skip to Main Content
مدیریت بار ریزشبکه های مقیم از طریق شبکه‌های عصبی مصنوعی

مدیریت بار ریزشبکه های مقیم از طریق شبکه‌های عصبی مصنوعی

عنوان انگلیسی: Residential micro-grid load management through artificial neural networks
سال نشر: ۲۰۱۸
نویسنده: L. Barelli,G. Bidini,F. Bonucci,A. Ottaviano
تعداد صفحه فارسی: ۲۸ – تعداد صفحه انگلیسی: ۱۲
دانشگاه: VGA s.r.l., Via dell’Innovazione snc, Deruta, PG, 06053, Italy,Department of Engineering, University of Perugia, Via G. Duranti 1/A4, Perugia 06125, Italy
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: ترجمه پلاس

چکیده

این مقاله یک ابزار نوآورانه مدیریت بار برای یک ریز شبکه متشکل از یک سیستم فتوولتائیک (PV)و یک دستگاه ذخیره انرژی نصب‌ شده در یک کاربر مقیم را ارائه می‌کند.
هدف توسعه مناسب مدیریت بار مقیم جهت به حداکثر رساندن بهره‌برداری از نیروگاه PV از طریق سیستم ذخیره‌سازی به منظور دستیابی به استقلال انرژی بیشتر ریزشبکه (MG) از شبکه برق است. برای این منظور یک مدل دینامیک MG در محیط شبیه ساز متلب برای تحلیل و بهینه‌ سازی عملکرد انرژی MG مورد استفاده قرار گرفت.
بر اساس نتایج مدل سازی، از طریق تکنیک های شبکه های عصبی مصنوعی (ANN)، یک مدیریت بار سلسله مراتبی با در نظر گرفتن تقاضای بار، وضعیت شارژ باتری و پیش بینی آب و هوا تعریف شده است. به طور خاص هدف از مدل ANN در اینجا پیش‌بینی زمان‌ بندی بارهای قابل‌ برنامه‌ ریزی با در نظر گرفتن شرایط آب و هوا نسبت به روز جاری و روز قبل ، که فراتر از آن در پیش‌بینی آب و هوا برای روز بعد از آن است. نتایج به‌دست‌ آمده، با در نظر گرفتن مجموعه داده‌های نسبتا کوچک، بسیار دلگرم‌ کننده بودند. انتظار می‌رود که عملکرد بیشتری در این مورد بسط داده شود.

Abstract

This paper presents an innovative load management tool for a micro-grid composed by a photovoltaic (PV) system and an energy storage device installed at a residential user. The objective is to develop a suitable residential load management to maximize the PV plant exploitation through the storage system in order to achieve a greater energy independence of the micro-grid (MG) from the electric grid. For this purpose a MG dynamic model was developed in Matlab Simulink environment useful to analyse and optimize the MG energy performance. On the modelling results, through artificial neural networks (ANN) technique, a hierarchy load management that takes into account of the load demand, battery state of charge and weather forecast was defined. Specifically the aim of the ANN model here proposed is to predict the scheduling of programmable loads considering the weather conditions relative to the current day and the previous one, beyond that on the weather forecast for the day after. The obt
۳۵۰,۰۰۰ ریال – خرید
امتیاز شما:
(No Ratings Yet)
Back To Top