پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,196 |
| تعداد مقالات | 77,227 |
| تعداد مشاهده مقاله | 157,218,089 |
| تعداد دریافت فایل اصل مقاله | 118,403,697 |
توسعه یک چهارچوب یادگیری تقویتی عمیق برای مدیریت انرژی ریزشبکه ها در سناریوی نفوذ بالای منابع تجدیدپذیر | ||
| فصلنامه سیستم های انرژی پایدار | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 28 اردیبهشت 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ses.2026.413067.1228 | ||
| نویسندگان | ||
| مونا میررضوی* ؛ حسین یوسفی؛ احمد حاجی نژاد | ||
| دانشکده مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوری های میان رشته ای دانشگاه تهران، تهران، ایران. | ||
| چکیده | ||
| با افزایش نفوذ منابع انرژی تجدیدپذیر در ریزشبکهها، مدیریت هوشمند انرژی به دلیل ماهیت نوسانی تولیدات خورشیدی و بادی اهمیت فزایندهای یافته است. در این پژوهش، یک چهارچوب مدیریت انرژی مبتنی بر یادگیری تقویتی عمیق برای ریزشبکهای متصل به شبکه شامل پنل خورشیدی، توربین بادی، سامانه ذخیرهساز باتری، دیزلژنراتور و شبکه سراسری ارائه شده است. نوآوری اصلی پژوهش در ترکیب الگوریتم Double DQN با بافر تجربه اولویتدار و طراحی یک تابع پاداش چندهدفه است که بهطور همزمان هزینه بهرهبرداری، آلایندگی، قابلیت اطمینان تأمین بار و مدیریت سطح شارژ باتری پیش از ساعات اوج مصرف را در فرآیند یادگیری لحاظ میکند. این ساختار به عامل اجازه میدهد علاوه بر یادگیری سیاست اقتصادی، تصمیمهای خود را با الگوی زمانی تولید تجدیدپذیر و قیمت برق هماهنگ سازد. مدل پیشنهادی در افق بهرهبرداری ۲۴ ساعته و پس از ۲۰۰۰ اپیزود آموزش ارزیابی شد. نتایج نشان داد که الگوریتم به همگرایی مناسب دست یافته و هزینه کل بهرهبرداری روزانه را از حدود 10 دلار به 3.44 دلار کاهش داده است که معادل 66 درصد صرفهجویی اقتصادی است. همچنین آلایندگی کل سامانه از حدود 41 کیلوگرم دیاکسیدکربن به 16.6 کیلوگرم دیاکسیدکربن رسید که نشاندهنده 60 درصد کاهش انتشار است. علاوه بر این، بار در تمام ساعات روز بهطور کامل تأمین شد. تحلیل رفتار باتری نشان داد که عامل در ساعات تولید بالای تجدیدپذیر باتری را شارژ و در ساعات اوج قیمت برق آن را دشارژ میکند. نتایج، کارایی و مقیاسپذیری روش پیشنهادی را برای مدیریت انرژی ریزشبکههای با نفوذ بالای منابع تجدیدپذیر تأیید میکند. | ||
| کلیدواژهها | ||
| ریزشبکه؛ مدیریت انرژی؛ منابع تجدیدپذیر؛ یادگیری تقویتی عمیق | ||
|
آمار تعداد مشاهده مقاله: 87 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب