zwycięska praca podejmuje bardzo aktualny problem – wspomaganie sterowania magazynem energii przez tzw. klaster energetyczny, czyli lokalną grupę odbiorców energii wyposażonych w odnawialną energię typu fotowoltaicznego.

Magazyn energii łagodzi problemy z bieżącym bilansowaniem odbioru i generacji energii oraz pozwala na zabezpieczenie się przed chwilowymi wysokimi cenami energii pobieranej z rynku w przypadku okresowych niedoborów energii słonecznej. Podjęcie decyzji o ładowaniu lub rozładowaniu magazynu w konkretnej godzinie wymaga zatem uwzględnienia niepewności z trzech źródeł: zapotrzebowania, nasłonecznienia i rynkowych cen energii. Dodatkową trudność sprawiają nieliniowe charakterystyki efektywności ładowania i rozładowania magazynu.

Do rozwiązania problemu zespół z naszej Uczelni wykorzystał algorytm uczenia ze wzmocnieniem, bazujący na metodyce Deep Q-learning.

Takie zastosowanie tej metodyki jest nowością – podkreśla dr inż. Izabela Żółtowska. – Dzięki zastosowanym w pracy technikom udało się przezwyciężyć powszechnie znane problemy ze zbieżnością algorytmu, co zostało potwierdzone kompleksowymi testami.

Szczegółowe informacje o wynikach badań zespołu z PW są dostępne w nagrodzonym artykule pt. „Real-time energy purchase optimization for a storage-integrated photovoltaic system by deep reinforcement learning”.

Czasopismo „Control Engineering Practice”, w którym opublikowano pracę, wydaje Elsevier. Każdy zamieszczony tam artykuł otrzymuje, zgodnie z wykazem Ministerstwa Edukacji i Nauki, 100 punktów (to trzecia najwyższa możliwa do uzyskania punktacja).