ارائه یک روش ترکیبی مبتنی بر کنترل پیش‌بینی مدل و یادگیری تقویتی عمیق چندعاملی برای بهبود عملکرد ریزشبکه‌های مستقل در شرایط عادی و بحرانی

ارتقای عملکرد ریزشبکه ها که شامل منابع انرژی متغیر و سیستم‌های ذخیره‌سازی انرژی هستند، یکی از چالش‌های اساسی آتی این واحدهای کوچک و خودکفا در شبکه‌های توزیع انرژی میباشد. برای رسیدن به عملکرد مطلوب در این سیستم‌ها، نیاز به روش‌های کنترلی و بهینه‌سازی است که بتواند به‌طور همزمان به مسائل مختلفی همچون هماهنگی منابع انرژی، بهینه‌سازی مصرف، و حفظ پایداری سیستم بپردازد. ریزشبکه‌های مدرن با وجود منابع تجدیدپذیر، ذخیره‌سازهای انرژی و بارهای متغیر با چالش‌هایی همچون نوسانات ولتاژ و فرکانس، عدم قطعیت تولید و نیاز به پاسخ دینامیکی سریع مواجه‌اند. در این مقاله یک روش ترکیبی بهینه سازی مبتنی بر کنترل پیش‌بینی مدل (mpc) و یادگیری تقویتی عمیق چندعاملی (madrl) برای بهبود عملکرد ریزشبکه‌های مستقل در شرایط عادی و بحرانی ارائه میشود. mpc وظیفه پیش‌بینی کوتاه‌مدت و اعمال قیود عملیاتی را بر عهده دارد، در حالی که madrl با یادگیری تجربی، سیاست‌های کنترلی را برای شرایط متغیر بهبود می‌بخشد. مدل شبیه‌سازی چهار سناریو شامل بارپذیری، حضور اغتشاشات، حالت جزیره‌ای و ترکیب شرایط بحرانی را مورد بررسی قرار خواهد داد. شاخص‌های کلیدی نظیر پایداری ولتاژ، شاخص‌های خطا (ise و itae)، زمان نشست، فراجهش و بهره‌وری انرژی تحلیل میشوند. نتایج نشان میدهد روش ترکیبی نسبت به کنترل صرف mpc یا روش‌های کلاسیک pi عملکرد بهتری دارد به‌گونه‌ای که شاخص پایداری ولتاژ به حدود 0.988 میرسد، زمان نشست و فراجهش به میزان قابل توجهی کاهش مییابد و بازده انرژی در محدوده 92 تا 95 درصد تثبیت میشود. همچنین، منحنی‌های یادگیری madrl بیانگر بهبود تدریجی سیاست‌های کنترلی در طول اپیزودهای آموزش میباشد. در مجموع، ادغام mpc و madrl علاوه بر تضمین قیود، انعطاف‌پذیری و پایداری سیستم را افزایش داده و رویکردی کارآمد برای مدیریت بهینه ریزشبکه‌های آینده ارائه می‌دهد.