論文の概要: Dynamic Energy Dispatch Based on Deep Reinforcement Learning in
IoT-Driven Smart Isolated Microgrids
- arxiv url: http://arxiv.org/abs/2002.02581v2
- Date: Mon, 16 Nov 2020 15:50:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 04:18:40.296758
- Title: Dynamic Energy Dispatch Based on Deep Reinforcement Learning in
IoT-Driven Smart Isolated Microgrids
- Title（参考訳）: IoT駆動型スマートマイクログリッドにおける深層強化学習に基づく動的エネルギー分散
- Authors: Lei Lei, Yue Tan, Glenn Dahlenburg, Wei Xiang, Kan Zheng
- Abstract要約: マイクログリッド(MG)は、大きなユーティリティグリッドとは独立して動作可能な小型でローカルな電力グリッドである。
本稿では、IoT駆動型スマートアイソレーションMGのための深部強化学習(DRL)に基づくエネルギーディスパッチに焦点を当てる。
2つの新しいDRLアルゴリズムが提案され、完全観測可能な状態情報とともに、かつ、不要なエネルギー供給ポリシーを導出する。
- 参考スコア（独自算出の注目度）: 8.623472323825556
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Microgrids (MGs) are small, local power grids that can operate independently
from the larger utility grid. Combined with the Internet of Things (IoT), a
smart MG can leverage the sensory data and machine learning techniques for
intelligent energy management. This paper focuses on deep reinforcement
learning (DRL)-based energy dispatch for IoT-driven smart isolated MGs with
diesel generators (DGs), photovoltaic (PV) panels, and a battery. A
finite-horizon Partial Observable Markov Decision Process (POMDP) model is
formulated and solved by learning from historical data to capture the
uncertainty in future electricity consumption and renewable power generation.
In order to deal with the instability problem of DRL algorithms and unique
characteristics of finite-horizon models, two novel DRL algorithms, namely,
finite-horizon deep deterministic policy gradient (FH-DDPG) and finite-horizon
recurrent deterministic policy gradient (FH-RDPG), are proposed to derive
energy dispatch policies with and without fully observable state information. A
case study using real isolated MG data is performed, where the performance of
the proposed algorithms are compared with the other baseline DRL and non-DRL
algorithms. Moreover, the impact of uncertainties on MG performance is
decoupled into two levels and evaluated respectively.
- Abstract（参考訳）: マイクログリッド(MG)は、大きなユーティリティグリッドとは独立して動作可能な小型のローカル電力グリッドである。
IoT(Internet of Things)と組み合わせることで、スマートMGは感覚データと機械学習技術を利用してインテリジェントなエネルギー管理を行うことができる。
本稿では, ディーゼル発電機(DG), 太陽光発電パネル(PV)パネル, 電池を備えたIoT駆動型スマートアイソレーションMGを対象とした, 深部強化学習(DRL)に基づくエネルギーディスパッチについて述べる。
有限水平部分可観測マルコフ決定過程 (POMDP) モデルを, 過去のデータから学習し, 将来の電力消費と再生可能発電の不確かさを把握し, 解決する。
DRLアルゴリズムの不安定性問題と有限水平モデルのユニークな特性に対処するため,有限水平深部決定性ポリシー勾配 (FH-DDPG) と有限水平再帰性ポリシー勾配 (FH-RDPG) という2つの新しいDRLアルゴリズムを提案する。
実孤立MGデータを用いたケーススタディを行い、提案アルゴリズムの性能を他のベースラインDRLおよび非DRLアルゴリズムと比較した。
さらに,不確実性がMG性能に及ぼす影響を2つのレベルに分離し,それぞれ評価した。
関連論文リスト
- Optimal Scheduling in IoT-Driven Smart Isolated Microgrids Based on Deep
Reinforcement Learning [10.924928763380624]
深部強化学習(DRL)によるモノ駆動マイクログリッド(MG)におけるディーゼル発電機(DG)のスケジューリング問題について検討する。
DRLエージェントは、過去の履歴再生およびロードデータから最適なポリシーを学習する。
目標は、需給バランスを確保するという前提で運用コストを削減することである。
論文 参考訳（メタデータ） (2023-04-28T23:52:50Z) - Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning
Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。
非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。
ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。
増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-11T13:16:28Z) - Energy Management of Multi-mode Plug-in Hybrid Electric Vehicle using
Multi-agent Deep Reinforcement Learning [6.519522573636577]
多モードプラグインハイブリッド電気自動車(PHEV)技術は、脱炭に寄与する経路の1つである。
本稿では,多モードPHEVのエネルギー管理のためのマルチエージェント深部強化学習(MADRL)制御法について検討する。
統合DDPG設定と0.2の関連性比を用いて、MADRLシステムはシングルエージェント学習システムと比較して最大4%のエネルギーを節約でき、従来のルールベースシステムに比べて最大23.54%のエネルギーを節約できる。
論文 参考訳（メタデータ） (2023-03-16T21:31:55Z) - Optimal Planning of Hybrid Energy Storage Systems using Curtailed
Renewable Energy through Deep Reinforcement Learning [0.0]
エネルギー貯蔵システム(ESS)を計画するためのポリシーに基づくアルゴリズムを用いた高度な深層強化学習手法を提案する。
定量的性能比較の結果、DRLエージェントはシナリオベース最適化(SO)アルゴリズムよりも優れていた。
その結果、DRLエージェントは人間の専門家が行うように学習し、提案手法の信頼性が示唆された。
論文 参考訳（メタデータ） (2022-12-12T02:24:50Z) - Joint Energy Dispatch and Unit Commitment in Microgrids Based on Deep
Reinforcement Learning [6.708717040312532]
本稿では,統合エネルギー派遣(ED)と単位コミットメント(UC)を分離したマイクログリッドで決定するための最適な政策を学習するために,深部強化学習(DRL)を適用した。
本稿では、2つの古典的DRLアルゴリズムをシームレスに統合するDRLアルゴリズム,すなわちハイブリッドアクション有限水平DDPG(HAFH-DDPG)を提案する。
ディーゼル発電機(DG)選択戦略を提示し、このアルゴリズムの計算複雑性を低減するため、簡易な動作空間をサポートする。
論文 参考訳（メタデータ） (2022-06-03T16:22:03Z) - Reinforcement Learning-Empowered Mobile Edge Computing for 6G Edge
Intelligence [76.96698721128406]
モバイルエッジコンピューティング(MEC)は、第5世代(5G)ネットワークなどにおける計算と遅延に敏感なタスクのための新しいパラダイムであると考えた。
本稿では、フリー対応RLに関する総合的な研究レビューと、開発のための洞察を提供する。
論文 参考訳（メタデータ） (2022-01-27T10:02:54Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Learning Centric Power Allocation for Edge Intelligence [84.16832516799289]
分散データを収集し、エッジで機械学習を実行するエッジインテリジェンスが提案されている。
本稿では,経験的分類誤差モデルに基づいて無線リソースを割り当てるLCPA法を提案する。
実験の結果,提案したLCPAアルゴリズムは,他のパワーアロケーションアルゴリズムよりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-21T07:02:07Z) - 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) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。