Xem mẫu
- 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 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.
Từ khóa: Năng lượng tái tạo, pin mặt trời, hệ bám điểm công suất cực đại, AI, Reinforcement
Learning, Deep Q-Network
1. GIỚI THIỆU
Trong những năm gần đây, thế giới chứng hệ thống năng lượng tái tạo đã được các
kiến sự phát triển mạnh mẽ của năng nhà khoa học đề xuất.
lượng tái tạo khi nó không chỉ thân thiện
với môi trường mà còn có tiềm năng giải Trong hệ thống năng lượng tái tạo có rất
quyết nhu cầu năng lượng khi mà các nhiều bài toán như hệ thống điều khiển,
nguồn năng lượng hóa thạch ngày càng vận hành tối ưu, thị trường điện, đảm bảo
cạn kiệt [1]. Bên cạnh đó thì hệ thống điều an toàn hệ thống. Bài nghiên cứu này sẽ
khiển là một khâu không thể thiếu để tập trung vào việc áp dụng AI trong bài
đảm bảo hệ thống năng lượng tái tạo vận toán vận hành tối ưu hệ thống nguồn.
hành ổn định và tối ưu. Rất nhiều phương Thực tế hiện nay đã có những phương
pháp điều khiển khác nhau đã và đang pháp truyền thống để xử lý bài toán bám
được sử dụng nhưng để hệ thống vận điểm công suất cực đại của nguồn tiêu
hành linh hoạt và tối ưu hơn thì việc sử biểu là phương pháp Perturbation and
dụng AI sẽ là xu hướng của tương lai do Observation (P&O). Tuy nhiên để phương
đó rất nhiều phương án vận dụng AI vào pháp đạt được hiệu suất tốt nhất cần phải
216 | DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO
- CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION ELEVEN
Bức xạ
có những sự hiểu biết chuyên sâu về hệ 3.8-4.1 4.2-4.4
(kWh/m2/ngày)
thống để hiệu chỉnh thuật toán cho phù Fuzzy Q-learning
(multi-agent)
hợp để tránh xảy ra dao động lớn xung Cooperative RL
(multi-agent)
quanh điểm công suất cực đại cũng như Single microgrid
DQN
thời gian quá độ lâu gây ra tổn thất [2]. Combination
of ADP and RL
Phía cung cấp điện Combination
Với xu hướng hiện tại AI được đưa vào sử Multi-microgrid of DNN and MC
dụng để hệ thống vận hành hiệu quả và EI A3C
IES Q-learning
linh hoạt hơn, trong đó RL được sử dụng
Single IES DDQN
nhiều trong hệ thống năng lượng tái tạo Q-learning
Hybrid ESSs
nhờ ưu điểm tự học và cải thiện thông qua DDQN
Electric water Q-learning
việc đánh giá phản hồi để học chính sách heater Fitted Q-iteration
tối ưu cho mục đích đề ra. Vì vậy RL là một Q-learning
công cụ phù hợp để tối ưu hệ thống phi HVAC Combination of
RNN and
tuyến như hệ thống năng lượng tái tạo Actor-Critic
Dual iterative
nhằm cải thiện kinh tế, tính linh hoạt cũng Phía người dùng
Battery Q-learning
như tính tin cậy của hệ thống [1]. Residential
customers in IES Q-Learning
Thermostatically Batch RL
Tổng quát lại, bài nghiên cứu đề xuất controlled loads (multi-agent)
DQN/ Deep Policy
thuật toán RL điều khiển công suất nguồn Smart building(s) Gradient
đạt cực đại cho hệ thống năng lượng tái Different home
appliances
Q-learning
(multi-agent)
tạo. Mục đích việc sử dụng AI để đảm bảo Wind resources,
PV, Q-learning
công suất ra có độ ổn định lớn và có tính Cả hệ thống diesel generators,
battery, and (multi-agent)
customers
linh hoạt cao khi thay đổi các trạng thái
hoạt động của tải.
Bảng 2. Tổng hợp các ứng dụng của RL
trong điều khiển hệ thống điện
Phân loại Thuật toán học
2. CÁC BÀI TOÁN AI TRONG HỆ THỐNG RL
NĂNG LƯỢNG TÁI TẠO Emergency Combination of RL and classical control
control method
DRL
Bảng 1. Tổng hợp các ứng dụng của RL RL
trong vận hành và tối ưu hóa năng lượng Normal
control
DRL
bền vững và hệ thống điện Transfer RL
RL
MPPT control
Combination of ANN and RL
DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO | 217
- CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION ELEVEN
3. ỨNG DỤNG AI TRONG BÀI TOÁN 4. KẾT QUẢ MÔ PHỎNG
MPPT CONTROL: Ta mô phỏng bài toán MPPT control trong
Như vậy, từ bảng trên ta có thể thấy hệ hệ thống năng lượng mặt trời với thuật
thống năng lượng tái tạo có rất nhiều vấn toán P&O và Q-learning.
đề cần giải quyết. Tuy nhiên ở đây ta sẽ tập
trung giải quyết bài toán tối ưu phía nguồn
cấp (supply side) với mục tiêu chính là tối
đa hóa công suất nhận được từ nguồn tái
tạo (MPPT Control). Với đối tượng như tấm
PV, Free-model Reinforcement learning
mà cụ thể là Q-learning tỏ ra là phương Hình 1. Đồ thị đáp ứng MPPT của thuật
pháp khá hiệu quả để có thể áp dụng. Tuy toán P&O
nhiên trong thực tế, lượng dữ liệu trạng
thái của môi trường là rất lớn, việc sử dụng
Q-learning là không khả thi. Qua việc xấp
xỉ Q-table bằng một mạng neural, ta có
thể giảm đáng kể lượng tài nguyên tiêu
tốn. Phương pháp này được gọi là Deep
Reinforcement learning (kết hợp giữa Deep Hình 2. Đồ thị đáp ứng MPPT của thuật
learning và Reinforcement learning). toán Q-Learning
Ta có thể thấy với phương pháp Q-Learning
ban đầu tuy mất thời gian để hệ thống học
nhưng sau khi học xong thì ta có điểm cực
đại dao động ít hơn nhiều với ΔΡ≈1.3W
trong khi với phương pháp truyền thống
P&O thì sẽ gây dao động ở điểm cực đại
khá lớn với ΔΡ≈6W gây tốn hao năng
lượng.
218 | DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO
- CÁC ĐỀ XUẤT NGHIÊN CỨU KHOA HỌC - SESSION ELEVEN
5. KẾT LUẬN TÁC GIẢ Ý TƯỞNG
Sau quá trình phân tích bên trên ta có thể Nguyễn Duy Đức Anh, sinh năm 1999, là
thấy rõ được ứng dụng rộng rãi của AI sinh viên K62 Viện Điện, Trường Đại học
vào năng lượng tái tạo nói chung và năng Bách khoa Hà Nội. Hướng nghiên cứu hiện
lượng mặt trời nói riêng. Do nhóm em tại: Ứng dụng AI vào hệ thống điện mặt trời.
mới bắt đầu tham gia nghiên cứu trong
Phạm Văn Nam, sinh năm 1999, là sinh
khoảng thời gian ngắn từ đầu kỳ học do
viên K62 Viện Điện, Trường Đại học Bách
đó ở giai đoạn hiện tại nhóm mới tìm
khoa Hà Nội. Hướng nghiên cứu hiện tại:
hiểu được công nghệ và cách vận dụng
Ứng dụng AI vào hệ thống điện mặt trời.
vào năng lượng mặt trời. Kế hoạch đặt ra
trong thời gian tới của nhóm là sẽ sử dụng Bùi Đức Thịnh, sinh năm 1999, là sinh viên
phương pháp phù hợp để áp dụng vào K62 Viện Điện, Trường Đại học Bách khoa
bài toán MPPT nhắm tối ưu công suất của Hà Nội. Hướng nghiên cứu hiện tại: Ứng
hệ thống và trong tương lai gần nhóm sẽ dụng AI vào hệ thống điện mặt trời.
nhắm tới giải quyết vấn đề kiểm soát nhu
Trần Tiến Dũng, sinh năm 1999, là sinh
cầu năng lượng.
viên K62 Viện Điện, Trường Đại học Bách
khoa Hà Nội. Hướng nghiên cứu hiện 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 bộ môn
Control.
Điều khiển tự động Viện Điện, Trường Đại
[2] Chou, K. Y., Yang, S. T., & Chen, Y. P. (2019).
học Bách khoa Hà Nội. Hướng nghiên cứu:
Maximum power point tracking of photovoltaic
system based on reinforcement learning. Sensors, Điều khiển hệ điện cơ, Điều khiển Robot,
19(22), 5054. Điều khiển hệ thống năng lượng tái tạo,
Ứng dụng AI trong điều khiển.
DIỄN ĐÀN SINH VIÊN 2020 - NĂNG LƯỢNG TÁI TẠO | 219
nguon tai.lieu . vn