論文の概要: A Multi-Agent Deep Reinforcement Learning Approach for a Distributed
Energy Marketplace in Smart Grids
- arxiv url: http://arxiv.org/abs/2009.10905v1
- Date: Wed, 23 Sep 2020 02:17:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 17:04:37.201004
- Title: A Multi-Agent Deep Reinforcement Learning Approach for a Distributed
Energy Marketplace in Smart Grids
- Title（参考訳）: スマートグリッドにおける分散エネルギー市場のためのマルチエージェント深層強化学習手法
- Authors: Arman Ghasemi, Amin Shojaeighadikolaei, Kailani Jones, Morteza
Hashemi, Alexandru G. Bardas, Reza Ahmadi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 58.666456917115056
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a Reinforcement Learning (RL) based energy market for a
prosumer dominated microgrid. The proposed market model facilitates a real-time
and demanddependent dynamic pricing environment, which reduces grid costs and
improves the economic benefits for prosumers. Furthermore, this market model
enables the grid operator to leverage prosumers storage capacity as a
dispatchable asset for grid support applications. Simulation results based on
the Deep QNetwork (DQN) framework demonstrate significant improvements of the
24-hour accumulative profit for both prosumers and the grid operator, as well
as major reductions in grid reserve power utilization.
- Abstract（参考訳）: 本稿では,プロシューマー支配型マイクログリッドのための強化学習(rl)ベースの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。
さらに、この市場モデルにより、グリッドオペレータは、グリッドサポートアプリケーションのディスパッチ可能なアセットとして、prosumersストレージ容量を活用できる。
深層qnetwork (dqn) フレームワークに基づくシミュレーションの結果,24時間蓄積利益のプロシューマーとグリッドオペレータの双方に対する有意な改善と,グリッドリザーブ電力利用の大幅な削減が示された。
関連論文リスト
- Combating Uncertainties in Wind and Distributed PV Energy Sources Using
Integrated Reinforcement Learning and Time-Series Forecasting [2.774390661064003]
再生可能エネルギーの予測不能は 電力供給会社や電力会社に 課題をもたらします
i)Long-Short Term Memory (LSTM) ソリューションを用いた時系列予測と,(ii)Deep Deterministic Policy Gradient (DDPG)アルゴリズムを用いたマルチエージェント強化学習による分散動的意思決定フレームワークの確立という,スマートグリッドにおける再生可能エネルギーの不確実性に対処する新たなフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-27T19:12:50Z) - 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) - Operating Envelopes under Probabilistic Electricity Demand and Solar
Generation Forecasts [0.0]
本研究では,家庭用太陽光発電と電力需要を予測する条件付き生成逆ネットワーク(CGAN)モデルを設計する。
CGANベースのモデルは、不確実性の下で公正な操作エンベロープを計算するのに使用される機会制約の最適電力フローへの入力として機能する。
論文 参考訳（メタデータ） (2022-07-20T11:07:46Z) - Multi-Objective Reinforcement Learning based Multi-Microgrid System
Optimisation Problem [4.338938227238059]
エネルギー貯蔵システムと分散型再生可能エネルギー源を備えたマイクログリッドは、従来の電源からの消費を減らし、CO$の排出を抑える上で重要な役割を担っている。
マルチマイクログリッドを分散電力グリッドに接続することで、システムのセキュリティとプライバシを高めるため、より堅牢で信頼性の高い操作が可能になる。
提案モデルは,スマートグリッド層,独立系演算子層(ISO)層,電力グリッド層という3つの層から構成される。
論文 参考訳（メタデータ） (2021-03-10T23:01:22Z) - Demand Responsive Dynamic Pricing Framework for Prosumer Dominated
Microgrids using Multiagent Reinforcement Learning [59.28219519916883]
本稿では,実時間価格(RTP)DR技術を実装したマルチエージェント強化学習に基づく意思決定環境を提案する。
提案手法は,従来のDR法に共通するいくつかの欠点に対処し,グリッド演算子とプロシューマーに大きな経済的利益をもたらす。
論文 参考訳（メタデータ） (2020-09-23T01:44:57Z) - Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning
for Smart Grids [56.35173057183362]
家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。
目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。
マルコフゲームとしてスマートグリッド環境の定式化を提案する。
論文 参考訳（メタデータ） (2020-05-05T07:32:40Z) - 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。