Forskare föreslog att man skulle implementera energischemaläggningsalgoritmen för bostäder genom att träna tre åtgärdsberoende heuristisk dynamisk programmering (ADHDP) nätverk, var och en baserad på en vädertyp av soligt, delvis molnigt, eller molnigt. ADHD-nätverk anses vara smarta, eftersom deras svar kan ändras beroende på olika förhållanden.

"I framtiden, vi förväntar oss att ha olika typer av strömförsörjning till alla hushåll inklusive elnätet, väderkvarnar, solpaneler och biogeneratorer. Problemen här är den varierande karaktären hos dessa kraftkällor, som inte genererar el i en stabil takt, sa Derong Liu, en professor vid School of Automation vid Guangdong University of Technology i Kina och en författare på tidningen. "Till exempel, kraft som genereras från väderkvarnar och solpaneler beror på vädret, och de varierar mycket jämfört med den mer stabila kraften från nätet. För att förbättra dessa kraftkällor, vi behöver mycket smartare algoritmer för att hantera/schemalägga dem."

Detaljerna publicerades i numret 10 januari av IEEE/CAA Journal of Automatica Sinica , en gemensam publikation varannan månad av IEEE och Chinese Association of Automation.

Liu och hans team föreslog att implementera energischemaläggningsalgoritmen för bostäder genom att träna tre åtgärdsberoende heuristisk dynamisk programmering (ADHDP) nätverk, var och en baserad på en vädertyp av soligt, delvis molnigt, eller molnigt. ADHD-nätverk anses vara "smarta, " eftersom deras svar kan ändras beroende på olika förhållanden.

I simuleringarna, en kraftledningsenhet har förbindelser mellan elnätet och bostadsenheterna. När nätverket bestämmer rätt vädertyp från prognosen, energi bearbetas för användning eller batterilagring. Algoritmen kan sedan följa bostadspriserna i realtid för att bestämma kostnaden för att köpa el från nätet, fördelen med att sälja kraft, och straffkostnaden för att köpa i en tid då efterfrågan är hög. Straffkostnaden hjälper också till att uppmuntra fulla cykler av batterianvändning för att inte överbelasta nätet.

Målet är optimering:att fortsätta att ge energi till konsumenterna genom att integrera fler förnybara resurser och begränsa användningen av icke-förnybara resurser. När grön teknik utvecklas, enligt Liu, nätverken kan lära sig och fortsätta att optimera schemaläggningssystemet.

"Det är möjligt att använda maskininlärningsalgoritmer för att optimera energischemaproblemet för framtida energianvändning i bostäder, " sa Liu, noterar att även om en enkel lösning kan fungera i specifika fall, Det behövs mer komplexa lösningar i takt med att de olika formerna av energikällor ökar. "Optimeringsproblemet att lösa i det här fallet är att minimera kostnaden för hushållet och samtidigt hålla jämna steg med hushållets energibelastning... en algoritm [som] kan lära sig på egen hand för att hitta en optimal lösning efter att den har implementerats kan vara den enda möjligheten i det här fallet att lösa ett så komplext optimeringsproblem."

Liu och hans team planerar att genomföra en fullskalig studie av detta problem genom att överväga alla för närvarande tillgängliga former av energikällor i en experimentell miljö.