XiaoMi-AI文件搜索系统
World File Search System预测控制
电力实时能量管理方法...
摘要 —随着微电网中间歇性能源的增多，难以准确预测可再生能源的出力及其负荷需求。为了实现系统的经济运行，提出了一种基于模型预测控制（MPC）和动态规划（DP）算法的能量管理方法。该方法可以合理分配电池、燃料电池、电解器和外部电网的能量，在保证系统功率平衡和成本优化的同时，最大化分布式电源的出力。基于超短期预测，预测光伏阵列的输出功率和系统负荷的需求功率。通过有限时间内的反复滚动优化代替传统动态规划的离线全局优化，获得储能系统中各个单元的功率值。与传统的 DP、MILP-MPC 和基于逻辑的实时管理方法相比，提出了的能量管理方法被证明是可行和有效的。
直流微电网功率平衡的经济约束优化：多源电梯系统应用
本文考虑了一种离散时间调度方法，用于实现连续时间直流微电网系统的功率平衡。高阶动力学和电阻网络分别用于对集中式微电网系统的电力存储单元和直流总线进行建模。采用图上的 PH（Port-Hamiltonian）公式来明确描述微电网拓扑。这种建模方法使我们能够推导出一个离散时间模型，该模型可以保持物理系统的功率和能量平衡。接下来，使用所提出的控制模型制定了受约束的经济 MPC（模型预测控制），以有效管理微电网运行。网络建模方法和基于优化的控制的系统组合使我们能够生成适当的功率分布。最后，通过在不同场景下使用真实数值数据对特定直流微电网电梯系统进行仿真和比较结果，验证了所提出方法的优势。
改进的吉尔伯特 - 瓦尔沙莫夫（Gilbert – Varshamov）绑定了纠缠 -网格拥塞缓解和电池降解最小化，使用基于PV的微电网中的模型预测控制
摘要 - 电网中光伏（PV）系统的整合在峰值功率进料过程中引起拥塞。PV系统中的电池存储会增加自我消费，以实现消费者的好处。然而，随着传统的自我消费（MSC）控制电池调度的控制，网格拥塞的问题未解决。电池往往会在一天的早期充满电，并且峰值功率仍然易于网格。这还增加了由于高电荷（SOC）水平的停留时间增加而增加的电池降解。为了解决此问题，此工作使用模型预测控制（MPC）在PV系统中进行调度，并使用电池存储，以实现最大程度地减少电池降解，网格拥塞，同时最大化自我消耗的多个目标。为了证明改进，此工作比较了用于电池调度的MPC和MSC方案的性能。通过绩效指数（例如自消耗率，峰值功率降低和电池容量逐渐消失）来量化改进。对预测误差下MPC性能的计算负担和最大恶化的分析也进行了。得出的结论是，与MSC相比，MPC在PV系统中实现了相似的自我消费，同时还可以减少电网充血和电池降解。
基于分支对决 Q 网络的分布式储能系统微电网在线调度
I. 引言 微电网是一种很有前途的概念，它可以解决将分布式可再生能源和储能系统整合到电网中的挑战。在线优化是根据系统的实时状态来调度微电网的运行，是确保微电网经济运行的关键技术。然而，可再生能源的不确定性给微电网的在线优化带来了巨大的挑战。为了解决这个问题，研究人员提出了几种在线优化方法，如模型预测控制 (MPC) [1] 和基于近似动态规划 (ADP) 的算法 [2]。然而，上述方法的在线优化性能依赖于预测信息。因此，性能受到可再生能源和负荷功率的预测精度的影响。为了减少对预测的依赖，已经提出了几种其他的微电网在线优化方法，包括 Lyapunov 优化 [3]、CHASE 算法 [4] 以及最近开发的基于深度强化学习 (DRL) 的优化方法（例如深度 Q 网络 (DQN) [5]、MuZero [6]）。
共享光伏板和储能的智能微电网能源调度：以萨姆索岛巴伦码头为例
本文重点研究了基于模型预测控制 (MPC) 的智能微电网能源调度，该微电网配备不可控（即具有固定功率分布）和可控（即具有灵活和可编程操作）电器、光伏 (PV) 电池板和电池储能系统 (BESS)。所提出的控制策略旨在同时优化规划可控负载、共享资源（即储能系统充电/放电和可再生能源使用）以及与电网的能源交换。控制方案依赖于迭代有限时域在线优化，实施混合整数线性规划能源调度算法，以在随时间变化的能源价格下最大化太阳能自给率和/或最小化从电网购买能源的每日成本。在每个时间步骤中，解决由此产生的优化问题，提供可控负载的最佳运行、从电网购买/向电网出售的最佳能源量以及 BESS 的最佳充电/放电配置。
WEKEN 2023-第8卷和2.cdr
摘要 - 公司正在转向AI，以改善可再生能源站点的维护。像真人秀捕获平台一样，无人机部署正在使用AI来评估太阳能农场布局，最大化每个站点产生的能源，并自动监视该领域中太阳能电池板和其他设备的健康，AI系统将在未来10年内通过自动化来显着提高可再生系统的生产率。对于太阳能和风能，这将变得特别普遍。人工智能的使用有助于提高操作的准确性，以提供对集成系统的有效和准确的预测控制。通过各种优化技术结合使用，以根据电源损失（LPSP）和水平的能源成本（LCE）概念来优化系统的尺寸。采用此方法，假定PV/Wind混合动力系统安装在印度的各个地区。此方法在降低成本和能源生产中也起着重要作用。关键字：人工智能，混合能源，可再生能源，混合系统等。
基于分布式优化的弹性微电网能源管理算法
摘要 — 本文提出了一种适用于直流微电网的完全分布式能源管理算法，可应对不同的故障。具体来说，我们采用分布式模型预测控制来处理微电网运行的不确定性。优化问题在每个时间步骤中通过分布式优化算法解决，该算法具有三个主要优点：1）网络代理需要的计算能力较小；2）本地信息不在网络节点之间共享，因此保留了一定程度的隐私；3）适合在大型系统中实施。该算法的弹性特性源于附加约束，这些约束被强制执行，以便在公用电网或线路故障的情况下在系统中存储足够的能量来维持微电网。仿真结果表明，该算法适用于调度始终连接到微电网的代理（例如负载）以及可能连接和断开的代理（例如电动汽车）的运行。
自主驾驶处理交通参与者的意外行为的安全和非保守轨迹计划
摘要 - 自主驾驶的轨迹计划是具有挑战性的，因为必须考虑交通参与者的未来未来运动，从而产生巨大的不确定性。随机模型预测控制（SMPC）的计划者提供了非保守计划，但不排除碰撞的（小）概率。我们提出了一种控制方案，该方案在交通情况允许时基于SMPC产生有效的轨迹，如果后者根据预测假设移动，则避免车辆与交通参与者相撞。如果某些交通参与者的行为不预期，则无法提供安全保证。然后，我们的方法产生了一种轨迹，该轨迹使用约束违规概率最小化技术最小化碰撞的概率。我们的算法也可以适应以最大程度地减少碰撞造成的预期伤害。我们对新型控制方案的好处进行了详尽的讨论，并通过CommonRoad数据库的数值模拟将其与先前的方法进行了比较。
基于PPO的不确定浮动系统动态控制...
摘要 — 在太空探索领域，浮动平台在科学研究和技术进步中发挥着至关重要的作用。然而，在零重力环境中控制这些平台面临着独特的挑战，包括不确定性和干扰。本文介绍了卢森堡大学零重力实验室 (Zero-G Lab) 中一种将近端策略优化 (PPO) 与模型预测控制 (MPC) 相结合的创新方法。这种方法利用 PPO 的强化学习能力和 MPC 的精度来驾驭浮动平台的复杂控制动态。与传统控制方法不同，这种 PPO-MPC 方法从 MPC 预测中学习，适应未建模的动态和干扰，从而形成适合零重力环境的弹性控制框架。零重力实验室的模拟和实验验证了这种方法，展示了 PPO 代理的适应性。这项研究为在零重力环境中控制浮动平台开辟了新的可能性，有望推动太空探索的发展。