Robust model predictive control of battery energy storage with neural network forecasting for peak shaving in university campus
Notice bibliographique
Résumé
This study addresses the challenge of optimizing energy consumption and managing peak demand charges in large university campuses using battery energy storage system (BESS) by demonstrating the effectiveness of a two-stage neural network-based Model Predictive Control (MPC) algorithm enhanced with robust optimization. To achieve this, we first delineate the architecture of neural networks and the Robust MPC model. Subsequent testing in simulation environments leads to the practical validation of the algorithm on a small-scale test bench configured to emulate a microgrid system. Results show that the integration of neural networks and robust optimization in an MPC framework significantly outperforms traditional control methods, achieving more effective peak shaving, reducing energy costs, and enhancing system resilience. The added robustness effectively addresses forecasting errors, making the control strategy more resilient and reliable. The successful deployment of this algorithm on a test bench underscores its practical applicability, highlighting its potential to optimize energy consumption and reduce peak demand charges in buildings. This research contributes a novel, scalable, and adaptive control strategy that bridges advanced forecasting techniques with robust MPC, providing a valuable solution to address peak demand challenges in commercial and institutional buildings. • A robust neural network-based model predictive control system is proposed. • The system integrates robust optimization with a tunable budget of uncertainty. • The system achieves efficient peak shaving in large buildings using batteries. • Validation is performed on a small-scale test bench emulating a microgrid system. • The study demonstrates the real-world applicability of the proposed control system.
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 | 0,000 |
| 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 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 ».