論文の概要: A Learning-based Optimal Market Bidding Strategy for Price-Maker Energy Storage

• arxiv url: http://arxiv.org/abs/2106.02396v1
• Date: Fri, 4 Jun 2021 10:22:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 23:19:49.276594
• Title: A Learning-based Optimal Market Bidding Strategy for Price-Maker Energy Storage
• Title（参考訳）: 価格メーカーエネルギー貯蔵のための学習型最適市場入札戦略
• Authors: Mathilde D. Badoual, Scott J. Moura
• Abstract要約: モデルベースコントローラを用いたオンラインスーパーバイザード・アクター・クリティカル (SAC) アルゴリズム-モデル予測制御 (MPC) を実装した。 エネルギー貯蔵剤は、市場浄化価格への影響を学習し、調整しながら最適な入札を行うように、このアルゴリズムを用いて訓練される。 私たちのコントリビューションは、オンラインで安全なSACアルゴリズムであり、現在のモデルベースの現状よりも優れています。
• 参考スコア（独自算出の注目度）: 3.0839245814393728
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Load serving entities with storage units reach sizes and performances that can significantly impact clearing prices in electricity markets. Nevertheless, price endogeneity is rarely considered in storage bidding strategies and modeling the electricity market is a challenging task. Meanwhile, model-free reinforcement learning such as the Actor-Critic are becoming increasingly popular for designing energy system controllers. Yet implementation frequently requires lengthy, data-intense, and unsafe trial-and-error training. To fill these gaps, we implement an online Supervised Actor-Critic (SAC) algorithm, supervised with a model-based controller -- Model Predictive Control (MPC). The energy storage agent is trained with this algorithm to optimally bid while learning and adjusting to its impact on the market clearing prices. We compare the supervised Actor-Critic algorithm with the MPC algorithm as a supervisor, finding that the former reaps higher profits via learning. Our contribution, thus, is an online and safe SAC algorithm that outperforms the current model-based state-of-the-art.
• Abstract（参考訳）: ストレージユニットを備えた負荷サービスエンティティは、電力市場の価格の清算に大きな影響を及ぼす大きさと性能に到達します。 しかし、蓄電入札戦略において価格の不均一性はめったに考慮されず、電力市場をモデル化することは難しい課題である。 一方、アクタ-クリティックのようなモデルフリーの強化学習は、エネルギーシステムコントローラの設計で人気が高まっている。 しかし、実装には長い、データインテンス、安全でない試行とエラーのトレーニングがしばしば必要となる。 これらのギャップを埋めるために,モデルベースコントローラ -- モデル予測制御 (mpc) によるオンライン教師付きアクタ-クリティック (sac) アルゴリズムを実装した。 エネルギー貯蔵エージェントは、このアルゴリズムでトレーニングされ、市場の清算価格への影響を学習し、調整しながら最適な入札を行う。 教師付きアクター・クライブアルゴリズムと MPC アルゴリズムをスーパーバイザーとして比較した結果,前者は学習によって高い利益を得ることがわかった。 私たちのコントリビューションは、オンラインで安全なSACアルゴリズムであり、現在のモデルベースの現状よりも優れています。

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)
• Centralized vs. Decentralized Multi-Agent Reinforcement Learning for Enhanced Control of Electric Vehicle Charging Networks [1.9188272016043582]
  本稿では,MARL(Multi-Agent Reinforcement Learning)フレームワークを用いた分散・協調型充電戦略の新たなアプローチを提案する。 本手法は, 住宅街におけるEV群を対象としたDDPGアルゴリズムに基づいて構築した。 以上の結果から, CTDE-DDPGフレームワークは, 政策のばらつきや訓練の複雑さが高いにもかかわらず, 総変動率を約36パーセント, 充電コストを平均9.1程度削減することにより, 充電効率を著しく向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-04-18T21:50:03Z)
• Deep Reinforcement Learning for Community Battery Scheduling under Uncertainties of Load, PV Generation, and Energy Prices [5.694872363688119]
  本稿では,不確実性が存在する場合に,コミュニティバッテリーシステムのスケジューリングを行うための深層強化学習(RL)戦略を提案する。 コミュニティバッテリーは、ローカルPVエネルギーの統合、ピーク負荷の低減、および調停のためのエネルギー価格変動の活用において、多用途の役割を担っている。
  論文  参考訳（メタデータ） (2023-12-04T13:45:17Z)
• Multi-market Energy Optimization with Renewables via Reinforcement Learning [1.0878040851638]
  本稿では,再生可能エネルギーと貯蔵量を組み合わせた発電プラントの運転を最適化するための深層強化学習フレームワークを提案する。 このフレームワークは、ストレージデバイスによる時間結合、再生可能エネルギー生成の不確実性、エネルギー価格、非線形ストレージモデルなどの複雑さを扱う。 複雑なストレージモデルを統合するためにRLを使用し、凸と微分可能なコンポーネントモデルを必要とする最適化ベースのメソッドの制限を克服する。
  論文  参考訳（メタデータ） (2023-06-13T21:35:24Z)
• 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)
• Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
  電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。 具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。 本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
  論文  参考訳（メタデータ） (2021-10-18T00:50:34Z)
• 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)
• 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)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。