دانلود و نمایش مقالات مرتبط با Energy management::صفحه 1
بلافاصله پس از پرداخت دانلود کنید
نتیجه جستجو - Energy management

تعداد مقالات یافته شده: 45
ردیف عنوان نوع
1 Energy management of hybrid electric bus based on deep reinforcement learning in continuous state and action space
مدیریت انرژی اتوبوس برقی هیبریدی مبتنی بر یادگیری تقویت عمیق در فضای پیوسته و فضای عملی-2019
Energy management is a fundamental task in hybrid electric vehicle community. Efficient energy management of hybrid electric vehicle is challenging owning to its enormous search space, multitudinous control variables and complicated driving conditions. Most existing methods apply discretization to approximate the continuous optimum in real driving conditions, which results in relatively low performance with the discretization error and curse of dimensionality. We introduce a novel energy management strategy with a deep reinforcement learning framework Actor-Critic to address these challenges. Actor-Critic uses a deep neural network, named as actor network, to directly output continuous control signals. Another deep neural network, named as critic network, evaluates the control signals generated by the actor network.The actor and critic neural network are trained by reinforcement learning from self-play in a continuous action space. Several comprehensive experiments are conducted in this paper, the proposed method surpasses discretization-based strategies by directly optimizing in the continuous space, which improves energy management performance while blackucing computation load. The simulation results indicate that the AC achieve the optimal energy distribution in comparison with the discretization-based strategies, especially surpassing the existing baseline DP by 5.5%, 2.9%, 9.5% in CTUDC, WVUCITY and WVUSUB in one-tenth of the computational cost.
Keywords: Self-learning energy management | Hybrid electric bus | Deep reinforcement learning | Continuous spaces
مقاله انگلیسی
2 Energy management based on reinforcement learning with double deep Q-learning for a hybrid electric tracked vehicle
مدیریت انرژی مبتنی بر یادگیری تقویت کننده با یادگیری کیو عمیق دوتایی برای یک وسیله نقلیه الکتریکی ردیابی هیبریدی-2019
An energy management strategy, based on double deep Q-learning algorithm, is proposed for a dual-motor driven hybrid electric tracked-vehicle. Typical model framework of tracked-vehicle is established where the lateral dynamic can be taken into consideration. For the propose of optimizing the fuel consumption performance, a double deep Q-learning-based control structure is put forward. Compared to conventional deep Qlearning, the proposed strategy prevents training process falling into the overoptimistic estimate of policy value and highlights its significant advantages in terms of the iterative convergence rate and optimization performance. Unique observation states are selected as input variables of reinforcement learning algorithm in view of revealing tracked-vehicles characteristic. The conventional deep Q-learning and dynamic programming are also employed and compared with the proposed strategy for different driving schedules. Simulation results demonstrate the fuel economy of proposed methodology achieves 7.1% better than that of conventional deep Q learning-based strategy and reaches 93.2% level of Dynamic programing benchmark. Moreover, the designed algorithm has a good performance in battery SOC retention with different initial values.
Keywords: Energy management | Reinforcement learning | Double deep Q-learning | Hybrid vehicle | Tracked-vehicle
مقاله انگلیسی
3 Energy management for a power-split hybrid electric bus via deep reinforcement learning with terrain information
مدیریت انرژی برای یک اتوبوس برقی هیبریدی با تقسیم قدرت از طریق یادگیری تقویتی عمیق با اطلاعات زمین-2019
Due to the high mileage and heavy load capabilities of hybrid commercial vehicles, energy management becomes crucial in improving their fuel economy. In this paper, terrain information is systematically integrated into the energy management strategy for a power-split hybrid electric bus based on a deep reinforcement learning approach: the deep deterministic policy gradient algorithm. Specially, this energy management method is improved and capable of searching optimal energy management strategies in a discrete-continuous hybrid action space, which, in this work, consists of two continuous actions for the engine and four discrete actions for powertrain mode selections. Additionally, a Critic network with dueling architecture and a pre-training stage ahead of the reinforcement learning process are combined for efficient strategy learning with the adopted algorithm. Assuming the current terrain information was available to the controller, the deep reinforcement learning based energy management strategy is trained and tested on different driving cycles and simulated terrains. Simulation results of the trained strategy show that reasonable energy allocation schemes and mode switching rules are learned simultaneously. Its fuel economy gap with the baseline strategy using dynamic programming is narrowed down to nearly 6.4% while reducing the times of engine starts by around 76%. Further comparisons also indicate approximately 2% promotion in fuel economy is contributed by the incorporation of terrain information in this learning-based energy management. The main contribution of this study is to explore the inclusion of terrain information in a learning-based energy management method that can deal with large hybrid action spaces.
Keywords: Energy management strategy | Deep reinforcement learning | Discrete-continuous hybrid action space | Power-split hybrid electric bus | Terrain information
مقاله انگلیسی
4 Multi-agent microgrid energy management based on deep learning forecaster
مدیریت انرژی میکروگیدر چند عامل مبتنی بر پیشگویی یادگیری عمیق-2019
This paper presents a multi-agent day-ahead microgrid energy management framework. The objective is to minimize energy loss and operation cost of agents, including conventional distributed generators, wind turbines, photovoltaics, demands, battery storage systems, and microgrids aggregator agent. To forecast market prices, wind generation, solar generation, and load demand, a deep learning-based approach is designed based on a combination of convolutional neural networks and gated recurrent unit. Each agent utilizes the designed learning approach and its own historical data to forecast its required parameters/data for scheduling purposes. To preserve the information privacy of agents, the alternating direction method of multipliers (ADMM) is utilized to find the optimal operating point of microgrid distributedly. To enhance the convergence performance of the distributed algorithm, an accelerated ADMM is presented based on the concept of over-relaxation. In the proposed framework, the agents do not need to share with other parties either their historical data for forecasting purposes or commercially sensitive information for scheduling purposes. The proposed framework is tested on a realistic test system. The forecast values obtained by the proposed forecasting method are compared with several other methods and the accelerated distributed algorithm is compared with the standard ADMM and analytical target cascading.
Keywords: Microgrid energy management system | Short-term forecasting | Deep learning | Convolutional neural networks | Gated recurrent unit | Alternating direction method of multipliers
مقاله انگلیسی
5 Deep ensemble learning based probabilistic load forecasting in smart grids
پیش بینی بار احتمالی مبتنی بر یادگیری گروه عمیق در شبکه های هوشمند-2019
With the availability of fine-grained smart meter data, there has been increasing interest in using this information for ecient and reliable energy management. In particular, accurate probabilistic load forecasting for individual consumers is critical in determining the uncertainties in future demand with the goal of improving smart grid reliability. Compared with the aggregate loads, individual load profiles exhibit higher irregularity and volatility and thus less predictable. To address these challenges, a novel deep ensemble learning based probabilistic load forecasting framework is proposed to quantify the load uncertainties of individual customers. This framework employs the profiles of di erent customer groups integrated into the understanding of the task. Specifically, customers are clustered into separate groups based on their profiles and multitask representation learning is employed on these groups simultaneously. This leads to a better feature learning across groups. Case studies conducted on an open access dataset from Ireland demonstrate the e ectiveness and superiority of the proposed framework
Keywords: Deep ensemble learning | multitask representation learning | probabilistic load forecasting | smart grid | customer profiles
مقاله انگلیسی
6 From big data to smart energy services: An application for intelligent energy management
از داده های بزرگ به سرویس های هوشمند انرژی: یک برنامه کاربردی برای مدیریت انرژی هوشمند-2018
Big data is an ascendant technological concepts and includes smart energy services, such as intelligent energy management, energy consumption prediction and exploitation of Internet of Things (IoT) solutions. As a result, big data technologies will have a significant impact in the energy sector. This paper proposes a high level architecture of a big data platform that can support the creation, development, maintenance and exploitation of smart energy services through the utilisation of cross-domain data. The proposed platform enables the simplification of the procedure followed for the information gathering by multiple sources, turning into actionable recommendations and meaningful operational insights for city authorities and local administrations, energy managers and consultants, energy service companies, utilities and energy providers. Α web-based Decision Support System (DSS) has been developed according to the proposed architecture, exploiting multi-sourced data within a smart city context towards the creation of energy management action plans. The pilot application of the developed DSS in three European cities is presented and discussed. This “data-driven” DSS can support energy managers and city authorities for managing their building facilities’ energy performance.
Keywords: Big Data; Decision Support System; Energy Services; Intelligent Management; Smart Cities.
مقاله انگلیسی
7 مدیریت انرژی دینامیکی برای سیستم قدرت فوتوولتائیک شامل ذخیره سازی ترکیبی انرژی در استفاده از ریز شبکه
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 11 - تعداد صفحات فایل doc فارسی: 26
تکنولوژی های ذخیره سازی انرژی یک قسمت ادغام شده مهم با شبکه سیستم های انرژی تجدید پذیر (RES) در آینده خواهند شد. استفاده از ذخیره سازی انرژی با RES در بهترین راه استفاده از توان تجدید پذیر و کاهش مصرف سوخت های فسیلی متداول می‌باشد. تغییر ناگهانی تقاضای بار ذخیره سازی انرژی با حداکثر توان با قابلیت چگالی نیاز دارد. این مقاله حاوی یک سیستم ذخیره سازی انرژی ترکیبی (HESS) است که حاوی دو انرژی بالا و بانک باتری ذخیره سازی چگالی توان و واحد ابر خازن به ترتیب برای پاسخ به ضرورت های ذکر شده در بالا، می‌باشد. تنظیم سیستم قدرت پیشنهاد شده و الگوریتم مدیریت انرژی دینامیکی می‌تواند شدیدا تقاضای بار دینامیکی پشتیبانی شده توسط اجزای سیستم ذخیره سازی انرژی ترکیبی، توان فوتوولتائیک و اتصال شبکه را تامین کند. کنترل واحد از طریق یک الگوریتم مدیریت انرژی، مبنی بر تغییرات دینامیکی در سیستم فراهم شده است. نتایج ارزیابی آزمایشگاهی در این مقاله برای نشان دادن امکان پذیری ساختار مدیریت انرژی پیشنهاد شده ارائه شده است. اعتبار الگوریتم مدیریت انرژی دینامیکی پیشنهاد شده با مبدل کارآمد، به صورت آزمایشگاهی در آزمایشگاه بر اساس نمونه اولیه HESS در شبکه هوشمند بررسی شده است.
اصطلاحات شاخص: باتری | مدیریت انرژی | سیستم ذخیره سازی انرژی ترکیبی | ابر خازن | فوتوولتائیک | ریز شبکه
مقاله ترجمه شده
8 بازبینی تکنولوژی های FACTS و کاربرد های آن برای کیفیت توان در شبکه های هوشمند با سیستم های انرژی تجدید پذیر
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 13 - تعداد صفحات فایل doc فارسی: 45
در دو دهه گذشته، ظهور استفاده از منابع انرژی پراکنده و تجدید پذیر در شبکه برق چالش هایی را برای سودمندی و کیفیت توان، پایدار سازی ولتاژ و بکار گیری انرژی کارآمد، ایجاد کرد. مبدل های الکترونیکی قدرت به صورت گسترده ای برای ارتباط بین سیستم های انرژی ظهور یافته (با ذخیره انرژی یا بدون آن) و سازه های هوشمند با سیستم های انتقال و توزیع بکار می روند. سیستم های انتقال ac انعطاف پذیر (FACTS ها) و مبدل های منبع ولتاژ با کنترل کننده های دینامیکی هوشمند، به عنوان یک پایدار سازی و تجهیزات فیلترینگ قدرت برای افزایش کیفیت توان در حال ظهور هستند. همچنین، FACTSهای پراکنده نقش مهمی در بهبود ضریب قدرت، پایدار سازی انرژی، تقویت کیفیت توان، و تضمین پایدار سازی انرژی کارآمد و مدیریت انرژی در شبکه های هوشمند با منابع انرژی تجدید پذیر، ایفا می کنند. این مقاله یک برآورد از ابزارهای تکنولوژی FACTS و کاربردهای آن برای کیفیت قدرت و کارآمدی برای پایدار سازی سیستم انرژی تجدید پذیر، ارائه می‌کند.
کلید واژه ها: تکنولوژی های FACTS | بکار گیری انرژی سبز | کیفیت توان | منابع انرژی تجدید پذیر | ریز شبکه
مقاله ترجمه شده
9 Big data-informed energy efficiency assessment of China industry sectors based on K-means clustering
ارزیابی کارآیی انرژی ارزیابی انرژی در بخش های صنعتی چین بر اساس الگوریتم K-means خوشه بندی-2018
The regional energy management body has a large amount of regional industrial companies’ energy consumption data. It can evaluate the energy utilization of listed regional industrial companies based on the total data and, then, find the key points for understanding the resources usage patterns, identifying the problematic companies, and establishing good energy consumption practices. This paper reviews the research progress on big data analysis and industrial energy efficiency evaluation and focuses on the energy efficiency evaluation methods based on energy consumption process analysis and big data mining approach. Based on K-means and multi-dimensional association rules algorithm, to analyze the charac teristics of regional energy consumption in different industries and companies, we cluster single industry in K-means and finding their levels of water and energy consumption. This classification provided us a reference point to identify the industries and companies to focus on and locate the bad consumption practices and environmental performance. Then, multi-dimensional association rules are used to find the correlation of processes, companies and energy efficiency to guide the energy conservation in regional energy monitor. The output of our research is a working Big Data analytics platform and the results generated from advance analytics techniques applied specifically to solve regional energy efficiency problems.
Keywords: Big-data ، Energy efficiency assessment ، K-means ، Multi-dimension association rules
مقاله انگلیسی
10 مدیریت انرژی مبتنی بر مصرف کننده آینده نگر و اشتراک گذاری انرژی در شبکه هوشمند
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 39
انتظار بزرگی که از شبکه برق هوشمند می رود، این است که با استفاده از جریان دو طرفه ی داده ها و انرژی برقی که با اطلاعات پیشرفته فعال شده است و همچنین با استفاده از ارتباطات و زیرساخت های کنترلی، سرویس های انرژی پایدار را ارائه دهد. یک عنصر مهم از چنین شبکه ی هوشمندی مصرف کننده های آینده نگر هستند، یعنی مصرف کنندگانی که از طریق شبکه، انرژی اضافی را تولید و با سایر کاربران به اشتراک می گذارند. مصرف کننده های آینده نگر نه تنها مهمترین ذینفع در شبکه های هوشمندِ متشکل از مصرف کنندگانِ آینده نگر هستند، بلکه نقشی حیاتی در مدیریتِ حداکثر تقاضا ایفا می کنند. بنابراين، لازم است که به تحقیق و بررسی پیرامونِ مدیریت انرژی مبتنی بر مصرف کننده ی آینده نگر و اشتراک گذاریِ انرژی ( PEMS) و چالش های مرتبط با آن بپردازیم. این بررسی برای درک و تحلیل تاثیر مصرف کننده ها ی آینده نگر در شبکه های هوشمند آینده به ما کمک خواهد کرد. به منظور دستیابی به این اهداف، این مقاله به بررسی جامعِ PEMS (یا مدیریت انرژی مبتنی بر مصرف کننده ی آینده نگر و اشتراک گذاریِ انرژی) در محیط شبکه هوشمند و بررسیِ تأثیرات مرتبط با قابلیت اطمینان سیستم و پایداری انرژی می پردازد. فرایند به اشتراک گذاریِ انرژی میان مصرف کننده های آینده نگر ، شامل دو عنصر کلیدی می باشد: فناوری اطلاعات و ارتباطات و تکنیک های بهینه سازی. این دو عنصر به طور کامل مورد بحث قرار می گیرند تا نیازمندی های اجراییِ PEMS را تحت پوشش قرار دهند. آن دسته از فناوری های مرتط با ارتباطات که در این مقاله ارائه شده اند، عبارتند از: فناوری های سیمی، فناوری های بی سیم، گزینه های کوتاه مدت و بلند مدت در تکنیک های بهینه سازی خطی و غیرخطی، که در زمینه ی PEMS، شرح داده شده اند. در این مقاله، فناوری های مختلف، روش ها و مکانیزم های پذیرفته شده برای PEMS به صورت جامع مورد بحث قرار می گیرند تا به افزایش شهود خوانندگان کمک شود. چالش ها و مسائلی که در جوامع مصرف کننده ی آینده نگر با آنها مواجه هستند، و همچنین مسأله ی اشتراک گذاریِ انرژی، به طور دقیق مورد بررسی قرار گرفته است.
کلمه های کلیدی: شبکه هوشمند | مصرف کننده های آینده نگر | مدیریت انرژی | اشتراک انرژی | بهينه سازي.
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی