负荷与可再生能源不确定性下基于数字孪生的综合能源系统日前调度
信息论
2021-09-30 v1 人工智能
机器学习
math.IT
摘要
通过构建综合能源系统（IES）的数字孪生（DT），可以利用 DT 的预测能力来改善各种能源转换器之间的协调，从而提高能源效率、节约成本并减少碳排放。本文出于实际 IES 面临多种不确定性来源和复杂周围环境这一事实的考虑而展开研究。为解决这一问题，提出了一种新颖的基于 DT 的日前调度方法。将物理 IES 建模为其虚拟空间中的多向量能源系统，该系统与物理 IES 交互以操控其运行。通过从历史预测误差和日前预测中学习，训练深度神经网络以进行统计性的节约成本调度。IES 的案例研究表明，与现有的基于预测的调度方法相比，所提出的基于 DT 的方法能够将 IES 的运行成本降低 63.5%。研究还发现，电动汽车和储热系统在所提出的方法中均发挥了积极作用，凸显了它们在未来能源系统集成和脱碳中的重要性。
引用
@article{arxiv.2109.14423,
title = {Digital Twins based Day-ahead Integrated Energy System Scheduling under Load and Renewable Energy Uncertainties},
author = {Minglei You and Qian Wang and Hongjian Sun and Ivan Castro and Jing Jiang},
journal= {arXiv preprint arXiv:2109.14423},
year = {2021}
}
备注
28 pages, 8 figures, journal paper accepted by Applied Energy