Mục tiêu chung Mục tiêu nghiên cứu chung là phát triển phương pháp tiếp cận dựa trên Học máy và Học tăng cường để dự báo và quản lý năng lượng tối ưu cho Lưới điện nhỏ Đô thị (UMG) và Vùng xa (RMG/IMG). Nghiên cứu sẽ dựa trên dữ liệu vận hành để dự báo và mô hình hóa bài toán thành quá trình Quyết định Markov có Ràng buộc (CMDP), tích hợp các mục tiêu đa chiều như giảm chi phí vận hành, kéo dài tuổi thọ BESS, tận dụng các nguồn NLTT, lập lịch sạc EV/DR, đồng thời đảm bảo tuyệt đối các ràng buộc kỹ thuật. Bên cạnh đó, xây dựng chiến lược điều khiển phân tán có tính học sâu nhằm giải quyết những vấn đề mạng truyền thông liên lạc giữa các nguồn năng lượng phân tán hướng tới việc phát triển một khung điều khiển thông minh có khả năng duy trì ổn định và hiệu quả vận hành của hệ thống điện phân tán trong điều kiện mạng truyền thông không lý tưởng. Mục tiêu cụ thể • Nghiên cứu tổng quan về các thách thức vận hành tối ưu của UMG và RMG/IMG. Thực hiện phân tích so sánh chiến lược để xác định ưu thế của Học tăng cường so với các phương pháp tối ưu hóa truyền thống. • Xây dựng mô hình Bài toán Vận hành Tối ưu dưới dạng Quá trình Quyết định Markov có Ràng buộc (CMDP). Mục tiêu bao gồm giảm chi phí vận hành, tận dụng tối đa RES, giảm phát thải CO2, lập lịch sạc EV/Điều chỉnh phụ tải (DR) và kéo dài tuổi thọ BESS, đồng thời thiết lập nghiêm ngặt các ràng buộc kỹ thuật cứng (cân bằng công suất, giới hạn SOC, công suất phát tối đa, năng lực hệ thống). • Phát triển và huấn luyện tác nhân học tăng cường (sử dụng các thuật toán phù hợp) để giải quyết bài toán CMDP đa mục tiêu tích hợp cơ chế đảm bảo ràng buộc để tác nhân luôn đưa ra các hành động khả thi và tuân thủ tuyệt đối các giới hạn kỹ thuật trong quá trình lập lịch vận hành tối ưu. • Thực hiện các nghiên cứu điển hình cho cả môi trường UMG và RMG/IMG. Đánh giá định lượng hiệu suất của tác nhân DRL trên tất cả các mục tiêu đề ra và xác nhận ưu thế chiến lược của DRL thông qua việc so sánh tốc độ tính toán và khả năng chống chịu trước các lỗi dự báo. • Phân tích tác động truyền thông (trễ, mất gói, gián đoạn) lên hiệu năng và ổn định của điều khiển phân tán trong lưới nhiều NLTT. Đề xuất kiến trúc điều khiển phân tán tích hợp học sâu để học từ dữ liệu, nhận dạng–dự đoán–bù trừ bất ổn và tự hiệu chỉnh thời gian thực. Xây dựng mô hình và đánh giá trên microgrid, so sánh với phương pháp truyền thống để chứng minh hiệu quả.