ارائه یک روش ترکیبی مبتنی بر کنترل پیش بینی مدل و یادگیری تقویتی عمیق چند عاملی برای بهبود عملکرد ریزشبکه های مستقل در شرایط عادی و بحرانی

ارتقای عملکرد ریزشبکه ها که شامل منابع انرژی متغیر و سیستم های ذخیره سازی انرژی هستند، یکی از چالش های اساسی آتی این واحدهای کوچک و خودکفا در شبکه های توزیع انرژی می باشد. برای رسیدن به عملکرد مطلوب در این سیستم ها نیاز به روش های کنترلی و بهینه سازی است که بتواند به طور همزمان به مسائل مختلفی همچون هماهنگی منابع، انرژی بهینه سازی مصرف و حفظ پایداری سیستم بپردازد. ریزشبکه های مدرن با وجود منابع تجدیدپذیر، ذخیره سازهای انرژی و بارهای متغیر با چالش هایی همچون نوسانات ولتاژ و فرکانس، عدم قطعیت تولید و نیاز به پاسخ دینامیکی سریع مواجه اند. در این مقاله یک روش ترکیبی بهینه سازی مبتنی بر کنترل پیش بینی مدل (MPC) و یادگیری تقویتی عمیق چندعاملی (MADRL) برای بهبود عملکرد ریزشبکه های مستقل در شرایط عادی و بحرانی ارائه می شود. MPC وظیفه پیش بینی کوتاه مدت و اعمال قیود عملیاتی را بر عهده دارد، در حالی که MADRL با یادگیری تجربی، سیاست های کنترلی را برای شرایط متغیر بهبود می بخشد. مدل شبیه سازی چهار سناریو شامل، بارپذیری، حضور اغتشاشات، حالت جزیره ای و ترکیب شرایط بحرانی را مورد بررسی قرار خواهد داد. شاخص های کلیدی نظیر پایداری ولتاژ، شاخص های خطا (ISE و ITAE)، زمان نشست، فراجهش و بهره وری انرژی تحلیل می شوند. نتایج نشان می دهد روش ترکیبی نسبت به کنترل صرف MPC یا روش های کلاسیک PI عملکرد بهتری دارد به گونه ای که شاخص پایداری ولتاژ به حدود ۹۸۸ می رسد، زمان نشست و فراجهش به میزان قابل توجهی کاهش می یابد و بازده انرژی در محدوده ۹۲ تا ۹۵ درصد تثبیت می شود. همچنین منحنی های یادگیری MADRL بیانگر بهبود تدریجی سیاست های کنترلی در طول اپیزودهای آموزش می باشد. در مجموع، ادغام MPC و MADRL علاوه بر تضمین قیود، انعطاف پذیری و پایداری سیستم را افزایش داده و رویکردی کارآمد برای مدیریت بهینه ریزشبکه های آینده ارائه می دهد.

کلیدواژه ها:

ریزشبکه ، کنترل پیش بینی مدل ، یادگیری تقویتی عمیق ، بهینه سازی انرژی ، پاسخ دینامیکی