مدیریت تقاضای مشتری پویا: یک مدل یادگیری تقویتی بر اساس قیمت‌گذاری و مشوق‌های بی‌درنگ

پیشرفت‌های اخیر در سیستم‌های الکتریکی ادغام بیشتری از منابع انرژی تجدیدپذیر مانند نیروگاه‌های فتوولتائیک و نیروگاه‌های بادی را در پاسخ به نیاز روزافزون جهانی به تولید انرژی پایدار از نظر زیست‌محیطی ایجاد کرده است. [1]، [2]، [3]. با این حال، ماهیت ناسازگار و غیرقابل کنترل این منابع، چالش‌های مهمی را برای مدیریت فنی و اقتصادی سیستم‌های انرژی، هم در کوتاه‌مدت و هم در بلندمدت ایجاد می‌کند. [4]. این چالش ها شامل حفظ تعادل انرژی، مدیریت رمپ های شیب دار در تولید انرژی، و مقابله با عدم تعادل قیمت عرضه ناشی از تنوع منابع انرژی اولیه است. [4].

یکی از راه حل های ممکن برای این چالش ها رویکرد پاسخ به تقاضا (DR) است که راه حلی مقرون به صرفه در کوتاه مدت ارائه می دهد. [5]. این رویکرد مصرف برق را با تولید انرژی تطبیق می دهد و به مشتریان امکان می دهد مصرف خود را در پاسخ به سیگنال های اقتصادی به طور موقت کاهش یا افزایش دهند. [6].

رویکرد DR را می توان از طریق دو طرح اجرا کرد: طرح مبتنی بر قیمت و طرح مبتنی بر انگیزه. در طرح مبتنی بر قیمت، مشتریان قیمت برق متغیری دریافت می‌کنند، در حالی که در طرح مبتنی بر انگیزه، با توجه به مشارکت مشتری در مدیریت تقاضای انرژی، پاداش و جریمه اعمال می‌شود. [7].

با وجود تحقیقات گسترده در مورد برنامه‌های DR، هنوز نیاز به راه‌حل‌های جامع‌تری بر اساس رویکرد شبکه هوشمند وجود دارد که از ابزارهای مبتنی بر هوش مصنوعی برای پیش‌بینی دقیق و پاسخگویی به تغییرات تقاضای مشتری در زمان واقعی استفاده می‌کند. اجرای برنامه های DR در مقیاس بزرگتر با استفاده از رویکرد شبکه هوشمند امکان مدیریت موثر تقاضا و ایجاد نرخ های عرضه انعطاف پذیر را فراهم می کند که امکان ادغام عوامل انرژی جدید مانند خودروهای الکتریکی را در بازار انرژی فراهم می کند. [8]، [9]، [10]، [11].

علاوه بر این، راه‌حل‌های فعلی DR با وجود پیشرفت‌های فناوری اطلاعات و ارتباطات (ICT) از ابزارهای هوش مصنوعی استفاده نمی‌کنند. [12]. اجرای این راهکارها نیازمند زیرساخت ارتباطی سطح بالا در بخش توزیع انرژی است [13]. در حالی که پیشنهادات DR موجود یا یک رویکرد مبتنی بر قیمت یا یک رویکرد مبتنی بر انگیزه را در نظر می‌گیرند، فقدان راه‌حل‌هایی وجود دارد که هر دو روش را در بر بگیرد و تقاضای تصادفی و رفتار مشتری پویا را در نظر بگیرد. [14]، [15]، [16]، [17]. ادغام هر دو روش باعث کاهش نوسان قیمت و تقویت رفتار مثبت مشتری می شود.