Tổng hợp các phương pháp áp dụng AI vào điều khiển hệ thống năng lượng tái tạo

Bài nghiên cứu giới thiệu các phương pháp AI ứng dụng trong những bài toán điều khiển hệ thống năng lượng tái tạo. Cách áp dụng một số thuật toán Reinforcement Learning (RL) vào bài toán điều khiển nguồn sẽ được xây dựng cụ thể. Mục đích cuối cùng là điều khiển công suất nguồn đạt cực đại.

CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION ELEVEN TỔNG HỢP CÁC PHƯƠNG PHÁP ÁP DỤNG AI VÀO ĐIỀU KHIỂN HỆ THỐNG NĂNG LƯỢNG TÁI TẠO Nguyễn Duy Đức Anh, Bùi Đức Thịnh, Phạm Văn Nam, Trần Tiến Dũng, TS Vũ Thị Thúy Nga Sinh viên Viện Điện, Trường Đại học Bách Khoa Hà Nội Tác giả liên hệ: anh.ndd173615@sis.hust.edu.vn TÓM TẮT Bài nghiên cứu giới thiệu phương pháp AI ứng dụng toán điều khiển hệ thống lượng tái tạo Cách áp dụng số thuật toán Reinforcement Learning (RL) vào toán điều khiển nguồn xây dựng cụ thể Mục đích cuối điều khiển công suất nguồn đạt cực đại Từ khóa: Năng lượng tái tạo, pin mặt trời, hệ bám điểm công suất cực đại, AI, Reinforcement Learning, Deep Q-Network GIỚI THIỆU Trong năm gần đây, giới chứng hệ thống lượng tái tạo kiến phát triển mạnh mẽ nhà khoa học đề xuất lượng tái tạo khơng thân thiện với mơi trường mà cịn có tiềm giải Trong hệ thống lượng tái tạo có nhu cầu lượng mà nhiều toán hệ thống điều khiển, nguồn lượng hóa thạch ngày vận hành tối ưu, thị trường điện, đảm bảo cạn kiệt [1] Bên cạnh hệ thống điều an tồn hệ thống Bài nghiên cứu khiển khâu thiếu để tập trung vào việc áp dụng AI đảm bảo hệ thống lượng tái tạo vận toán vận hành tối ưu hệ thống nguồn hành ổn định tối ưu Rất nhiều phương Thực tế có phương pháp điều khiển khác pháp truyền thống để xử lý toán bám sử dụng để hệ thống vận điểm công suất cực đại nguồn tiêu hành linh hoạt tối ưu việc sử biểu phương pháp Perturbation and dụng AI xu hướng tương lai Observation (P&O) Tuy nhiên để phương nhiều phương án vận dụng AI vào pháp đạt hiệu suất tốt cần phải 216 | DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION ELEVEN có hiểu biết chuyên sâu hệ thống để hiệu chỉnh thuật toán cho phù Bức xạ (kWh/m2/ngày) 3.8-4.1 4.2-4.4 Fuzzy Q-learning (multi-agent) hợp để tránh xảy dao động lớn xung quanh điểm công suất cực đại Cooperative RL (multi-agent) Single microgrid DQN thời gian độ lâu gây tổn thất [2] Với xu hướng AI đưa vào sử Combination of ADP and RL Phía cung cấp điện Combination of DNN and MC Multi-microgrid dụng để hệ thống vận hành hiệu EI A3C linh hoạt hơn, RL sử dụng IES Q-learning Single IES nhiều hệ thống lượng tái tạo DDQN Q-learning Hybrid ESSs nhờ ưu điểm tự học cải thiện thông qua DDQN Q-learning Electric water heater việc đánh giá phản hồi để học sách Fitted Q-iteration tối ưu cho mục đích đề Vì RL Q-learning cơng cụ phù hợp để tối ưu hệ thống phi HVAC Combination of RNN and Actor-Critic Battery Dual iterative Q-learning tính tin cậy hệ thống [1] Residential customers in IES Q-Learning Tổng quát lại, nghiên cứu đề xuất Thermostatically controlled loads Batch RL (multi-agent) thuật tốn RL điều khiển cơng suất nguồn Smart building(s) DQN/ Deep Policy Gradient đạt cực đại cho hệ thống lượng tái Different home appliances Q-learning (multi-agent) Wind resources, PV, diesel generators, battery, and customers Q-learning (multi-agent) tuyến hệ thống lượng tái tạo nhằm cải thiện kinh tế, tính linh hoạt Phía người dùng tạo Mục đích việc sử dụng AI để đảm bảo cơng suất có độ ổn định lớn có tính Cả hệ thống linh hoạt cao thay đổi trạng thái hoạt động tải Bảng Tổng hợp ứng dụng RL điều khiển hệ thống điện CÁC BÀI TOÁN AI TRONG HỆ THỐNG NĂNG LƯỢNG TÁI TẠO Bảng Tổng hợp ứng dụng RL vận hành tối ưu hóa lượng bền vững hệ thống điện Phân loại Thuật toán học Emergency control Combination of RL and classical control method RL DRL RL Normal control MPPT control DRL Transfer RL RL Combination of ANN and RL DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO | 217 CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION ELEVEN ỨNG DỤNG AI TRONG BÀI TOÁN KẾT QUẢ MƠ PHỎNG MPPT CONTROL: Ta mơ toán MPPT control Như vậy, từ bảng ta thấy hệ hệ thống lượng mặt trời với thuật thống lượng tái tạo có nhiều vấn toán P&O Q-learning đề cần giải Tuy nhiên ta tập trung giải tốn tối ưu phía nguồn cấp (supply side) với mục tiêu tối đa hóa cơng suất nhận từ nguồn tái tạo (MPPT Control) Với đối tượng PV, Free-model Reinforcement learning mà cụ thể Q-learning tỏ phương Hình Đồ thị đáp ứng MPPT thuật pháp hiệu để áp dụng Tuy toán P&O nhiên thực tế, lượng liệu trạng thái môi trường lớn, việc sử dụng Q-learning không khả thi Qua việc xấp xỉ Q-table mạng neural, ta giảm đáng kể lượng tài nguyên tiêu tốn Phương pháp gọi Deep Reinforcement learning (kết hợp Deep Hình Đồ thị đáp ứng MPPT thuật tốn Q-Learning learning Reinforcement learning) Ta thấy với phương pháp Q-Learning ban đầu thời gian để hệ thống học sau học xong ta có điểm cực đại dao động nhiều với ΔΡ≈1.3W với phương pháp truyền thống P&O gây dao động điểm cực đại lớn với ΔΡ≈6W gây tốn hao lượng 218 | DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION ELEVEN KẾT LUẬN TÁC GIẢ Ý TƯỞNG Sau trình phân tích bên ta Nguyễn Duy Đức Anh, sinh năm 1999, thấy rõ ứng dụng rộng rãi AI sinh viên K62 Viện Điện, Trường Đại học vào lượng tái tạo nói chung Bách khoa Hà Nội Hướng nghiên cứu lượng mặt trời nói riêng Do nhóm em tại: Ứng dụng AI vào hệ thống điện mặt trời bắt đầu tham gia nghiên cứu khoảng thời gian ngắn từ đầu kỳ học giai đoạn nhóm tìm hiểu cơng nghệ cách vận dụng vào lượng mặt trời Kế hoạch đặt Phạm Văn Nam, sinh năm 1999, sinh viên K62 Viện Điện, Trường Đại học Bách khoa Hà Nội Hướng nghiên cứu tại: Ứng dụng AI vào hệ thống điện mặt trời thời gian tới nhóm sử dụng Bùi Đức Thịnh, sinh năm 1999, sinh viên phương pháp phù hợp để áp dụng vào K62 Viện Điện, Trường Đại học Bách khoa toán MPPT nhắm tối ưu công suất Hà Nội Hướng nghiên cứu tại: Ứng hệ thống tương lai gần nhóm dụng AI vào hệ thống điện mặt trời nhắm tới giải vấn đề kiểm soát nhu cầu lượng Trần Tiến Dũng, sinh năm 1999, sinh viên K62 Viện Điện, Trường Đại học Bách khoa Hà Nội Hướng nghiên cứu tại: Ứng dụng AI vào hệ thống điện mặt trời TÀI LIỆU THAM KHẢO [1] Yang, T., Zhao, L., Li, W., & Zomaya, A Y (2020) Reinforcement learning in sustainable energy GIẢNG VIÊN HƯỚNG DẪN and electric systems: A survey Annual Reviews in TS Vũ Thị Thúy Nga, giảng viên môn Control Điều khiển tự động Viện Điện, Trường Đại [2] Chou, K Y., Yang, S T., & Chen, Y P (2019) Maximum power point tracking of photovoltaic học Bách khoa Hà Nội Hướng nghiên cứu: system based on reinforcement learning Sensors, Điều khiển hệ điện cơ, Điều khiển Robot, 19(22), 5054 Điều khiển hệ thống lượng tái tạo, Ứng dụng AI điều khiển DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO | 219 ... hoạt động tải Bảng Tổng hợp ứng dụng RL điều khiển hệ thống điện CÁC BÀI TOÁN AI TRONG HỆ THỐNG NĂNG LƯỢNG TÁI TẠO Bảng Tổng hợp ứng dụng RL vận hành tối ưu hóa lượng bền vững hệ thống điện Phân... reinforcement learning Sensors, Điều khiển hệ điện cơ, Điều khiển Robot, 19(22), 5054 Điều khiển hệ thống lượng tái tạo, Ứng dụng AI điều khiển DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO | 219 ... Hướng nghiên cứu tại: Ứng dụng AI vào hệ thống điện mặt trời thời gian tới nhóm sử dụng Bùi Đức Thịnh, sinh năm 1999, sinh viên phương pháp phù hợp để áp dụng vào K62 Viện Điện, Trường Đại học