توسعۀ یک چهارچوب یادگیری تقویتی عمیق برای مدیریت انرژی ریزشبکهها در سناریوی نفوذ بالای منابع تجدیدپذیر | ||
| فصلنامه سیستم های انرژی پایدار | ||
| دوره 5، شماره 4، پاییز 1405، صفحه 763-786 اصل مقاله (2.58 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ses.2026.413067.1228 | ||
| نویسندگان | ||
| مونا میررضوی1؛ حسین یوسفی* 2؛ احمد حاجی نژاد3 | ||
| 1دانشجوی کارشناسی ارشد مهندسی سیستمهای انرژی، دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوریهای میان رشته ای دانشگاه تهران، تهران، ایران | ||
| 2استاد تمام مهندسی سیستمهای انرژی، دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوریهای میان رشته ای دانشگاه تهران، تهران، ایران | ||
| 3دانشیار مهندسی سیستمهای انرژی، دانشکدۀ مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوریهای 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، سامانۀ ذخیرهساز باتری، دیزلژنراتور و شبکۀ سراسری ارائه شده است. نوآوری اصلی پژوهش در ترکیب الگوریتم Double DQN[1] با بافر تجربۀ اولویتدار[2] و طراحی یک تابع پاداش چندهدفه است که به طور همزمان هزینۀ بهرهبرداری، آلایندگی، قابلیت اطمینان تأمین بار و مدیریت سطح شارژ باتری پیش از ساعتهای اوج مصرف را در فرایند 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 ۲۴ساعته و پس از 2 هزار اپیزود آموزش ارزیابی شد. نتایج نشان داد الگوریتم به همگرایی مناسب دست یافته و هزینۀ کل بهرهبرداری روزانه را از حدود 10 دلار به 44/3 دلار کاهش داده است که معادل 66 درصد صرفهجویی اقتصادی است. همچنین، آلایندگی کل سامانه از حدود 41 کیلوگرم دیاکسیدکربن به 6/16 کیلوگرم دیاکسیدکربن رسید که نشاندهندۀ 60 درصد کاهش انتشار است. علاوه بر این، بار در تمام ساعتهای روز به طور کامل تأمین شد. تحلیل رفتار باتری نشان داد عامل در ساعتهای تولید بالای تجدیدپذیر باتری را شارژ و در ساعتهای 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 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 250 تعداد دریافت فایل اصل مقاله: 38 |
||