Optimal dispatching of renewable energy‐based urban microgrids using a deep learning approach for electrical load and wind power forecasting
Notice bibliographique
Résumé
Optimal load dispatching plays a vital role in improving the reliability and efficiency of renewable energy systems. This research presents a Mixed-Integer Linear Programming (MILP) approach for optimizing a power system's daily operational cost while increasing its resilience, including a wind turbine, battery, and conventional grid. Deep learning and statistical models along with a novel hybrid model, were developed and used to forecast the 3 days ahead load demand and wind power output. Testing these models shows that the proposed hybrid model could predict load with more accuracy than other models and it could reduce the root mean squared error by 22% to 44% for load forecasting and by 10.5% to 16.6% for wind speed prediction. The MILP model is applied for optimizing the load dispatch of an urban microgrid. The results of the dispatching model show that adding battery storage not only can bring down the grid-connected daily operational cost (from $8.4/day cost to $109.8/day income) and increase the resilience of the system by providing an off-grid mode, but also can extend its lifetime through minimization of degradation cost. The results also indicate that the degradation cost of batteries will contribute to a bigger portion of the operational costs in an off-grid mode in comparison to that of wind power curtailment cost. This research can inform effective and logical decisions for urban micro-grids and direct better integration and use of renewable energy systems in urban areas.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».