چارچوب مدیریت انرژی خانگی هوشمند مبتنی بر یادگیری تقویتی عمیق فدرال هیبریدی با پیشبینی CNN-BiLSTM

مدیریت همزمان مصرف انرژی، شارژ خودروی الکتریکی و بهرهبرداری از انرژی خورشیدی در خانههای هوشمند، به دلیل تغییرپذیری بار، نوسانات تولید فتوولتائیک و محدودیتهای بهرهبرداری از باتری، یک مسئله تصمیمگیری پویا و چندهدفه است. همچنین، انتقال دادههای خام کاربران به سرور مرکزی میتواند موجب افزایش چالشهای مربوط به حریم خصوصی، مقیاسپذیری و سربار ارتباطی شود. در این پژوهش، یک چارچوب مدیریت انرژی خانگی هوشمند مبتنی بر یادگیری تقویتی عمیق فدرال هیبریدی ارائه شده است که با هدف کاهش هزینه انرژی، افزایش خودمصرفی خورشیدی، کاهش پیک بار و بهبود کارایی ارتباطی طراحی شده است. در چارچوب پیشنهادی، پس از پیشپردازش و نرمالسازی دادهها، از شبکه هیبریدی CNN-BiLSTM برای پیشبینی مصرف انرژی و تولید خورشیدی استفاده میشود. اطلاعات پیشبینیشده در کنار وضعیت لحظهای خانه به عامل SAC داده میشود تا با استفاده از تابع پاداش چندهدفه، تصمیمهای مربوط به مدیریت بار و شارژ و بهرهبرداری از باتری خودروی الکتریکی اتخاذ شود. سپس، آموزش مشارکتی در قالب یک معماری فدرال دولایه شامل همکاری محلی و تجمیع سراسری مدلها انجام میشود، بهگونهای که دادههای خام کاربران در محل خود باقی بمانند. عملکرد چارچوب پیشنهادی با استفاده از مجموعهداده Pecan Street و سناریوی شامل ۱۰۰ خانه مجهز به پنل خورشیدی و خودروی الکتریکی که در ۱۰ گروه ۱۰ خانهای سازماندهی شدهاند، در محیط MATLAB ارزیابی و با روش فدرال استاندارد FedAvg مقایسه شد. نتایج نشان داد هزینه متوسط روزانه انرژی از ۵۴۸.۶ به ۴۳۸.۸ سنت کاهش یافته و نرخ خودمصرفی خورشیدی از ۵۸ به ۶۷ درصد افزایش یافته است. همچنین، نسبت پیک به میانگین بار از ۴.۲۹۳ به ۲.۸۸، تعداد دورههای موردنیاز برای همگرایی از ۵۵ به ۴۰ و حجم تبادل ارتباطی از ۲.۸۴ به ۲.۳۷ مگابایت کاهش یافت. این نتایج بهترتیب بیانگر کاهش ۲۰ درصدی هزینه انرژی، ۳۲.۹۱ درصدی PAR، ۲۷.۲۷ درصدی تعداد دورههای همگرایی و ۱۶.۵۵ درصدی حجم تبادل ارتباطی، همراه با افزایش ۹ واحد درصدی خودمصرفی خورشیدی نسبت به FedAvg است. نتایج شبیهسازی نشان میدهد که چارچوب پیشنهادی توانایی بهبود همزمان شاخصهای اقتصادی، انرژی، یادگیری و ارتباطی مدیریت انرژی خانگی را در سناریوی مورد بررسی دارد.

کلیدواژه ها:

مدیریت انرژی خانگی ، یادگیری تقویتی عمیق ، یادگیری فدرال ، خودروی الکتریکی ، انرژی خورشیدی