Economic Control for a Residential Photovoltaic-Battery System by Combining Stochastic Model Predictive Control and Improved Correction Strategy
Notice bibliographique
Résumé
Abstract Photovoltaic (PV) power generation can help reduce households’ electricity from the power grid and thus reduce electricity bills. However, due to the intermittence and time-varying nature of PV power generation, part of the clean energy will be wasted. Especially in some places where PV power is allowed to be sold to the power grid, the PV power that exceeds the feed-in limit will be curtailed to reduce the pressure on the infrastructure of the power grid. Battery energy storage systems (BESSs) as energy buffers have attracted increasing attention to help improve the penetration of PV power to households. This paper presents an adaptive energy management method to minimize the energy cost of residential PV-battery systems. First, the uncertainty of the predictive electricity demand and PV power supply is modeled. Then a stochastic model predictive control (SMPC) strategy is used to determine the optimal power flow of the system. Due to the deviation between the predictive input values and the actual ones, the power flow from SMPC is adjusted based on the improved correction strategy (ICS) proposed in this paper. By comparing with the other two methods (one considers the uncertainty and the other does not), the proposed method can increase the economic benefits of the system by 18% and 63%, respectively. The wasted PV power that exceeds the feed-in limit can also be reduced by 24% and 31%. This verifies the effectiveness of the proposed method to improve the system's economic benefits and self-consumption of clean energy.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».