p Os pesquisadores propuseram a implementação do algoritmo de escalonamento de energia residencial treinando três redes de programação dinâmica heurística dependente de ação (ADHDP), cada um com base em um tipo de clima ensolarado, parcialmente nublado, ou nublado. As redes ADHDP são consideradas 'inteligentes, 'como sua resposta pode mudar com base em diferentes condições. p "No futuro, esperamos ter vários tipos de fontes de alimentação para cada casa, incluindo a rede, moinhos de vento, painéis solares e biogeradores. Os problemas aqui são a natureza variável dessas fontes de energia, que não geram eletricidade a uma taxa estável, "disse Derong Liu, professor da Escola de Automação da Universidade de Tecnologia de Guangdong na China e autor do artigo. "Por exemplo, a energia gerada por moinhos de vento e painéis solares depende do clima, e variam muito em comparação com a energia mais estável fornecida pela rede. Para melhorar essas fontes de energia, precisamos de algoritmos muito mais inteligentes para gerenciá-los / agendá-los. "

p Os detalhes foram publicados na edição de 10 de janeiro da IEEE / CAA Journal of Automatica Sinica , uma publicação bimestral conjunta do IEEE e da Associação Chinesa de Automação.

p Liu e sua equipe propuseram a implementação do algoritmo de escalonamento de energia residencial treinando três redes de programação dinâmica heurística dependente de ação (ADHDP), cada um com base em um tipo de clima ensolarado, parcialmente nublado, ou nublado. As redes ADHDP são consideradas "inteligentes, ", pois sua resposta pode mudar com base em diferentes condições.

p Nas simulações, uma unidade de gerenciamento de energia faz a ligação entre a rede e as unidades residenciais. Uma vez que a rede determina o tipo de clima correto a partir da previsão, a energia é processada para uso ou armazenamento em bateria. O algoritmo pode então seguir os preços residenciais em tempo real para determinar o custo de compra de eletricidade da rede, o benefício de vender poder, e o custo da penalidade de comprar em um momento de alta demanda. O custo da penalidade também ajuda a encorajar ciclos completos de uso da bateria para não sobrecarregar a rede.

p O objetivo é a otimização:continuar fornecendo energia aos consumidores integrando mais recursos renováveis ​​e limitando o uso de recursos não renováveis. Conforme as tecnologias verdes evoluem, de acordo com Liu, as redes podem aprender e continuar a otimizar o sistema de agendamento.

p “É possível usar algoritmos de aprendizado de máquina para otimizar o problema de programação de energia do futuro uso de energia residencial, "Liu disse, observando que embora uma solução simples possa funcionar em casos específicos, soluções mais complexas são necessárias à medida que as várias formas de fontes de energia aumentam. "O problema de otimização a resolver neste caso é minimizar o custo para o agregado familiar, ao mesmo tempo que acompanha a procura de carga de energia do agregado ... um algoritmo [que] pode aprender por si próprio para encontrar uma solução óptima depois de implementado pode ser a única possibilidade neste caso de resolver um problema de otimização tão complexo. "

p Liu e sua equipe planejam conduzir um estudo em grande escala desse problema, considerando todas as formas atualmente disponíveis de fontes de energia em um ambiente experimental.