برنامه ریزی بهره برداری ریزشبکه ها مبتنی بر الگوریتم یادگیری تقویتی عمیق
Publish Year: 1401
Type: Journal paper
Language: Persian
View: 382
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_ENERGY-12-2_001
Index date: 20 November 2022
برنامه ریزی بهره برداری ریزشبکه ها مبتنی بر الگوریتم یادگیری تقویتی عمیق abstract
در این مقاله، برنامه ریزی بهره برداری ریزشبکه ها مشتمل بر منابع تولید انرژی و سیستم های ذخیره انرژی مبتنی بر یادگیری تقویتی عمیق ارائه شده است. با توجه به خاصیت پویایی مسئله، ابتدا در قالب یک فرایند تصمیم گیری مارکوف متشکل از چهارتایی (حالت، اقدام، تابع احتمال انتقال و پاداش) فرمول بندی شده است. سپس، الگوریتم گرادیان استراتژی قطعی عمیق به منظور یادگیری استراتژی بهینه برنامه ریزی بهره برداری ریزشبکه با هدف کمینه کردن هزینه های بهره برداری ارائه شده است. این الگوریتم یک روش بی نیاز از مدل، مستقل از استراتژی و بر مبنای معماری عامل-نقاد است که می تواند به خوبی فضای حالت و اقدام مسئله را به صورت پیوسته مدل سازی و بر چالش بزرگ بودن ابعاد مسئله غلبه کند. به منظور ارزیابی الگوریتم ارائه شده، نتایج با الگوریتم یادگیری Q عمیق و روش تحلیلی مقایسه شد. نتایج حاصل از شبیه سازی، کارایی الگوریتم گرادیان استراتژی قطعی عمیق ارائه شده را از جهت همگرایی، زمان اجرا و هزینه کل نشان دادند.
برنامه ریزی بهره برداری ریزشبکه ها مبتنی بر الگوریتم یادگیری تقویتی عمیق Keywords:
Microgrid , Deep deterministic policy gradient , Markov decision process , Operational scheduling , ریزشبکه , گرادیان استراتژی قطعی عمیق , فرایند تصمیم گیری مارکوف , برنامه ریزی بهره برداری
برنامه ریزی بهره برداری ریزشبکه ها مبتنی بر الگوریتم یادگیری تقویتی عمیق authors
سعید اسمعیلی
Iran University of Science and Technology
علیرضا ناطقی
Faculty of Electrical and Computer Engineering, Shahid Sattari University of Aeronautical Engineering
حسن زارع
Department of Electrical Engineering, Technical and vocational University (TVU)
حسین اصغرپورعلمداری
Department of Electrical Engineering, Technical and vocational University (TVU)
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 :
