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
- 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) - A Safe Genetic Algorithm Approach for Energy Efficient Federated
Learning in Wireless Communication Networks [53.561797148529664]
フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。
FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。
現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
論文 参考訳(メタデータ) (2023-06-25T13:10:38Z) - 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) - Contingency-constrained economic dispatch with safe reinforcement
learning [7.407841890626662]
強化学習ベース(RL)コントローラはこの課題に対処できるが、それ自体が安全保証を提供することはできない。
本稿では,経済派遣のための公式なRLコントローラを提案する。
従来の制約を時間依存制約によって拡張する。
安全でないアクションは安全なアクション空間に投影され、制約付きゾノトペ集合表現を計算効率に活用する。
論文 参考訳(メタデータ) (2022-05-12T16:52:48Z) - 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) - Data-driven MIMO control of room temperature and bidirectional EV
charging using deep reinforcement learning: simulation and experiments [0.0]
建物におけるマルチインプットマルチアウトプット(MIMO)問題の制御方針を得るための,完全ブラックボックスデータ駆動方式を提案する。
目的は、次の旅行に十分なエネルギーをEVバッテリーに残しながら、乗員の快適さと省エネを最大化することである。
リカレントニューラルネットワークとピースワイズ線形関数を用いて室温とEV充電をモデル化しました。
論文 参考訳(メタデータ) (2021-03-02T17:31:57Z) - 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) - 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) - 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。