XiaoMi-AI文件搜索系统
World File Search System负载曲线
OPF-Learn：用于创建代表性交流最优潮流数据集的开源框架：预印本
摘要 — 可再生能源发电水平的提高激发了人们对数据驱动的交流最优功率流 (AC OPF) 方法的兴趣，以管理不确定性；然而，缺乏规范的数据集创建和基准测试，阻碍了对文献中的方法进行有用的比较。为了树立信心，模型必须能够可靠地预测各种运行条件下的解决方案。本文为 Julia 和 Python 开发了 OPF-Learn 包，它使用一种计算效率高的方法创建代表性数据集，涵盖交流 OPF 可行域的广泛范围。负载曲线是从包含交流 OPF 可行集的凸集中均匀采样的。对于找到的每个不可行的点，使用不可行性证书来减少凸集，这些证书是通过使用宽松公式的性质找到的。与文献中看到的传统技术相比，该框架可以生成更能代表整个可行空间的数据集，从而提高机器学习模型的性能。
引用 (APA)：Akpolat, AN、Habibi, MR、Dursun, E.、Kuzucuoglu, AE、Yang, Y.、Dragicevic, T. 和 Blaabjerg, F. (2021)。基于人工智能的直流微电网无传感器控制。IEEE 能源转换学报，36 (3)，2319-2329。https://doi.org/10.1109/TEC.2020.3044270
摘要——如今，直流微电网在可再生能源领域受到青睐。自主直流微电网旨在提供从可再生能源到负载的平稳电力流动。在满足某些负载曲线并将功率维持在所需水平的同时，对功率转换器的控制也非常重要。为了提高直流微电网的弹性，电池存储系统 (BSS) 也被用作提供不间断电源的备用单元。BSS 的主要任务是在负载高于供电功率时补偿功率不足，或在负载需求低于提取功率的情况下存储多余的功率。换句话说，通过消耗和存储电力，BSS 有助于提高系统的灵活性并将主直流母线电压保持在可接受的范围内。本研究引入了基于人工智能 (AI) 的方法来减少实施的传感器数量并控制功率转换器而不会降低效率。在本文中，利用了作为 AI 子集的人工神经网络 (ANN)。减少控制层中的传感器数量使系统更加可靠。为了验证所提系统的有效性，在 MATLAB/Simulink 中进行了离线和在线时域仿真。
快速变化的运行条件下孤立电力系统的数据驱动能源管理
我们提出了一种能源管理算法，用于集成不确定的可再生能源发电和能源存储的孤立工业电力系统。所提出的策略旨在通过管理电网中的能源流来确保可持续且具有成本效益的运营，其结构可以应对：（1）高水平的可再生能源渗透，以及（2）以非平滑模式和不规则事件为特征的负载曲线（即，诸如由大型设备的连接/断开或大风速斜坡引起的事件）。所提出的算法利用随机经济模型预测控制 (MPC) 方案，能够同时处理本地发电机组的调度和调度。更准确地说，该方案嵌入了混合整数线性规划 (MILP) 最优控制策略制定和随机规划方法。此外，优化问题考虑了多个技术经济目标，例如最小化运营成本、电池退化和未利用的能源。我们在一个孤立的海上石油和天然气平台的案例研究中测试了该算法，该平台使用传统燃气轮机和当地风电场在现场生产能源，同时集成了电池储能
蓄热式微型燃气轮机—过程分析及对燃烧影响的实验研究
摘要：风力涡轮机和光伏等可再生能源是环保能源供应的关键。然而，它们不稳定的电力输出对供应安全构成了挑战。因此，具有存储能力的灵活能源系统对于可再生能源的扩展至关重要，因为它们允许存储非需求产生的电力并根据需要重新转换和供应。为此，提出了一种新颖的发电厂概念，其中高温储能 (HTES) 集成在传统微型燃气轮机 (MGT) 的回热器和燃烧器之间。它用于在供应过剩时存储可再生能源，随后用于减少 MGT 运行期间的燃料需求。因此，污染物排放显著减少，同时电网稳定。本文提出了一项数值过程模拟研究，旨在研究 HTES 的不同存储温度和负载曲线对 MGT 性能（例如燃料消耗、效率）的影响。此外，还推导出相关操作点及其工艺参数，如压力、温度和质量流速。由于燃烧室的运行条件受 HTES 的强烈影响，本文对其对燃烧室可操作性的影响进行了详细的理论分析，并对第一个适合该化合物的燃烧室设计进行了实验研究，并在较高的入口温度条件下进行了测试。
使用萤火虫算法最小化可再生能源的能源成本
可再生能源作为能源和电网供应的扩展，在当前和未来的电力系统中发挥着更加积极和重要的作用。太阳能和风能是全球最具潜力的两种能源。在电池储能装置的帮助下，风能和太阳能得到了研究。考虑可再生能源是因为它们是免费的，而且在自然界中更容易获得。该系统将使用可再生能源来满足负载需求。本研究使用萤火虫算法 (FFA) 来最小化能源成本，同时满足负载需求。FFA 的充分性与其他元启发式方法相关联，用于执行估算文件，这仍然是为了降低能源成本并增加潜在的电力供应。该方法考虑了每年三个不同的负载曲线，即秋季、冬季和夏季，并使用每小时负载数据来展示三个季节之间的差异。结果是使用 HOMER（多种能源混合优化）软件和 MATLAB 软件进行的。结果表明，FFA 的性能优于 GA、PSO 和 IPSO 算法，并且显示了最小化能源成本的比较。因此，所提出的方法表明它最适合最小化可再生能源的成本。
需求侧机遇：分布式太阳能和建筑能源系统在脱碳电网中的作用
执行摘要 建筑物中有许多能源技术可用作需求侧电网资源，例如节能设备、灵活负载和储能。利用建筑能源技术提供需求侧电网服务可以让电力客户参与清洁能源转型，减少电网排放，并提供有价值的电网服务。这些技术还可以通过重塑建筑负载曲线来优化分布式太阳能光伏 (DPV) 的使用，从而实现分布式太阳能光伏 (DPV) 的部署。DPV 优化可以推动 DPV 的采用，并使 DPV 对电网更有价值。需求侧资源本身不足以实现深度脱碳，而且与大型资产相比，它们需要做出重要的权衡，特别是在放弃规模经济和最终用户行为的不确定性方面。尽管如此，需求侧资源将在深度脱碳中发挥关键作用，原因有几个，包括其独特的区位优势、利用未充分利用的建筑空间的能力、非能源优势（例如，本地弹性）以及帮助实现能源正义目标和确保更公平地分配电网转型效益的能力。
已发表版本的引用（APA）：Virgili, M., Babu, N., Javidsharifi, M., Valiulahi, I., Masouros, C., Forsyth, AJ, Kerekes, T., & Papadias, C. (2010)。
摘要 — 本研究提出了一个框架来设计一种具有成本效益的基于无人机 (UAV) 的能源中性 (EN) 系统，该系统部署用于从一组物联网 (IoT) 节点收集数据。能源中性是指在运行过程中收集、存储和消耗的能量之间的零和平衡，当无法/不可行地连接到电网时，这将改变游戏规则。这涉及使用由光伏 (PV) 板和电池组成的离网充电站 (CS)，这些充电站提供足够的能量为基于无人机的空中接入点 (AAP) 充电。投资成本取决于 AAP、PV 板和地面电池单元的数量。由于 CS 负载的形式难以处理，因此无法使用传统的优化工具来实现其最小化。因此，提出了一种基于波的新方法，将负载曲线表示为所需 AAP 数量的比例函数，从而将 CS 设计与轨迹优化直接联系起来。与基线情景相比，提出的轨迹设计可以将时间和能源消耗减少一半；投资成本随服务时间和季节而变化；离网 CS 在农村地区特别有优势，而在城市地区，其成本与并网替代方案相当。
应用能源
本文提出了一种用于综合可再生能源微电网系统运行调度的随机框架。所提出的模型提出了一种综合调度方法，同时考虑了总发电成本、发电灵活性和需求侧灵活性。这种运行管理方法被建模为三层框架。在第一层，微电网系统试图在考虑可再生能源发电、信号价格和负荷的概率行为的情况下，将日常运行成本降至最低。海水淡化装置和水箱储存已被纳入所提出的结构，为系统供应饮用水。第二层重新安排了第一层获得的管理，以提高本地发电资源的热灵活性和电气灵活性。为此，综合能源系统试图在第二层最大化本地能源资源的旋转储备。最后一层负责增加需求侧灵活性。在这一层中，开发了一种混合最大-最小和最小-最大方法，以通过需求侧管理程序统一负载曲线。将提出的框架应用于能源系统的一般结构，日前结果表明，在提出的模型中，电力发电灵活性指数和火电发电灵活性指数分别提高了22.98%和34.64%。
为专业消费者别墅确定电池存储系统的尺寸
欧洲目前正在逐渐摆脱电力从大型集中式发电装置通过主要单向配电网流向一组分布式消费者的模式。取而代之的是风能和太阳能等分布式能源 (DER) 正在被广泛安装，并在能源结构中占据越来越大的份额 [1]–[3]。消费者行为也发生了变化，从纯粹的消费者转变为产消者——有时是电力的净生产者，并将多余的电力输送到电网。随着电力消耗的不断增加以及每日和季节性时间尺度上的负载变化越来越大，这给输电网和配电网都带来了更大的压力。如果要通过对电网基础设施的新投资来满足这一发展，则需要大量投资。同时，近年来电池的价格大幅下降，可以成为电网投资的经济高效的替代方案 [4]。光伏和电池储能相结合的潜力不仅取决于安装的设备和配置，还取决于别墅的地理位置。本文展示了位于挪威南部 58°N 的别墅对调峰的影响，这里的太阳辐射比更有利的位置要低，供暖需求更大，主要通过电力来满足。希望平坦化负载曲线，以减少电网需要提供的峰值需求，或将消费转移到可再生能源发电的时期
MISO 经济规划白皮书
在包含期货的经济模型中，所有包含期货数据的案例都以该案例名称中的期货来定义。期货单位包括模型构建和成员计划。模型构建包括区域资源预测（其模型名称为“RRF”）单位，这些单位通过期货资源扩展来识别。成员计划单位，也称为承诺单位（其模型名称为“COM”）代表特定于成员资源计划的单位。单位类型包括风能、太阳能光伏、太阳能光伏混合、分布式光伏、Flex 和电池单位。这些单位在“期货发电数据无配置文件”案例中定义。发电配置文件（如果遵循配置文件）在后续案例（称为期货配置文件）中定义。最后，遵循配置文件的期货单位的能量限制在称为“期货能量限制”的案例中定义。负载形状也包含在特定于期货的数据中。PROMOD 中的每个区域将具有不同的负载曲线，具体取决于要建模的未来。此负载数据在“负载开发”案例中定义，并根据其代表的未来进行标记。