MétaCan
Menu
Retour à la cohorte
Enregistrement W2633319204 · doi:10.1049/iet-gtd.2016.1916

Multi‐agent transactive energy management system considering high levels of renewable energy source and electric vehicles

2017· article· en· W2633319204 sur OpenAlexaff
Poria Astero, Bong Jun Choi, Hao Liang

Notice bibliographique

RevueIET Generation Transmission & Distribution · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Vehicles and Infrastructure
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésTransactive memoryRenewable energyComputer scienceEnergy (signal processing)Multi-agent systemEnergy managementEnvironmental economicsDistributed computingAutomotive engineeringEngineeringElectrical engineeringArtificial intelligenceKnowledge managementMathematicsEconomics

Résumé

récupéré en direct d'OpenAlex

The future smart grids (SGs) consist of considerable amount of renewable energy sources (RESs), electrical vehicles (EVs), and energy storage systems (ESSs). The uncertainties associated with EVs and uncontrollable nature of RESs have magnified voltage stability challenges and the importance of an effective energy management system (EMS) in SGs as a practical solution. This study presents a multi‐agent transactive energy management system (TEMS) to control demand and supply in the presence of high levels of RESs and EVs, and maximises profit of each participant in addition to satisfying voltage regulation constraints. For this purpose, a real‐time pricing is considered based on Cournot oligopoly competition model for demand and merit order effect for production to compensate RESs’ fluctuations in real time by an indirect control method. Simulations are conducted in the modified IEEE 37‐bus test system with 1141 customers, 670 EVs, two solar plants, four wind turbines, and one ESS. The results show that the proposed multi‐agent TEMS can indirectly control EVs, elastic loads, and ESSs to balance the RESs oscillation, minimise customers cost, and regulate voltage in a real‐time manner.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,012
Tête enseignante GPT0,202
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations102
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIET Generation Transmission & DistributionMême sujetElectric Vehicles and InfrastructureTravaux en français237 207