Resumen

La tecnología de control predictivo de modelos (MPC) puede reducir de manera efectiva el efecto negativo causado por la predicción inexacta de datos en el problema de gestión de energía de microredes. Sin embargo, el uso de la tecnología MPC requiere seleccionar de forma dinámica una solución óptima del conjunto de soluciones de Pareto para implementar, lo cual necesita la participación frecuente de los tomadores de decisiones. Con el fin de reducir la carga sobre los tomadores de decisiones, diseñamos un algoritmo de optimización multiobjetivo evolutivo basado en el punto de rodilla, denominado KBEMO. El punto de rodilla es la solución en el frente de Pareto con la máxima utilidad marginal, la cual se considera como la solución preferida si no hay otra preferencia. Este algoritmo se enfoca en obtener la región de la rodilla y produce automáticamente puntos de rodilla después de la optimización. Al combinar este algoritmo con la tecnología MPC, se puede reducir efectivamente la cantidad de consumo computacional y lograr una mejor convergencia. Los

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Control predictivo basado en modelos; Tecnología mpc; Algoritmo de optimización multiobjetivo evolutivo basado en el punto de rodilla; Conjunto de soluciones de Pareto; Tomadores de decisiones; Consumo computacional
• Keywords:Model predictive control; Mpc technology; Knee point-based evolutionary multiobjective optimization algorithm; Pareto solution set; Decision-makers; Computational consumption