Tổng hợp các phương pháp áp dụng AI vào điều khiển hệ thống năng lượng tái tạo

Bài nghiên cứu giới thiệu các phương pháp AI ứng dụng trong những bài toán điều khiển hệ thống năng lượng tái tạo. Cách áp dụng một số thuật toán Reinforcement Learning (RL) vào bài toán điều khiển nguồn sẽ được xây dựng cụ thể. Mục đích cuối cùng là điều khiển công suất nguồn đạt cực đại.
Nội dung trích xuất từ tài liệu:
Tổng hợp các phương pháp áp dụng AI vào điều khiển hệ thống năng lượng tái tạo CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION ELEVEN TỔNG HỢP CÁC PHƯƠNG PHÁP ÁP DỤNG AI VÀO ĐIỀU KHIỂN HỆ THỐNG NĂNG LƯỢNG TÁI TẠO Nguyễn Duy Đức Anh, Bùi Đức Thịnh, Phạm Văn Nam, Trần Tiến Dũng, TS. Vũ Thị Thúy Nga Sinh viên Viện Điện, Trường Đại học Bách Khoa Hà Nội Tác giả liên hệ: anh.ndd173615@sis.hust.edu.vn TÓM TẮT Bài nghiên cứu giới thiệu các phương pháp AI ứng dụng trong những bài toán điều khiển hệ thống năng lượng tái tạo. Cách áp dụng một số thuật toán Reinforcement Learning (RL) vào bài toán điều khiển nguồn sẽ được xây dựng cụ thể. Mục đích cuối cùng là điều khiển công suất nguồn đạt cực đại. Từ khóa: Năng lượng tái tạo, pin mặt trời, hệ bám điểm công suất cực đại, AI, Reinforcement Learning, Deep Q-Network 1. GIỚI THIỆU Trong những năm gần đây, thế giới chứng hệ thống năng lượng tái tạo đã được các kiến sự phát triển mạnh mẽ của năng nhà khoa học đề xuất. lượng tái tạo khi nó không chỉ thân thiện với môi trường mà còn có tiềm năng giải Trong hệ thống năng lượng tái tạo có rất quyết nhu cầu năng lượng khi mà các nhiều bài toán như hệ thống điều khiển, nguồn năng lượng hóa thạch ngày càng vận hành tối ưu, thị trường điện, đảm bảo cạn kiệt [1]. Bên cạnh đó thì hệ thống điều an toàn hệ thống. Bài nghiên cứu này sẽ khiển là một khâu không thể thiếu để tập trung vào việc áp dụng AI trong bài đảm bảo hệ thống năng lượng tái tạo vận toán vận hành tối ưu hệ thống nguồn. hành ổn định và tối ưu. Rất nhiều phương Thực tế hiện nay đã có những phương pháp điều khiển khác nhau đã và đang pháp truyền thống để xử lý bài toán bám được sử dụng nhưng để hệ thống vận điểm công suất cực đại của nguồn tiêu hành linh hoạt và tối ưu hơn thì việc sử biểu là phương pháp Perturbation and dụng AI sẽ là xu hướng của tương lai do Observation (P&O). Tuy nhiên để phương đó rất nhiều phương án vận dụng AI vào pháp đạt được hiệu suất tốt nhất cần phải 216 | DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION ELEVEN Bức xạ có những sự hiểu biết chuyên sâu về hệ 3.8-4.1 4.2-4.4 (kWh/m2/ngày) thống để hiệu chỉnh thuật toán cho phù Fuzzy Q-learning (multi-agent) hợp để tránh xảy ra dao động lớn xung Cooperative RL (multi-agent) quanh điểm công suất cực đại cũng như Single microgrid DQN thời gian quá độ lâu gây ra tổn thất [2]. Combination of ADP and RL Phía cung cấp điện Combination Với xu hướng hiện tại AI được đưa vào sử Multi-microgrid of DNN and MC dụng để hệ thống vận hành hiệu quả và EI A3C IES Q-learning linh hoạt hơn, trong đó RL được sử dụng Single IES DDQN nhiều trong hệ thống năng lượng tái tạo Q-learning Hybrid ESSs nhờ ưu điểm tự học và cải thiện thông qua DDQN Electric water Q-learning việc đánh giá phản hồi để học chính sách heater Fitted Q-iteration tối ưu cho mục đích đề ra. Vì vậy RL là một Q-learning công cụ phù hợp để tối ưu hệ thống phi HVAC Combination of RNN and tuyến như hệ thống năng lượng tái tạo Actor-Critic Dual iterative nhằm cải thiện kinh tế, tính linh hoạt cũng Phía người dùng Battery Q-learning như tính tin cậy của hệ thống [1]. Residential customers in IES Q-Learning Thermostatically Batch RL Tổng quát lại, bài nghiên cứu đề xuất controlled loads (multi-agent) DQN/ Deep Policy thuật toán RL điều khiển công suất nguồn ...