فهرست نشریات علمی دسترسی آزاد ایران

افزایش یکپارچه‌سازی منابع انرژی تجدیدپذیر (RES) در ریزشبکه‌های هیبریدی چالش‌های جدیدی در حفظ پایداری، قابلیت اطمینان و عملکرد بهینه ایجاد کرده است. این مقاله چارچوب کنترلی نوینی را پیشنهاد می‌دهد که یادگیری عمیق تقویتی (DRL) را با فناوری دوقلوی دیجیتال (DT) ترکیب می‌کند تا این چالش‌ها را برطرف کند. عامل DRL در یک محیط مجازی DT آموزش داده می‌شود که امکان یادگیری سریع و بهینه‌سازی استراتژی‌های کنترلی در شرایط دینامیکی را بدون ایجاد خطر برای عملیات واقعی فراهم می‌سازد. روش پیشنهادی بر روی یک ریزشبکه هیبریدی شامل سیستم‌های فتوولتائیک (PV)، باد، و ذخیره‌سازی باتری آزمایش شده است. نتایج شبیه‌سازی نشان می‌دهند که چارچوب DRL-DT بهبود 28.5 درصدی در بهره‌وری انرژی در مقایسه با کنترل پیش‌بینی مدل (MPC) متداول حاصل می‌کند. علاوه بر این، این روش پیشنهادی با کاهش نوسانات ولتاژ به میزان 21.3 درصد، پایداری سیستم را بهبود می‌بخشد و در سناریوهای اوج تقاضا، کاهش بار را 32.7 درصد کاهش می‌دهد. زمان آموزش عامل DRL نیز به دلیل توانایی شبیه‌سازی کارآمد DT، 40 درصد کاهش یافته است. این نتایج، قابلیت اطمینان و تطبیق‌پذیری چارچوب DRL-DT را برجسته می‌سازد و آن را به یک راه‌حل امیدوارکننده برای مدیریت ریزشبکه‌های هیبریدی نسل آینده تبدیل می‌کند. این مطالعه گامی مهم در استفاده از هوش مصنوعی و دوقلوهای دیجیتال برای بهینه‌سازی عملیات ریزشبکه‌های هیبریدی، تضمین سیستم‌های انرژی پایدار و مقاوم به شمار می‌رود.