دانلود مقاله رویکرد میان رشته ای در ریزشبکه مجازی کارآمد به تعادل انرژی
چکیده
مقدمه
پیش زمینه و مرور مطالعات پیشین
بیان مسأله
روش شناسی
شبیه سازی ها و نتایج
بحث
نتیجه گیری
منابع
Abstract
Introduction
Background and literature review
Problem statement
Methodology
Simulations and results
Discussion
Conclusions
References
چکیده
یک راه برای بهبود مدیریت انرژی، انجام تعادل در سطح همتا به همتا (P2P) و سپس در سطح ریزشبکه مجازی به ریزشبکه مجازی (VMG2VMG) است، در حالی که متناوب بودن منبع انرژی تجدیدپذیر موجود (RES) را در نظر می گیریم. . این مقاله یک رویکرد مبتنی بر تحلیل بین‌رشته‌ای را برای تشکیل VMGs ارائه می‌کند که به تعادل انرژی می‌پردازد. رویکرد ما روش‌های علوم کامپیوتر را برای رسیدگی به یک مشکل بخش انرژی، با استفاده از تکنیک‌های پیش‌پردازش داده‌ها و مفاهیم یادگیری ماشین، ترکیب می‌کند. دارای توازن P2P است، که در آن هر همتا یک فروشنده است که به عنوان یک موجودیت جداگانه درک می شود، و ریزشبکه های مجازی (VMG) به عنوان خوشه هایی از همتایان. ما چندین شبیه‌سازی را با استفاده از الگوریتم‌های خوشه‌بندی و باینینگ برای پیش‌پردازش داده‌های انرژی انجام دادیم. رویکرد ما گزینه‌هایی را برای تولید VMG برای مشتریان، قبل از استفاده از الگوریتم متعادل‌سازی نیروی فراگیر سفارشی (EBA) ارائه می‌کند. EBA تعادل را در سطح خوشه به خوشه انجام می دهد که به عنوان تعادل VMG2VMG درک می شود. برای این منظور، این مطالعه داده‌های 94 مشتری را شبیه‌سازی می‌کند و نتایج، سوگیری‌ها و چشم‌اندازهای افزایش و گسترش این کار را گزارش می‌کند. در نهایت، این مقاله کاربردهای ایده آل بالقوه را برای این رویکرد، چه به صورت مستقل یا یکپارچه با سایر ابزارها و فناوری ها، تشریح می کند.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
A way to improve energy management is to perform balancing both at the Peer-to-peer (P2P) level and then at the Virtual Microgrid-to-Virtual Microgrid (VMG2VMG) level, while considering the intermittency of available Renewable Energy Source (RES). This paper proposes an interdisciplinary analytics-based approach for the formation of VMGs addressing energy balancing. Our approach incorporates Computer Science methods to address an Energy sector problem, utilizing data preprocessing techniques and Machine Learning concepts. It features P2P balancing, where each peer is a prosumer perceived as an individual entity, and Virtual Microgrids (VMGs) as clusters of peers. We conducted several simulations utilizing clustering and binning algorithms for preprocessing energy data. Our approach offers options for generating VMGs of prosumers, prior to using a customized Exhaustive brute-force Balancing Algorithm (EBA). EBA performs balancing at the cluster-to-cluster level, perceived as VMG2VMG balancing. To that end, the study simulates on data from 94 prosumers, and reports outcomes, biases, and prospects for scaling up and expanding this work. Finally, this paper outlines potential ideal usages for the approach, either standalone or integrated with other toolkits and technologies.
Introduction
Enhancing Microgrid (MG) management has recently drawn signifcant research attention [1]. MGs ofer great opportunities for improving energy distribution through balancing, CO2 emissions reduction, energy production, cost reduction etc. [2].
The main challenges that the energy sector faces refer to securing seamless and reliable power system operation, the best way possible [3]. For example, Renewable Energy Source (RES) integration could aid reducing the fuctuations on daily energy loads paired with improvements in energy storage. However, RESs are intermittent in nature. Therefore, novel decision support systems are required to manage their smooth integration. Moreover, it is important to utilize them in various ways for minimizing power losses, as well as optimal energy management regarding peak demands [4].
Conclusions
This paper proposes an approach which implements high-level energy balancing at the VMG and P2P level, while reviewing some state-of-the-art computer science and energy attempts, highlighting the necessity for interdisciplinarity in this problem domain. The approach utilizes heuristics through rules and unsupervised learning to form and balance VMGs. Biases in the proposed methodology are stated in Sect. 6.2, and assumptions in Sect. 3. These biases and assumptions inferably Fig. 22 Research summary and outcomes generate directions for improvements. The methodology and its connection with result outline are depicted in Fig. 22.