اپلیکیشن اندرویدی فلش‌کارت آموزشی RTED با Aggregation چند گره‌ای DER: یادگیری گراف فضایی-زمانی برای بهینه‌سازی بلادرنگ و حضور DER ها در بازار برق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره RTED با Aggregation چند گره‌ای DER: یادگیری گراف فضایی-زمانی برای بهینه‌سازی بلادرنگ و حضور DER ها در بازار برق

موضوع کلی: انرژی‌های تجدیدپذیر و بازارهای برق

موضوع میانی: بهینه‌سازی و مدیریت شبکه‌های هوشمند با استفاده از یادگیری ماشینی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سیستم‌های قدرت مدرن
• 2. ساختار کلی شبکه برق: تولید، انتقال، توزیع
• 3. مروری بر مفاهیم پایه پایداری و قابلیت اطمینان شبکه
• 4. تقاضای بار و پیش‌بینی‌های آن
• 5. انواع نیروگاه‌های سنتی و ویژگی‌های عملیاتی آن‌ها
• 6. مقدمه‌ای بر انرژی‌های تجدیدپذیر: خورشیدی و بادی
• 7. فناوری‌های ذخیره‌سازی انرژی و نقش آن‌ها
• 8. مفاهیم اولیه اقتصاد در سیستم‌های قدرت
• 9. مروری بر بازارهای برق: اهداف و ساختار
• 10. انواع بازارهای برق: انرژی، ظرفیت، خدمات جانبی
• 11. اصول قیمت‌گذاری در بازار برق
• 12. چالش‌های ادغام انرژی‌های تجدیدپذیر متغیر
• 13. ضرورت بهینه‌سازی در بهره‌برداری از سیستم قدرت
• 14. مفاهیم اولیه دیسپچ اقتصادی (Economic Dispatch)
• 15. مسائل دیسپچ اقتصادی با محدودیت‌های خط (ED with TL)
• 16. معرفی شبکه‌های هوشمند (Smart Grids)
• 17. ویژگی‌ها و مزایای شبکه‌های هوشمند
• 18. فناوری‌های کلیدی در شبکه‌های هوشمند
• 19. منابع تولید پراکنده (DERs): تعریف و اهمیت
• 20. انواع DERها: خورشیدی، بادی کوچک، CHP، ذخیره‌سازها
• 21. نقش خودروهای برقی (EVs) به عنوان DER
• 22. مزایا و معایب ادغام DERها در شبکه
• 23. اثرات DERها بر ولتاژ و پایداری شبکه توزیع
• 24. چالش‌های مدیریت DERها در مقیاس وسیع
• 25. نیاز به تجمیع‌کننده‌ها (Aggregators) برای DERها
• 26. مدل‌سازی DERها برای اهداف بهره‌برداری
• 27. ارتباط DERها با بازار برق و شبکه‌های توزیع
• 28. مفاهیم اولیه میکروگریدها و شبکه هوشمند
• 29. مدیریت سمت تقاضا (Demand-Side Management)
• 30. نقش فناوری اطلاعات و ارتباطات در شبکه‌های هوشمند
• 31. مروری بر اصول بهینه‌سازی ریاضی
• 32. برنامه‌ریزی خطی و غیرخطی در سیستم‌های قدرت
• 33. روش‌های حل مسائل بهینه‌سازی بزرگ‌مقیاس
• 34. فرمول‌بندی مسئله دیسپچ اقتصادی سنتی (ED)
• 35. محدودیت‌های عملیاتی واحدها و شبکه در ED
• 36. معرفی دیسپچ اقتصادی بلادرنگ (RTED)
• 37. تفاوت‌های RTED با دیسپچ‌های پیش از بهره‌برداری
• 38. محدودیت‌های بلادرنگ در RTED: انتقال، پایداری، رزرو
• 39. چالش‌های RTED با عدم قطعیت بالای تجدیدپذیرها
• 40. اهداف RTED: حداقل‌سازی هزینه، پایداری و امنیت
• 41. مدل‌سازی عدم قطعیت در RTED: روش‌های احتمالی و سناریویی
• 42. نیاز به سرعت و دقت بالا در RTED بلادرنگ
• 43. مروری بر روش‌های عددی حل RTED
• 44. فرمول‌بندی RTED شامل هزینه‌های شروع و توقف
• 45. بررسی محدودیت‌های امنیتی در RTED (SCED)
• 46. مبانی نظریه گراف: گره‌ها، یال‌ها، ماتریس مجاورت
• 47. انواع گراف‌ها: جهت‌دار، بدون جهت، وزن‌دار
• 48. نمایش سیستم قدرت به عنوان یک گراف
• 49. ویژگی‌های توپولوژیکی شبکه‌های قدرت
• 50. معرفی یادگیری گراف (Graph Learning)
• 51. مبانی شبکه‌های عصبی گراف (GNNs)
• 52. کانولوشن‌های گراف (Graph Convolutions)
• 53. معماری‌های رایج GNNs: GCN, GAT
• 54. کاربردهای GNNs در مسائل مهندسی برق
• 55. مزایای یادگیری گراف برای سیستم‌های قدرت پیچیده
• 56. چالش‌های پیاده‌سازی GNNs بر روی گراف‌های بزرگ
• 57. داده‌های ورودی برای GNNها در سیستم‌های قدرت
• 58. استخراج ویژگی‌های گره و یال در گراف شبکه برق
• 59. یادگیری نمایش گراف (Graph Embeddings)
• 60. آشنایی با کتابخانه‌های برنامه‌نویسی GNNs (PyG, DGL)
• 61. مفهوم داده‌های فضایی-زمانی (Spatio-Temporal Data)
• 62. اهمیت ابعاد فضایی و زمانی در مدیریت شبکه
• 63. مدل‌سازی وابستگی‌های فضایی در شبکه برق
• 64. مدل‌سازی وابستگی‌های زمانی: سری‌های زمانی
• 65. پیش‌بینی بار و تولید تجدیدپذیر با رویکرد سری زمانی
• 66. مدل‌های پیش‌بینی پیشرفته: LSTM, GRU
• 67. ترکیب داده‌های فضایی و زمانی: Tensor Decomposition
• 68. شبکه‌های عصبی فضایی-زمانی (STGNNs)
• 69. معماری‌های STGNN: Graph Convolutional Recurrent Networks
• 70. طراحی ورودی‌های فضایی-زمانی برای STGNN در RTED
• 71. جمع‌آوری و پیش‌پردازش داده‌های فضایی-زمانی
• 72. چالش‌های کیفیت داده و عدم قطعیت در داده‌های فضایی-زمانی
• 73. مهندسی ویژگی‌های فضایی-زمانی برای مدل‌های یادگیری
• 74. ارزیابی مدل‌های پیش‌بینی فضایی-زمانی
• 75. کاربرد STGNNs در پیش‌بینی شرایط شبکه
• 76. مفهوم تجمیع DERها در نقاط مختلف انتقال
• 77. دلایل و ضرورت تجمیع چند گره‌ای DERها
• 78. مدل‌سازی ریاضی تجمیع‌کننده‌ها در سطح انتقال
• 79. چالش‌های ارتباط بین شبکه‌های توزیع و انتقال
• 80. ارزیابی ظرفیت تجمیع DERها در گره‌های انتقال
• 81. تأثیر تجمیع بر محدودیت‌های شبکه انتقال
• 82. طراحی قراردادهای مشارکت DERهای تجمیع‌شده در بازار
• 83. نقش بازارها در تسهیل تجمیع و مشارکت DERها
• 84. مفاهیم "گره مجازی" برای تجمیع DERها
• 85. روش‌های تخمین رفتار DERهای تجمیع‌شده
• 86. تحلیل اثرات تجمیع بر قیمت‌های بازارهای محلی و مرکزی
• 87. مدیریت اطلاعات و داده‌ها در سناریوی تجمیع چند گره‌ای
• 88. ملاحظات قانونی و رگولاتوری برای تجمیع DERها
• 89. ریسک‌ها و فرصت‌های تجمیع‌کنندگان DER
• 90. استراتژی‌های عملیاتی تجمیع‌کننده‌ها
• 91. چارچوب کلی یادگیری گراف فضایی-زمانی برای RTED
• 92. مدل‌سازی شبکه برق (انتقال و تجمیع DER) به عنوان STG
• 93. طراحی معماری STGNN برای مسئله RTED با DERهای تجمیع‌شده
• 94. گنجاندن محدودیت‌های شبکه و DERها در مدل GNN
• 95. تابع هزینه و تابع هدف در رویکرد GNN-RTED
• 96. آموزش مدل STGNN: انتخاب داده‌ها و پارامترها
• 97. ارزیابی عملکرد مدل STGNN در حل RTED
• 98. پیاده‌سازی بلادرنگ و چالش‌های محاسباتی
• 99. تحلیل حساسیت و استحکام مدل در برابر عدم قطعیت
• 100. آینده RTED مبتنی بر یادگیری گراف فضایی-زمانی