論文の概要: A Two-Layer Near-Optimal Strategy for Substation Constraint Management via Home Batteries

• arxiv url: http://arxiv.org/abs/2108.06735v1
• Date: Sun, 15 Aug 2021 13:16:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-17 14:47:26.181872
• Title: A Two-Layer Near-Optimal Strategy for Substation Constraint Management via Home Batteries
• Title（参考訳）: 家庭用電池による変電所制約管理のための2層近接最適戦略
• Authors: Igor Melatti, Federico Mari, Toni Mancini, Milan Prodanovic, Enrico Tronci
• Abstract要約: ホームバッテリは、効率よく、かつ、ユーザを犠牲にするサブステーションの制約管理を可能にするという約束を持っている。 本稿では,サービス提供者による家電機器の直接制御を回避するため,家庭用電池の2層制御方式を提案する。 デンマークの62世帯のフィールドデータを用いたシミュレーションの結果, 提案手法で達成したサブステーション制約管理効率は, 少なくとも82%であることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Within electrical distribution networks, substation constraints management requires that aggregated power demand from residential users is kept within suitable bounds. Efficiency of substation constraints management can be measured as the reduction of constraints violations w.r.t. unmanaged demand. Home batteries hold the promise of enabling efficient and user-oblivious substation constraints management. Centralized control of home batteries would achieve optimal efficiency. However, it is hardly acceptable by users, since service providers (e.g., utilities or aggregators) would directly control batteries at user premises. Unfortunately, devising efficient hierarchical control strategies, thus overcoming the above problem, is far from easy. We present a novel two-layer control strategy for home batteries that avoids direct control of home devices by the service provider and at the same time yields near-optimal substation constraints management efficiency. Our simulation results on field data from 62 households in Denmark show that the substation constraints management efficiency achieved with our approach is at least 82% of the one obtained with a theoretical optimal centralized strategy.
• Abstract（参考訳）: 電気配電網では、住宅利用者からの電力需要の集約は適切な範囲に抑えられなければならない。 サブステーション制約管理の効率は、制約違反w.r.tの低減として測定できる。 無管理の要求だ ホームバッテリは、効率的な、そして、ユーザによる制約管理を可能にするという約束を持っている。 家庭用バッテリーの集中制御は最適な効率を実現するだろう。 しかし、サービス提供者(ユーティリティやアグリゲータなど)がユーザー・前提で直接バッテリーを制御できるため、ユーザーにとってほとんど受け入れられない。 残念ながら、上記の問題を克服する効率的な階層制御戦略を考案するのは容易ではない。 本稿では,サービス提供者による家電機器の直接制御を回避し,ほぼ最適の変電所制約管理効率を生ずる家庭用電池の2層制御戦略を提案する。 デンマークの62世帯のフィールドデータを用いたシミュレーションの結果, 提案手法により達成されたサブステーション制約管理効率は, 理論的最適集中戦略により得られた世帯の82%以上であることがわかった。

関連論文リスト

• Local Bayesian Optimization for Controller Tuning with Crash Constraints [47.30677525394649]
  我々は最近提案されたBOの局所変種をクラッシュ制約を含むように拡張し、制御器は未知の既知領域でしか評価できないようにした。 本研究は,制御性能の向上とチューニングに必要な時間と資源の削減を目的としたローカルBOの可能性を示すものである。
  論文  参考訳（メタデータ） (2024-11-25T10:37:48Z)
• 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)
• Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
  ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。 本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。 我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
  論文  参考訳（メタデータ） (2024-04-05T17:58:37Z)
• Explainable Reinforcement Learning-based Home Energy Management Systems using Differentiable Decision Trees [4.573008040057806]
  住宅セクターは、太陽光発電、家庭用バッテリー、EVの採用の増加により、柔軟性を損なう主要かつ未解決の源となっている。 微分可能な決定木を用いた強化学習に基づくアプローチを提案する。 このアプローチは、データ駆動強化学習のスケーラビリティと(微分可能)決定木の説明可能性を統合する。 概念実証として,家庭内エネルギー管理問題を用いて提案手法を解析し,その性能を市販のルールベースベースラインと標準ニューラルネットワークベースRLコントローラと比較した。
  論文  参考訳（メタデータ） (2024-03-18T16:40:41Z)
• A Safe Reinforcement Learning Algorithm for Supervisory Control of Power Plants [7.1771300511732585]
  モデルフリー強化学習(RL)は、制御タスクのための有望なソリューションとして登場した。 本稿では,監督制御のための近似ポリシ最適化に基づく確率制約付きRLアルゴリズムを提案する。 本手法は, 原子力プラント設計における負荷追従操作において, 違反距離と違反率の最小化を実現するものである。
  論文  参考訳（メタデータ） (2024-01-23T17:52:49Z)
• MERLIN: Multi-agent offline and transfer learning for occupant-centric energy flexible operation of grid-interactive communities using smart meter data and CityLearn [0.0]
  ビルの脱炭は, 送電網の信頼性に新たな課題をもたらす。 我々は,MERLINフレームワークを提案し,CityLearnの現実的なグリッド・インタラクティブな住宅コミュニティのデジタルツインを利用する。 電池の独立型RL制御器は、個々の建物に対するポリシーを調整することによって、基準よりも建物や地区レベルが向上することを示す。
  論文  参考訳（メタデータ） (2022-12-31T21:37:14Z)
• 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)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Enforcing Policy Feasibility Constraints through Differentiable Projection for Energy Optimization [57.88118988775461]
  本稿では,ニューラルポリシー内での凸操作制約を強制するために,PROF(Projected Feasibility)を提案する。 エネルギー効率の高い建築操作とインバータ制御の2つの応用についてPROFを実証する。
  論文  参考訳（メタデータ） (2021-05-19T01:58:10Z)
• Multi-Stage Transmission Line Flow Control Using Centralized and Decentralized Reinforcement Learning Agents [4.371363189163314]
  電力グリッドフロー制御問題はマルコフ決定過程(MDP)として定式化される 提案手法の有効性は、SGCC Zhejiang Electric Power Companyの電力グリッドの運用に使用される一連の実際の計画ケースで検証される。
  論文  参考訳（メタデータ） (2021-02-16T19:54:30Z)
• 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。