태양광 에너지 시스템을 위한 강화학습 기반의 동적 청소 주기 스케줄링 (Reinforcement learning-based dynamic cleaning scheduling framework for solar energy system)

태양광(PV) 시스템에서 자율적인 녹색 기술의 발전은 재생 가능 에너지 생산의 지속 가능성과 효율성을 향상시키는 데 있어 중요한 역할을 한다. 특히, 사막 지역에서는 모래 먼지왿� 공기 중 입자로 인한 오염은 태양광 에너지 출력을 크게 저하시킨다. 본 연구는 강화 학습(RL) 기반의 프레임워크를 통해 PV 패널 청소 일정을 자율적으로 최적화하는 방안을 제시한다. 제안하는 방법론에서는 Proximal Policy Optimization(PPO) 및 Soft Actor-Critic(SAC)과 같은 최신 RL 알고리즘을 활용하여 불확실한 환경 조건에 따라 청소 주기를 동적으로 조정한다. 이 제안된 방법론은 UAE 아부다비에서의 사례 연구에 적용되었으며, PPO가 SAC 및 전통적인 시뮬레이션 최적화(Sim-Opt) 방법을 능가하여 최대 13%의 비용 절감 효과를 달성하였다. 결과는 동적인 일정 관리가 확률적 환경 역학에 적응하는 데 있어 뛰어나다는 것을 보여준다. 본 연구는 재생 에너지 시스템에서 유지보수 작업 등을 최적화하기 위한 RL 기반 자율적 의사결정의 잠재력을 보여준다. 향후 연구에서는 제안된 강화학습 모델의 일반화 능력을 향상시키는 한편, 다른 지역에 적용하기 위해 추가적인 요소나 제약을 고려하는 것이 중요하다

Advancing autonomous green technologies in solar photovoltaic (PV) systems is key to improving sustainability and efficiency in renewable energy production. This study presents a reinforcement learning (RL)-based framework to autonomously optimize the cleaning schedules of PV panels in arid regions, where soiling from dust and other airborne particles significantly reduces energy output. By employing advanced RL algorithms, Proximal Policy Optimization (PPO) and Soft Actor-Critic (SAC), the framework dynamically adjusts cleaning intervals based on uncertain environmental conditions. The proposed approach was applied to a case study in Abu Dhabi, UAE, demonstrating that PPO outperformed SAC and traditional simulation optimization (Sim-Opt) methods, achieving up to 13% cost savings by dynamically responding to weather uncertainties. The results highlight the superiority of flexible, autonomous scheduling over fixed-interval methods, particularly in adapting to stochastic environmental dynamics. This aligns with the goals of autonomous green energy production by reducing operational costs and improving the efficiency of solar power generation systems. This work underscores the potential of RL-driven autonomous decision-making to optimize maintenance operations in renewable energy systems. In future research, it is important to enhance the generalization ability of the proposed RL model, while also considering additional factors and constraints to apply it to different regions.