論文の概要: A storage expansion planning framework using reinforcement learning and
simulation-based optimization
- arxiv url: http://arxiv.org/abs/2001.03507v3
- Date: Wed, 24 Mar 2021 18:04:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 22:56:01.103186
- Title: A storage expansion planning framework using reinforcement learning and
simulation-based optimization
- Title（参考訳）: 強化学習とシミュレーションに基づく最適化を用いたストレージ拡張計画フレームワーク
- Authors: S. Tsianikas, N. Yousefi, J. Zhou, M. Rodgers, D. W. Coit
- Abstract要約: エネルギー貯蔵は、マイクログリッドなど、分散世代が豊富にある場所では不可欠である。
適切なタイミングとキャパシティとともに、どのストレージ技術に投資するかを決定することは、重要な研究課題である。
我々は、将来のマイクログリッドアプリケーションの中核となるエネルギー貯蔵ユニットのタイプを指し示す、より良いエンジニアリングソリューションを導出できることを示します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the wake of the highly electrified future ahead of us, the role of energy
storage is crucial wherever distributed generation is abundant, such as in
microgrid settings. Given the variety of storage options that are becoming more
and more economical, determining which type of storage technology to invest in,
along with the appropriate timing and capacity becomes a critical research
question. It is inevitable that these problems will continue to become
increasingly relevant in the future and require strategic planning and holistic
and modern frameworks in order to be solved. Reinforcement Learning algorithms
have already proven to be successful in problems where sequential
decision-making is inherent. In the operations planning area, these algorithms
are already used but mostly in short-term problems with well-defined
constraints. On the contrary, we expand and tailor these techniques to
long-term planning by utilizing model-free algorithms combined with
simulation-based models. A model and expansion plan have been developed to
optimally determine microgrid designs as they evolve to dynamically react to
changing conditions and to exploit energy storage capabilities. We show that it
is possible to derive better engineering solutions that would point to the
types of energy storage units which could be at the core of future microgrid
applications. Another key finding is that the optimal storage capacity
threshold for a system depends heavily on the price movements of the available
storage units. By utilizing the proposed approaches, it is possible to model
inherent problem uncertainties and optimize the whole streamline of sequential
investment decision-making.
- Abstract（参考訳）: 電化された未来が進む中で、マイクログリッドの設定など、分散世代が豊富であれば、エネルギー貯蔵の役割は不可欠である。
さまざまなストレージオプションがますます経済的になりつつあり、どのタイプのストレージ技術に投資するか、適切なタイミングとキャパシティとともに決定することが、重要な研究課題となっている。
これらの問題が今後ますます重要になっていき、解決するには戦略的計画と全体的かつ現代的なフレームワークが必要であることは避けられない。
強化学習アルゴリズムは、シーケンシャルな意思決定が本質的な問題ですでに成功している。
運用計画領域では、これらのアルゴリズムはすでに使われているが、多くの場合、適切に定義された制約を持つ短期的な問題で使用されている。
それに対して、モデルフリーアルゴリズムとシミュレーションベースモデルを組み合わせることで、これらの手法を長期計画に拡張・調整する。
モデルと拡張計画は、変化条件に動的に反応し、エネルギー貯蔵能力を利用するよう進化するマイクログリッドの設計を最適に決定するために開発された。
我々は、将来のマイクログリッドアプリケーションの中核となるであろうエネルギー貯蔵ユニットの種類を示す優れたエンジニアリングソリューションを導出できることを実証する。
もう一つの重要な発見は、システムの最適なストレージ容量閾値が利用可能なストレージユニットの価格移動に大きく依存していることである。
提案手法を利用することで、固有の問題不確実性をモデル化し、逐次投資決定の合理性を最適化することができる。
関連論文リスト
- Optimizing Load Scheduling in Power Grids Using Reinforcement Learning and Markov Decision Processes [0.0]
本稿では,動的負荷スケジューリングの課題に対処する強化学習(RL)手法を提案する。
提案手法は実時間負荷スケジューリングのためのロバストでスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2024-10-23T09:16:22Z) - Bridging the Gap to Next Generation Power System Planning and Operation with Quantum Computation [0.0]
再生可能エネルギー世代の統合, 自然負荷の変化, 配電システムの積極的な役割の重要性, グリッド運用における消費者の参加が, 従来の電力グリッドの景観を変えた。
有用な情報を生成するために大量のデータを処理するための高度な計算は、将来のグリッド演算のパラダイムであるが、計算複雑性の重荷を伴っている。
量子技術の進歩は、電力系統関連アプリケーションの計算複雑性の要求に対処するための有望な解決策である。
論文 参考訳（メタデータ） (2024-08-05T12:41:28Z) - Learning-assisted Stochastic Capacity Expansion Planning: A Bayesian Optimization Approach [3.124884279860061]
大規模容量拡大問題(CEP)は、地域エネルギーシステムのコスト効率の高い脱炭の中心である。
本稿では,2段階のCEPを抽出する学習支援近似解法を提案する。
本手法では, 直列集約法と比較して最大3.8%のコスト削減効果が得られた。
論文 参考訳（メタデータ） (2024-01-19T01:40:58Z) - Multi-market Energy Optimization with Renewables via Reinforcement
Learning [1.0878040851638]
本稿では,再生可能エネルギーと貯蔵量を組み合わせた発電プラントの運転を最適化するための深層強化学習フレームワークを提案する。
このフレームワークは、ストレージデバイスによる時間結合、再生可能エネルギー生成の不確実性、エネルギー価格、非線形ストレージモデルなどの複雑さを扱う。
複雑なストレージモデルを統合するためにRLを使用し、凸と微分可能なコンポーネントモデルを必要とする最適化ベースのメソッドの制限を克服する。
論文 参考訳（メタデータ） (2023-06-13T21:35:24Z) - Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge
Caching [91.50631418179331]
MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。
分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
論文 参考訳（メタデータ） (2021-10-20T02:48:27Z) - Deep Reinforcement Learning for Constrained Field Development
Optimization in Subsurface Two-phase Flow [0.32622301272834514]
最適化された開発計画を提供できる深層強化学習型人工知能エージェントを紹介します。
エージェントは、貯水池モデル、制約、および経済状態の特定の状態から最適な決定へのマッピングを提供します。
論文 参考訳（メタデータ） (2021-03-31T07:08:24Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳（メタデータ） (2021-03-18T14:26:26Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z) - Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。
深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文 参考訳（メタデータ） (2020-03-19T13:10:20Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳（メタデータ） (2020-01-03T11:01:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。