Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 7

Badania algorytmów predykcyjnych na potrzeby zarządzania mikrosiecią prądu stałego z instalacją fotowoltaiczną

Research on predictive algorithms for the energy management of a DC microgrid with a photovoltaic installation

10.15199/48.2024.07.42

nr katalogowy: 149543
10.15199/48.2024.07.42

Streszczenie

Artykuł przedstawia wybrane zagadnienia dotyczące zastosowania algorytmów predykcyjnych sztucznej inteligencji w zarządzaniu energią w lokalnych inteligentnych mikrosieciach prądu stałego, których efektem może być pozytywny wpływ na stabilność całego systemu elektroenergetycznego oraz efektywne zarządzanie energią w celu osiągania korzyści finansowych wynikających z dynamicznych cen energii elektrycznej na towarowej giełdzie energii lub w nadchodzących dynamicznych systemach rozliczeń z prosumentami.

Abstract

The paper presents selected issues regarding the application of predictive algorithms of artificial intelligence in energy management within local smart DC microgrids, aiming to positively influence the overall stability of the power system and efficient energy management to achieve financial benefits derived from dynamic electricity prices on the Electricity - Day-Ahead Market or in the upcoming dynamic tariffs for prosumers.

Słowa kluczowe

Keywords

Bibliografia

[1] Raczkowski R., Robak S., System magazynowania energii elektrycznej jako środek poprawy elastyczności systemu elektroenergetycznego z dużym udziałem generacji OZE. Przegląd Elektrotechniczny, 2021, 97, 1–8
[2] Rahbar K., Chai C. C., Zhang R., Energy Cooperation Optimization in Microgrids with Renewable Energy Integration, IEEE Transactions on Smart Grid, 2018, 9, 2, 1482-1493
[3] Grzejszczak P., Koszel M., Barlik R., Nowatkiewicz B., SIMES - Smart Integrated Modular Energy System for DC Microgrids with Energy Storages, Progress in Applied Electrical Engineering (PAEE), Koscielisko, Poland, 2023, 1-5
[4] Graniszewski W. i inni, DC Microgrid Power Flow Management System – Proof of Concept, Progress in Applied Electrical Engineering (PAEE), Koscielisko, Poland, 2023, 1-4
[5] Ziel F., Weron R., Day-ahead electricity price forecasting with high-dimensional structures: Univariate vs. multivariate modeling frameworks, Energy Economic, 2018
[6] Viana MS, Morandin Junior O, Contreras RC., A Modified Genetic Algorithm with Local Search Strategies and Multi Crossover Operator for Job Shop Scheduling Problem, Sensors (Basel). 2020 Sep 22;20(18):5440. doi: 10.3390/s20185440. PMID: 32971959; PMCID: PMC7571099
[7] Hochreiter, S., Schmidhuber, J., Long Short-Term Memory. Neural Computation, 9(8), 1997, 1735-1780
[8] Cho, K., Van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y., Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2014, pp. 1724-1734
[9] Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J., Classification and Regression Trees. Belmont, CA: Wadsworth International Group., 1984
[10] Breiman, L., Random Forests. Machine Learning, 45(1), 2001, pp. 5-32
[11] Drucker, H., Burges, C.J.C., Kaufman, L., Smola, A., & Vapnik, V., Support Vector Regression Machines. In M.C. Mozer, M.I. Jordan, & T. Petsche (Eds.), Advances in Neural Information Processing Systems 9, 1997, pp. 155-161, Cambridge, MA: MIT Press
[12] Chen, T., Guestrin, C., XGBoost: A Scalable Tree Boosting System, Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ‘16), San Francisco, CA, USA, 2016, pp. 785-794, ACM
[13] Freund, Y., Schapire, R. E., A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. Journal of Computer and System Sciences, 55(1), 1997, pp. 119-139.
[14] Dorogush, A. V., Ershov, V., Gulin, A., CatBoost: gradient boosting with categorical features support, Workshop on ML Systems at NIPS 2017, 2018, arXiv:1810.11363.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-7 , nr katalogowy 149543 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-7 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-7

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma