論文の概要: Study of a Hybrid Photovoltaic-Wind Smart Microgrid using Data Science Approach

• arxiv url: http://arxiv.org/abs/2105.08510v1
• Date: Fri, 14 May 2021 01:31:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-31 03:52:10.885244
• Title: Study of a Hybrid Photovoltaic-Wind Smart Microgrid using Data Science Approach
• Title（参考訳）: データサイエンスによるハイブリッド太陽光発電型スマートマイクログリッドの研究
• Authors: Josimar Edinson Chire Saire, Jos\'e Armando Gastelo Roque, Franco Canziani
• Abstract要約: 6kWp PV + 6kW 風によって構成され、40家族の農村社会に電気を供給する。 太陽放射, 風速, エネルギー需要, 電池バンクの2回の運転からの実データを用いて, 解析データ間のパターン, 季節性, 既存の相関関係について検討した。 これらの分析データは、小型化技術の改善と、スマートマイクログリッドの性能を最適化するためのエネルギー管理の勧告に使用される。
• 参考スコア（独自算出の注目度）: 1.3764085113103222
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, a smart microgrid implemented in Paracas, Ica, Peru, composed of 6kWp PV + 6kW Wind and that provides electricity to a rural community of 40 families, was studied using a data science approach. Real data of solar irradiance, wind speed, energy demand, and voltage of the battery bank from 2 periods of operation were studied to find patterns, seasonality, and existing correlations between the analyzed data. Among the main results are the periodicity of renewable resources and demand, the weekly behavior of electricity demand and how it has progressively increased from an average of 0.7kW in 2019 to 1.2kW in 2021, and how power outages are repeated at certain hours in the morning when resources are low or there is a failure in the battery bank. These analyzed data will be used to improve sizing techniques and provide recommendations for energy management to optimize the performance of smart microgrids.
• Abstract（参考訳）: 本研究では, ペルーのパラカス, ica, 6kwp pv + 6kw windで構成され, 40世帯の地域コミュニティに電力を供給するスマートマイクログリッドを, データサイエンスの手法を用いて検討した。 日射量, 風速, エネルギー需要, およびバッテリバンクの電圧の実データを用いて, 解析データ間のパターン, 季節性, および既存の相関関係について検討した。 主な結果には、再生可能資源と需要の周期性、電力需要の週毎の挙動、2019年の0.7kwの平均から2021年の1.2kwへの漸進的な増加、資源の不足やバッテリバンクの障害が発生した朝のある時間に停電が繰り返される方法などがある。 これらの分析データは、サイズ技術の改善と、スマートマイクログリッドのパフォーマンスを最適化するためのエネルギー管理の推奨に使用される。

関連論文リスト

• A Reinforcement Learning Approach to Dairy Farm Battery Management using Q Learning [3.1498833540989413]
  本研究は, 乳園における電池充電と排出をスケジューリングするQラーニングに基づくアルゴリズムを提案する。 提案アルゴリズムは, 送電網からの電力輸入コストを13.41%削減し, ピーク需要を2%削減し, 24.49%削減する。
  論文  参考訳（メタデータ） (2024-03-14T15:42:26Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Predicting Short Term Energy Demand in Smart Grid: A Deep Learning Approach for Integrating Renewable Energy Sources in Line with SDGs 7, 9, and 13 [0.0]
  スマートパワーグリッドにおけるエネルギー需要予測のためのディープラーニングモデルを提案する。 我々は、長期記憶ネットワークを使用して、エネルギー需要データにおける複雑なパターンや依存関係をキャプチャします。 提案モデルでは,平均絶対誤差 1.4% でエネルギー需要を正確に予測できる。
  論文  参考訳（メタデータ） (2023-04-08T12:30:59Z)
• Solar Power Prediction Using Machine Learning [0.0]
  本稿では,99%のAUC測定値を用いて,高精度な太陽光発電予測手法を提案する。 このアプローチには、データ収集、前処理、機能選択、モデル選択、トレーニング、評価、デプロイメントが含まれる。 訓練された機械学習モデルは生産環境にデプロイされ、ソーラー発電に関するリアルタイム予測に使用することができる。
  論文  参考訳（メタデータ） (2023-03-11T06:31:46Z)
• Machine learning applications for electricity market agent-based models: A systematic literature review [68.8204255655161]
  エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。 エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。 我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
  論文  参考訳（メタデータ） (2022-06-05T14:52:26Z)
• SunCast: Solar Irradiance Nowcasting from Geosynchronous Satellite Data [2.285928372124628]
  本稿では,太陽フレーミングを次のフレーム予測問題として扱う畳み込み長短期記憶ネットワークモデルを提案する。 当社のモデルは、GPUを使わずに1台のマシン上で、北米全体の太陽光放射を最大3時間60秒で予測できる。
  論文  参考訳（メタデータ） (2022-01-17T01:55:26Z)
• Optimizing a domestic battery and solar photovoltaic system with deep reinforcement learning [69.68068088508505]
  バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。 本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2021-09-10T10:59:14Z)
• Data-driven battery operation for energy arbitrage using rainbow deep reinforcement learning [1.8175650854482457]
  モデルフリーの深部強化学習アルゴリズムであるRainbow Deep Q-Networksは、小さなマイクログリッドのバッテリーを制御するために使用される。 このグリッドは、キール大学で収集されたデータセットに基づいて、独自の需要と再生可能世代で運用されている。
  論文  参考訳（メタデータ） (2021-06-10T21:27:35Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural Networks [68.8204255655161]
  リチウムイオン電池のためのDeep Forward Networkを構築し,その性能評価を行った。 本研究の貢献はリチウムイオン電池用ディープフォワードネットワークの構築手法とその性能評価である。
  論文  参考訳（メタデータ） (2020-09-20T23:47:11Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。