ببهینه سازی سود منابع انرژی پراکنده و مصرف کنندگان ریزشبکه هوشمند در حضور انرژی های تجدیدپذیر با استفاده از یادگیری تقویتی

این مقاله، یک سیستم مدیریت انرژی برای یک ریزشبکه هوشمند با استفاده از روش یادگیری تقویتی ارائه می گردد بطوری که سود منابع انرژی پراکنده بیشینه شود و هزینه مصرف کنندگان کمینه شود. ریزشبکه پیشنهادی متشکل از منابع انرژی تجدیدپذیر شامل توربین بادی و پنل های خورشیدی و منابع انرژی تجدیدناپذیر شامل ژنراتورهای دیزلی، سیستم ذخیره انرژی باتری و بارهای مصرفی است. فرض شده است این شبکه در مد متصل به شبکه اصلی کار می کند. منابع انرژی پراکنده و مشترکین برق به عنوان عامل های مستقل و هوشمند در نظر گرفته می شوند که دارای توانایی یادگیری هستند و می توانند با انتخاب تصمیمات درست سود خود را بیشینه کنند. عامل های یادگیری تقویتی با استفاده از بازخوردهای اعمال و تجربیات خود، سیاست بهینه را کشف می کنند.با توجه به خاصیت متغیربازمان خروجی منابع انرژی تجدیدپذیر و تصادفی بودن مقدار بار مصرفی، از پروسه های تصمیم گیری مارکوف برای مدل سازی رفتار تصادفی عامل ها در ریزشبکه استفاده میشود و سیاست بهینه عامل ها، توسط الگوریتم مستقل از مدل Q-learning بدست می آید. جهت ارزیابی روش پیشنهادی از داده های واقعی خروجی توربین بادی و پنل های خورشیدی استفاده می شود. شبیه سازی ها نشان می دهد روش پیشنهادی می تواند برای مدیریت انرژی زمان حقیقی ریزشبکه ها به کار گرفته شود.

کلیدواژه ها:

منابع انرژی تجدیدپذیر ، ریزشبکه ، سیستم مدیریت انرژی ، یادگیری تقویتی