Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

Publikacje Pracowników PL z lat 1990-2010

Publikacje pracowników Politechniki Lubelskie z lat 1990-2010 dostępne są jak dotychczas w starej bazie publikacji
LINK DO STAREJ BAZY

MNiSW
140
Lista 2021
Status:
Autorzy: Mroczek Bartłomiej, Pijarski Paweł
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2022
Wersja dokumentu: Elektroniczna
Język: angielski
Numer czasopisma: 15
Wolumen/Tom: 15
Numer artykułu: 5388
Strony: 1 - 31
Web of Science® Times Cited: 0
Scopus® Cytowania: 0
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Finansowanie: This research was co-funded by the INTERDOC PL project, which is co-financed by the European Social Fund under the Knowledge Education Development Operational Program 2014– 2020 (project number POWR.03.02.00-00-I020/16).
Materiał konferencyjny: NIE
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Witryna wydawcy
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 26 lipca 2022
Abstrakty: angielski
The article is a continuation of the authors’ ongoing research related to power flow and voltage control in LV grids. It outlines how the Distribution System Operator (DSO) can use Machine Learning (ML) technology in a future grid. Based on supervised learning, a Selectively Coherent Model of Converter System Control for an LV grid (SCM_CSC) is proposed. This represents a fresh, new approach to combining off and on-line computing for DSOs, in line with the decarbonisation process. The main kernel of the model is a neural network developed from the initial prediction results generated by regression analysis. For selected PV system operation scenarios, the LV grid of the future dynamically controls the power flow using AC/DC converter circuits for Battery Energy Storage Systems (BESS). The objective function is to maintain the required voltage conditions for high PV generation in an LV grid line area and to minimise power flows to the MV grid. Based on the training and validation data prepared for artificial neural networks (ANN), a Mean Absolute Percentage Error (MAPE) of 0.15% BESS and 0.51–0.55% BESS 1 and BESS 2 were achieved, which represents a prediction error level of 170–300 VA in the specification of the BESS power control. The results are presented for the dynamic control of BESS 1 and BESS 2 using an ANN output and closed-loop PID control including a 2nd order filter. The research work represents a further step in the digital transformation of the energy sector.