دانلود ترجمه مقاله الگوریتم نورودینامیک توزیع شده برای مدیریت انرژی مشارکتی در اینترنت انرژی

1. مقدمه 2. مقدمات 3. فرمولاسیون مساله 4. الگوریتم توزیع شده 5. نتایج عملکرد شبیه سازی 6. نتیجه گیری

چکیده – این مقاله مسئله مدیریت انرژی در اینترنت انرژی تحت شرایط متغیر با زمان را بررسی می کند. در زمینه شبکه های چند انرژی ترکیبی، اینترنت انرژی از چندین بدنه انرژی تشکیل شده است و نیاز به برنامه ریزی مشارکتی چندین شبکه انرژی دارد. در این مقاله، مدلی برای مدیریت انرژی پراکنده برای یک تابع هزینه غیرهموار و قیدهای ازدحام خط پیشنهاد می شود تا به هدف کاهش هزینه های بهره برداری کلی و بهبود مزایای مشتری با ملاحظه بار به عنوان یک ضریب متغیر با زمان، دست یافته شود. سپس، یک الگوریتم متغیر با زمان عصبی دینامیکی (عصب پویا) برای حل مسئله مدیریت انرژی اجرا شده به صورت کاملاً توزیع شده، پیشنهاد می شود. از یک سو، اثر پیش بینی کننده عبارت فیدبک دیفرانسیلی یا تفاضلی مورد بهره برداری قرار می گیرد و در پیاده سازی الگوریتم پیشنهادی گنجانده می شود و در نتیجه سرعت همگرایی بیشتر می شود. از سوی دیگر، این الگوریتم به صورت توزیع شده اجرا می شود و تنها اطلاعات محدودی بین بازیگران مبادله می شود تا عملکرد بهینه محلی تکمیل گردد و بنابراین بار ارتباطاتی کاهش یابد و حریم خصوصی و استواری تضمین شود. در نهایت، اعتباریابی های نظری، پایداری الگوریتم پیشنهادی را تضمین می کنند و آزمایشات شبیه سازی، اثربخشی و استواری الگوریتم پیشنهادی را نشان می دهند.

This paper investigates the energy management problem of the energy Internet under time-varying conditions . In the context of coupled multi-energy networks, the energy Internet is considered to be composed of multiple energy bodies and requires collaborative planning of multiple energy networks. A model for distributed energy management with a non-smooth cost function and line congestion constraints is proposed, with the goal of reducing overall operating costs and improving customer benefits while considering load as a time-varying factor. Then, a neurodynamic time-varying algorithm for addressing the energy management problem executed in a fully distributed manner is proposed. On the one hand, the predictive effect of the differential feedback term is exploited and embedded in the implementation of the proposed algorithm, thus speeding up the convergence. On the other hand, the algorithm is executed in a distributed manner, and only limited information is exchanged among the agents to complete the optimal operation locally, thus reducing the communication burden and ensuring privacy and robustness. Finally, theoretical proofs guarantee the stability of the proposed algorithm, and simulation experiments illustrate the effectiveness and robustness of the proposed algorithm.