Los investigadores propusieron implementar el algoritmo de programación de energía residencial mediante el entrenamiento de tres redes de programación dinámica heurística dependiente de la acción (ADHDP), cada uno basado en un tipo de clima soleado, parcialmente nublado, o nublado. Las redes ADHDP se consideran 'inteligentes, 'ya que su respuesta puede cambiar en función de diferentes condiciones.

"En el futuro, esperamos tener varios tipos de fuentes de alimentación para cada hogar, incluida la red, molinos de viento paneles solares y biogeneradores. Los problemas aquí son la naturaleza variable de estas fuentes de energía, que no generan electricidad a un ritmo estable, "dijo Derong Liu, profesor de la Escuela de Automatización de la Universidad Tecnológica de Guangdong en China y autor del artículo. "Por ejemplo, la energía generada a partir de molinos de viento y paneles solares depende del clima, y varían mucho en comparación con la energía más estable que suministra la red. Para mejorar estas fuentes de energía, necesitamos algoritmos mucho más inteligentes para administrarlos / programarlos ".

Los detalles fueron publicados en la edición del 10 de enero de IEEE / CAA Journal of Automatica Sinica , una publicación bimensual conjunta del IEEE y la Asociación China de Automatización.

Liu y su equipo propusieron implementar el algoritmo de programación de energía residencial mediante el entrenamiento de tres redes de programación dinámica heurística dependiente de la acción (ADHDP), cada uno basado en un tipo de clima soleado, parcialmente nublado, o nublado. Las redes ADHDP se consideran "inteligentes, "ya que su respuesta puede cambiar en función de diferentes condiciones.

En las simulaciones, una unidad de gestión de energía sirve de enlace entre la red y las unidades residenciales. Una vez que la red determina el tipo de clima correcto a partir del pronóstico, la energía se procesa para su uso o almacenamiento en batería. Luego, el algoritmo puede seguir los precios residenciales en tiempo real para determinar el costo de comprar electricidad de la red. el beneficio de vender poder, y el costo de penalización de comprar en un momento en que la demanda es alta. El costo de la penalización también ayuda a fomentar los ciclos completos de uso de la batería para no sobrecargar la red.

El objetivo es la optimización:seguir proporcionando energía a los consumidores integrando más recursos renovables y limitando el uso de recursos no renovables. A medida que evolucionan las tecnologías verdes, según Liu, las redes pueden aprender y seguir optimizando el sistema de programación.

"Es posible utilizar algoritmos de aprendizaje automático para optimizar el problema de programación de energía del uso futuro de energía residencial, "Liu dijo, observando que si bien una solución simple puede funcionar en casos específicos, Se necesitan soluciones más complejas a medida que aumentan las diversas formas de fuentes de energía. "El problema de optimización a resolver en este caso es minimizar el costo para el hogar mientras se mantiene al día con la demanda de carga de energía del hogar ... un algoritmo [que] puede aprender por sí solo para encontrar una solución óptima después de que se implemente podría ser la única posibilidad en este caso de resolver un problema de optimización tan complejo ".

Liu y su equipo planean realizar un estudio a gran escala de este problema considerando todas las formas de fuentes de energía actualmente disponibles en un entorno experimental.