Abstract:
افزایش مصرف انرژی الکتریکی، مسئلهای است که همواره بهعنوان یکی از چالشهای تأمینکنندگان برق مطرح بوده است. بهدنبال افزایش مصرف، برنامههای پاسخگویی بار که سعی در مدیریت مصرف انرژی با اهدافی نظیرکاهش هزینهها و افزایش قابلیت اطمینان دارند، بیش از پیش مورد توجه قرار گرفتهاند. از طرفی هوشمندسازی مصرفکنندگان، امکان بهرهگیری هرچه بیشتر از هوش مصنوعی برای مدیریت انرژی را میسر ساخته است. این مقاله روشی برای مدیریت مصرف انرژی خانگی با هدف کمینه کردن قبض برق و نارضایتی مشترک ارائه میدهد. با تفکیک بارهای خانه به سه دسته بارهای غیرقابل کنترل، قابل جابهجایی و قابل کنترل، یادگیری تقویتی چندعاملی با الگوریتم Q-Learning راهکاری است که در این مقاله برای اتخاذ تصمیمات بهینه دربارۀ هریک از وسایل خانه در نظر گرفته شده است. بهدلیل ماهیت الگوریتم Q-Learning، روش پیشنهادی در این مقاله برخلاف روشهای برنامهریزی عدد صحیح امکان افزودن وسایل بیشتری از خانه و حل مسئلههای پیچیدهتری را داراست. پیادهسازی روش پیشنهادی این مقاله در بخش مطالعۀ عددی منجر به کاهش قبض برق مشترک تا 8/24% گردید. همچنین، نتایج حاصل از اعمال روش ارائهشده حاکی از صحت عملکرد آن است.
An increase in electricity consumption has always been challenging for utilities. Due to increasing demands for electricity, the demand response strategies, aiming at energy management to achieve goals such as demand reduction and reliability enhancement have received much attention. Furthermore, taking advantage of artificial intelligence for energy management would be feasible through smartening customers. This paper proposes a method for home energy management to minimize electricity bills and the user’s discomfort. In this paper, multi-agent reinforcement learning via Q-Learning is utilized to make optimal decisions for home appliances, which are categorized into non-shiftable loads, shiftable loads, and controllable loads. Comparing to integer programming approaches, the proposed method is capable of modeling more appliances and solving complex problems due to the innate nature of the Q-Learning algorithm. Implementing the proposed method in the numerical study section led to a 24.8% electricity bill reduction. The numerical results prove the effectiveness of the proposed approach.