Un modelo de control predictivo basado en redes neuronales para un sistema fotovoltaico-batería conectado a la red con operaciones de vehículo a red y de red a vehículo
Autores: Dankar, Ossama; Tarnini, Mohamad; El Ghaly, Abdallah; Moubayed, Nazih; Chahine, Khaled
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Un modelo de control predictivo basado en redes neuronales para un sistema fotovoltaico-batería conectado a la red con operaciones de vehículo a red y de red a vehículo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Fotovoltaico
Vehículos eléctricos
Gestión de energía
Red neuronal
Conectado a la red
Control predictivo del modelo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
La creciente integración de sistemas de energía fotovoltaica (PV) y vehículos eléctricos (EV) introduce nuevos desafíos en la gestión del flujo de energía dentro de entornos de redes inteligentes. La naturaleza intermitente de la energía solar y las demandas de carga variables de los EV complican la gestión de energía de manera confiable y eficiente. Las estrategias existentes para sistemas PV-batería conectados a la red a menudo no logran manejar de manera efectiva el flujo de energía bidireccional entre los EV y la red, particularmente en escenarios que requieren transiciones sin problemas entre las operaciones de vehículo a red (V2G) y de red a vehículo (G2V). Este documento presenta un nuevo enfoque de control predictivo basado en redes neuronales (NN-MPC) para optimizar la gestión de energía en un sistema PV-batería-EV conectado a la red. El método propuesto combina redes neuronales para pronosticar la generación de PV, la demanda de carga de los EV y las condiciones de la red con un marco de control predictivo que optimiza el flujo de energía en tiempo real bajo diversas restricciones. Esta integración permite una toma de decisiones inteligente, adaptativa y dinámica en múltiples objetivos, incluyendo maximizar el uso de energía renovable, minimizar la dependencia de la red, reducir las respuestas transitorias y extender la vida útil de la batería. A diferencia de los métodos convencionales que tratan V2G y G2V por separado, el marco NN-MPC admite un cambio de modo sin problemas basado en el estado del sistema en tiempo real y los requisitos del usuario. Los resultados de simulación demuestran una mejora del 12.9% en la entrega de energía V2G, un aumento del 8% en la utilización de energía renovable y una reducción del 50% en la distorsión armónica total (THD) en comparación con el control PI. Los resultados destacan la efectividad práctica y la robustez de NN-MPC, convirtiéndolo en una solución efectiva para las futuras redes inteligentes que requieren gestión de energía bidireccional entre recursos energéticos distribuidos y vehículos eléctricos.
Descripción
La creciente integración de sistemas de energía fotovoltaica (PV) y vehículos eléctricos (EV) introduce nuevos desafíos en la gestión del flujo de energía dentro de entornos de redes inteligentes. La naturaleza intermitente de la energía solar y las demandas de carga variables de los EV complican la gestión de energía de manera confiable y eficiente. Las estrategias existentes para sistemas PV-batería conectados a la red a menudo no logran manejar de manera efectiva el flujo de energía bidireccional entre los EV y la red, particularmente en escenarios que requieren transiciones sin problemas entre las operaciones de vehículo a red (V2G) y de red a vehículo (G2V). Este documento presenta un nuevo enfoque de control predictivo basado en redes neuronales (NN-MPC) para optimizar la gestión de energía en un sistema PV-batería-EV conectado a la red. El método propuesto combina redes neuronales para pronosticar la generación de PV, la demanda de carga de los EV y las condiciones de la red con un marco de control predictivo que optimiza el flujo de energía en tiempo real bajo diversas restricciones. Esta integración permite una toma de decisiones inteligente, adaptativa y dinámica en múltiples objetivos, incluyendo maximizar el uso de energía renovable, minimizar la dependencia de la red, reducir las respuestas transitorias y extender la vida útil de la batería. A diferencia de los métodos convencionales que tratan V2G y G2V por separado, el marco NN-MPC admite un cambio de modo sin problemas basado en el estado del sistema en tiempo real y los requisitos del usuario. Los resultados de simulación demuestran una mejora del 12.9% en la entrega de energía V2G, un aumento del 8% en la utilización de energía renovable y una reducción del 50% en la distorsión armónica total (THD) en comparación con el control PI. Los resultados destacan la efectividad práctica y la robustez de NN-MPC, convirtiéndolo en una solución efectiva para las futuras redes inteligentes que requieren gestión de energía bidireccional entre recursos energéticos distribuidos y vehículos eléctricos.