Two-Stage Stochastic Optimization for Peak Load Reduction in Smart District Microgrid
Notice bibliographique
Résumé
RÉSUMÉ: Les microréseaux offrent une diversité de ressources énergétiques distribuées pour fournir de l'électricité aux propriétaires de bâtiments, et ainsi contribuer à la réduction de la facture énergétique et les émissions de gaz à effet de serre. En effet, les sources d'énergies renouvelables sont propres et peu coûteuses, mais elles ont la particularité d'avoir un caractère intermittent. Pour la clientèle de grande puissance, les microréseaux peuvent également contribuer à l'écrêtage de la demande de pointe locale. Cependant, définir le dimensionnement et l'opération optimaux d'un microréseau compte tenu des incertitudes liées à la génération et à la consommation est un grand défi. Ces incertitudes doivent être adéquatement modélisées pour la gestion optimale d'un microréseau. L'optimisation stochastique offre un cadre approprié pour l'ople dimensionnement et l'opération du microréseau dans un contexte incertain. Ce-pendant, il existe un besoin accru pour le développement d'approches de génération et de réduction de scenarios pour limiter le temps de calcul de tels problèmes. Dans cette étude, un problème d'optimisation stochastique en deux étapes comprenant le dimensionnement et le fonctionnement d'un microréseau pour la réduction de la charge de pointe est proposé. Un réseau antagoniste génératif (GAN) a été proposé pour générer des scénarios de profils de puissance PV et de demande électrique. En raison d'un grand nombre de scénarios, la technique de réduction de scénarios K-medoids a été appliqué. Les résultats du cas d'étude d'un campus canadien ont démontré que la méthode proposée réduisait les coûts ainsi que la demande de pointe en utilisant des systèmes de production d'énergie PV et du stockage sur batterie. ABSTRACT: Microgrids offer a diversity of distributed energy resources to supply electricity to building owners, and thus contribute to the reduction of energy bills and greenhouse gas emissions. Indeed, renewable energy sources are clean and inexpensive, but they have the particularity of being intermittent. For large-power customers, microgrids can also contribute to local peak-shaving. However, defining the optimal sizing and operation of a microgrid considering generation and consumption uncertainties is a big challenge. These uncertainties must be adequately modeled for the optimal management of a microgrid. Stochastic optimization provides an appropriate framework for microgrid sizing and operation under uncertainty. However, there is an increased need for the development of scenarios generation and reduction approaches to limit the computation time of such problems. In this study, a two-stage stochastic optimization problem including sizing and operation of a MG and peak load reduction has been solved. A generative Adversarial Network (GAN) was proposed to generate PV power and electrical load demand scenarios. Due to a large number of scenarios, the K-medoids scenario reduction technique has been applied. The results of the case study of a Canadian university campus, showed that the proposed method decreased costs and properly shaved peak loads using PV power generation and battery storage systems.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 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 ».