Brug af en algoritme til at reducere energiregningen – regn eller solskin

Forskere foreslog at implementere energiplanlægningsalgoritmen til boliger ved at træne tre handlingsafhængige heuristisk dynamisk programmering (ADHDP) netværk, hver enkelt baseret på en vejrtype af solskin, delvist skyet, eller overskyet. ADHDP-netværk betragtes som 'smarte, ', da deres svar kan ændre sig baseret på forskellige forhold.

"I fremtiden, vi forventer at have forskellige typer strømforsyninger til hver husstand, inklusive nettet, vindmøller, solpaneler og biogeneratorer. Problemerne her er den varierende karakter af disse strømkilder, som ikke producerer elektricitet med en stabil hastighed, "sagde Derong Liu, en professor ved School of Automation ved Guangdong University of Technology i Kina og en forfatter på papiret. "For eksempel, strøm genereret fra vindmøller og solpaneler afhænger af vejret, og de varierer meget i forhold til den mere stabile strøm, der leveres af nettet. For at forbedre disse strømkilder, vi har brug for meget smartere algoritmer til at administrere/planlægge dem."

Detaljerne blev offentliggjort i den 10. januar udgave af IEEE/CAA Journal of Automatica Sinica , en fælles udgivelse hver anden måned af IEEE og Chinese Association of Automation.

Liu og hans team foreslog at implementere energiplanlægningsalgoritmen for boliger ved at træne tre handlingsafhængige heuristisk dynamisk programmering (ADHDP) netværk, hver enkelt baseret på en vejrtype af solskin, delvist skyet, eller overskyet. ADHDP-netværk betragtes som "smarte, ", da deres svar kan ændre sig baseret på forskellige forhold.

I simuleringerne en strømstyringsenhed forbindes mellem nettet og boligenheder. Når netværket bestemmer den korrekte vejrtype ud fra vejrudsigten, energi behandles til brug eller batteriopbevaring. Algoritmen kan derefter følge boligpriser i realtid for at bestemme omkostningerne ved at købe elektricitet fra nettet, fordelen ved at sælge magt, og bødeomkostningerne ved at købe på et tidspunkt, hvor efterspørgslen er høj. Straffeomkostningerne hjælper også med at tilskynde til fuld cyklus af batteriforbrug for ikke at overbelaste nettet.

Målet er optimering:at blive ved med at levere strøm til forbrugerne ved at integrere flere vedvarende ressourcer og begrænse brugen af ​​ikke-vedvarende ressourcer. Efterhånden som grønne teknologier udvikler sig, ifølge Liu, netværkene kan lære og fortsætte med at optimere planlægningssystemet.

"Det er muligt at bruge maskinlæringsalgoritmer til at optimere strømplanlægningsproblemet for fremtidens energiforbrug i boliger, " Liu sagde, bemærker, at selvom en simpel løsning kan fungere i specifikke tilfælde, mere komplekse løsninger er nødvendige i takt med at de forskellige former for energikilder stiger. "Optimeringsproblemet, der skal løses i dette tilfælde, er at minimere omkostningerne for husstanden og samtidig holde trit med husstandens efterspørgsel efter energibelastning... en algoritme [der] kan lære på egen hånd at finde en optimal løsning, efter at den er implementeret kan være den eneste mulighed i dette tilfælde for at løse et så komplekst optimeringsproblem."

Liu og hans team planlægger at udføre en fuldskala undersøgelse af dette problem ved at overveje alle aktuelt tilgængelige former for energikilder i eksperimentelle omgivelser.