Comparison of machine learning and MPC methods for control of home battery storage systems in distribution grids
Notice bibliographique
Résumé
Control methods for Home Energy Management Systems implemented with traditional optimization techniques and state-of-the-art Machine Learning methods are presented and compared in this paper in the context of their impact on and interactions with Active Distribution Networks. Thus, model-based methods based on Model Predictive Control algorithms with different prediction qualities are first described and compared against model-free methods based on imitation learning and reinforcement learning. A practical, state-of-the-art, heuristic, rule-based controller is used as the baseline. An in-depth comparison is performed using metrics consisting of objective function values, grid constraint violations, and computational time. The results of applying these Home Energy Management Systems to a realistic German low voltage benchmark grid with 13 connected households, each containing solar generation, a battery storage system, and electrical loads are discussed. It is demonstrated that model-based and model-free methods can achieve improvements over typical rule-based methods, with varying performance in terms of objective function values and grid constraint violations depending on the forecasts, at the cost of higher computational complexity. Furthermore, model-free methods are shown to have in general low computational burden at higher objective function values with more grid constraint violations, with imitation-learning-based techniques proving to be the best compromise for practical applications. • Applied Machine Learning and optimization for Home Energy Management Systems (HEMS). • Comparison of rule-/model-based and model-free HEMS. • Integrated Graph Neural Networks (GNNs) into HEMS control for the first time. • Analyzed Imitation Learning trade-offs between computational demand and performance. • Benchmarked HEMS methods using realistic low voltage grid and household and PV data.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».