Optimizing Multi-Microgrid Operations with Battery Energy Storage and Electric Vehicle Integration: A Comparative Analysis of Strategies
Notice bibliographique
Résumé
This study presents a comprehensive comparative analysis of the operational strategies for multi-microgrid systems that integrate battery energy storage systems and electric vehicles. The analyzed strategies include individual operation, community-based operation, a cooperative game-theoretic method, and the alternating direction method of multipliers for multi-microgrid systems. The operation of multi-microgrid systems that incorporate electric vehicles presents challenges related to coordination, privacy, and fairness. Mathematical models for each strategy are developed and evaluated using annual simulations with real-world data. Individual operation offers simplicity but incurs higher costs due to the absence of power sharing among microgrids and limited optimization of battery usage. However, individual optimization reduces the multi-microgrid system cost by 47.5% when compared to the base case with no solar PV or BESS and without optimization. Community-based operation enables power sharing, reducing the net cost of the multi-microgrid system by approximately 7%, as compared to individual operation, but requires full data transparency, raising privacy concerns. Game theory ensures fair benefit allocation, allowing some microgrids to achieve cost reductions of up to 13% through enhanced cooperation and shared use of energy storage assets. The alternating direction method of multipliers achieves a reduction in the electricity costs of each microgrid by 6–7%. It balances privacy and performance without extensive data sharing while effectively utilizing energy storage. The findings highlight the trade-offs between cost efficiency, fairness, privacy, and computational efficiency, offering insights into optimizing multi-microgrid operations that incorporate advanced energy storage solutions.
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 | 0,001 |
| 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 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 ».