URI | http://purl.tuc.gr/dl/dias/1B444A3F-569E-48AB-9C37-A8C987EA5907 | - |
Αναγνωριστικό | https://www.sciencedirect.com/science/article/pii/S1876610217347173?via%3Dihub | - |
Αναγνωριστικό | https://doi.org/10.1016/j.egypro.2017.09.583 | - |
Γλώσσα | en | - |
Μέγεθος | 10 pages | en |
Τίτλος | Development and testing of a micro-grid excess power production forecasting algorithms | en |
Δημιουργός | Mavrigiannaki Angeliki | en |
Δημιουργός | Μαυριγιαννακη Αγγελικη | el |
Δημιουργός | Kampelis Nikolaos | en |
Δημιουργός | Καμπελης Νικολαος | el |
Δημιουργός | Kolokotsa Dionysia | en |
Δημιουργός | Κολοκοτσα Διονυσια | el |
Δημιουργός | Marchegiani Daniele | en |
Δημιουργός | Standardi, Laura | en |
Δημιουργός | Isidori Daniela | en |
Δημιουργός | Christalli Cristina | en |
Εκδότης | Elsevier | en |
Περίληψη | Traditional electricity grids lack flexibility in power generation and load operation in contrast to smart-micro grids that form semi-autonomous entities with energy management capabilities. Load forecasting is invaluable to smart micro-grids towards assisting the implementation of energy management schedules for cost-efficient and secure operation. In the present paper is examined the 24h forecasting of excess production in an existing micro-grid. Alternative input parameters are considered for achieving an accurate prediction. The prediction can be used for scheduling the charging process of a thermal storage during weekends based on excess power production levels. | en |
Τύπος | Πλήρης Δημοσίευση σε Συνέδριο | el |
Τύπος | Conference Full Paper | en |
Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
Ημερομηνία | 2018-06-06 | - |
Ημερομηνία Δημοσίευσης | 2017 | - |
Θεματική Κατηγορία | Artificial neural network | en |
Θεματική Κατηγορία | Forecasting | en |
Θεματική Κατηγορία | Integration | en |
Θεματική Κατηγορία | Micro-grid | en |
Βιβλιογραφική Αναφορά | A. Mavrigiannaki, N. Kampelis, D. Kolokotsa, D. Marchegiani, L. Standardi, D. Isidori and C. Christalli, "Development and testing of a micro-grid excess power production forecasting algorithms," in 9th International Conference on Sustainability and Energy in Buildings, 2017, pp. 654-663. doi: 10.1016/j.egypro.2017.09.583 | en |