Анализ возможности применения мультиагентных систем в задаче краткосрочного прогнозирования потребления электрической энергии электротехнического комплекса предприятия нефтегазовой промышленности

Автор: Степанова Алина Игоревна, Хальясмаа Александра Ильмаровна, Матренин Павел Викторович

Журнал: Вестник Южно-Уральского государственного университета. Серия: Энергетика @vestnik-susu-power

Рубрика: Электротехнические комплексы и системы

Статья в выпуске: 2 т.24, 2024 года.

Бесплатный доступ

Электротехнические установки и комплексы в нефтегазовой промышленности относятся к объектам критической инфраструктуры. Одно из требований к электротехническому комплексу заключается в соответствии требованиям по обеспечению энергосбережения и энергетической эффективности. Ввиду сложности учета технологических процессов на предприятиях нефтегазовой промышленности в основном применяются технические меры, требующие значительных капиталовложений. В данной статье рассматривается возможность внедрения организационной меры, которая заключается в прогнозировании электропотребления предприятия нефтегазовой промышленности. Для демонстрации проблемы прогнозирования, которая заключаются в высокой доле апериодических составляющих графика потребления и его высокой дисперсии, в статье представлен пример на реальных данных. Для решения указанной проблемы в статье анализируется возможность применения мультиагентных систем при реализации организационной меры по повышению энергетической эффективности за счет краткосрочного прогнозирования потребления электрической энергии предприятиями. В статье предложена мультиагентная система, включающая агентов-потребителей (с учетом потребителей-регуляторов), агентов-генераторов и агентов-накопителей. При построении слабосвязанной сети агенты стремятся к решению не только собственной, но и общей целевой функции системы, которая состоит в обеспечении баланса мощности и уменьшении расходов на электрическую энергию. Показано, что возможно снизить расходы предприятия за счет прогнозирования потребления агентами-потребителями, нахождения оптимального графика собственной генерации, накопления электрической энергии и включенности потребителей-регуляторов. В рамках данного исследования для каждого агента определены целевая функция, входные и выходные потоки данных.

Еще

Краткосрочное прогнозирование потребления электрической энергии, нефтегазовая промышленность, мультиагентная система

Короткий адрес: https://sciup.org/147244016

IDR: 147244016   |   DOI: 10.14529/power240205

Текст научной статьи Анализ возможности применения мультиагентных систем в задаче краткосрочного прогнозирования потребления электрической энергии электротехнического комплекса предприятия нефтегазовой промышленности

A.I. Stepanova, , Khalyasmaa, , Matrenin, , 0000-0001-5704-0976

  • А. Энергоэффективность предприятий нефтегазовой промышленности

    Для стимулирования развития промышленности был разработан Федеральный закон (ФЗ) от 23 ноября 2009 г. № 261 [1], который описывает основные положения об энергосбережении и повышении энергетической эффективности. Нефтегазовая промышленность является одной из важнейших отраслей экономики Российской Федерации [2]. В соответствии с ФЗ № 261 предприятия нефтегазовой промышленности проводят мероприятия по повышению энергетической эффективности за счет реализации мер энергосбережения. В [3] представлены основные положения в области повышения энергоэффективности и энергоснабжения компании ПАО «НК «Роснефть». Компания ПАО «Газпром» на каждые три года составляет программу повышения энергоэффективности [4] в соответствии с положениями о создании системы управления энергоэффективностью [5]. Для достижения целей программ предприятия нефтегазовой промышленности применяют меры энергосбережения, которые включают [3, 5]:

  •    эффективное управление технологическими процессами;

  •    применение инновационных технологий и оборудования;

  •    рациональное использование и экономию энергетических ресурсов при осуществлении производственной деятельности;

  •    снижение уровня воздействия на окружающую среду.

Данные меры состоят в реализации проектов [5]:

  •    по внедрению энергоэффективного оборудования, модернизации оборудования или замене их частей;

  •    внедрению возобновляемых и вторичных энергетических ресурсов;

  •    использованию альтернативного моторного топлива;

  •    использованию попутного нефтяного газа.

Можно заключить, что в настоящее время меры энергосбережения в основном направлены на проведение технических мероприятий, требующих капиталовложений в оборудование. В данной статье анализируется возможность применения муль-тиагентных систем для реализации организационной меры по повышению энергетической эффективности за счет краткосрочного прогнозирования потребления электрической энергии предприятиями.

Б. Краткосрочное прогнозирование потребления электрической энергии Работа системы электроснабжения предприятия нефтегазовой промышленности зависит от плана добычи полезных ископаемых и других технологических факторов [6]. Тарифы оптового рынка электрической энергии и мощности (ОРЭМ) стимулируют внепиковое потребление и повышение точности прогнозирования потребления предприятий [7, 8]. Регулирование нагрузки позволяет оптимизировать график электропотребления предприятия и снизить расходы на электроэнергию. На предприятиях нефтегазовой промышленности объекты потребления могут быть классифицированы на объекты добычи полезных ископаемых, объекты технологического процесса (например, объекты сбора и сепарации нефти и газа), объекты потребители-регуляторы (например, водооткачивающие насосы) [9].

Существующие исследования в основном посвящены краткосрочному прогнозированию потребления электрической энергии электроэнергетических систем. В статье [10] рассматривается прогнозирование электропотребления гарантирующего поставщика с учетом календарных данных, ретроспективы фактического потребления, признаков наличия водоснабжения, метеоданных. В статье [11] предлагается подход к краткосрочному прогнозированию с учетом экономических индексов. Ввиду возможности учета большого количества факторов, высокой доли периодической составляющей и взаимной компенсации апериодических составляющих процессов потребления электроэнергетических систем средняя точность прогнозов составляет 98–99 % [12, 13].

Прогнозирование потребления электрической энергии промышленного предприятия имеет более стохастический характер, а точность прогноза может составлять 60 % [14]. В статье [15] анализируется влияние температуры, номера дня и ретроспективы потребления на прогноз потребления электроэнергии коммерческим предприятием, однако используются данные лишь за один год. Учёт технологических факторов производственных предприятий в существующих исследованиях не рассматривается. Исключением является статья [16], но в ней рассматриваются предприятия не нефтегазовой промышленности, а из производственных факторов учитываются только ремонты.

В данной статье приведены результаты статистического анализа почасового графика электропотребления реального предприятия за три года, обосновывающие сложность задачи его прогнозирования. Также в работе предложена новая математическая модель мультиагентной системы для задачи краткосрочного прогнозирования потребления электрической энергии предприятием нефтегазовой промышленности с учетом объектов потребления, генерации и накопления. Такой подход позволит за счет декомпозиции графика электропотребления повысить точность его прогнозирования, а также управлять нагрузкой для снижения электропотребления в часы с наибольшими ставками тарифов на электроэнергию и мощность.

Проблемы краткосрочного прогнозирования электрической нергии предприятий нефтегазовой промышленности

Для трёхлетней ретроспективы почасовых значений потребления электрической энергии линейного производственного управления магистрального газопровода, реального предприятия нефтегазовой промышленности, был проведен анализ распределения потребления по сезонам. Распределение представлено на рис. 1. В таблице представлены статистические характеристики потребления электроэнергии данного предприятия для каждого сезона. Анализ графика распределения почасовых значений электропотребления для всего рассматриваемого промежутка показывает большое значение стандартного отклонения в 541,3 кВт∙ч по сравнению со средним значением в 675,8 кВт∙ч. Разница между максимальным потреблением в зимний период (2837 кВт∙ч) и минимальным в летний (99 кВт∙ч) составляет 2738 кВт∙ч. Анализ статистических характеристик распределения показывает, что для кратковременного прогнозирования электропотребления предприятия необходимо учитывать фактор сезонности.

Полученное в статье распределение потребления электрической энергии предприятием нефтегазовой промышленности для осеннего сезона, представленное на рис. 2, показывает неоднородность сезонного распределения в разные годы. Таким образом, можно заключить, что:

  •    необходимо учитывать технологические факторы;

  •    для анализа влияния технологических факторов на прогноз потребления необходимо рассматривать ретроспективу потребления предприятием за период больше одного года.

    Часовое электропотребление, кВт-ч

    a)


    b)


    Часовое электропотребление, кВт-ч

    c)


    d)

    Рис. 1. Распределение часовых значений электропотребления предприятием: а – за весь рассматриваемый промежуток; b – лето; c – осень; d – зима; e – весна

    Fig. 1. The distribution of the power consumption of gas industry enterprises: a – for a two-year period;

    b – summer; c – autumn; d – winter; e – spring


    Часовое электропотребление, кВт-ч

    e)


Статистические характеристики сезонного потребления электрической энергии предприятием нефтегазовой промышленности

Statistical characteristics of seasonal power consumption of a gas industry enterprise

Сезон

Сред не е зн аче н ие , кВт∙ч

Стандартное отклонение, кВт∙ч

Минимальное значение, кВт∙ч

Максимальное значение, кВт∙ч

Вся выборка

6 75, 8

541,3

99,4

2837,0

Лето

2 63, 9

147,5

99,4

1556,0

Осень

9 58, 7

589,4

125,3

2797,2

Зима

1 293,8

453,0

363,2

2837,0

Весна

4 79, 4

225,3

149,1

2017,8

Часовое электропотребление, кВт-ч

a)

b)

c)

Рис. 2. Распределение потребления электрической энергии предприятием нефтегазовой промышленности в осенний сезон: a – 2013 г.; b – 2014 г.; c – 2015 г.

Fig.2. The distribution of power consumption of a gas industry enterprise in autumn: a – 2013; b – 2014; c – 2015

Применение мультиагентных систем в задаче краткосрочного прогнозирования потребления электротехнического комплекса предприятия нефтегазовой промышленности

П р и ме н е н ие м ульти аг е нт ны х с и с т ем ( МА С) п о зволя е т и сс ле д о вать по ве д ени е р еа льн о г о об ъек т а за счет п о с т р о ения с лаб освя за нн ых а вт он о мны х о б ъект о в, к от о р ы е в заи мод е й с т в уют д руг с другом д л я д о с т и жен и я п о став ле н ны х целе й . П од аг е н т о м п о ни мае т с я о б ъе к т , к о т о р ый п ол уч ае т д а нн ы е о т о к ружающ е й ср еды и во здейст в уе т н а н её [ 1 7 ] .

В настоящее время МАС применяются для различных задач оптимизации работы электротехнических комплексов и систем. В статьях [18, 19] МАС применяются для выбора стратегии управления режимами работы микросетей с учетом накопителей энергии. В статье [20] МАС используется для решения задачи управления потреблением электрической энергии в микросети, в которой присутствуют фотоэлектрические станции, при этом вводится агент-генератор, целевая функция которого выражается в уменьшении расходов на покупку электрической энергии в зависимости от прогнозируемой выработки. В статье [21] МАС применяются для решения задачи управления энергетической системой с объектами генерации на возобновляемых источниках энергии (ВИЭ). В статье [22] представлено применение МАС для обработки разнородной информации в микросетях.

Применение МАС для предприятий нефтегазовой промышленности было предложено в статьях [23, 24]. Их авторы описывают использование агентов-генераторов, агентов системы электроснабжения и агентов-потребителей для обеспечения надежного функционирования электротехнического комплекса предприятия за счет оптимизации электрических режимов, топологии сети и обеспечения баланса мощности. Предложенный подход позволяет проанализировать режимы функционирования системы, однако агенты представлены объектами в терминах объектно-ориентированного, а не в терминах мультиагентных систем. У агентов не сформулированы собственные цели, не представлено описание с точки зрения их поведения и взаимодействия с другими агентами и внешними объектами согласно принципам описания МАС, представленным в монографии [25].

В данной статье предложена новая модель МАС для электротехнического комплекса нефтегазового предприятия. Каждый агент может быть представлен как кортеж:

t , O t , S t , R t , A t > ,                                    (1)

где t – момент времени; It – входные данные агента (значение потока данных в момент t ); Ot – выходные данные; St – состояние объекта (память); Rt – правила поведения агента; At – список действий агента.

При этом указанные элементы кортежа связаны следующими отношениями:

Ot+1 = fo(It, St+1, At+1);(2)

St+1 = fs(It, St, At+1);(3)

At+1 = fa(It, Rt, St).(4)

МАС в данной работе рассматривается как информационная система, функции которой определяются совокупностью действий агентов, направленных на достижение цели [26]. В задачах управления электротехническими комплексами на данный момент интеллектуальные информационные системы допустимо использовать только в режиме поддержки принятия решений из-за их недетерминированной природы [27]. Поэтому агенты МАС в данной работе описываются кортежем, не включающим в себя действия At :

t , O t , S t , R t >.                                     (5)

Описание агентов мультиагентной системы краткосрочного прогнозирования потребления электрической энергии предприятием нефтегазовой промышленности

Электротехнический комплекс предприятия нефтегазовой промышленности включает в себя потребителей электроэнергии, собственную генерацию и системы накопления энергии. Как было рассмотрено ранее, потребители могут быть разделены на объекты основного технологического процесса и потребители-регуляторы. Каждый объект может быть представлен агентом, который описывается кортежем в соответствии с выражением (5).

Для определения входных и выходных потоков данных агента, его состояний и поведения необходимо [26]:

  •    определить цели всей системы и каждого агента (целевые функции), источники и получателей данных;

  •    определить объекты системы и связи между ними.

Для определения целевых функций необходимо сформулировать приведенные ниже соотношения. Баланс мощности предприятия можно записать в следующем виде:

Р вн + Р сг + Р н + = Р п + Р н- + АЛ          (6)

где Рвн - мощность, потребляемая извне; Рсг - мощность, потребляемая от собственной генерации; Рн+ - мощность, выдаваемая накопителем в систему электроснабжения; Рп - мощность объектов потребления; Рн- - мощность, потребляемая накопителем во время зарядки; АР - потери.

Расходы предприятия на электроэнергию определятся как

5 = Р вн ^ Т +КР сг ген + Р н +

к

накоп ,

где S – расходы; Т – тариф на электрическую энергию; f(Рсг) - функция зависимости количества потребленного топлива в зависимости от выработки собственной генерации; кген - коэффициент, учитывающий стоимость использования собственной генерации; кнакоп - коэффициент, учитывающий стоимость использования накопителя.

Целевая функция МАС включает в себя:

  •    обеспечение баланса мощности в соответствии с выражением (6);

  •    уменьшение расходов на электроэнергию в соответствии с выражением (7).

В соответствии с целевыми функциями определяются входные и выходные потоки данных агента.

Целевой функцией агента-потребителя является:

  •    уменьшение расходов на электроэнергию;

  •    управление нагрузкой (изменение графика включения потребителей-регуляторов, накопителей).

Агент-потребитель формирует краткосрочный прогноз потребления электрической энергии предприятием на основании ретроспективы потребления, производственного плана, метеопараметров и данных об оборудовании. Также в виде входного параметра для возможности учета не формализуемых правил и опыта специалиста по планированию электропотребления в качестве входного параметра вводится значение экспертных поправок. С целью управления нагрузкой на основании тарифа для потребителей-регуляторов формируется график включения во внепиковые часы работы сети. Входные и выходные данные для агента-потребителя описываются выражениями (8) и (9) соответственно:

It = flower, Т, Р1ап, Exp, Meteo, Eq, reg), (8) где Power – ретроспективное фактическое потребление; T – прогнозное значение тарифа на электрическую энергию; Plan – производственный план; Exp – экспертные поправки в прогноз потребления; Meteo – метеопараметры; Eq – данные об оборудовании (рабочее/нерабочее состояние); reg – индикатор потребителя-регулятора;

O t = f(Act по T р , Forecast),                 (9)

где Act потр – график включения потребителей-регуляторов; Forecast – прогноз потребления.

Целевой функцией агента-генератора является:

  •    уменьшение расходов на электроэнергию;

  •    покрытие дефицита мощности;

  •    обеспечение баланса мощности.

Агент-генератор формирует график включения собственной генерации на основании прогнозного значения тарифа на электрическую энергию, производственного плана, коэффициента, учитывающего стоимость использования собственной

Рис. 3. Взаимодействие агентов: П – агент-потребитель, Г – агент-генератор, Н – агент-накопитель Fig. 3. Agent-to-agent interaction: П – consumer, Г – generator, Н – storage

ген ера ц ии , данны х о ге не ри ру ющем об о ру д ов а н ии и метеопараметрах (в случ а е ис по л ьз ов а н ия ВИЭ ). В х од ные и в ы х одн ы е пото ки д ан н ы х для а гента - ген ера тора оп ис ыв а ю тс я в ы ра ж е ни ям и (10) и (11) соответственно:

It = f(T,Plan,kreH,Eq,Meteo);          (10)

Ot=f(ActTea),                          (11)

где Act ген – г рафик включе н ия гене ра торов .

Целевой функцией агента- нако п ит ел я я вл я ется:

  •    уменьшение р а сх одов н а эл ектроэне ргию;

  •    п окрытие де фиц и та мощн ос ти ;

  •    п одде рж ан ие ма кс им а л ь ног о уров н я з а ряда накопителя энергии.

Агент- н а к о пит е ль ф о р ми руе т г р афик н ак опл е ни я и и с п оль зо ва ни я эле к т ро э н ер ги и н а о с н о ва ни и п р о гн о зн о г о знач е н ия т ариф а на элект ри ч ес кую энергию, п лана д об ы чи , к о эф ф ици е н т а, учи ты ваю щ ег о ст ои мо ст ь и с п о л ь зо ва ни я н ак опи т е л я и д ан н ых о б о б о руд о ва ни и н а к опи т е л я . В хо дн ы е и в ыходные потоки данных для агента- н а к о пит е ля оп и сы вают с я вы р а же ни я м и ( 1 2 ) и ( 1 3 ) со о т ве т с т ве нн о :

I t = f(T, Plan, кнакоп, Eq);                 (12)

O t = f (Actin'),                       (13)

где Act накоп – графи к накоп л е н ия и испол ьз ов ани я электроэнергии.

В з а им оде йс твие а ге н тов п роис х оди т кос в ен но, че ре з обм е н да н ным и пос ре дс тв ом информ а цион ной сис те м ы пре д при яти я, ка к пока за н о н а рис. 3.

Агенты вычисляют выходные данные Ot относительно своей и общей целевой функции МАС на основании данных It. График прогноза потребления формируется агентом-потребителем. На основании прогнозного значения тарифа на электрическую энергию формируется график включения потребителей-регуляторов для выравнивания нагрузки. Для обеспечения баланса формируется график включения генераторов на основании прогнозного значения тарифа на электрическую энергию, коэффициентов, учитывающих стоимость использования собственной генерации и накопителя, экономических ограничений.

Заключение

Повышение энергетической эффективности электротехнических комплексов предприятий нефтегазовой промышленности без существенных капитальных вложений возможно с помощью краткосрочного прогнозирования их электропотребления и предиктивного регулирования нагрузки.

Установлено, что проблемой прогнозирования потребления электроэнергии предприятиями нефтегазовой промышленности является высокая доля апериодических процессов и дисперсия электропотребления, что приводит к необходимости учета технологических факторов.

Показано, что реализация прогнозирования электропотребления на основе анализа технологических процессов предприятия, а также оптимизация его нагрузки возможны на основе предложенной математической модели мультиагентной системы.

В рамках модели предложено выделять три типа агентов: агент-потребитель, агент-генератор и агент-накопитель.

Для каждого из агентов определены целевые функции, входные и выходные потоки данных. Сформулированы принципы работы агентов и обоснована применимость предложенной модели для повышения точности краткосрочного прогнозирования электропотребления предприятия и регулирования его нагрузки. В дальнейших исследованиях планируется применить предложенную модель при разработке мультиагентной информационной системы для предприятий нефтегазовой промышленности.

Список литературы Анализ возможности применения мультиагентных систем в задаче краткосрочного прогнозирования потребления электрической энергии электротехнического комплекса предприятия нефтегазовой промышленности

  • Федеральный закон от 23 ноября 2009 г. № 261-ФЗ. Об энергосбережении и о повышении энергетической эффективности, и о внесении изменений в отдельные законодательные акты Российской Федерации (с изменения-ми и дополнениями).
  • Айжанова Г.О. Современное состояние и перспективы развития нефтегазовой отрасли России / Г.О. Айжанова // Наука и общество: проблемы со-временных исследований. XIII Международная научно-практическая конфе-ренция. – 2019. – №3. – С.52-58.
  • Политика компании в области повышения энергоэффективности и энергосбережения № П2-04.02 П-01. Роснефть. (с изменениями, утвержденными решением Правления ПАО «НК «Роснефть» (протокол заседания от 30.06.2017 №Пр-ИС-22п), введенными в действие приказом ПАО «НК «Рос-нефть» от 28.08.2017 № 489). – М.: НК Роснефть. – 2014. – 17с.
  • Программа энергосбережения и повышения энергетической эффектив-ности ООО «Газпром добыча Иркутск» на 2023–2025 гг. – https://irkutsk-dobycha.gazprom.ru/d/textpage/61/97/programma-eheh-2023-2025.pdf (дата обращения: 12.02.2024).
  • Газпром. Энергосбережение и энергоэффективность. – https://www.gazprom.ru/sustainability/environmental-protection/energy-conservation/ (дата обращения: 12.02.2024).
  • Матренин, П.В. Среднесрочное прогнозирование почасовых тарифов на электроэнергию с помощью ансамблевых методов / П.В. Матренин, А.Ю. Арестова, Д.В. Антоненко // Проблемы региональной энергетики. – 2022. – №2(54). – С.26-36.
  • Lee, E. Load Profile Segmentation for Effective Residential Demand Re-sponse Program: Method and Evidence from Korean Pilot Study. Energies, 2020, vol.13(6), no. 1348. doi: 10.3390/en13061348.
  • Канапелько, Р.А. Российская и зарубежная практика взаимодействия корпоративных и властных структур оптового рынка электроэнергии и мощности / Р.А. Канапелько // Экономика и бизнес: теория и практика. – 2019. № 2. С.47-51.
  • Об оценке электропотребления погружного электрооборудования на физической модели / С. В. Мишуринских, А. Б. Петроченков, А. В. Ромодин, А. В. Ляхомский, Е. Н. Перфильева // Промышленная энергетика. – 2020. – № 8. – С.26-33.
  • Серебряков, Н.А. Выбор оптимальной архитектуры и конфигу-рации нейросети в задачах краткосрочного прогнозирования электропо-требления гарантирующего поставщика электроэнергии / Н.А. Серебряков // Вести высших учебных заведений черноземья. – 2021. – Т.17. – №2(64). – С.26-42.
  • Li K., Yang Z., Li D., Xing Y. Y., Nai W. A Short-Term Forecasting Approach for Regional Electricity Power Consumption by Considering Its Co-movement with Economic Indices. 2020 IEEE 5th Information Technology and Mechatronics Engineering Conference (ITOEC), 2020, pp.551-555. doi: 10.1109/ITOEC49072.2020.9141928.
  • Klyuev R.V., Morgoeva A.D., Gavrin O.A., Bosikov I.I., Morgoev I.D. Forecasting planned electricity consumption for the united power system us-ing machine learning. Journal of Mining Institute, 2023, T. 261, pp.392-402.
  • Rusina A.G., Filippova T.A., Kalinin A.E., Terlyga N.S. Short-Term Electricity Consumption Forecast in Siberia IPS Using Climate Aspects. 19th In-ternational Conference of Young Specialists on Micro/Nanotechnologies and Elec-tron Devices (EDM), 2018, pp.6403-6407. doi:10.1109/EDM.2018.8435002.
  • Babich L., Svalov D., Smirnov A., Babich M. Industrial Power Con-sumption Forecasting Methods Comparison. 2019 Ural Symposium on Biomedi-cal Engineering, Radioelectronics and Information Technology (USBEREIT), 2019, pp. 307-309, doi: 10.1109/USBEREIT.2019.8736640.
  • Блохин А.В. Исследование факторов, влияющих на потребление электроэнергии коммерческим предприятием / А.В. Блохин, А.С. Грицай, А.Ю. Горшенин // Математические структуры и моделирование. – 2022. – №3(63). – С.39-47.
  • Sergeev N., Matrenin P. Improving Accuracy of Machine Learning Based Short-Term Load Forecasting Models with Correlation Analysis and Fea-ture Engineering. 2023 IEEE 24th International Conference of Young Profession-als in Electron Devices and Materials (EDM), 2023, pp. 1000-1004, 2023. doi: 10.1109/EDM58354.2023.10225058.
  • Balaji, P.G. Srinivasan D. An Introduction to Multi-Agent Systems. Innovations in Multi-Agent Systems and Applications-1. Studies in Computational Intelligence, 2010, vol 310, pp.1-27. – doi: 10.1007/978-3-642-14435-6_1.
  • Bui V-H., Hussain A., Kim H-M. Q-Learning-Based Operation Strat-egy for Community Battery Energy Storage System (CBESS) in Microgrid Sys-tem. Energies, 2019, vol.12(9), no. 1789. doi: 10.3390/en12091789.
  • Zhou H., Erol-Kantarci H. Correlated Deep Q-learning based Mi-crogrid Energy Management. 2020 IEEE 25th International Workshop on Com-puter Aided Modeling and Design of Communication Links and Networks (CAMAD), 2020, pp. 1-6. – doi: 10.1109/CAMAD50429.2020.9209254.
  • Arwa E.O., Folly K.A. Improved Q-learning for Energy Management in a Grid-tied PV Microgrid. SAIEE Africa Research Journal, 2021, vol.112, no. 2, pp. 77-88. doi: 10.23919/SAIEE.2021.9432896.
  • Li Q., Lin T., Yu Q., Du H., Li J., Fu X., Li Q. Review of Deep Rein-forcement Learning and Its Application in Modern Renewable Power System Control. Energies, 2023, vol.16(10), no. 4143. – doi: 10.3390/en16104143.
  • Yu Q., Wang X., Lv D., Qi B., Wei Y., Liu L., Zhang P., Zhu W., Zhang W. Data Fusion and Situation Awareness for Smart Grid and Power Communication Network Based on Tensor Computing and Deep Reinforcement Learning. Electronics, 2023, vol. 12(12), no. 2606. – doi:10.3390/electronics12122606.
  • Павлов Н.В. Разработка алгоритма обучения мультиагентной си-стемы управления электротехническим комплексом нефтегазового предприя-тия с распределенной генераций / Н.В. Павлов, А.Б. Петроченков // Электро-техника. – 2022. – №11. – С.11-17.
  • Павлов Н.В. Разработка мультиагентной системы управления электрическими режимами электротехнического комплекса нефтегазодобы-вающего предприятия с распределенной генерацией / Н.В. Павлов, А.Б. Пет-роченков // Вестник пермского национального исследовательского политех-нического университета. Электротехника, информационные технологии, си-стемы управления. – 2022. – №42. – С.151-177.
  • Хальясмаа А.И. Интеллектуальные мультиагентные системы в электроэнергетике / А.И. Хальясмаа, С.А. Ерошенко, И.Ф. Юманова, А.И. Степанова, П.В. Матренин. – Новосибирск: Новосибирский государственный технический университет, 2023. – 222 с.
  • ГОСТ Р ИСО 9001-2008. Системы менеджмента качества. Требвания. – М.: Стандратинформ, 2010. – 31с.
  • Pavlov N. V., Petrochenkov A. B. Multi-agent Approach to Model-ing of Electrotechnical Complexes Elements at the Oil and Gas Production En-terprises. 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus), 2021, pp. 1504-1508. doi: 10.1109/ElConRus51938.2021.9396506.
Еще
Статья научная