I ricercatori hanno proposto di implementare l'algoritmo di programmazione energetica residenziale addestrando tre reti di programmazione euristica dinamica dipendente dall'azione (ADHDP), ognuno basato su un tipo di tempo soleggiato, parzialmente nuvoloso, o nuvoloso. Le reti ADHDP sono considerate "intelligenti, ' poiché la loro risposta può cambiare in base a condizioni diverse.
"Nel futuro, prevediamo di avere vari tipi di alimentazione per ogni famiglia, compresa la rete, mulini a vento, pannelli solari e biogeneratori. I problemi qui sono la natura variabile di queste fonti di energia, che non generano elettricità a un ritmo stabile, " disse Derong Liu, un professore della School of Automation presso la Guangdong University of Technology in Cina e un autore del documento. "Per esempio, l'energia generata da mulini a vento e pannelli solari dipende dal tempo, e variano molto rispetto alla potenza più stabile fornita dalla rete. Per migliorare queste fonti di energia, abbiamo bisogno di algoritmi molto più intelligenti nella loro gestione/programmazione."
I dettagli sono stati pubblicati sul numero del 10 gennaio di IEEE/CAA Journal of Automatica Sinica , una pubblicazione bimestrale congiunta dell'IEEE e dell'Associazione cinese di automazione.
Liu e il suo team hanno proposto di implementare l'algoritmo di pianificazione energetica residenziale addestrando tre reti di programmazione euristica dinamica dipendente dall'azione (ADHDP), ognuno basato su un tipo di tempo soleggiato, parzialmente nuvoloso, o nuvoloso. Le reti ADHDP sono considerate "intelligenti, " poiché la loro risposta può cambiare in base a condizioni diverse.
Nelle simulazioni, un'unità di gestione dell'energia funge da collegamento tra la rete e le unità abitative. Una volta che la rete determina il tipo di tempo corretto dalle previsioni, l'energia viene elaborata per l'uso o lo stoccaggio della batteria. L'algoritmo può quindi seguire i prezzi residenziali in tempo reale per determinare il costo dell'acquisto di elettricità dalla rete, il vantaggio del potere di vendita, e il costo della penalità di acquisto in un momento in cui la domanda è elevata. Il costo della penalità aiuta anche a incoraggiare cicli completi di utilizzo della batteria in modo da non sovraccaricare la rete.
L'obiettivo è l'ottimizzazione:continuare a fornire energia ai consumatori integrando più risorse rinnovabili e limitando l'utilizzo di risorse non rinnovabili. Man mano che le tecnologie verdi si evolvono, secondo Liu, le reti possono apprendere e continuare a ottimizzare il sistema di pianificazione.
"È possibile utilizzare algoritmi di apprendimento automatico per ottimizzare il problema della programmazione energetica del futuro utilizzo dell'energia residenziale, "Liu ha detto, osservando che mentre una soluzione semplice può funzionare in casi specifici, sono necessarie soluzioni più complesse man mano che aumentano le diverse forme di fonti energetiche. "Il problema di ottimizzazione da risolvere in questo caso è ridurre al minimo il costo per la famiglia tenendo il passo con la domanda di carico energetico della famiglia... un algoritmo [che] può imparare da solo a trovare una soluzione ottimale dopo che è stato implementato potrebbe essere l'unica possibilità in questo caso per risolvere un problema di ottimizzazione così complesso."
Liu e il suo team hanno in programma di condurre uno studio su vasta scala di questo problema considerando tutte le forme attualmente disponibili di fonti di energia in un contesto sperimentale.
