通过在混合可再生能源电网系统中优化ANFIS基因表达编程实现需求侧智能能源管理

科学领域:

• * 能源系统工程 * 能源系统工程
• * 可持续能源中的人工智能
• * 工业电力管理 工业电力管理

背景情况:

• *可持续的工业运营需要高效的能源管理,尤其是在电网有限的情况下.
• *准确的预测和调度对于优化混合可再生能源系统至关重要.
• *现有的模型可能无法完全解决预测能源管理的复杂性.

研究的目的:

• * 提出一种混合基因表达编程自适应神经模糊推理系统 (GEP-ANFIS) 用于预测性能源管理.
• * 评估GEP-ANFIS模型对太阳能光伏和工业负载的预测准确度.
• * 评估拟议的GEP-ANFIS控制器的经济效益和稳定性.

主要方法:

• * 开发和实施混合GEP-ANFIS模型.
• * 预测太阳能光伏 (PV) 电力和工业能源负载.
• *不同能源系统配置 (仅供电网,光伏电池,与电网连接的光伏电池) 的经济评估.
• *对太阳能光伏发电和电池存储容量的敏感性分析.

主要成果:

• * GEP-ANFIS在太阳能光伏预测 (MAPE <6%短期,<8%长期) 和工业负载预测 (MAPE <2.5%短期,<3.5%长期) 中实现了较低的错误率.
• * 与ANFIS相比,观察到每日能源成本大幅降低:7.4% (仅供电网),6.5% (光伏电池) 和6.3% (与电网连接的光伏电池).
• *在20年内,GEP-ANFIS与ANFIS相比减少了6.5%,与HOMER相比改善了37.7%.
• * 该模型展示了强度,效率和可扩展性,特别是在光伏主导的微电网中.

结论:

• * GEP-ANFIS模型为混合可再生能源系统的预测能源管理提供了强大而高效的解决方案.
• * 与传统方法相比,它大大降低了运营成本,并提高了系统性能.
• * 控制器增强了微电网的可持续性,并通过防止深度放电来保持电池的寿命.