شماره ركورد
16677
عنوان
بهينهسازي ريزشبكهها در حضور منابع تجديدپذير و سيستمهاي ذخيرهسازي انرژي با استفاده از يادگيري تقويتي چندعامله
سال تحصيل
1403
استاد راهنما
دكتر محسن كلانتر
چکيده
اين پژوهشِ مروري–تحليلي (كتابخانهاي) چارچوبي اجرايي براي مديريت انرژي ريزشبكههاي داراي PV/WT و BESS ارائه ميكند كه در آن يادگيري تقويتي چندعامله با الگوي «آموزش متمركز/اجراي غيرمتمركز» بهكار گرفته شده است. صورتبنديِ حالت–كنش–پاداش بهگونهاي مهندسي شده تا سه هدف همزمانِ كاهش هزينه انرژي، حفظ قابليتاطمينان/كيفيت توان و مديريت عمر ذخيرهساز را محقق كند؛ براي همين، مؤلفه فرسودگيمحور (مانند DoD/EFC/SoH) در پاداش و قيود عملياتي گنجانده شده و يك «سپر ايمنيِ زماناجرا» تمام خروجيها را با حدود ولتاژ/جريان، نرخهاي شارژ–دشارژ، ظرفيت مبدلها و سقف تبادل در PCC سازگار ميكند.شاخصهاي ارزيابي بهصورت يك كارت امتياز يكنواخت تعريف شدهاند (COE، DPSP/بارريزي، زمان بازيابي، كيفيت توان، و نماگرهاي سلامت باتري) تا مقايسه منصفانه در هر دو وضعيت متصل و جزيرهاي ممكن شود. مسير استقرار نيز از شبيهسازي سناريومحور به آزمونهاي زمانواقعي (HIL/RTDS) و پايلوت ميداني ميرسد و با الزامات آزمونپذيري كنترلر همراستا ميشود. جمعبندي مرور نشان ميدهد MARL نسبت به روشهاي صرفاً سناريومحور در مقياسپذيري، تصميمگيري برخط و تابآوري اقتصادي–فني، بهويژه زير نوسانات RES، برتري دارد و با همترازي با چارچوبهاي پذيرش صنعتي، گذر از آزمايشگاه به ميدان را تسهيل ميكند.
نام دانشجو
امين مرادي
تاريخ ارائه
12/10/2025 12:00:00 AM
متن كامل
89224
پديد آورنده
امين مرادي
تاريخ ورود اطلاعات
1404/10/15
عنوان به انگليسي
Optimization of Microgrids with Renewable Energy and Energy Storage Systems Using Multi-Agent Reinforcement Learning
كليدواژه هاي فارسي
بهرهبرداري برخط؛ ريزشبكه؛ فرسودگي باتري؛ قابليتاطمينان؛ هزينه انرژي؛ يادگيري تقويتي چندعامله.
كليدواژه هاي لاتين
Online operation; microgrid; battery degradation; reliability; energy cost; multi-agent reinforcement learning.