Resumen

Con la energía renovable (ER) cada vez más conectada a las redes eléctricas, las plantas de bombeo de almacenamiento (PSPs) desempeñan un papel muy importante en la contención de las fluctuaciones de las redes eléctricas. Sin embargo, la estrategia de control convencional no podía adaptarse bien a las diferentes tareas de control. Este artículo propone una estrategia de control predictivo no lineal inteligente (NMPC), en la que los subsistemas hidráulico-mecánico y eléctrico se combinan en un marco de control sincrónico. Se introduce un algoritmo de máquina de aprendizaje extremo secuencial en línea recientemente propuesto con factor de olvido (llamado WOS-ELM) para aprender los comportamientos dinámicos del sistema de acoplamiento. Específicamente, los parámetros de aprendizaje iniciales se optimizan mediante el aprendizaje de conocimientos previos y también se propone una nueva estrategia de ajuste autoadaptativo. Posteriormente, se utilizan la estrategia de

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Energía renovable; Plantas de almacenamiento bombeado; Control predictivo no lineal del modelo; Algoritmo de máquina de aprendizaje extremo; Marco de control de sincronización; Algoritmo de oveja artificial
• Keywords:Renewable energy; Pumped storage plants; Nonlinear model predictive control; Extreme learning machine algorithm; Synchronization control framework; Artificial sheep algorithm