Les chercheurs ont proposé de mettre en œuvre l'algorithme de planification énergétique résidentielle en formant trois réseaux de programmation dynamique heuristique dépendante de l'action (ADHDP), chacun basé sur un type de temps ensoleillé, partiellement nuageux, ou nuageux. Les réseaux ADHDP sont considérés comme « intelligents, ' car leur réponse peut changer en fonction de différentes conditions.
"À l'avenir, nous prévoyons d'avoir différents types d'alimentation électrique pour chaque foyer, y compris le réseau, Moulins à vent, panneaux solaires et biogénérateurs. Les problèmes ici sont la nature variable de ces sources d'énergie, qui ne produisent pas d'électricité à un rythme stable, " dit Derong Liu, professeur à la School of Automation de l'Université de technologie du Guangdong en Chine et auteur de l'article. "Par exemple, l'énergie produite par les éoliennes et les panneaux solaires dépend de la météo, et ils varient beaucoup par rapport à la puissance plus stable fournie par le réseau. Afin d'améliorer ces sources d'énergie, nous avons besoin d'algorithmes beaucoup plus intelligents pour les gérer/planifier."
Les détails ont été publiés dans le numéro du 10 janvier de Journal IEEE/CAA d'Automatica Sinica , une publication bimensuelle conjointe de l'IEEE et de la Chinese Association of Automation.
Liu et son équipe ont proposé de mettre en œuvre l'algorithme de planification énergétique résidentielle en formant trois réseaux de programmation dynamique heuristique dépendant de l'action (ADHDP), chacun basé sur un type de temps ensoleillé, partiellement nuageux, ou nuageux. Les réseaux ADHDP sont considérés comme "intelligents, " car leur réponse peut changer en fonction de différentes conditions.
Dans les simulations, une unité de gestion de l'énergie assure la liaison entre le réseau et les unités résidentielles. Une fois que le réseau a déterminé le type de temps correct à partir des prévisions, l'énergie est traitée pour l'utilisation ou le stockage de la batterie. L'algorithme peut ensuite suivre la tarification résidentielle en temps réel pour déterminer le coût d'achat de l'électricité du réseau, l'avantage du pouvoir de vente, et le coût de pénalité d'acheter à un moment où la demande est élevée. Le coût de la pénalité contribue également à encourager des cycles complets d'utilisation de la batterie afin de ne pas surcharger le réseau.
L'objectif est l'optimisation :continuer à fournir de l'électricité aux consommateurs en intégrant davantage de ressources renouvelables et en limitant l'utilisation de ressources non renouvelables. À mesure que les technologies vertes évoluent, selon Liu, les réseaux peuvent apprendre et continuer à optimiser le système de planification.
« Il est possible d'utiliser des algorithmes d'apprentissage automatique pour optimiser le problème de planification de l'alimentation de la future consommation d'énergie résidentielle, " Liu a dit, notant que même si une solution simple peut fonctionner dans des cas spécifiques, des solutions plus complexes sont nécessaires à mesure que les diverses formes de sources d'énergie augmentent. "Le problème d'optimisation à résoudre dans ce cas est de minimiser le coût pour le ménage tout en suivant la demande de charge énergétique du ménage... un algorithme [qui] peut apprendre par lui-même à trouver une solution optimale après sa mise en œuvre pourrait être la seule possibilité dans ce cas de résoudre un problème d'optimisation aussi complexe."
Liu et son équipe prévoient de mener une étude à grande échelle de ce problème en considérant toutes les formes de sources d'énergie actuellement disponibles dans un cadre expérimental.
