論文の概要: Emission-aware Energy Storage Scheduling for a Greener Grid
- arxiv url: http://arxiv.org/abs/2005.12234v1
- Date: Mon, 25 May 2020 17:11:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 12:20:41.483407
- Title: Emission-aware Energy Storage Scheduling for a Greener Grid
- Title（参考訳）: グリーングリッドのためのエミッションアウェアエネルギー貯蔵スケジューリング
- Authors: Rishikesh Jha, Stephen Lee, Srinivasan Iyengar, Mohammad H.
Hajiesmaili, David Irwin, Prashant Shenoy
- Abstract要約: グリッドの二酸化炭素排出量を減らすためにグリッドにエネルギー貯蔵を使用するという課題について検討する。
分散ストレージを利用することで、電力会社は効率が悪く、最も炭素集約的な発電所への依存を減らすことができる。
その結果、年間二酸化炭素排出量は0.5万kg以上減少しており、電力網の排出量は23.3%減少している。
- 参考スコア（独自算出の注目度）: 3.3666214913565224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reducing our reliance on carbon-intensive energy sources is vital for
reducing the carbon footprint of the electric grid. Although the grid is seeing
increasing deployments of clean, renewable sources of energy, a significant
portion of the grid demand is still met using traditional carbon-intensive
energy sources. In this paper, we study the problem of using energy storage
deployed in the grid to reduce the grid's carbon emissions. While energy
storage has previously been used for grid optimizations such as peak shaving
and smoothing intermittent sources, our insight is to use distributed storage
to enable utilities to reduce their reliance on their less efficient and most
carbon-intensive power plants and thereby reduce their overall emission
footprint. We formulate the problem of emission-aware scheduling of distributed
energy storage as an optimization problem, and use a robust optimization
approach that is well-suited for handling the uncertainty in load predictions,
especially in the presence of intermittent renewables such as solar and wind.
We evaluate our approach using a state of the art neural network load
forecasting technique and real load traces from a distribution grid with 1,341
homes. Our results show a reduction of >0.5 million kg in annual carbon
emissions -- equivalent to a drop of 23.3% in our electric grid emissions.
- Abstract（参考訳）: 電力網の炭素フットプリントを減らすためには、炭素集約的なエネルギー源への依存を減らすことが不可欠である。
電力網はクリーンで再生可能エネルギー源の展開が増えているが、電力網の需要の大部分は従来の炭素集約エネルギー源で満たされている。
本稿では,グリッドに配置したエネルギー貯蔵をグリッドの二酸化炭素排出量削減に利用することの問題点について検討する。
エネルギー貯蔵は、かつてはピークシェービングや間欠的ソースの平滑化といったグリッド最適化に用いられてきたが、我々の洞察は、分散ストレージを利用することで、電力会社が効率の低い、ほとんどの炭素集約発電所への依存を減らし、総排出量を減らすことである。
本稿では, 負荷予測の不確実性, 特に太陽や風などの断続的再生可能エネルギーの存在に好適な, 頑健な最適化手法を用いて, 分散エネルギー貯蔵のエミッションアウェアスケジューリングの問題を最適化問題として定式化する。
我々は,1,341戸の配電網から,最先端のニューラルネットワーク負荷予測手法と実負荷トレースを用いて,本手法の評価を行った。
その結果、年間二酸化炭素排出量は0.5万kg以上減少し、電力網の排出量は23.3%減少した。
関連論文リスト
- Carbon Footprint Reduction for Sustainable Data Centers in Real-Time [2.794742330785396]
本稿では, 炭素フットプリント削減, エネルギー消費, エネルギーコストの目的のために, データセンターを最適化するための多エージェント強化学習(MARL)フレームワークを提案する。
その結果,DC-CFR MARLエージェントは実世界の動的気象条件やグリッド炭素強度条件下での様々な場所での冷却,負荷シフト,エネルギー貯蔵の最適化において,複雑な相互依存性を効果的に解決した。
論文 参考訳（メタデータ） (2024-03-21T02:59:56Z) - Equitable Network-Aware Decarbonization of Residential Heating at City
Scale [0.9099663022952497]
都市規模で住宅暖房を脱炭酸するためのネットワーク対応最適化フレームワークを提案する。
我々は、実世界のガス使用量、電気使用量、グリッドインフラデータを用いて、米国のニューイングランドの都市に我々の枠組みを適用する。
論文 参考訳（メタデータ） (2023-01-11T22:55:30Z) - 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) - Power Grid Congestion Management via Topology Optimization with
AlphaZero [0.27998963147546135]
本稿では,AlphaZeroをベースとしたグリッドトポロジ最適化手法を提案する。
WCCI 2022ではL2RPN(Learning to Run a Power Network)コンペで1位にランクインした。
論文 参考訳（メタデータ） (2022-11-10T14:39:28Z) - Battery and Hydrogen Energy Storage Control in a Smart Energy Network
with Flexible Energy Demand using Deep Reinforcement Learning [2.5666730153464465]
電池と水素の蓄電池を組み合わせたハイブリッド型蓄電池システムを提案する。
本稿では,ハイブリッドエネルギー貯蔵システムのスケジューリングとエネルギー需要をリアルタイムに最適化する,深層強化学習に基づく制御手法を提案する。
論文 参考訳（メタデータ） (2022-08-26T16:47:48Z) - Sustainability using Renewable Electricity (SuRE) towards NetZero
Emissions [0.0]
エネルギー需要の増加は環境に深刻な脅威をもたらす。
ほとんどのエネルギー源は再生不可能であり、化石燃料をベースとしており、有害な温室効果ガスの排出につながる。
我々は、組織が全エネルギー消費において、全体の再生可能電力シェアを増やすために使用できるスケーラブルなAIベースのソリューションを提案する。
論文 参考訳（メタデータ） (2022-02-26T10:04:26Z) - Modelling the transition to a low-carbon energy supply [91.3755431537592]
気候変動の影響を制限するため、低炭素電力供給への移行が不可欠である。
二酸化炭素排出量の削減は、世界がピーク点に達するのを防ぐのに役立ちます。
排気ガスの排出は、世界中の気象条件の極端に繋がる可能性がある。
論文 参考訳（メタデータ） (2021-09-25T12:37:05Z) - A Multi-Agent Deep Reinforcement Learning Approach for a Distributed
Energy Marketplace in Smart Grids [58.666456917115056]
本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。
提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
論文 参考訳（メタデータ） (2020-09-23T02:17:51Z) - Optimizing carbon tax for decentralized electricity markets using an
agent-based model [69.3939291118954]
人為的気候変動の影響を避けるためには、化石燃料から低炭素技術への移行が必要である。
炭素税は、この移行を支援する効率的な方法であることが示されている。
NSGA-IIの遺伝的アルゴリズムを用いて、電力混合の平均電気価格と相対炭素強度を最小化する。
論文 参考訳（メタデータ） (2020-05-28T06:54:43Z) - 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) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳（メタデータ） (2020-01-31T05:12:59Z)
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。