30262

طراحي سيستم مديريت انرژي براي آزمايشگاه انرژي تجديدپذيربا استفاده از يادگيري تقويتي

كارشناسي ارشد

برق كنترل

1399

1402/6/26

سعيد شمقدري

برق

با توجه به مزاياي توليد انرژي غيرمتمركز نسبت به توليد متمركز،منابع جديد انرژي توزيع شده كه شامل انرژي هاي تجديدپذيرهستند، درحال گسترش هستند.اين منابع انرژي تجديدپذير ماهيت تصادفي دارند و باعث عدم قطعيت در سمت توليد مي شوند. از سوي ديگر بارهاي الكتريكي در داخل شبكه ثابت نيستند و اين موضوعات چالشهاي جديدي را براي كنترل سيستم ايجاد كرده است ونياز روزافزوني رابراي توسعه كنترلكننده هاي جديد به وجودآورده است.در اين پايان نامه مابه مساله مديريت انرژي براي آزمايشگاه انرژي تجديدپذير شركتHeliocentris Energy Solution واقع دردانشگاه استافوردشاير پرداخته ايم. اين آزمايشگاه متشكل ازسلول هاي خورشيدي، توربين بادي،پيل سوختي،سيستم ذخيره انرژي باتري و بارهاي الكتريكي است.براي مديريت انرژي در اين پايان نامه ازالگوريتم هاي يادگيريQ ، SARSA و مونته كارلو استفاده شده است.دراين مساله كنترل چندعاملي،تمامي توليدكنندگان و مصرف كنندگان به صورت عامل هاي خودمختار مدل شده اند كه داراي قابليت يادگيري هستند و از تعامل بامحيط ريزشبكه سياست بهينه را ياد ميگيرند وميخواهند سود خود را بدون داشتن اطالعات از ساير عاملها بيشينه كنند.هدف از طراحي اين سيستم مديريت انرژي برآورده نمودن قيود تعادل توان،افزايش سود توليدكنندگان، كاهش هزينه مصرف كنندگان و كاهش وابستگي ريزشبكه به شبكه اصلي مي باشد.براي تعيين قيمت بازار داخلي از الگوريتم مزايده دوتايي استفاده شده است. پس ازانجام مبادله انرژي در بازار داخلي مابين توليدكنندگان و مصرف كنندگان، بارهاي برآورده نشده و انرژي مازاد توليدكنندگان با شبكهبرقاصلي مبادله مي شود.در اين پايان نامه سه الگوريتم مطرح شده بااستفاده از داده هاي واقعي سرعت باد،شدت تابش و دماي محيط،باهم مقايسه شده اند.مطابق نتايج به دست آمده الگوريتم سارسا،عملكرد بهتري را در مقايسه باسايرين نشان مي دهد.

1402/09/27

Energy Management in New Energy Lab by using Reinforcement Learning

1/1/1900 12:00:00 AM

Due to the advantages of decentralized energy production compared to centralized production, distributed energy resources, including renewable energies, are expanding. These renewable energy resources have a random nature, leading to uncertainty in production. On the other hand, electric loads within the 78 grid are not constant, posing new challenges for system control and the growing need for the development of new controllers. In this thesis, we address the issue of energy management for the Renewable Energy Laboratory of Heliocentris Energy Solution AG, located at the University of Staffordshire. This laboratory comprises solar cells, wind turbines, fuel cells, battery energy storage systems, and electrical loads. To manage energy in this thesis, we have employed Q- learning, SARSA, and Monte Carlo learning methods. In this multi-agent control problem, all producers and consumers are modeled as autonomous agents capable of learning. They interact with the environment to learn the optimal policy without having information about other agents and aim to maximize their profits.The goal of designing this energy management system is to meet power balance constraints, increase producer profits, reduce consumer costs, and decrease the dependence of the microgrid on the main grid. The Double Auction algorithm is used to determine the domestic market price. After energy exchange in the domestic market between producers and consumers, unmet loads and surplus energy from producers are exchanged with the main grid. In this thesis, three algorithms are compared using real data on wind speed, solar radiation, and ambient temperature, among which SARSA outperforms the others

ريزشبكه , يادگيري تقويتي , آزمايشگاه انرژي تجديدپذير , مديريت انرژي

Multi-agent systems , Energy management of a microgrid , Reinforcement learning , Distributed energy resources , Demand response , New Energy Lab

Parisa Mohammadi

Saeed Shamaghdari