Smart Energy Hub Frequency Control-Based Machine 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
The increasing variety of energy conversion units and storage equipment connected to the multi-energy system, along with the uncertain factors posed by distributed wind and photovoltaic power generation, have made the energy flow structure of the system more complex. This complexity has created significant challenges for the frequency regulation of traditional energy hub systems. One of the characteristics of a microgrid (MG) is the use of combined heat and power (CHP) systems to generate both electrical and thermal energy at the same time. This can boost the system's dependability, efficiency, and economic performance. As a CHP's ramping capability makes it a useful tool for monitoring and controlling the MG's frequency, it will be employed in this research to achieve this goal. The complexity of the system's dynamics and set tasks throughout the course of the performance period necessitates advanced control structures for the MG with CHP systems. To address the challenges of controlling in MG with CHP systems, this research introduces a novel control structure based on deep reinforcement learning and single input interval type-2 fuzzy fractional-order proportional integral (SIT2-FFOPI) for this system. The SIT2-FFOPI serves as the main controller, with its fundamental parameters established through the utilization of the Improved Salp Swarm Algorithm (ISSA) optimization technique. An adaptive deep deterministic policy gradient (DDPG)-based actor-critic system has been developed to enhance the main controller's learning potential, thereby enabling it to more effectively address control challenges in the isolated MG. The efficacy of the suggested approach in real-time was evaluated through simulations carried out utilizing an OPAL-RT-based Hardware-in-the-Loop (HiL) configuration. As a result of this study, it was determined that the proposed controller for load disturbance, renewable energy sources (RES) power changes, and contingency circumstances in MG outperforms other controllers in terms of performance.
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 | 0,001 | 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 | 0,001 |
| 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