SARSA ali DQN za krmiljenje baterijskega hranilnikaSivec, Andraž (Avtor) Meža, Marko (Avtor) spodbujevalno učenjezeleni prehodprimerjava algoritmovoptimizacija krmiljenja baterije po ceniZaradi porasta proizvodnje električne energije iz sončnih in vetrnih virov se pojavlja problem viškov generacije in negativnih cen elektrike, kar vpliva na stabilnost elektroenergetskega sistema. Kot možna rešitev se vse bolj uveljavlja uporaba baterijskih hranilnikov, ki pa zahtevajo učinkovito upravljanje za najboljši učinek. V članku primerjamo delovanje dveh metod spodbujevalnega učenja pri optimizaciji delovanja baterije: tabelarično metodo SARSA in metodo z nevronsko mrežo DQN. Agenta se učita na podlagi zgodovinskih podatkov o proizvodnji sončne elektrarne, porabi gospodinjstva in tržnih cenah elektrike, njun cilj pa je minimizacija stroškov nakupa energije. Rezultati kažejo, da uporaba obeh pristopov bistveno zmanjša stroške v primerjavi s primerom brez baterije. DQN dosega najboljše rezultate, saj se bolje prilagodi kompleksnim vzorcem v podatkih in boljše deluje v večjih prostorih stanj. Raziskava potrjuje, da lahko spodbujevalno učenje učinkovito podpira odločanje pri upravljanju hranilnikov in prispeva k večji ekonomski učinkovitosti ter stabilnosti energetskega ˇ sistema ter prikaze nekatere izzive pri implementaciji.20262026-05-25 13:33:09Članek v reviji182836UDK: 621.311.243:004.85ISSN pri članku: 0013-5852COBISS_ID: 279259395sl