Optimal Management of a Virtual Power Plant Consisting of Renewable Energy Resources and Electric Vehicles Using Mixed-Integer Linear Programming and Deep Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recently, renewable energy resources (RESs) and electric vehicles (EVs), in addition to other distributed energy resources (DERs), have gained high popularity in power systems applications. These resources bring quite a few advantages for power systems—reducing carbon emission, increasing efficiency, and reducing power loss. However, they also bring some disadvantages for the network because of their intermittent behavior and their high number in the grid which makes the optimal management of the system a tough task. Virtual power plants (VPPs) are introduced as a promising solution to make the most out of these resources by aggregating them as a single entity. On the other hand, VPP’s optimal management depends on its accuracy in modeling stochastic parameters in the VPP body. In this regard, an efficient approach for a VPP is a method that can overcome these intermittent resources. In this paper, a comprehensive study has been investigated for the optimal management of a VPP by modeling different resources—RESs, energy storages, EVs, and distributed generations. In addition, a method based on bi-directional long short-term memory networks is investigated for forecasting various stochastic parameters, wind speed, electricity price, load demand, and EVs’ behavior. The results of this study show the superiority of BLSTM methods for modeling these parameters with an error of 1.47% in comparison with real data. Furthermore, to show the performance of BLSTMs, its results are compared with other benchmark methods such as shallow neural networks, support vector machines, and long short-term memory networks.
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.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle