توسعه سیستم توصیه گر هوشمند برای بهینه سازی مصرف انرژی در شبکه های انرژی هوشمند با استفاده از الگوریتم های یادگیری تقویتی

بهینه سازی مصرف انرژی در شبکه های انرژی هوشمند یکی از چالش های اصلی در گذار به سیستم های انرژی پایدار است. این مقاله یک سیستم توصیه گر هوشمند مبتنی بر الگوریتم های یادگیری تقویتی برای بهینه سازی مصرف انرژی در شبکه های انرژی هوشمند ارائه می دهد. سیستم پیشنهادی از معماری یادگیری تقویتی عمیق (DRL) با الگوریتم Soft Actor-Critic (SAC) بهره می برد که قادر به یادگیری سیاست های بهینه مصرف انرژی با در نظر گرفتن شرایط متغیر محیطی، الگوهای مصرف کاربران و قیمت های پویای انرژی است. معماری چندلایه سیستم شامل واحد جمع آوری داده، پیش پرداشش، مدل سازی یادگیری تقویتی و واحد توصیه گر است. سیستم پیشنهادی در یک آزمایش میدانی در ۱۵۰ خانه هوشمند مجهز به کنتورهای هوشمند و سیستم های مدیریت انرژی به مدت ۶ ماه ارزیابی شده است. نتایج نشان می دهد که این سیستم توانسته است مصرف انرژی را به طور میانگین ۱۸.۷% کاهش دهد، هزینه های انرژی را ۲۲.۳% کاهش دهد و میزان مشارکت کاربران در برنامه های پاسخ تقاضا را ۳۴.۶% افزایش دهد. همچنین، تحلیل رضایت کاربران نشان می دهد که ۸۳% از کاربران از توصیه های سیستم رضایت داشته اند. این پژوهش نشان می دهد که سیستم های توصیه گر مبتنی بر یادگیری تقویتی می توانند نقش مهمی در بهینه سازی مصرف انرژی و پایداری شبکه های انرژی هوشمند ایفا کنند.

کلیدواژه ها:

سیستم توصیه گر ، شبکه انرژی هوشمند ، یادگیری تقویتی عمیق ، بهینه سازی مصرف انرژی ، Soft Actor-Critic ، پاسخ تقاضا