بهبود سازگار پایداری ولتاژ و فرکانس ریزشبکه با استفاده از سازوکار یادگیری Q

این مقاله یک روش کنترل تطبیقی ​​برای کنترل فرکانس و ولتاژ ریز شبکه جزیره ای با استفاده از روش یادگیری تقویت ارائه می کند. یادگیری تقویت یکی از شاخه های یادگیری ماشین است که روش اصلی حل تصمیم گیری مارکوف است. از میان راه حل های مختلف RL، روش یادگیری Q برای حل RL در این مقاله مورد استفاده قرار می گیرد، زیرا یک استراتژی آزاد و دارای یک ساختار ساده است. مکانیزم کنترل پیشنهادی شامل دو بخش اصلی است. بخش اول یک کنترلر PID کلاسیک است که با استفاده از الگوریتم گله سالپ (SSA) تنظیم می شود. قسمت دوم یک استراتژی کنترل سازگارمبتنی بر Q است که به طور پیوسته با توجه به تغییرات سیستم بروز می شود. در نهایت، عملکرد دینامیکی روش کنترل پیشنهادی در یک ریزشبکه واقعی در مقایسه با PID فازی و کنترل کننده های PID کلاسیک ارزیابی می شود. ریزشبکه در نظر گرفته شده بخشی از سیستم توزیع دانمارک است که شامل سه واحد (CHP) و سه توربین بادی است. نتایج شبیه سازی نشان می دهد که استراتژی کنترل پیشنهاد شده دارای پاسخ دینامیکی عالی نسبت به هر دو کنترل کننده هوشمند و سنتی برای میرا کردن نوسانات ولتاژ و فرکانس است.