Badania algorytmów predykcyjnych na potrzeby zarządzania mikrosiecią prądu stałego z instalacją fotowoltaiczną

• Autorzy: Hryniów Krzysztof , Sarwas Grzegorz , Grzejszczak Piotr , Zdanowski Mariusz , Iwanowski Marcin , Sławiński Maciej , Czajewski Witold , Graniszewski Waldemar

Identyfikatory

DOI

10.15199/48.2024.07.42

Warianty tytułu

EN

Research on predictive algorithms for the energy management of a DC microgrid with a photovoltaic installation)

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia wybrane zagadnienia dotyczące zastosowania algorytmów predykcyjnych sztucznej inteligencji w zarządzaniu energią w lokalnych inteligentnych mikrosieciach prądu stałego, których efektem może być pozytywny wpływ na stabilność całego systemu elektroenergetycznego oraz efektywne zarządzanie energią w celu osiągania korzyści finansowych wynikających z dynamicznych cen energii elektrycznej na towarowej giełdzie energii lub w nadchodzących dynamicznych systemach rozliczeń z prosumentami.

EN

The paper presents selected issues regarding the application of predictive algorithms of artificial intelligence in energy management within local smart DC microgrids, aiming to positively influence the overall stability of the power system and efficient energy management to achieve financial benefits derived from dynamic electricity prices on the Electricity - Day-Ahead Market or in the upcoming dynamic tariffs for prosumers.

Słowa kluczowe

PL

system zarządzania energią; mikrosieć prądu stałego; algorytm predykcyjny; odnawialne źródła energii

EN

energy management system; EMS; DC microgrid; predictive algorithm; renewable energy source

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 7
• Strony: 211--215
• Opis fizyczny: Bibliogr. 14 poz., rys., tab.

Twórcy

autor

Hryniów Krzysztof

• Politechnika Warszawska, Instytut Sterowania i Elektroniki Przemysłowej, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0001-8044-3925

autor

Sarwas Grzegorz

• Politechnika Warszawska, Instytut Sterowania i Elektroniki Przemysłowej, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0003-4113-2387

autor

Grzejszczak Piotr

• Politechnika Warszawska, Instytut Sterowania i Elektroniki Przemysłowej, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0001-7161-9677

autor

Zdanowski Mariusz

• Politechnika Warszawska, Instytut Sterowania i Elektroniki Przemysłowej, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0001-8653-0093

autor

Iwanowski Marcin

• Politechnika Warszawska, Instytut Sterowania i Elektroniki Przemysłowej, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0001-8347-1112

autor

Sławiński Maciej

• Politechnika Warszawska, Instytut Sterowania i Elektroniki Przemysłowej, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0001-7197-656X

autor

Czajewski Witold

• Politechnika Warszawska, Instytut Sterowania i Elektroniki Przemysłowej, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0003-2118-8965

autor

Graniszewski Waldemar

• Politechnika Warszawska, Instytut Sterowania i Elektroniki Przemysłowej, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0001-7030-1181

Bibliografia

• [1] Raczkowski R., Robak S., System magazynowania energii elektrycznej jako środek poprawy elastyczności systemu elektroenergetycznego z dużym udziałem generacji OZE. Przegląd Elektrotechniczny, 2021, 97, 1–8
• [2] Rahbar K., Chai C. C., Zhang R., Energy Cooperation Optimization in Microgrids with Renewable Energy Integration, IEEE Transactions on Smart Grid, 2018, 9, 2, 1482-1493
• [3] Grzejszczak P., Koszel M., Barlik R., Nowatkiewicz B., SIMES - Smart Integrated Modular Energy System for DC Microgrids with Energy Storages, Progress in Applied Electrical Engineering (PAEE), Koscielisko, Poland, 2023, 1-5
• [4] Graniszewski W. i inni, DC Microgrid Power Flow Management System – Proof of Concept, Progress in Applied Electrical Engineering (PAEE), Koscielisko, Poland, 2023, 1-4
• [5] Ziel F., Weron R., Day-ahead electricity price forecasting with high-dimensional structures: Univariate vs. multivariate modeling frameworks, Energy Economic, 2018
• [6] Viana MS, Morandin Junior O, Contreras RC., A Modified Genetic Algorithm with Local Search Strategies and Multi Crossover Operator for Job Shop Scheduling Problem, Sensors (Basel). 2020 Sep 22;20(18):5440. doi: 10.3390/s20185440. PMID: 32971959; PMCID: PMC7571099
• [7] Hochreiter, S., Schmidhuber, J., Long Short-Term Memory. Neural Computation, 9(8), 1997, 1735-1780
• [8] Cho, K., Van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y., Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2014, pp. 1724-1734
• [9] Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J., Classification and Regression Trees. Belmont, CA: Wadsworth International Group., 1984
• [10] Breiman, L., Random Forests. Machine Learning, 45(1), 2001, pp. 5-32
• [11] Drucker, H., Burges, C.J.C., Kaufman, L., Smola, A., & Vapnik, V., Support Vector Regression Machines. In M.C. Mozer, M.I. Jordan, & T. Petsche (Eds.), Advances in Neural Information Processing Systems 9, 1997, pp. 155-161, Cambridge, MA: MIT Press
• [12] Chen, T., Guestrin, C., XGBoost: A Scalable Tree Boosting System, Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ‘16), San Francisco, CA, USA, 2016, pp. 785-794, ACM
• [13] Freund, Y., Schapire, R. E., A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. Journal of Computer and System Sciences, 55(1), 1997, pp. 119-139.
• [14] Dorogush, A. V., Ershov, V., Gulin, A., CatBoost: gradient boosting with categorical features support, Workshop on ML Systems at NIPS 2017, 2018, arXiv:1810.11363.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).