000			05331namaa22004331i 4500
003			EG-GICUC
005			20260430202801.0
008			260430s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a006.31
092			_a006.31 _221
097			_aPh.D
099			_aCai01.13.08.Ph.D.2025.Mo.O
100	0		_aMohamed Sayed Mohamed Ibrahim, _epreparation.
245	1	0	_aOptimal energy management for PV storage system in a hybrid microgrid using deep learning techniques / _cby Mohamed Sayed Mohamed Ibrahim ; Supervisors Prof. Dr. Hanan Ahmed Kamal, Prof. Dr. Sawsan Morkos Gharghory.
246	1	5	_aاﻹدارة اﻟﻤﺜﻠﻰ ﻟﻠﻄﺎﻗﺔ ﻟﻨﻈﺎم اﻟﺘﺨﺰﯾﻦ اﻟﻜﮭﺮوﺿﻮﺋﻲ ﻓﻲ ﺷﺒﻜﺔ ﺻﻐﯿﺮة ھﺠﯿﻨﺔ ﺑﺎﺳﺘﺨﺪام ﺗﻘﻨﯿﺎت اﻟﺘﻌﻠﻢ اﻟﻌﻤﯿﻖ
264		0	_c2024.
300			_a106 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2025.
504			_aBibliography: pages 96-106.
520		3	_aSolar energy is a key renewable resource in the pursuit of global clean energy goals. However, like other renewable sources, it suffers from intermittency and unpredictability, which pose challenges to grid stability. Energy storage systems offer a viable solution by storing excess energy for use during periods of low solar generation. This thesis addresses the major challenges faced by hybrid microgrids and presents a comprehensive, integrated solution based on advanced algorithmic techniques. In the first part, two novel hybrid deep learning models are proposed for forecasting photovoltaic (PV) power generation and load demand over various time horizons ranging from 30 minutes to 24 hours. These models, namely, the CNN-LSTM Autoencoder and the LSTM-CNN Transformer, demonstrate improved accuracy and adaptability across short- and long-term forecasts. In the second part, the attention is towards managing battery energy systems. A new Hybrid Grey Wolf Optimizer–Particle Swarm Optimization (GWO-PSO) algorithm is developed to optimize the charging and discharging schedule of a PV-battery storage system connected to a microgrid. The proposed method effectively minimizes grid power consumption peaks, enhancing the overall efficiency and stability of the system.
520		3	_aتُعد الطاقة الشمسية من أهم مصادر الطاقة المتجددة لتحقيق أهداف الطاقة النظيفة على مستوى العالم. ومع ذلك، فإنها، كغيرها من مصادر الطاقة المتجددة، تعاني من التقطع والعشوائية، مما يسبب تحديات في استقرار الشبكات الكهربائية. وتُعد أنظمة تخزين الطاقة حلاً فعالاً لهذه المشكلة، حيث تتيح تخزين الفائض من الطاقة لاستخدامه في فترات انخفاض التوليد الشمسي. يتناول هذا البحث التحديات الرئيسية التي تواجه الشبكات الصغيرة الهجينة، ويقدم حلاً شاملاً ومتكاملاً يعتمد على تقنيات خوارزمية متقدمة. في الجزء الأول، تم اقتراح نموذجين جديدين للتعلم العميق الهجين لتوقع توليد الطاقة الكهروضوئية والطلب على الطاقة على مدى آفاق زمنية متعددة تتراوح بين 30 دقيقة و24 ساعة. النموذجان المقترحان، وهما الشبكة الهجينة CNN-LSTM Autoencoder وشبكة LSTM-CNN Transformer، أظهرا دقة عالية وقابلية للتكيف في التنبؤات قصيرة وطويلة الأمد. في الجزء الثاني، فيُركّز على إدارة بطاريات التخزين. حيث تم تطوير خوارزمية هجينة جديدة تجمع بين خوارزمية الذئب الرمادي (GWO) وخوارزمية تحسين أسراب الجسيمات (PSO)، بهدف تحسين جدول شحن وتفريغ نظام تخزين الطاقة الكهروضوئية المتصل بالشبكة الصغيرة. وتُظهر النتائج أن الطريقة المقترحة تُقلل من ذروة استهلاك الطاقة من الشبكة، مما يُحسّن من كفاءة واستقرار النظام بشكل عام.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aDeep Learning
650		0	_aاﻟﺘﻌﻠﻢ اﻟﻌﻤﯿﻖ
653		1	_aAutoencoder _atransformer _aPV _aHGPO _aMicrogrid
700	0		_aHanan Ahmed Kamal _ethesis advisor.
700	0		_aSawsan Morkos Gharghory _ethesis advisor.
900			_b01-01-2025 _cHanan Ahmed Kamal _cSawsan Morkos Gharghory _dMohamed A. Moustafa Hassan _dAhmad Mohamed Elgarhy _UCairo University _FFaculty of Engineering _DDepartment of Electronics and Communications Engineering
905			_aShimaa
942			_2ddc _cTH _e21 _n0
999			_c179876