مدیریت انرژی غیرمتمرکز بهینه منابع و بارهای پراکنده الکتریکی و گرمایی در ریزشبکه ها با استفاده از یادگیری تقویتی

در این مقاله، یک سیستم مدیریت انرژی غیرمتمرکز برای ریزشبکه های هوشمند باحضور منابع پراکنده با استفاده از یادگیری تقویتی ارایه می شود. مسیله طراحی سیستم مدیریت انرژی ریزشبکه ها به دلیل ویژگی های پیش بینی ناپذیر خروجی منابع تجدیدپذیر، متغیربودن بارمصرفی و مدل غیرخطی باتری ها به منظور ذخیره و تامین انرژی با چالش های زیادی روبه رو است. علاوه بر این، استفاده از ساختارهای کنترل متمرکز در سیستم های ابعاد وسیع، به بروز مشکلاتی ازقبیل افزایش حجم محاسباتی و پیچیدگی در الگوریتم های کنترلی منجر می شود. در این مقاله، ضمن ارایه یک ساختار کاملا غیرمتمرکز چندعامله برای سیستم مدیریت انرژی، از پروسه های تصمیم گیری مارکوف برای مدل سازی رفتار تصادفی عامل ها در ریزشبکه استفاده می شود. منابع پراکنده الکتریکی و گرمایی، باتری و مصرف کنندگان، عامل های هوشمند و مستقل در نظر گرفته می شوند که دارای توانایی یادگیری هستند و پس از اکتشاف محیط و بهره برداری به صورت کاملا غیرمتمرکز، سیاست بهینه خود را به دست می آورند. روش ارایه شده برای برنامه ریزی ساعتی ریزشبکه، یک روش مستقل از مدل و مبتنی بر یادگیری است که ضمن بیشینه کردن سود کلیه تولیدکنندگان، هزینه مصرف کنندگان را کمینه و از وابستگی ریزشبکه به شبکه اصلی نیز می کاهد. درنهایت با استفاده از داده های واقعی از نیروگاه های انرژی تجدیدپذیر در ایران و داده های خرید و فروش انرژی در بازار برق ایران، دقت روش پیشنهادی شبیه سازی و ارزیابی می شود.