جایابی و تعیین اندازه بهینه منابع تولید پراکنده در شبکه های توزیع شعاعی با استفاده از یادگیری تقویتی عمیق

در سال های اخیر بهره گیری از منابع تولید پراکنده (DG) به عنوان راهکاری موثر برای کاهش تلفات توان و بهبود پروفیل ولتاژ در شبکه های توزیع مورد توجه گسترده قرار گرفته است. با این حال تعیین مکان و اندازه بهینه این منابع همواره به عنوان یک مسئله بهینه سازی غیرخطی و پیچیده مطرح بوده و اغلب با استفاده از الگوریتم های فراابتکاری نظیر الگوریتم ژنتیک حل شده است. در این پژوهش به منظور رفع محدودیت های روش های مبتنی بر جستجوی تکراری و کاهش زمان، محاسبات یک چارچوب مبتنی بر یادگیری تقویتی عمیق برای جایابی و تعیین اندازه بهینه منابع تولید پراکنده در شبکه های توزیع شعاعی ارائه شده است. در روش پیشنهادی مسئله جایابی DG به صورت یک فرآیند تصمیم گیری ترتیبی مدل سازی شده و عامل یادگیرنده با دریافت وضعیت شبکه شامل پروفیل ولتاژ باس ها، تلفات خطوط و توان بارها اقدام به انتخاب محل و ظرفیت نصب می نماید. تابع پاداش به گونه ای طراحی شده است که کاهش تلفات توان اکتیو و راکتیو، بهبود انحراف ولتاژ و رعایت قیود بهره برداری شبکه را به طور همزمان لحاظ می کند. به منظور ارزیابی عملکرد روش پیشنهادی شبیه سازی ها بر روی شبکه واقعی ۱۹ باس سیرجان کرمان انجام شده و نتایج با روش الگوریتم ژنتیک مقایسه گردیده است. نتایج نشان می دهد که چارچوب مبتنی بر یادگیری تقویتی، علاوه بر دستیابی به کاهش قابل ملاحظه در تلفات توان و بهبود پروفیل ولتاژ، از نظر زمان محاسباتی و قابلیت سازگاری با تغییرات بار نیز عملکرد مناسبی ارائه می دهد. این رویکرد می تواند به عنوان ابزاری هوشمند و داده محور برای برنامه ریزی منابع تولید پراکنده در شبکه های توزیع مورد استفاده قرار گیرد.

کلیدواژه ها:

تولید پراکنده ، جایابی بهینه ، یادگیری تقویتی عمیق ، شبکه توزیع شعاعی ، کاهش تلفات توان