Onderzoekers stelden voor om het residentiële energieplanningsalgoritme te implementeren door drie actie-afhankelijke heuristische dynamische programmering (ADHDP) netwerken te trainen, elk gebaseerd op een weertype van zonnig, gedeeltelijk bewolkt, of bewolkt. ADHDP-netwerken worden beschouwd als 'slim, ' omdat hun reactie kan veranderen op basis van verschillende omstandigheden.

"In de toekomst, we verwachten verschillende soorten stroomvoorzieningen te hebben voor elk huishouden, inclusief het elektriciteitsnet, windmolens, zonnepanelen en biogeneratoren. De problemen hier zijn de uiteenlopende aard van deze stroombronnen, die geen elektriciteit opwekken met een stabiel tarief, " zei Derong Liu, een professor aan de School of Automation aan de Guangdong University of Technology in China en een auteur op het papier. "Bijvoorbeeld, stroom opgewekt door windmolens en zonnepanelen is afhankelijk van het weer, en ze variëren veel in vergelijking met de meer stabiele stroom die door het net wordt geleverd. Om deze stroombronnen te verbeteren, we hebben veel slimmere algoritmen nodig om ze te beheren / plannen."

De details zijn gepubliceerd in het nummer van 10 januari van: IEEE/CAA Journal of Automatica Sinica , een gezamenlijke tweemaandelijkse publicatie van de IEEE en de Chinese Association of Automation.

Liu en zijn team stelden voor om het residentiële energieplanningsalgoritme te implementeren door drie actie-afhankelijke heuristische dynamische programmering (ADHDP) netwerken te trainen, elk gebaseerd op een weertype van zonnig, gedeeltelijk bewolkt, of bewolkt. ADHDP-netwerken worden beschouwd als "slimme, " omdat hun reactie kan veranderen op basis van verschillende omstandigheden.

In de simulaties een energiebeheereenheid vormt de schakel tussen het net en de wooneenheden. Zodra het netwerk het juiste weertype uit de voorspelling heeft bepaald, energie wordt verwerkt voor gebruik of batterijopslag. Het algoritme kan vervolgens realtime prijzen voor woningen volgen om de kosten van het kopen van elektriciteit van het net te bepalen. het voordeel van verkoopkracht, en de boetekosten van kopen in een tijd waarin de vraag groot is. De boetekosten helpen ook om volledige cycli van batterijgebruik aan te moedigen om het net niet te overbelasten.

Het doel is optimalisatie:de consumenten van stroom blijven voorzien door meer hernieuwbare bronnen te integreren en het gebruik van niet-hernieuwbare bronnen te beperken. Naarmate groene technologieën evolueren, volgens Liu, de netwerken kunnen leren en doorgaan met het optimaliseren van het planningssysteem.

"Het is mogelijk om machine learning-algoritmen te gebruiken om het energieplanningsprobleem van toekomstig huishoudelijk energieverbruik te optimaliseren, "Lou zei, opmerkend dat hoewel een eenvoudige oplossing in specifieke gevallen kan werken, er zijn meer complexe oplossingen nodig naarmate de verschillende vormen van energiebronnen toenemen. "Het optimalisatieprobleem dat in dit geval moet worden opgelost, is om de kosten voor het huishouden te minimaliseren en tegelijkertijd de vraag naar energiebelasting van het huishouden bij te houden ... een algoritme [dat] zelfstandig kan leren om een ​​optimale oplossing te vinden nadat het is geïmplementeerd zou in dit geval de enige mogelijkheid kunnen zijn om zo'n complex optimalisatieprobleem op te lossen."

Liu en zijn team zijn van plan dit probleem op volledige schaal te onderzoeken door alle momenteel beschikbare vormen van energiebronnen in een experimentele setting te beschouwen.