21583

21583

بهبود پاسخگويي بار در شبكه‌هاي هوشمند برق با استفاده از يادگيري تقويتي

كارشناسي ارشد

هوش مصنوعي و رباتيك

1396

1398/9/27

دكتر ناصر مزيني

كامپيوتر

در شبكه‌هاي برق يكي از اساسي‌ترين مشكلات موجود ايجاد عدم برابري در ميزان توليد و مصرف انرژي است، چرا كه ذخيره‌ي اين انرژي در مقياس زياد براي استفاده در مواقع نياز قابل انجام نمي‌باشد و در ساعات اوج مصرف، كه تقاضاي انرژي از سمت مشتركين افزايش مي‌يابد، تامين انرژي مورد نياز كار دشواري خواهد بود، ناپايداري شبكه و افزايش هزينه سمت توليدكنندگان كه بر قيمت انرژي سمت مصرف كننده‌ها نيز تاثير گذار است، از تاثيرهاي منفي اين پديده مي‌باشد. اجراي برنامه‌هاي پاسخگويي بار براي به حداقل رساندن چنين مشكلاتي در شبكه برق از اهميت بالايي برخوردار است. در عين حال، عدم قطعيت رفتار بازيگران بازار برق باعث شده است كه مدل‌سازي‌هاي انجام شده براي اجراي چنين برنامه‌هايي، در دنياي واقعي كارايي لازم و دقت كافي و در بعضي موارد امكان پياده‌سازي را نداشته باشند. ظهور شبكه‌هاي هوشمند فرصت‌ مناسبي را جهت اجراي برنامه‌هاي پاسخگويي بار براي كاهش و كنترل مصرف برق ايجاد كرده است. با مديريت صحيح انرژي، مشتريان، برق مورد نياز مصرف خانگي خود را مي‌توانند در بازه‌هاي كم باري خريداري كرده و آن را ذخيره كنند و يا استفاده از برخي لوازم برقي خود را مي‌توانند به بازه زماني مناسب منتقل كنند. اجراي چنين سناريويي تاثير مطلوبي در تغيير شكل منحني بار ايجاد مي‌كند، كه يكي از اهداف اصلي برنامه‌هاي پاسخگويي بار مي‌باشد. قيمت‌گذاري پويا يكي از موثرترين روش‌ها براي تشويق مشتريان براي تغيير الگوي مصرف است. اگرچه در اين موارد نيز عدم قطعيت ميزان انرژي مصرفي مشتريان، تعيين يك سياست قيمت‌گذاري بهينه را دشوار كرده است. در اين پژوهش از الگوريتم Neural Bandit به منظور قيمت‌گذاري پويا در ساختار بازار برق مورد نظر استفاده شده است. در اين مطالعه علاوه بر به كارگيري اين روش در محيط تك عامله، رفتار سيستم در حضور عامل‌هاي قيمت‌گذار در بازار برق نيز مورد بررسي قرار داده شد. همچنين توابع هزينه مختلفي جهت استفاده در شبيه‌سازي پيشنهاد شده‌‌اند كه كارآيي آن‌ها از جنبه‌هاي مختلف با يكديگر مقايسه و نتايج ارائه شده است. در ضمن چارچوب پيشنهادي و مدل‌‌سازي‌هاي مختلف سيستم مورد نظر با پايتون پياده‌سازي شده‌اند.

1398/10/14

improving demand response in smart grids using reinforcement learning

12/18/2019 12:00:00 AM

The emergence of the smart grid have presented new opportunities for demand response to control and reduction of electricity usage. With sufficient energy management, in off-peak times customers can buy and store more electricity energy than on-peak times or shift the shiftable appliance to proper times. These scenarios provide a desired change in the load profile shaping which is the main function of demand response. Dynamic pricing is one of the most effective ways to encourage customers to change their consumption pattern. However, it is difficult to determine an optimal pricing strategy because of the uncertainty of the electricity consumption. In this paper we used NeuralBandit algorithm to solve this problem, which using a neural network that learns the context and the associated reward. Simulation result shows that this proposed algorithm can reduce energy cost, improve reliability of the system and control the ramp-rate of the power system

يادگيري تقويتي

يادگيري تقويتي