دانلود مقاله انگلیسی رایگان:تجزیه و تحلیل جایگزین قدرت تطبیقی مبتنی بر یادگیری تقویتی برای مدیریت انرژی سیستم های ذخیره سازی انرژی ترکیبی مستقل با توجه به عدم اطمینان - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی یادگیری تقویتی رایگان
  • Reinforcement learning based adaptive power pinch analysis for energy management of stand-alone hybrid energy storage systems considering uncertainty Reinforcement learning based adaptive power pinch analysis for energy management of stand-alone hybrid energy storage systems considering uncertainty
    Reinforcement learning based adaptive power pinch analysis for energy management of stand-alone hybrid energy storage systems considering uncertainty

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Reinforcement learning based adaptive power pinch analysis for energy management of stand-alone hybrid energy storage systems considering uncertainty


    ترجمه فارسی عنوان مقاله:

    تجزیه و تحلیل جایگزین قدرت تطبیقی مبتنی بر یادگیری تقویتی برای مدیریت انرژی سیستم های ذخیره سازی انرژی ترکیبی مستقل با توجه به عدم اطمینان


    منبع:

    Sciencedirect - Elsevier - Energy, 193 (2020) 116622. doi:10.1016/j.energy.2019.116622


    نویسنده:

    Bassey Etim Nyong-Bassey a, *, Damian Giaouris a, Charalampos Patsios a, Simira Papadopoulou b, c, Athanasios I. Papadopoulos b, SaraWalker a, Spyros Voutetakis b, Panos Seferlis d, Shady Gadoue


    چکیده انگلیسی:

    Hybrid energy storage systems (HESS) involve synergies between multiple energy storage technologies with complementary operating features aimed at enhancing the reliability of intermittent renewable energy sources (RES). Nevertheless, coordinating HESS through optimized energy management strategies (EMS) introduces complexity. The latter has been previously addressed by the authors through a systems-level graphical EMS via Power Pinch Analysis (PoPA). Although of proven efficiency, accounting for uncertainty with PoPA has been an issue, due to the assumption of a perfect day ahead (DA) generation and load profiles forecast. This paper proposes three adaptive PoPA-based EMS, aimed at negating load demand and RES stochastic variability. Each method has its own merits such as; reduced computational complexity and improved accuracy depending on the probability density function of uncertainty. The first and simplest adaptive scheme is based on a receding horizon model predictive control framework. The second employs a Kalman filter, whereas the third is based on a machine learning algorithm. The three methods are assessed on a real isolated HESS microgrid built in Greece. In validating the proposed methods against the DA PoPA, the proposed methods all performed better with regards to violation of the energy storage operating constraints and plummeting carbon emission footprint.
    Keywords: Hybrid energy storage systems | Energy management strategies | Model predictive control | Kalman filter | Reinforcement learning


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 25
    حجم فایل: 4068 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi