Demand side management (DSM) is one of the important functions in a smart grid that allows customers to make informed decisions regarding their energy consumption, and helps the energy providers reduce the peak load demand and reshape the load profile. This results in increased sustainability of the smart grid, as well as reduced overall operational cost and carbon emission levels. Most of the existing demand side management strategies used in traditional energy management systems employ system specific techniques and algorithms. In addition, the existing strategies handle only a limited number of controllable loads of limited types. This paper presents a demand side management strategy based on load shifting technique for demand side management of future smart grids with a large number of devices of several types. The day-ahead load shifting technique proposed in this paper is mathematically formulated as a minimization problem. A heuristic-based Evolutionary Algorithm (EA) that easily adapts heuristics in the problem was developed for solving this minimization problem. Simulations were carried out on a smart grid which contains a variety of loads in three service areas, one with residential customers, another with commercial customers, and the third one with industrial customers. The simulation results show that the proposed demand side management strategy achieves substantial savings, while reducing the peak load demand of the smart grid.

Electrical power systems are evolving from today's centralized bulk systems to more decentralized systems. Penetrations of renewable energies, such as wind and solar power, significantly increase the level of uncertainty in power systems. Accurate load forecasting becomes more complex, yet more important for management of power systems. Traditional methods for generating point forecasts of load demands cannot properly handle uncertainties in system operations. To quantify potential uncertainties associated with forecasts, this paper implements a neural network (NN)-based method for the construction of prediction intervals (PIs). A newly introduced method, called lower upper bound estimation (LUBE), is applied and extended to develop PIs using NN models. A new problem formulation is proposed, which translates the primary multiobjective problem into a constrained single-objective problem. Compared with the cost function, this new formulation is closer to the primary problem and has fewer parameters. Particle swarm optimization (PSO) integrated with the mutation operator is used to solve the problem. Electrical demands from Singapore and New South Wales (Australia), as well as wind power generation from Capital Wind Farm, are used to validate the PSO-based LUBE method. Comparative results show that the proposed method can construct higher quality PIs for load and wind power generation forecasts in a short time.

Decomposition is a well-known strategy in traditional multiobjective optimization. However, the decomposition strategy was not widely employed in evolutionary multiobjective optimization until Zhang and Li proposed multiobjective evolutionary algorithm based on decomposition (MOEA/D) in 2007. MOEA/D proposed by Zhang and Li decomposes a multiobjective optimization problem into a number of scalar optimization subproblems and optimizes them in a collaborative manner using an evolutionary algorithm (EA). Each subproblem is optimized by utilizing the information mainly from its several neighboring subproblems. Since the proposition of MOEA/D in 2007, decomposition-based MOEAs have attracted significant attention from the researchers. Investigations have been undertaken in several directions, including development of novel weight vector generation methods, use of new decomposition approaches, efficient allocation of computational resources, modifications in the reproduction operation, mating selection and replacement mechanism, hybridizing decomposition- and dominance-based approaches, etc. Furthermore, several attempts have been made at extending the decomposition-based framework to constrained multiobjective optimization, many-objective optimization, and incorporate the preference of decision makers. Additionally, there have been many attempts at application of decomposition-based MOEAs to solve complex real-world optimization problems. This paper presents a comprehensive survey of the decomposition-based MOEAs proposed in the last decade.

This paper proposes a neural-network (NN)-based approach to nonintrusive harmonic source identification. In this approach, NNs are trained to extract important features from the input current waveform to uniquely identify various types of devices using their distinct harmonic "signatures". Such automated, noninvasive device identification will be critical in future power-quality monitoring and enhancement systems. Several NN-based classification models including multilayer perceptron (MLP), radial basis function (RBF) network, and support vector machines (SVM) with linear, polynomial, and RBF kernels were developed for signature extraction and device identification. These models were trained and tested using spike train data gathered from the Fourier analysis of the input current waveform in the presence of multiple devices. The performance of these models was compared in terms of their accuracy, generalization ability, and noise tolerance limits. The results showed that MLPs and SVM were both able to determine the presence of devices based on their harmonic signatures with high accuracy. MLP was found to be the best signature identification method because of its low computational requirements and ability to extract the information necessary for highly accurate device identification.

Real-time traffic signal control is an integral part of the urban traffic control system, and providing effective real-time traffic signal control for a large complex traffic network is an extremely challenging distributed control problem. This paper adopts the multiagent system approach to develop distributed unsupervised traffic responsive signal control models, where each agent in the system is a local traffic signal controller for one intersection in the traffic network. The first multiagent system is developed using hybrid computational intelligent techniques. Each agent employs a multistage online learning process to update and adapt its knowledge base and decision-making mechanism. The second multiagent system is developed by integrating the simultaneous perturbation stochastic approximation theorem in fuzzy neural networks (NN). The problem of real-time traffic signal control is especially challenging if the agents are used for an infinite horizon problem, where online learning has to take place continuously once the agent-based traffic signal controllers are implemented into the traffic network. A comprehensive simulation model of a section of the Central Business District of Singapore has been developed using PARAMICS microscopic simulation program. Simulation results show that the hybrid multiagent system provides significant improvement in traffic conditions when evaluated against an existing traffic signal control algorithm as well as the SPSA-NN-based multiagent system as the complexity of the simulation scenario increases. Using the hybrid NN-based multiagent system, the mean delay of each vehicle was reduced by 78% and the mean stoppage time, by 85% compared to the existing traffic signal control algorithm. The promising results demonstrate the efficacy of the hybrid NN-based multiagent system in solving large-scale traffic signal control problems in a distributed manner

This paper presents a multiagent system (MAS) for real-time operation of a microgrid. The proposed operational strategy is mainly focused on generation scheduling and demand side management. In generation scheduling, schedule coordinator agent executes a two-stage scheduling: day-ahead and real-time scheduling. The day-ahead scheduling finds out hourly power settings of distributed energy resources (DERs) from a day-ahead energy market. The real-time scheduling updates the power settings of the distributed energy resources by considering the results of the day-ahead scheduling and feedback from real-time operation of the microgrid in real-time digital simulator (RTDS). A demand side management agent performs load shifting before the day-ahead scheduling, and does load curtailing in real-time whenever it is necessary and possible. The distributed multiagent model proposed in this paper provides a common communication interface for all components of the microgrid to interact with one another for autonomous intelligent control actions. Furthermore, the multiagent system maximizes the power production of local distributed generators, minimizes the operational cost of the microgrid, and optimizes the power exchange between the main power grid and the microgrid subject to system constraints and constraints of distributed energy resources. Outcome of simulation studies demonstrates the effectiveness of the proposed multiagent approach for real-time operation of a microgrid.

In this paper, smart charging strategies incorporating a unified grid-to-vehicle and vehicle-to-grid charging framework are proposed for optimal integration of plug-in electric vehicles (PEVs) within the existing distribution system infrastructure. Two smart strategies with objective functions considering minimization of total daily cost and peak-to-average ratio, respectively, are developed to study the impact on PEV charging from an economic and technical perspective. The proposed strategies are implemented for PEV charging at workplace car parks located in a 37-bus distribution system and an analytical study is presented to evaluate the maximum possible PEV penetration that the existing distribution infrastructure can accommodate corresponding to the two strategies. A comparative analysis of the two strategies is performed in terms of various economic and technical benefits that are derived. Moreover, a performance comparison of the two strategies in presence of slow and fast charging of PEVs is also presented. Finally, an investigative study is conducted for both the strategies to evaluate the maximum PEV penetration that can be integrated in the upcoming years without infrastructure reinforcement. The simulation results present a comprehensive evaluation of the two proposed strategies.