دانلود ترجمه مقاله بهینه سازی سیستم فتوولتائیک-باتری با یادگیری تقویتی عمیق

1. مقدمه 2. یادگیری تقویتی عمیق 3. مساله مدیریت انرژی 4. پیش بینی بار الکتریکی 5. پیاده سازی 6. نتایج 7. نتیجه گیری

چکیده – سیستم‌های مدیریت انرژی خانگی (HEMS) با جمع‌آوری داده‌ها (انرژی، آب و هوا، قیمت برق) و کنترل لوازم خانگی یا سیستم‌های ذخیره، به طور فزاینده‌ای برای مدیریت تقاضا در سطح مسکونی مرتبط هستند. این کنترل می‌تواند با مدل‌های کلاسیک که راه حل‌های بهینه را با هزینه محاسباتی بالای زمان واقعی پیدا می‌کنند یا روش‌های مبتنی بر داده مانند یادگیری تقویتی که راه حل‌های خوب و انعطاف‌پذیر پیدا می‌کنند اما به دسترسی داده‌های بار و تولید و منابع محاسباتی بالای آموزش بستگی دارند، انجام شود. در این کار، یک HEMS جدید برای بهینه‌سازی عملکرد باتری الکتریکی در یک محیط واقعی، آنلاین و مبتنی بر داده که پیش‌بینی بار پیشرفته را با ترکیب شبکه‌های عصبی CNN و LSTM برای افزایش روباتیک تصمیم‌گیری ادغام می‌کند، پیشنهاد می‌شود. چندین عامل یادگیری تقویتی با الگوریتم‌های مختلف (Double DQN، Dueling DQN، Rainbow و Proximal Policy Optimization) برای به حداقل رساندن هزینه خرید برق و حداکثر کردن خودمصرفی فتوولتائیک برای یک سیستم مسکونی PV-Battery آموزش داده می‌شوند. نتایج نشان می‌دهد که بهترین عامل یادگیری تقویتی در مقایسه با یک عامل مبتنی بر بهینه‌سازی، 35% کاهش هزینه کل را به دست می‌آورد.

Home Energy Management Systems (HEMS) are increasingly relevant for demand-side management at the residential level by collecting data (energy, weather, electricity prices) and controlling home appliances or storage systems. This control can be performed with classical models that find optimal solutions, with high real-time computational cost, or data-driven approaches, like Reinforcement Learning, that find good and flexible solutions, but depend on the availability of load and generation data and demand high computational resources for training. In this work, a novel HEMS is proposed for the optimization of an electric battery operation in a real, online and data-driven environment that integrates state-of-the-art load forecasting combining CNN and LSTM neural networks to increase the robustness of decisions. Several Reinforcement Learning agents are trained with different algorithms (Double DQN, Dueling DQN, Rainbow and Proximal Policy Optimization) in order to minimize the cost of electricity purchase and to maximize photovoltaic self-consumption for a PV-Battery residential system. Results show that the best Reinforcement Learning agent achieves a 35% reduction in total cost when compared with an optimization-based agent.