رئیس دانشکده مهندسی برق و کامپیوتر مجله مهندسی برق دانشگاه تبریز 2008-7799 55 4 2025 12 22 Control of Hybrid Microgrids Using Deep Reinforcement Learning and Digital Twin کنترل ریزشبکه‌های هیبریدی با استفاده از یادگیری تقویتی عمیق و دوقلوی دیجیتال 707 718 20397 10.22034/tjee.2025.65408.4949 FA سارا محمودی رشید استاد حق التدریس دانشگاه تبریز امیر ریخته گر غیاثی عضو هیات علمی/تبریز Journal Article 2025 01 10 The increasing integration of renewable energy sources (RES) in hybrid microgrids has introduced new challenges in maintaining stability, reliability, and optimal performance. This paper proposes a novel control framework that combines deep reinforcement learning (DRL) with digital twin (DT) technology to address these challenges. The DRL agent is trained in a virtual DT environment, enabling rapid learning and optimization of control strategies under dynamic conditions without risking real-world operations. The proposed method is tested on a hybrid microgrid comprising photovoltaic (PV), wind, and battery storage systems. Simulation results demonstrate that the DRL-DT framework achieves a 28.5% improvement in energy efficiency compared to conventional model predictive control (MPC). Additionally, the proposed approach enhances system stability by reducing voltage fluctuations by 21.3% and achieves a 32.7% reduction in load shedding during peak demand scenarios. The training time for the DRL agent is reduced by 40% due to the efficient simulation capabilities of the DT. These results highlight the robustness and adaptability of the DRL-DT framework, making it a promising solution for next-generation hybrid microgrid management. This study provides a significant step forward in leveraging artificial intelligence and digital twins to optimize hybrid microgrid operations, ensuring sustainable and resilient energy systems. افزایش یکپارچه‌سازی منابع انرژی تجدیدپذیر (RES) در ریزشبکه‌های هیبریدی چالش‌های جدیدی در حفظ پایداری، قابلیت اطمینان و عملکرد بهینه ایجاد کرده است. این مقاله چارچوب کنترلی نوینی را پیشنهاد می‌دهد که یادگیری عمیق تقویتی (DRL) را با فناوری دوقلوی دیجیتال (DT) ترکیب می‌کند تا این چالش‌ها را برطرف کند. عامل DRL در یک محیط مجازی DT آموزش داده می‌شود که امکان یادگیری سریع و بهینه‌سازی استراتژی‌های کنترلی در شرایط دینامیکی را بدون ایجاد خطر برای عملیات واقعی فراهم می‌سازد. روش پیشنهادی بر روی یک ریزشبکه هیبریدی شامل سیستم‌های فتوولتائیک (PV)، باد، و ذخیره‌سازی باتری آزمایش شده است. نتایج شبیه‌سازی نشان می‌دهند که چارچوب DRL-DT بهبود 28.5 درصدی در بهره‌وری انرژی در مقایسه با کنترل پیش‌بینی مدل (MPC) متداول حاصل می‌کند. علاوه بر این، این روش پیشنهادی با کاهش نوسانات ولتاژ به میزان 21.3 درصد، پایداری سیستم را بهبود می‌بخشد و در سناریوهای اوج تقاضا، کاهش بار را 32.7 درصد کاهش می‌دهد. زمان آموزش عامل DRL نیز به دلیل توانایی شبیه‌سازی کارآمد DT، 40 درصد کاهش یافته است. این نتایج، قابلیت اطمینان و تطبیق‌پذیری چارچوب DRL-DT را برجسته می‌سازد و آن را به یک راه‌حل امیدوارکننده برای مدیریت ریزشبکه‌های هیبریدی نسل آینده تبدیل می‌کند. این مطالعه گامی مهم در استفاده از هوش مصنوعی و دوقلوهای دیجیتال برای بهینه‌سازی عملیات ریزشبکه‌های هیبریدی، تضمین سیستم‌های انرژی پایدار و مقاوم به شمار می‌رود. https://tjee.tabrizu.ac.ir/article_20397_5978be3b7d75c702aeb855f135be1fa7.pdf