CC BY
13140
Секция 8
неограниченными потоками входящих данных и учитывать временной порядок в этих входящих данных [2]. Требуется обеспечить низкую задержку обработки и стабильность этой задержки при возможных изменениях в интенсивности входных потоков данных. В настоящем докладе представлен разработанный авторами подход к моделированию информационно-измерительных систем, который позволяет реализовать компьютерное моделирование обобщенной информационно-измерительной системы на базе распределенных сетей интеллектуальных геосенсоров, концептуальная модель которой была представлена в [3]. Результаты такого моделирования могут быть использованы при проектировании и разработке новых архитектур информационно-измерительных систем.
Результаты были получены в рамках выполнения государственного задания Минобрнауки России (номер для публикаций: 5.6972.2017/8.9).
Список литературы
1. Демин А.В., Копорский Н.С. Имитационное моделирование информационно-измерительных и управляющих систем. СПб: СПбГУ ИТМО, 2007. 139 с.
2. Матерухин А.В. Теоретические основы и методология обработки потоков пространственно-временных данных [Текст] : автореф. дис. ... д-ра техн. наук : 25.00.35 / Матерухин Андрей Викторович ; Московский государственный университет геодезии и картографии. М., 2018. 48 с.
3. Maiorov A.A., Materukhin A.V. A conceptual model of an information measurement system based on distributed networks of smart geosensors //Measurement Techniques. 2018. Volume 61, Issue 5. pp. 452-458 DOI: 10.24411/9999-017A-2019-10001 https://D0I.org/10.1007/s11018-018-1451-0
Reinforcement learning to optimal control of active consumer
P. V. Matrenin, V. Z. Manusov, N. Khasanzoda Novosibirsk State Technical University Email: pavel.matrenin@gmail.com DOI: 10.24411/9999-017A-2019-10285
The paper considers the problem of optimal control of an active consumer with renewable energy sources in a smart grid. To optimal control of the active consumer, it's necessary to perform the structural-parametric optimization of a set of governing rules. In contrast to the existing researches [1-4], the problem of optimal control is considered from the point of view of a separate active consumer, and not of the entire distributed system. In compliance with Reinforcement learning, the active consumer is considered as an agent into a poorly predictable environment. To solve this optimization problem, swarm intelligence algorithms were implemented. Computational experiments were carried out for models of wind energy systems on Russky Island and Popov Island [5]. The results obtained showed high effectiveness of the swarm intelligence algorithms that demonstrated reliable and fast convergence to the global extremum of the optimization problem under different scenarios and parameters of active consumers. Also, the paper carries out the analysis of the influence of the capacity of the batteries of the active consumer on the variability of its actions.
References
1. Ha D. L., Guillou H., Martin N., Cung V. D., Jacomino M. Optimal scheduling for coordination renewable energy and electric vehicles consumption // IEEE International Conference on Smart Grid. Miami, FL, USA, 2-5 Nov. 2016. P. 319-324.
2. Mortaji H., Sie S., Moghavvemi M., Almurib H.. Load Shedding and Smart-Direct Load Control Using Internet of Things in Smart Grid Demand Response Management // IEEE Transactions on Industry Applications. 2017. V.53, is. 6. P. 5155-5163.
3. Shah P., Hussain I., Singh B. Multi-Resonant FLL Based Control Algorithm for Grid Interfaced Multifunctional Solar Energy Conversion System // IET Science, Measurement and Technology. 2018. V. 12, is. 1. P. 49-62.
4. Sokolnikova T. V, Suslov K. V., Lombardi L. Determining optimal energy storage parameters for renewable energy sources integration in isolated energy system with active consumers. // Bulletin of Irkutsk State Technical University. 2015. V. 10 (105). P. 206-211.
5. Manusov V. Z., Khasanzoda N. Optimization of the Far East wind resources energy efficiency on the basis of the swarm intelligence algorithm // Alternative Energy and Ecology (ISJAEE). 2018. V 19-21. P. 12-22.
