MétaCan
Menu
Retour à la cohorte
Enregistrement W4382935937 · doi:10.23919/acc55779.2023.10156474

Decomposition and distributed predictive control of integrated energy systems

2023· article· en· W4382935937 sur OpenAlexaff
Long Wu, Jinfeng Liu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Control Systems Optimization
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésComputer scienceDecompositionDistributed generationRenewable energyInterconnectionWind powerDistributed computingWork (physics)Distributed data storeEnergy storageControl engineeringEngineeringPower (physics)Electrical engineeringMechanical engineeringComputer network

Résumé

récupéré en direct d'OpenAlex

Integrated energy systems (IESs) play an important role in absorbing renewable energy and improving overall fuel efficiency in distributed energy systems. An IES typically consists of a few energy generation and storage units (e.g., solar panels, wind turbines, battery banks, water tanks) that are closely interconnected. Given the distinct dynamics of the different energy generation and storage units, a centralized control scheme in general does not work well. In this work, we show how an IES can be decomposed into smaller subsystems and how distributed economic model predictive control (EMPC) can be designed based on the decomposed subsystems to optimize the operation of the IES. In the decomposition of the IES, we explore both decomposing the entire system vertically based on the time-scale multiplicity exhibited in the IES dynamics and horizontally based on the closeness of the interconnection between the various operating units. The impact of the order of applying the vertical and horizontal decomposition is also discussed. Based on the decomposed subsystems, a distributed EMPC scheme is designed. We illustrate how the features of the decomposed subsystem models can be used in the design of the local EMPCs to reduce the computational complexity and information exchange between the controllers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,994
Score d'incertitude au seuil0,286

Scores Codex et Gemma par catégorie

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

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 Opus0,003
Tête enseignante GPT0,192
Écart entre enseignants0,189 · 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 tête enseignante, 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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Control Systems OptimizationTravaux en français237 207