revisión de la literatura en el área de las DSM, teniendo dos focos principales: i) implementación de algoritmos de DSM basados en una metáfora biológica-natural o modelos matemáticos estadísticos; ii) plataformas de implementación de los algoritmos, específicamente empleando Sistemas Multiagente. Palabras Claves: Smart Grids; Demand-Side Management; Algoritmos Bio-inspirados; Sistemas Multi-agente. Las Smart Grids (SG), también conocidas con la redes eléctricas 2.0, plantean un cambio de paradigma, en el cual se incluye un conjunto de elementos nuevos a la red, de los cuales se destaca: x x x x x Cliente/Consumidor final como elemento activo. Generación Distribuida. Almacenamiento local de energía Sistema de Información inteligente. Infraestructura de medición avanzada (AMI). La nueva idea de red inteligente se puede ver ilustrada en la Figura 1, en la cual se puede apreciar la generación distribuida (eólica, solar), almacenamiento distribuido (baterías, automóviles eléctricos, supercapacitores), y un sistema de control que se encargue de monitorear y administrar el sistema general. Todos estos elementos se encuentran conectados por una red de comunicación adecuada (AMI). 1. Introducción La demanda de energía, en sus diversas formas, ha incrementado de manera sostenida en la última década [1]. Tal incremento se ve impulsada por el surgimiento de nuevas tecnologías y el crecimiento natural de la población global. Dicha demanda de energía, específicamente energía eléctrica, sitúa un panorama general en el cual el sistema eléctrico ve superada sus capacidades de control y monitoreo. Este sistema HOpFWULFR ³WUDGLFLRQDO´ FRQ VX FRQFHSFLyQ GH IOXMR energético unidireccional desde la Generación, pasando por el Transporte y finalmente por la Distribución, ha quedado obsoleto. Para solventar dicha situación es que han aparecido las denominadas Redes Eléctricas Inteligentes o Smart Grids [2]. ISSN: 2347-0372 © CONAIISI 2017 Figura 1: Representación de la estructura de una Smart Grid. Fuente: Furukawa Smart Grid System. Además de las ventajas que suponen las SG en pos de brindar un mejor servicio por parte de las Empresas de Energía, cabe mencionar el impacto en el cambio 601 5to Congreso Nacional de Ingeniería Informática / Sistemas de Información Ing. de Sistemas, Ing. de Software y Gestión de Proyectos climático que genera el uso racional y eficiente de la energía, tal como se expresa en el Acuerdo de París[3]. Cabe mencionar que en Argentina, en Diciembre de 2015 el gobierno nacional decretó la emergencia energética[4]. En dicho comunicado se remarcó que el sector productor de energía eléctrica se encontraba en buen estado, pero que el sector distribuidor se veía seriamente afectado. Gran parte de los trabajos relacionados a las redes inteligentes, están orientados la recolección de datos, para emplear técnicas basadas en inteligencia artificial para así poder conocer más sobre los hábitos de los consumidores y poder aplicar con ellos las técnicas de control adecuadas[5]. Si bien los sistemas de control para las redes eléctricas siguen la tendencia general de un modelo centralizado, con las redes inteligentes fue introducido el enfoque distribuido. Esto se debe en gran medida al surgimiento de lo que se conoce como el Internet de las Cosas (IoT) y de los Cyber-Physical Systems (CPS)[6], [7]. Los mismos permiten modelar y conectar electrodomésticos, aparatos, sensores, actuadores, entre otros, a internet con el objetivo de poder interactuar con ellos a través de sistemas informáticos. En este contexto, centramos nuestra atención en los sistemas basados en Demand-Side Management [8], [9]. La propuesta de DSM apunta a controlar la demanda de consumo a partir desde los nodos inferiores de la red eléctrica. En otras palabras, propone controlar el consumo a partir de la posibilidad de influenciar a los consumidores finales. Este trabajo tiene por objetivo hacer una revisión de las investigaciones y desarrollos realizados por la comunidad científica relacionados a DSM, teniendo en cuenta los siguientes aspectos principales: i) implementación de algoritmos basados en una metáfora biológica-natural o modelos matemáticos estadísticos; ii) plataformas de implementación de los algoritmos, específicamente empleando Sistemas Multi-agente (SMA) [10]. Cabe mencionar que otros surveys o review ya fueron realizados, como los presentados en [11], [12], pero ninguno de ellos tuvo como centro principal de atención los objetivos que fueron propuestos en el presente trabajo. La motivación para realizar éste trabajo se ve basado en el hecho que existe una vaga noción de la forma de implementar las técnicas de DSM, como así también de las ventajas de usar algoritmos bioinspirados, ya que el problema en sí del control de consumo energético resulta ser de una complejidad elevada. Pocos trabajos han sido desarrollados con el espíritu de mostrar una implementación con una base tan firme como la que proponen los SMA. El resto de éste paper se organiza de la siguiente manera: Sección 2 presenta las características principales de Demand-Side Management, las estrategias y técnicas ISSN: 2347-0372 © CONAIISI 2017 empleadas por lo general. La Sección 3 presenta los trabajos de DSM que emplearon modelos bio-inspirados, determinísticos o probabilísticos. En Sección 4 se presenta propuestas de DSM con implementación basada en Sistemas Multi-Agent. Finalemente en 5 se puede encontrar las conclusiones del presente trabajo. 2. Demand-Side Management En paradigma planteado por las Smart Grids dio pie al surgimiento de nuevas técnicas y enfoques para el control y la gestión de la energía. Uno de ellos se conoce como Demand-Side Management (DSM), el cual tiene como objetivo principal el controlar o influenciar el consumo eléctrico desde los clientes/consumidores finales. Para ellos, DSM establece tres tipos de estrategias principales: x x x Eficiencia Energética: propone utilizar dispositivos que sean energéticamente más eficientes, aplicado a electrodomésticos tal como freezers, heladeras, lavarropas, etc. Existe toda una categorización y etiquetado obligatorio que denota la eficiencia del consumo energético1. Demand Response (DR): Consiste en la aplicación de métodos tendientes a reducir, achatar o mover el consumo eléctrico a períodos en el cual existe una menor demanda. Anteriormente, era el método principal con el cual las empresas de energía intentaban enfrentar el problema del Pico de Consumo[13], comúnmente usando políticas de franjas horarias de tarifa reducida. Dynamic Demand: consiste en una técnica por la cual se altera el ciclo de funcionamiento normal de los dispositivos con el fin de adelantar o postergar unos segundos el arranque de los equipos. Con ello se pretende reducir el factor de potencia de la red, lo cual indica el emplear monitoreo constante de la misma. Los tres métodos de DSM, muestran un conjunto de acciones que deben tomar, a su vez de que existe intrínsecamente un alcance de aplicación y grado de respuesta controlada que se puede obtener de cada una de éstas políticas. En ello hacemos referencia a la escala de aplicación que posee el método para poder generar un cambio en el consumo, como así también al grado de control. En éste último aspecto, consideramos activo al método de Dynamic Response, mientras que los otro dos son pasivos, ya que la empresa de energía o mejor dicho, el sistema de control, no puede afectar activamente el 1 https://www.minem.gob.ar/consejos-eficiencia/ 602 5to Congreso Nacional de Ingeniería Informática / Sistemas de Información Ing. de Sistemas, Ing. de Software y Gestión de Proyectos particularmente de la distribuida por Paneles Solares (PV). Figura 3: Estructura de un red neuronal con siete entradas y una única salida.[20] Siguiendo la línea de sistemas de control basados en heurísticas, específicamente las basadas en Algoritmos Genéticos, podemos mencionar el trabajo presentado en [24] en la cual propone un conjunto de estrategias de Demand Response aplicado al consumo generado por calentamiento de agua en domicilios. En el mismo demuestra que la estrategia basada en AG genera la mejor respuesta respecto al control de consumo, aunque otra estrategia basada en Programación Lineal (LP) es la que mejor disminuye los costos asociados a despacho de generadores. Por su lado, [25] presenta tres estrategias aplicados a sistemas HVAC (Heating, Ventillation and Air Conditioning System) con el objetivo de reducir el consumo de energía manteniendo el confort del susuario. Para ello hace uso de un Modelo Simplificado de Temperatura aplicando Programación Dinámica y a AG, y un modelo basado en Energy Plus (EP) con AG. Por otro lado, [26] presenta un algoritmo que los autores denominan Cooperative Particle Swarm Optimization (CPSO). EL CPSO tiene por objetivo controlar el funcionamiento de los dispositivos de una SmarHome considerados alterables en tiempo (timeshiftable) y en consumo (power-shiftable). Propone una optimización local por zonas, de modo que dependiendo del grado de agregación se puede llegar a realizar una mejora sustancial globalmente del consumo eléctrico. Un trabajo similar, presentado en [27] pero inspirado en la Red Inmune Artificial (AIN) como núcleo del sistema de control distribuido. El sistema realiza un control de dispositivos de aire acondicionado de los consumidores conectados a lo que los autores denominan Nodo Fuente de Energía (ESN), del cual se mide la carga eléctrica. Sobre dicho ESN es que se establece un límite de ISSN: 2347-0372 © CONAIISI 2017 consumo, al cual el algoritmo de AIN responde, y por el cual se otorga permisos de consumo a los dispositivos controlados aplicando así un control activo de la demanda. Finalmente, en [28] se plantea un sistema al cual consideramos semi-distribuido por el cual se emplean como elemento de control a los vehículos híbridos o eléctricos. Definen un sistema de DR por el cual por un lado emplean Hyper-heurísticas para encontrar la solución óptima para una función multiobjetivo, de la cual se relaciona el ahorro de consumo, la reducción de gases de invernadero, el costo de producción de la energía y el ahorro por el uso del sistema propuesto. Adicionalmente, podemos citar a [29], que propone una heurística general, además de una formalización matemática del problema del pico de consumo como minimización basando el comportamiento del sistema únicamente con una estrategia de powershifting. Si bien se ha demostrado que los sistemas basados en heurísticas responden más adecuadamente que los sistemas determinísticos a entornos o condiciones dinámicas y cambiantes, en las cuales la posibilidad de adaptación es crucial, son pocos los trabajos realizados con éste enfoque en el campo de las DSM. Por su parte, al centrar nuestra atención en sistemas basados en modelo probabilísticos y con métodos determinísticos, podemos encontrar una amplia variedad de ellos en la literatura científica. Ejemplo de ello se puede encontrar en [30], en la que se propone un modelo denominado Multi-objective Mixed Integer Linear Programming (MOMILP). El modelo sigue el objetivo de poder minimizar el pico de consumo y el costo de la electricidad, todo esto dentro del marco de una zona determinada o vecindario. Similar a otros enfoques, el sistema consiste en un dispositivo llamado SmartHome Controller (SHC) que controla aparatos suceptibles de ser power-shiftables o timeshiftables. A su vez, en [31] se presenta un modelo de Optimal Power Flow (OPF) basado en Optimización lineal (LP), con el objeto de aplicar la técnica de Load Shedding (LS). En [32] se puede observar una propuesta en la cual se intenta hacer una optimización local aplicado a una casa, con un sistema central que busca reducir el consumo general del usuario. Para ello también propone el uso de sistemas de energía renovable y almacenamiento, en momentos de picos de consumo. En [33] de escribe una implementación que aplica estrategias de prioridad a un algoritmo que propone un esquema de retraso optimizado. El mismo apaga dispositivos en horas de pico y los enciende en horas fuera del pico. Propone un dispositivo llamado ACD (Appliance Controller Devices) que recibe información de un Smart Meter conectado en la casa. Plantea la posibilidad de usar tres esquemas de control, Delay 604 5to Congreso Nacional de Ingeniería Informática / Sistemas de Información Ing. de Sistemas, Ing. de Software y Gestión de Proyectos Based Optimization Scheme, Switched Optimal Control, y Frequency Control. El ACD tiene embebido un algoritmo, el cual toma las decisiones del modo de funcionamiento de los dispositivos que son considerados susceptibles de controlar. Continuando o sugiriendo un enfoque similar, en [34] se presenta un estrategia denominada BEMS (Building Energy Management System). La misma establece un control del flujo de la energía de manera eficiente en edificios, minimizando el costo total de la energía por un período finito de tiempo. La estrategia propuesta incluye predicción (precios, solar, viento y carga eléctrica), planificación a largo plazo, y Control en Tiempo Real (RTC) de los dispositivos que se encuentran funcionando en los edificios. En [35], con una motivación similar, aborda el problema del pico de consumo empleando una estrategia de Real Time Scheduling, sobre un conjunto de dispositivos que se encuentran funcionando en una SmartHome. Efectivamente el control se basa en coordinar la activación/desactivación de los diferentes dispostivos. En dicho trabajo, los autores centraron fuertemente su atención en modelar de una manera objetiva, tomando encuentra las restricciones y con criterios claro el control a aplicar en los diferentes dispositivos a control. Por otro lado, aunque siguiendo el enfoque de control de demanda de consumo en casas individuales, pero con un enfoque basado en probabilidad, [36] propone un modelo que perfila los tiempos de uso para la generación autónoma de cronograma de funcionamiento. Ello se realiza con el objetivo de generar un patrón de carga individual del consumo del usuario, con el cual posteriormente se pretende forme parte de una negociación en el mercado de energía, dando pie a la posibilidad de una mejor introducción de las energías renovables. Todo el trabajo se encuentra fundamentado en la correcta estrategia de organización de las cargas de consumo, a las cuales también poseen restricciones de prioridad relacionadas al tiempo de funcionamiento y consecutivas denegaciones de la posibilidad de consumir. Un trabajo similar, fuertemente basado en métodos por probabilidad es el planteado por [37], que se aplica específicamente al consumo generado por los aires acondicionados. Otro trabajo remarcable es el presentado por [38], en el que se presenta un sistema de DSM distribuido para el Dispositivos Termo-Controlables (TCA). Los autores proponen un modelo que combina una estrategia de predicción y un comportamiento de respuesta por parte del usuario consumidor de energía. El modelo fue denominado Improved Original Optimal Temperature Regulation (OTR-I) Model. En particular, la propuesta de los autores establece un concepto llamado Virtual Power Plant (VPP), el cual es una entidad virtual que representa la agregación del consumo de energía de todos los ISSN: 2347-0372 © CONAIISI 2017 clientes/participantes de una región o zona geográfica determinada. El VPP se encuentra conectado con el sistema de energía principal con el cual realizada únicamente el cambio de información de la cantidad de energía o carga que se encuentra actualmente registrando. Con ello se reduce significativamente el flujo de información entre los nodos inferiores y el sistema central de control ubicado en el proveedor de energía. En [39], se propone un Constrained Multi-objective Optimization Problem (CMOP), el cual intenta influenciar el consumo de energía por parte del cliente al poner restricciones y penalidades de costos fuertes en el sistema en momentos de gran demanda de consumo. Para ello desarrollaron un algoritmo evolutivo que denominaron Load Scheduling With an Evolutionary Algorithm (LSEA), especial para éste problema en particular. Podemos seguir nombrado un amplio número de trabajos, pero en esencia, la mayoría sigue la línea de proponer un scheduler apropiado para controlar el funcionamiento de los diferentes dispositivos susceptibles a controlar, siendo el mismo propuesto por un algoritmos heurístico, bio-inspirado o diseñado específicamente para el problema en cuestión siguiendo modelos determinísticos o probabilísticos o evolutivos. A su vez, es notoria la relevancia del procesamiento a tiempo real (RTP) de eventos y toma de decisión, con el fin de hacer sistemas adaptativos a los cambios. Por otro lado, cabe destacar que no se han visto trabajos que realicen comparaciones entre varios algoritmos planteados, o que comparen el funcionamiento de un algoritmo probabilísticos respecto de un bio-inspirado en el campo de DSM. 4. Implementación de Demand-Side Management con Sistemas Multi-Agente Como se ha visto, existen un gran número de trabajos con enfoques determinados para la resolución del problema de DSM. Sin embargo, muchos de ellos proponen un principio un modelo del cual no se establece el modo ni la plataforma en que se desea instalar. En parte es entendible dicho aspecto, ya que en muchos casos los algoritmos presentados son independientes de la plataforma o paradigma de implementación. Sin embargo, para un problema con las características que poseen estos sistemas de control distribuido o dinámico, los Sistemas Multi-Agente (SMA)[40]±[42] proponen un marco bien establecido y sus características inherentes hacen de ellos una gran ventaja al momento de diseñar o implementar los algoritmos de control. Es por ello, que en ésta subsección centraremos nuestro enfoque en los trabajos de DSM que utilizan al paradigma agente como medio de modelado e implementación. 605 5to Congreso Nacional de Ingeniería Informática / Sistemas de Información Ing. de Sistemas, Ing. de Software y Gestión de Proyectos plataformas de implementación de los algoritmos, específicamente los relacionados con Sistemas MultiAgentes (SMA). En la bibliografía, se encontró un amplio número de trabajos que plantean propuestas de unidades de control o decisión bio-inspierados, en los cuales se destaca el uso de Redes Neuronales Artificiales (RNA) como heurísticas más ampliamente difundido. No obstante, el uso de otros algoritmos como los Algoritmos Genéticos (GA), Particle Swarm Optimization (PSO) y Sistema Immune Artificial (AIS) mostraron una alternativa que propone grandes resultados. No obstante, siguen siendo predominantes las aproximaciones con algoritmos diseñados específicamente para una aplicación particular, y en los que se destacan los modelos determinísticos y los basados en probabilidades. Respecto a los trabajos con implementaciones en SMA, se ha encontrado numerosos aportes en el área de las Smart Grids, sin embargo aquellos que tienen como óptica principal las técnicas de DSM, fueron pocos. De los mismos, por lo general no poseen una correcta definición del paradigma específico de agentes con que se abordó el problema, dando la impresión que fueron más que todo empleados como unidad de ejecución, y tal vez no explotando la totalidad de las ventajas que brinda el paradigma para los ambientes dinámicos y problemas complejos. [6] [7] [8] [9] [10] [11] 6. Agradecimientos [12] El presente trabajo se encuentra parcialmente subvencionado por el projecto PID-UTN 25/P052 UTI 1781 perteneciente al Grupo de Investigación en Tecnologías Informáticas Avanzadas (GITIA) de la UTN-FRT; y por el Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). [13] 7. References [1] [2] [3] [4] [5] «Statistical Review of World Energy | Energy economics | BP Global». [En línea]. Disponible en: http://www.bp.com/en/global/corporate/energyeconomics/statistical-review-of-world-energy.html. [Accedido: 19-ago-2017]. M. E. El-hawary, «The Smart Grid²State-of-theart and Future Trends», Electr. Power Compon. Syst., vol. 42, n.o 3-4, pp. 239-250, mar. 2014. M. Hulme, «1.5 [deg]C and climate research after the Paris Agreement», Nat. Clim Change, vol. 6, n.o 3, pp. 222-224, mar. 2016. «Decreto 134/2015 - Emergencia Energética». Boletín Oficial de la República Argentina, 13-dic2015. M. N. Q. Macedo, J. J. M. Galo, L. A. L. de Almeida, y A. C. de C. Lima, «Demand side ISSN: 2347-0372 © CONAIISI 2017 [14] [15] [16] [17] management using artificial neural networks in a smart grid environment», Renew. Sustain. Energy Rev., vol. 41, pp. 128-133, ene. 2015. P. Derler, E. A. Lee, y A. S. Vincentelli, «Modeling Cyber-Physical Systems», Proc. IEEE, vol. 100, n.o 1, pp. 13-28, ene. 2012. E. Bou-Harb, «A Brief Survey of Security Approaches for Cyber-Physical Systems», en 2016 8th IFIP International Conference on New Technologies, Mobility and Security (NTMS), 2016, pp. 1-5. L. J. Hill y E. Hirst, «Demand-side management: Research opportunities for electric utilities», Electr. Power Syst. Res., vol. 8, n.o 2, pp. 137-142, mar. 1985. C. W. Gellings, «Evolving practice of demand-side management», J. Mod. Power Syst. Clean Energy, vol. 5, n.o 1, pp. 1-9, ene. 2017. R. Roche, B. Blunier, A. Miraoui, V. Hilaire, y A. Koukam, «Multi-agent systems for grid energy management: A short review», en IECON 2010 36th Annual Conference on IEEE Industrial Electronics Society, 2010, pp. 3341-3346. B. P. Esther y K. S. Kumar, «A survey on residential Demand Side Management architecture, approaches, optimization models and methods», Renew. Sustain. Energy Rev., vol. 59, pp. 342-351, jun. 2016. L. Gelazanskas y K. A. A. Gamage, «Demand side management in smart grid: A review and proposals for future direction», Sustain. Cities Soc., vol. 11, pp. 22-30, feb. 2014. A. Salimi-Beni, M. Fotuhi-Firuzabad, D. Farrokhzad, y S. J. Alemohammad, «A New Approach to Determine Base, Intermediate and Peak-Demand in an Electric Power System», en Power System Technology, 2006. PowerCon 2006. International Conference on, 2006, pp. 1-5. T. Grube, S. Hauke, J. Daubert, y M. Mühlhäuser, «Ant colony optimisation - A solution to efficient anonymous group communication?», en 2017 14th IEEE Annual Consumer Communications Networking Conference (CCNC), 2017, pp. 337340. S. Abualhaija y K.-H. Zimmermann, «D-Bees: A novel method inspired by bee colony optimization for solving word sense disambiguation», Swarm Evol. Comput., vol. 27, pp. 188-195, abr. 2016. N. Narang, J. S. Dhillon, y D. P. Kothari, «Multiobjective fixed head hydrothermal scheduling using integrated predator-prey optimization and Powell search method», Energy, vol. 47, n.o 1, pp. 237-252, nov. 2012. T. Al-Saba y I. El-Amin, «Artificial neural networks as applied to long-term demand 607 5to Congreso Nacional de Ingeniería Informática / Sistemas de Información Ing. de Sistemas, Ing. de Software y Gestión de Proyectos [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] forecasting», Artif. Intell. Eng., vol. 13, n.o 2, pp. 189-197, 1999. C. C. Leong, S. Blakey, y C. W. Wilson, «Genetic Algorithm optimised Chemical Reactors network: A novel technique for alternative fuels emission prediction», Swarm Evol. Comput., vol. 27, pp. 180-187, abr. 2016. D. Dasgupta, Z. Ji, F. A. González, y others, «Artificial immune system (AIS) research in the last five years.», en IEEE Congress on Evolutionary Computation (1), 2003, pp. 123±130. S. Shakya, M. Kern, G. Owusu, y C. M. Chin, «Neural network demand models and evolutionary optimisers for dynamic pricing», Knowl.-Based Syst., vol. 29, pp. 44-53, may 2012. T. F. Milke, A. R. Abaide, D. P. Bemardon, M. W. Fuhrmann, M. M. Santos, y S. T. Miranda, «Prediction and demand control methodology for a distribution system using Artificial Neural Networks», en Modern Power Systems (MPS), 2017 International Conference on, 2017, pp. 1±6. N. Loganathan y K. Lakshmi, «Demand side energy management system using ANN based linear programming approach», en Computational Intelligence and Computing Research (ICCIC), 2014 IEEE International Conference on, 2014, pp. 1±5. E. Matallanas et al., «Neural network controller for Active Demand-Side Management with PV energy in the residential sector», Appl. Energy, vol. 91, n.o 1, pp. 90-97, mar. 2012. D. Neves y C. A. Silva, «Optimal electricity dispatch on isolated mini-grids using a demand response strategy for thermal storage backup with genetic algorithms», Energy, vol. 82, pp. 436-445, mar. 2015. H. Pombeiro, M. J. Machado, y C. Silva, «Dynamic programming and genetic algorithms to control an HVAC system: Maximizing thermal comfort and minimizing cost with PV production and storage», Sustain. Cities Soc., vol. 34, pp. 228238, oct. 2017. J. Zhu, F. Lauri, A. Koukam, y V. Hilaire, «Scheduling Optimization of Smart Homes Based on Demand Response», en Artificial Intelligence Applications and Innovations, vol. 458, R. Chbeir, Y. Manolopoulos, I. Maglogiannis, y R. Alhajj, Eds. Cham: Springer International Publishing, 2015, pp. 223-236. D. Lizondo, P. Araujo, A. Will, y S. Rodriguez, «Multiagent model for Distributed Peak Shaving System with Demand-Side Management approach», 2017. B. Ramachandran y A. Ramanathan, «Decentralized demand side management and ISSN: 2347-0372 © CONAIISI 2017 [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] control of PEVs connected to a smart grid», en Power Systems Conference (PSC), 2015 Clemson University, 2015, pp. 1-7. T. Logenthiran, D. Srinivasan, y T. Z. Shun, «Demand Side Management in Smart Grid Using Heuristic Optimization», IEEE Trans. Smart Grid, vol. 3, n.o 3, pp. 1244-1252, sep. 2012. H. Shakouri G. y A. Kazemi, «Multi-objective cost-load optimization for demand side management of a residential area in smart grids», Sustain. Cities Soc., vol. 32, pp. 171-180, jul. 2017. X. Fu y X. Wang, «Determination of load shedding to provide voltage stability», Int. J. Electr. Power Energy Syst., vol. 33, n.o 3, pp. 515-521, mar. 2011. M. Gupta, S. Gupta, y T. Thakur, «A strategic perspective of development of advanced metering infrastructure based Demand Side Management (DSM) model for residential end user», en 2014 IEEE International Conference on Power Electronics, Drives and Energy Systems (PEDES), 2014, pp. 1-6. L. Kaira, M. Nthontho, y S. Chowdhury, «Achieving demand side management with appliance controller devices», en Power Engineering Conference (UPEC), 2014 49th International Universities, 2014, pp. 1-6. S. J. Kang, J. Park, K.-Y. Oh, J. G. Noh, y H. Park, «Scheduling-based real time energy flow control strategy for building energy management system», Energy Build., vol. 75, pp. 239-248, jun. 2014. D. Caprino, M. L. Della Vedova, y T. Facchinetti, «Peak shaving through real-time scheduling of household appliances», Energy Build., vol. 75, pp. 133-148, jun. 2014. C. O. Adika y L. Wang, «Autonomous Appliance Scheduling for Household Energy Management», IEEE Trans. Smart Grid, vol. 5, n.o 2, pp. 673-682, mar. 2014. M. Marwan, G. Ledwich, y A. Ghosh, «Smart griddemand side response model for optimization air conditioning», en Universities Power Engineering Conference (AUPEC), 2012 22nd Australasian, 2012, pp. 1-6. W. Wei, D. Wang, H. Jia, C. Wang, Y. Zhang, y M. Fan, «Hierarchical and distributed demand response control strategy for thermostatically controlled appliances in smart grid», J. Mod. Power Syst. Clean Energy, vol. 5, n.o 1, pp. 30-42, ene. 2017. S. Salinas, M. Li, y P. Li, «Multi-Objective Optimal Energy Consumption Scheduling in Smart Grids», IEEE Trans. Smart Grid, vol. 4, n.o 1, pp. 341-348, mar. 2013. 608 5to Congreso Nacional de Ingeniería Informática / Sistemas de Información Ing. de Sistemas, Ing. de Software y Gestión de Proyectos [40] M. Cossentino, N. Gaud, V. Hilaire, S. Galland, y A. Koukam, «ASPECS: an agent-oriented software process for engineering complex systems: How to design agent societies under a holonic perspective», Auton. Agents Multi-Agent Syst., vol. 20, n.o 2, pp. 260-304, 2010. [41] M. Cirrincione et al., «Intelligent Energy Management System», en Proceedings of the IEEE indin conference, 2009. [42] S. D. J. McArthur et al., «Multi-Agent Systems for Power Engineering Applications - Part I: Concepts, Approaches, and Technical Challenges», Power Syst. IEEE Trans. On, vol. 22, n.o 4, pp. 17431752, nov. 2007. [43] S. D. Ramchurn, P. Vytelingum, A. Rogers, y N. Jennings, «Agent-based control for decentralised demand side management in the smart grid», en The 10th International Conference on Autonomous Agents and Multiagent Systems-Volume 1, 2011, pp. 5±12. [44] B. Horling y V. Lesser, «A Survey of Multi-agent Organizational Paradigms», Knowl Eng Rev, vol. 19, n.o 4, pp. 281±316, dic. 2004. [45] S. Frey, A. Diaconescu, D. Menga, y I. M. Demeure, «A Holonic Control Architecture for a Heterogeneous Multi-Objective Smart MicroGrid.», en SASO, 2013, pp. 21±30. ISSN: 2347-0372 © CONAIISI 2017 609