Transactive control of a residential community with solar photovoltaic and battery storage systems
Notice bibliographique
Résumé
Transactive energy is a two-way exchange of energy between the electric power grid and a community's distributed energy resources, offering opportunities for efficiency improvements through market-based economic and control techniques. A community's distributed energy resources include electricity-producing resources and controllable loads. Increased usage of unsynchronized generation of non-dispatchable solar photovoltaic energy and household demand at the community level can adversely affect the power quality, reliability and network balancing of the electricity grid. A solution was developed in this paper in the form of energy storage and demand side management on a solar residential community. An agent-based transactive energy management system was developed and simulated using multiple prosumer houses with roof-top PV systems and local energy storage. Experimental work conducted on an archetype house, near Toronto, Ontario, Canada, was used to model an all-electric residential house and clusters were created with varying orientations and building properties to mimic different efficiency levels of the houses within the virtual community. A machine learning algorithm using historical data and weather forecasts from Natural Resources Canada (NRCan) was used to forecast the community's energy generation as well as building's thermal loads. In this community, consumers can curtail their loads based on price signals sent to smart devices in homes. Open-loop mixed integer linear programming technique (MILP) and model predicted control (MPC) were compared and evaluated. The simulation shows promising results with a 9% energy savings during the summer solstice day and 5% during the winter solstice day when compared to the normal operation of houses' mechanical equipment.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».