Corrective receding horizon EV charge scheduling using short-term solar forecasting

اشتباهات پیش بینی می تواند راه حل های زیرمجموعه ای را در بهینه سازی برنامه ریزی منابع به وجود آورد، با این حال معمولا از طریق مدل های آماری مدل سازی ساده می شوند و تاثیرات غیر واقعی بر راه حل های بهینه را ایجاد می کنند. در این مقاله اشتباهات پیش بینی واقع بینانه تجویز می شود و یک روش اصلاحی برای کاهش اثرات منفی خطای پیش بینی برابری روز پیش از طریق پیش بینی های کوتاه مدت از یک سیستم تصویربرداری از آسمان در سطح پیشرفته ارائه شده است. این پیش بینی ها، ساختار وابستگی فضایی را از خطاهای پیش بینی را حفظ می کند و از تقریب آماری اطمینان ندارند. عملکرد الگوریتم پیشنهادی بر روی یک برنامه درجه دوم افق عقب افتاده که برای دره پرکردن افسردگی بار خالی از طریق شارژ وسایل نقلیه الکتریکی مورد آزمایش قرار گرفته است، مورد آزمایش قرار گرفته است. در طول یک ماه از شبیه سازی، توانایی صاف کردن بار خالص بر اساس مقیاس دقت پیش بینی عملی قابل دستیابی از پایداری، تصویربرداری آسمان و پیش بینی های دقیق ارزیابی می شود. در مقایسه با استفاده از پیش بینی های خورشیدی پایدار در روزهای آینده، رویکرد اصلاح پیشنهاد شده با استفاده از پیش بینی های تصویربرداری آسمان، کاهش انحراف استاندارد بار خالص روزانه را 25٪ کاهش می دهد. نشان داده شده است که اصلاح پیش بینی های روز پیش در زمان واقعی با پیش بینی های دقیق تر کوتاه تر از راه حل پر کردن دره ها سود می برد.