Smart Energy Hub Frequency Control-Based Machine Learning
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.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».