論文の概要: A Scalable Method for Scheduling Distributed Energy Resources using Parallelized Population-based Metaheuristics

• arxiv url: http://arxiv.org/abs/2002.07505v2
• Date: Thu, 4 Jun 2020 13:02:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 20:36:34.590971
• Title: A Scalable Method for Scheduling Distributed Energy Resources using Parallelized Population-based Metaheuristics
• Title（参考訳）: 並列人口型メタヒューリスティックスを用いた分散エネルギー資源のスケーラブルスケジューリング手法
• Authors: Hatem Khalloof, Wilfried Jakob, Shadi Shahoud, Clemens Duepmeier and Veit Hagenmeyer
• Abstract要約: 分散エネルギー資源のユニットコミットメントのための新しい汎用的かつ高並列な手法を提案する。 この新しい手法はクラスタやクラウドの並列化性を提供し、多数の分散エネルギーリソースを相互に扱うことができる。
• 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: Recent years have seen an increasing integration of distributed renewable energy resources into existing electric power grids. Due to the uncertain nature of renewable energy resources, network operators are faced with new challenges in balancing load and generation. In order to meet the new requirements, intelligent distributed energy resource plants can be used which provide as virtual power plants e.g. demand side management or flexible generation. However, the calculation of an adequate schedule for the unit commitment of such distributed energy resources is a complex optimization problem which is typically too complex for standard optimization algorithms if large numbers of distributed energy resources are considered. For solving such complex optimization tasks, population-based metaheuristics -- as e.g. evolutionary algorithms -- represent powerful alternatives. Admittedly, evolutionary algorithms do require lots of computational power for solving such problems in a timely manner. One promising solution for this performance problem is the parallelization of the usually time-consuming evaluation of alternative solutions. In the present paper, a new generic and highly scalable parallel method for unit commitment of distributed energy resources using metaheuristic algorithms is presented. It is based on microservices, container virtualization and the publish/subscribe messaging paradigm for scheduling distributed energy resources. Scalability and applicability of the proposed solution are evaluated by performing parallelized optimizations in a big data environment for three distinct distributed energy resource scheduling scenarios. The new method provides cluster or cloud parallelizability and is able to deal with a comparably large number of distributed energy resources. The application of the new proposed method results in very good performance for scaling up optimization speed.
• Abstract（参考訳）: 近年、分散型再生可能エネルギー資源の既存の電力網への統合が増加している。 再生可能エネルギー資源の不確実性のため、ネットワークオペレーターは負荷と発生のバランスをとる新しい課題に直面している。 新たな要求を満たすため、需要側管理やフレキシブル・ジェネレーションなどの仮想発電所を提供するインテリジェントな分散エネルギー資源プラントを使用できる。 しかし、そのような分散エネルギー資源の単位コミットメントに対する適切なスケジュールの計算は、多くの分散エネルギー資源が考慮されている場合、通常、標準最適化アルゴリズムでは複雑すぎる複雑な最適化問題である。 このような複雑な最適化タスクを解決するために、人口ベースのメタヒューリスティック(例えば進化的アルゴリズム)は強力な代替案を表す。 必然的に、進化的アルゴリズムはそのような問題をタイムリーに解くために多くの計算力を必要とする。 この性能問題に対する有望な解決策の1つは、通常時間を要する代替ソリューションの評価の並列化である。 本稿では,メタヒューリスティックアルゴリズムを用いた分散エネルギー資源の単位コミットメントのための,新しい汎用的でスケーラブルな並列手法を提案する。 マイクロサービス、コンテナ仮想化、分散エネルギーリソースのスケジューリングのためのパブリッシュ/サブスクライブメッセージングパラダイムに基づいている。 3つの分散エネルギー資源スケジューリングシナリオに対して,ビッグデータ環境で並列最適化を行うことにより,提案手法のスケーラビリティと適用性を評価する。 この新しい手法はクラスタやクラウドの並列化性を提供し、多数の分散エネルギーリソースを相互に扱うことができる。 提案手法の適用により,最適化速度のスケールアップに非常に優れた性能が得られる。

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)
• Distributed Management of Fluctuating Energy Resources in Dynamic Networked Systems [3.716849174391564]
  本稿では,複数のDERからなるシステムにおけるエネルギー共有問題について検討する。 我々はこの問題を,各ノードのエネルギー生産限界に対応する制約付き帯域凸最適化問題としてモデル化する。 そこで我々は, 動的後悔という概念をパフォーマンス指標として活用する, 定式化問題を解決するために, 分散意思決定ポリシーを提案する。
  論文  参考訳（メタデータ） (2024-05-29T11:54:11Z)
• Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
  エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。 ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。 提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-10T00:21:10Z)
• Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [60.17407932691429]
  基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。 本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。 提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2023-09-04T17:30:21Z)
• Real-time scheduling of renewable power systems through planning-based reinforcement learning [13.65517429683729]
  再生可能エネルギー源は 従来の電力スケジューリングに 重大な課題をもたらしています 強化学習の新たな発展は、この問題を解く可能性を実証している。 我々は、最先端の強化学習アルゴリズムと実電力グリッド環境に基づく体系的なソリューションを最初に提案する。
  論文  参考訳（メタデータ） (2023-03-09T12:19:20Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• Multi-Resource Allocation for On-Device Distributed Federated Learning Systems [79.02994855744848]
  本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。 システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
  論文  参考訳（メタデータ） (2022-11-01T14:16:05Z)
• Evolutionary Optimization for Proactive and Dynamic Computing Resource Allocation in Open Radio Access Network [4.9711284100869815]
  Open Radio Access Network (O-RAN) におけるコンピュータリソースの自動割り当てを実現するためのインテリジェントな技術が求められている このリソース割り当て問題を解決するための既存の問題定式化は、リソースのキャパシティユーティリティを不適切な方法で定義しているため不適切である。 問題をよりよく記述した新しい定式化が提案されている。
  論文  参考訳（メタデータ） (2022-01-12T08:52:04Z)
• Energy Efficient Edge Computing: When Lyapunov Meets Distributed Reinforcement Learning [12.845204986571053]
  本研究では,エッジコンピューティングによるエネルギー効率のよいオフロード問題について検討する。 考慮されたシナリオでは、複数のユーザが同時に無線およびエッジコンピューティングリソースを競う。 提案されたソリューションは、ベンチマークアプローチと比較してネットワークのエネルギー効率を高めることもできます。
  論文  参考訳（メタデータ） (2021-03-31T11:02:29Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• 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)

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。