← أحدث الأبحاث
⚡ electrical engineering

Sizing of Battery Considering Renewable Energy Bidding Strategy with Reinforcement Learning

تقترح هذه الورقة خوارزمية جديدة وفعالة حاسوبياً تعمل على التحسين المشترك لحجم نظام تخزين طاقة البطاريات (BESS) واستراتيجيات تقديم عطاءات الطاقة المتجددة، وذلك من خلال دمج شبكات كيو العصبية العميقة المتكررة مع إطار عمل للتعلم التعزيزي الموزع مستوحى من الإدراك المتجسد لإدارة حالات عدم اليقين بفعالية وتمكين الحوسبة المتوازية.

المؤلفون الأصليون: Taiyo Mantani, Hikaru Hoshino, Tomonari Kanazawa, Eiko Furutani

نُشر 2026-02-24
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Taiyo Mantani, Hikaru Hoshino, Tomonari Kanazawa, Eiko Furutani

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مزارع تزرع التفاح (الطاقة المتجددة). لديك مخزن كبير (البطارية) حيث يمكنك تخزين التفاح، وتبيع تفاحك في سوق أسبوعي صاخب (سوق الكهرباء).

إليك المشكلة:

  1. الطقس غير متوقع: أحياناً تحصل على حصاد ضخم، وأحياناً أخرى يكون قليلاً جداً.
  2. أسعار السوق تتغير: أحياناً يكون التفاح بأسعار باهظة، وأحياناً أخرى يكون شبه مجاني.
  3. الغرامة: إذا وعدت ببيع 100 تفاحة ولم يكن لديك سوى 80، فستتعرض لغرامة. وإذا كان لديك 100 ولكنك وعدت بـ 50 فقط، فستخسر المال على الـ 50 الإضافية.

الطريقة القديمة (منهج "المرحلتين")
تقليدياً، حاول المزارعون حل المشكلات في خطوتين منفصلتين:

  1. الخطوة 1: شراء مخزن. أنت تخمن: "ربما يكون المخزن الذي يتسع لـ 500 تفاحة هو الأفضل".
  2. الخطوة 2: توظيف مدير ليقرر متى يبيع أو يخزن التفاح بناءً على حجم ذلك المخزن المحدد.

المشكلة هي: إذا خمنت حجم المخزن بشكل خاطئ، فسيتعين عليك طرد المدير، وشراء مخزن جديد، وتوظيف مدير جديد، والبدال من البداية مرة أخرى. هذا الأمر بطيء، ومكلف، وقد لا تصل أبداً إلى المزيج المثالي.

الطريقة الجديدة (حل هذه الورقة البحثية)
يقترح الباحثون من جامعة هيوغو نهجاً أذكى باستخدام "التعلم التعزيزي" (Reinforcement Learning - RL). فكر في الأمر كتدريب مدير ذكي للغاية يتعلم من خلال التجربة والخطأ، تماماً مثل شخصية في لعبة فيديو.

لكن هنا تكمن اللمسة الإبداعية: إنهم يسمحون للذكاء الاصطناعي بتغيير حجم المخزن أثناء تعلمه كيفية إدارة التفاح.

التشبيه الإبداعي: "لعبة الفيديو متغيرة الشكل"

تخيل لعبة فيديو حيث تلعب بشخصية تحتاج إلى التنقل في متاهة (السوق) لجمع العملات (الربح).

  • الطريقة القديمة: تختار حجم حقيبة ظهر (صغيرة، متوسطة، كبيرة) قبل البدء. تلعب اللعبة 100 مرة بالحقيبة الصغيرة، ثم 100 مرة بالحقيبة المتوسطة، وهكذا. ثم تقارن النتائج لترى أي حقيبة كانت الأفضل.
  • الطريقة الجديدة: تلعب اللعبة، ولكن في كل مرة تموت فيها وتبدأ من جديد، تمنحك اللعبة بشكل عشوائي حجم حقيبة مختلف قليلاً. وبينما تلعب أكثر، تتعلم اللعبة: "مهلاً، عندما تكون المتاهة صعبة والأسعار منخفضة، فإن الحقيبة المتوسطة هي الأفضل. وعندما تكون اللعبة سهلة، فإن الحقيبة الصغيرة توفر المال".

الذكاء الاصطناعي لا يتعلم فقط كيفية اللعب؛ بل يتعلم أيضاً ما هي المعدات التي يجب أن يرتديها ليلعب بأفضل طريقة.

كيف يعمل الأمر (المكونات السحرية)

  1. "الدماغ" (DRQN): يستخدم الذكاء الاصطناعي نوعاً خاصاً من الذاكرة (يسمى الشبكة العميقة لـ Q المتكررة - Deep Recurrent Q-Network) التي تتذكر الماضي. فهو يعرف: "الأسبوع الماضي كان السعر منخفضاً، لذا كان ينبغي عليّ توفير التفاح". إنه يتعامل مع عدم اليقين في الطقس والسوق بشكل أفضل من الصيغ الرياضية القديمة.
  2. "التحسين المشترك" (Co-Optimization): بدلاً من تثبيت حجم البطارية (المخزن) أولاً، يعامل الخوارزمي الحجم كمتغير. فهو يقوم باستمرار بتعديل الحجم صعوداً وهبوطاً أثناء التدريب.
    • إذا كان البطارية الأكبر تساعد في تحقيق المزيد من المال، فإن الذكاء الاصطناعي "يتعلم" أنه يفضل البطاريات الأكبر.
    • إذا كان توفير تكاليف الإنشاء لبطارية أصغر يوفر مالاً كافياً ليكون أكثر ربحية، فإنه "يتعلم" تفضيل البطاريات الأصغر.
  3. اللعب المتوازي: لجعل هذا سريعاً، استخدموا 12 "عاملاً" (أجهزة كمبيوتر) يلعبون اللعبة في نفس الوقت. هذا يشبه وجود 12 مزارع يختبرون أحجاماً مختلفة للمخازن في وقت واحد، بدلاً من مزارع واحد يفعل ذلك واحداً تلو الآخر.

لماذا يهم هذا الأمر؟

  • السرعة: الطريقة القديمة لاختبار كل حجم ممكن للمخزن واحداً تلو الآخر تشبه محاولة العثور على إبرة في كومة قش عبر فحص كل قشة واحدة تلو الأخرى. هذه الطريقة الجديدة تجد الإبرة بشكل أسرع بكثير.
  • الأمان: وجد الباحثون أنه عندما سمحوا للذكاء الاصطناعي بتعديل حجم المخزن أثناء التعلم، كان أقل عرضة لـ "الفشل" (الوقوع في استراتيجية سيئة). كان الأمر بمثابة منح اللاعب شبكة أمان؛ فإذا لم تكن الاستراتيجية الحالية تعمل، فإن تغيير المعدات (حجم البطارية) يساعدهم على التعافي.
  • المال في العالم الحقيقي: بالنسبة لشركات الطاقة المتجددة، يعني هذا أنه يمكنهم معرفة الحجم الدقيق للبطارية التي يجب شراؤها لتحقيق أقصى قدر من الربح، دون إضاعة المال على بطارية كبيرة جداً أو صغيرة جداً.

الخلاصة

تقدم هذه الورقة البحثية طريقة ذكية وفعالة لتصميم أنظمة الطاقة المتجددة. فبدلاً من تخمين حجم البطارية ثم التفكير في كيفية استخدامها، تسمح هذه الطة الجديدة للكمبيوتر بتعلم كل من الحجم الأفضل واستراتيجية الاستخدام الأفضل في آن واحد. إنه يشبه تعليم روبوت كيفية بناء صندوق أدوات مثالي خاص به أثناء تعلم كيفية إصلاح سيارة، مما يضمن انتهائه بالإعداد المثالي للمهمة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف ⚡ eess →