دکتر محمد دوستی زاده نشریه علمی-تخصصی دستاوردهای نوین در برق،کامپیوتر و فناوری 2 4 2022 11 19 Predictive control of the model to manage the efficiency of energy resources in smart buildings کنترل پیش بینی مدل جهت مدیریت کار آمد منابع انرژی در ساختمان هوشمند 92 112 10.22051/jera.2021.31891.2698 FA صادق دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی واحد زرین دشت سید استاد یار دانشگاه آزاد اسلامی واحد زرین دشت 2022 11 08 Efficient management of energy resources is very important in smart buildings. In this work, model predictive control (MPC) is used to minimize the economic costs of buyers equipped with generation units, energy storage systems and electric vehicles. For this purpose, predictive control manages available energy resources by exploiting future information on energy prices, absorption and generation power profiles, and electric vehicle (EV) usage, such as departure and arrival times and predicted energy consumption. EV Batteries In particular, unlike the heuristic method, the MPC approach has been proven to be able to efficiently manage the available energy resources to ensure full recharging of the EV battery overnight. Aiming at optimal performance in terms of economic cost minimization in time-varying price scenarios, reducing rms current stresses and recharging capability of EV batteries. Moreover, the proposed control is shown to be able to limit the maximum power absorption from the grid within the defined limits, which is a valuable feature in scenarios with widespread adoption of EVs in order to limit the stress on the electrical system. and the ability to recharge EV batteries. In particular, unlike the heuristic method, the MPC approach is proven to be able to efficiently manage the available energy resources to ensure full recharging of the EV battery overnight while always meeting all system constraints. Moreover, the proposed control is shown to be able to limit the maximum power absorption from the grid within the defined limits, which is a valuable feature in scenarios with widespread adoption of EVs in order to limit the stress on the electrical system. In addition, the proposed control is shown to be able to limit the maximum power absorption from the grid within the defined limits. مدیریت کارآمد منابع انرژی در ساختمان های هوشمند بسیار مهم است . در این کار، کنترل پیش‌بینی مدل (MPC) برای به حداقل رساندن هزینه‌های اقتصادی خریداران مجهز به واحدهای تولید، سیستم‌های ذخیره انرژی و وسایل نقلیه الکتریکی استفاده می‌شود. برای این منظور، کنترل پیش‌بینی‌کننده منابع انرژی موجود را با بهره‌برداری از اطلاعات آتی در مورد قیمت انرژی، پروفایل‌های قدرت جذب و تولید، و استفاده از وسایل نقلیه الکتریکی (EV) مانند زمان خروج و ورود و مصرف انرژی پیش‌بینی‌شده، مدیریت می‌کند EV. باتری ها به طور خاص، بر خلاف روش اکتشافی، رویکرد MPC ثابت شده است که قادر به مدیریت کارآمد منابع انرژی موجود برای اطمینان از شارژ مجدد کامل باتری EV در طول شب است. با هدف عملکرد بهینه از نظر به حداقل رساندن هزینه اقتصادی در سناریوهای قیمت متغیر با زمان، کاهش تنش‌های جریان rms و قابلیت شارژ مجدد باتری‌های EV به طور خاص، بر خلاف روش اکتشافی، رویکرد MPC ثابت شده است که قادر به مدیریت کارآمد منابع انرژی موجود برای اطمینان از شارژ مجدد کامل باتری EV در طول شب و در عین حال همیشه رعایت تمام محدودیت‌های سیستم است. علاوه بر این، کنترل پیشنهادی نشان داده می‌شود که قادر است حداکثر جذب توان از شبکه را در محدوده‌های تعیین‌شده محدود نگه دارد، که یک ویژگی ارزشمند در سناریوهایی با پذیرش گسترده EVs به منظور محدود کردن استرس بر روی سیستم الکتریکی است و قابلیت شارژ مجدد باتری های EV به طور خاص، بر خلاف روش اکتشافی، رویکرد MPC ثابت شده است که قادر به مدیریت کارآمد منابع انرژی موجود برای اطمینان از شارژ مجدد کامل باتری EV در طول شب و در عین حال همیشه رعایت تمام محدودیت‌های سیستم است. علاوه بر این، کنترل پیشنهادی نشان داده می‌شود که قادر است حداکثر جذب توان از شبکه را در محدوده‌های تعیین‌شده محدود نگه دارد، که یک ویژگی ارزشمند در سناریوهایی با پذیرش گسترده EVs به منظور محدود کردن استرس بر روی سیستم الکتریکی است. علاوه بر این، کنترل پیشنهادی نشان داده می‌شود که قادر است حداکثر جذب توان از شبکه را در محدوده‌های تعیین‌شده محدود نگه دارد. /downloadfilepdf/592285