دانلود ترجمه مقاله طراحی سیستم معاملات انرژی نظیر به نظیر در مدیریت انرژی تراکنشی

1. مقدمه 2. مقالات مرتبط 3. روش OML-SOCE پیشنهادی 4. اعتباریابی عملکرد 5. نتیجه گیری

چکیده – انرژی مبادلاتی، موضوع مهم دیگر در بخش انرژی است که به میزان قابل توجهی ارتباط بین خدمات شهری (شرکت برق)، مصرف کننده و محیط را متحول کرده است. سیستم مدیریت انرژی مبادلاتی (TEM)، از یک مجموعه از استراتژی های اقتصادی و کنترل کننده تشکیل شده که به متوازن سازی دینامیکی زیرساخت قدرت کمک می کند. در این زمینه، معاملات نظیر به نظیر (P2P) مشهور شده است که عمدتاً براساس فرآیند غیرمتمرکز سازی فرآیند تولید و مصرف انرژی است. در عین حال، خودروهای الکتریکی هیبریدی (HEV ها) به یک فنآوری مهم برای رسیدن به بازده انرژی و پایداری زیست محیطی تبدیل شده اند. «سیستم مدیریت باتری»(BMS)، میزان توان و میزان شارژ (SOC) باتری را ارزیابی می کند، و سالم بودن آنرا براساس اندازه گیری ها تایید می کند. برآورد دقیق SOC برای اطمینان یافتن از عملکرد درست باتری یون لیتیومی که عمدتاً در HEV ها بکار گرفته می شود، بسیار مهم است. یک مدل پیش بینی SOC مطمئن لازم است تا از سنجش دقیق میزان مسافت باقیمانده (یعنی میزان شارژ) خودرو و متوازن سازی مناسب باتری، اطمینان حاصل شود. بر این اساس، این مقاله یک مدل برآورد SOC مبتنی بر یادگیری ماشینی بهینه (OML-SOCE) برای HEV ها در TEM، ارائه می دهد. OML-SOCE، برای برآورد ظرفیت دقیق باتری های یون لیتیوم برروی HEV ها در نظر گرفته شده است. روش OML-SOCE شامل یک فرآیند دو مرحله ای به نام پیش بینی مبتنی بر «خود رمزگذار پراکنده انباشته» (SSAE) و «الگوریتم ازدحام سالپ (نوع جانور دریایی)» (SSA)، می باشد. در مرحله اول، برای پیش بینی SOC، از SSAE استفاده می شود. «خود رمزگذار پراکنده»(AE)، روش AE بهینه شده است که هرگونه محدودیت پراکندگی در لایه پنهان AE استاندارد را بهبود می بخشد. یک پشته از چندین AE پراکنده یا تُنُک، یک چارچوب شبکه عمیق تشکیل می دهد که SSAE نامگذاری می شود. سپس، در مرحله دوم، پارامترهای دخیر در SSAE به نحو بهینه با استفاده از SSA تنظیم و تعدیل می شوند به نحوی که عملکرد پیش بینی را بتوان بطور قابل ملاحظه ای بهبود بخشید. مجموعه گسترده ای از آزمایشات تجربی انجام شدند و نتایج تحت سطوح دمایی مختلف، مورد بررسی قرار گرفتند. نتایج تجربی، برتری روش پیشنهادی نسبت به روش های جدید از نظر معیارهای مختلف را نشان دادند.

Transactive energy is a next big thing in the energy sector which considerably transform the association between utility, consumer, and the environment. Transactive energy management (TEM) system comprises a collection of economical and controlling strategies which helps to dynamically balance the power infrastructure. Peer-to-Peer (P2P) trading becomes familiar, which mainly based on the process of power generation and consumption is completely decentralized. At the same time, Hybrid electric vehicles (HEV) have become an important technology to accomplish energy efficiency and environmental sustainability. Battery Management System (BMS) evaluates the power and State of Charge (SOC), confirms the well-being depending upon the measurement. Accurate SOC estimation is crucial to ensure the unfailing functioning of Li-ion battery that is mainly employed in HEVs. A reliable SOC prediction model is needed to assure the precise measurement of the residual driving range of the vehicle and appropriate battery balancing. In this view, this paper presents an optimal machine learning based SOC estimation (OML-SOCE) model for HEVs in TEM. The OML-SOCE is aimed for estimating an accurate capacity of SOC of Li-ion batteries on HEVs. The OML-SOCE technique involves a two stage process namely stacked sparse autoencoder (SSAE) based prediction and salp swarm algorithm (SSA). At the first stage, SSAE is used for the prediction of SOC. Sparse auto-encoder (AE) is an enhanced AE technique that improves any some sparsity restrictions in the hidden layer of standard AE. A stack of multiple sparse AE forms a deep network framework that is named as SSAE. Next, in the second stage, the parameters involved in the SSAE are optimally adjusted by the use of SSA in such a way that the prediction performance can be considerably improved. A wide range of experiments take place and the results are investigated under varying temperature levels. The experimental outcomes showcased the supremacy of the presented technique the recent techniques with respect to different measures.

ترجمه این مقاله در 19 صفحه آماده شده و در ادامه نیز صفحه 12 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.