افزایش سودآوری بازار شبکه های هوشمند برق با تکنیک یادگیری تقویتی عملگر نقاد
Publish place: Journal of Iranian Association of Electrical and Electronics Engineers، Vol: 19، Issue: 1
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 229
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIAE-19-1_022
تاریخ نمایه سازی: 18 اردیبهشت 1401
Abstract:
بازار شبکه های هوشمند برق پیچیده و پویاست. کارگزاران که واسطه گران فروش برق بین خرده فروشی ها و عمده فروشی ها هستند به صورت گسترده ای در بازارهای جدید شبکه های هوشمند به کار گرفته می شوند. به علت پیچیدگی و توزیع شدگی ذاتی بازار در شبکه های هوشمند رویکردهای استفاده از سیستم های چندعامله برای حل مسائل آن مناسب است. در این رویکردها می توانیم عامل های خودمختاری داشته باشیم که به صورت بیست و چهار ساعته درحال تبادل اطلاعات با دیگر عامل ها هستند. این عامل ها با چالش های اساسی شامل الگوی مصرف متنوع مشتریان، تغییر قیمت با توجه به الگوی مصرف مشتریان و میزان مصرف برق در طول شبانه روز مواجه اند. هدف ما در این مقاله این است که ضمن مدل کردن اجزای بازار برق با سیستم های چندعامله، با ارائه روشی مبتنی بر یادگیری عامل ها سودآوری در بازار شبکه های برق را افزایش دهیم. در روش پیشنهادی ابتدا مساله تنوع مصرف مشتریان را با انجام یک روش خوشه بندی متوالی مناسب دادههای سری زمانی پردازش می کنیم. سپس برای هر گروه خوشه بندی شده به صورت مجزا یک روش یادگیری تقویتی سیاست فعال با عنوان یادگیری تقویتی عملگر- نقاد به کار می بریم. درنهایت تاثیر تغییر پاداش را در سود حاصله ارزیابی می کنیم و برای هر خوشه تعرفه ای مطابق با زمان مصرف مربوطه به صورت ساعتی ارائه می دهیم.
Keywords:
Authors
اکرم بیگی
Shahid Rajaee Teacher Training University
امین اکبریان
Department of Computer Engineering, Shahid Rajaee Teacher Training University, Tehran
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :