論文の概要: Deep Reinforcement Learning for Long Term Hydropower Production Scheduling

• arxiv url: http://arxiv.org/abs/2012.06312v1
• Date: Wed, 9 Dec 2020 13:39:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 02:14:07.437392
• Title: Deep Reinforcement Learning for Long Term Hydropower Production Scheduling
• Title（参考訳）: 長期水力発電スケジューリングのための深層強化学習
• Authors: Signe Riemer-Sorensen, Gjert H. Rosenlund
• Abstract要約: 本研究では,水力発電の長期スケジューリングのための戦略として,深層強化学習の利用を検討する。 貯水池への毎週の流入と電力価格に対する年間収入を最適化することを目的としたユースケースを検討する。 提案モデルは,従来の最適化ツールを代替する準備が整っていないが,データリッチな水力スケジューリング分野における強化学習の補完的可能性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We explore the use of deep reinforcement learning to provide strategies for long term scheduling of hydropower production. We consider a use-case where the aim is to optimise the yearly revenue given week-by-week inflows to the reservoir and electricity prices. The challenge is to decide between immediate water release at the spot price of electricity and storing the water for later power production at an unknown price, given constraints on the system. We successfully train a soft actor-critic algorithm on a simplified scenario with historical data from the Nordic power market. The presented model is not ready to substitute traditional optimisation tools but demonstrates the complementary potential of reinforcement learning in the data-rich field of hydropower scheduling.
• Abstract（参考訳）: 我々は,水力発電の長期スケジューリングのための戦略を提供するため,深層強化学習の利用について検討する。 貯水池への毎週の流入と電力価格に対する年間収入を最適化することを目的としたユースケースを検討する。 課題は、電気のスポット価格での即時放水と、システムに制約があるため、後の発電のために水を未知の価格で保存することを決定することである。 我々は,北欧電力市場の歴史的データを用いて,簡易なシナリオでソフトアクター批判アルゴリズムのトレーニングに成功した。 提案モデルは,従来の最適化ツールを代替する準備ができていないが,データ豊富な水力スケジューリング分野における強化学習の補完的可能性を示す。

関連論文リスト

• Deep learning-based flow disaggregation for short-term hydropower plant operations [2.4874453414078896]
  高時間分解能データは、短期的水力発電所の運用において重要な役割を担っている。 本研究では,短期的な水力発電プラント運用のための日中流入データから時間毎の流入データを導出する深層学習に基づく時系列デアグリゲーションモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-11T10:52:43Z)
• Price-Aware Deep Learning for Electricity Markets [58.3214356145985]
  深層学習層として電力市場浄化最適化を組み込むことを提案する。 このレイヤを差別化することで、予測と価格エラーのバランスをとることができる。 風力発電予測と短期電力市場浄化のネクサスにおける価格認識深層学習について紹介する。
  論文  参考訳（メタデータ） (2023-08-02T21:16:05Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Multiobjective Hydropower Reservoir Operation Optimization with Transformer-Based Deep Reinforcement Learning [14.376630486051795]
  提案手法はコロラド川流域のミード湖とパウエル湖に適用される。 発電量は10.11%増加し、修正された年間比例流量の偏差は39.69%減少し、水道収入は4.10%増加した。
  論文  参考訳（メタデータ） (2023-07-11T10:38:31Z)
• Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
  生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。 地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。 本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:12:30Z)
• 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)
• Prediction-Free, Real-Time Flexible Control of Tidal Lagoons through Proximal Policy Optimisation: A Case Study for the Swansea Lagoon [0.0]
  We propose a novel optimized operation of tidal lagoons with proximal policy optimization through Unity ML-Agents。 我々は,タービンとスライスを最適化した運転方針により,エネルギー生成の最大化に成功していることを示す。
  論文  参考訳（メタデータ） (2021-06-18T21:34:12Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• A Deep Learning Forecaster with Exogenous Variables for Day-Ahead Locational Marginal Price [0.0]
  本稿では,非規制エネルギー市場における日頭位置限界価格(daLMP)を予測するためのディープラーニングモデルを提案する。 この記事では、提案モデルが従来の時系列技術より優れていることを示し、シャットダウン決定のリスクベースの分析をサポートする。
  論文  参考訳（メタデータ） (2020-10-13T16:34:13Z)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)
• 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)

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。