論文の概要: Risk-Aware Control and Optimization for High-Renewable Power Grids
- arxiv url: http://arxiv.org/abs/2204.00950v1
- Date: Sat, 2 Apr 2022 22:58:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 11:25:31.985675
- Title: Risk-Aware Control and Optimization for High-Renewable Power Grids
- Title(参考訳): 高再生力グリッドのリスク意識制御と最適化
- Authors: Neil Barry, Minas Chatzos, Wenbo Chen, Dahye Han, Chaofan Huang,
Roshan Joseph, Michael Klamkin, Seonho Park, Mathieu Tanneau, Pascal Van
Hentenryck, Shangkun Wang, Hanyu Zhang and Haoruo Zhao
- Abstract要約: RAMCプロジェクトは、この決定論的設定からリスク認識フレームワークに移行する方法について調査している。
本稿では、RAMCがリスク対応市場クリアリングにどのようにアプローチするかをレビューし、不確実性定量化、最適化、機械学習におけるイノベーションの一部を提示する。
- 参考スコア(独自算出の注目度): 11.352041887858322
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The transition of the electrical power grid from fossil fuels to renewable
sources of energy raises fundamental challenges to the market-clearing
algorithms that drive its operations. Indeed, the increased stochasticity in
load and the volatility of renewable energy sources have led to significant
increases in prediction errors, affecting the reliability and efficiency of
existing deterministic optimization models. The RAMC project was initiated to
investigate how to move from this deterministic setting into a risk-aware
framework where uncertainty is quantified explicitly and incorporated in the
market-clearing optimizations. Risk-aware market-clearing raises challenges on
its own, primarily from a computational standpoint. This paper reviews how RAMC
approaches risk-aware market clearing and presents some of its innovations in
uncertainty quantification, optimization, and machine learning. Experimental
results on real networks are presented.
- Abstract(参考訳): 化石燃料から再生可能エネルギー源への電力網の移行は、その運用を推進する市場開拓アルゴリズムに根本的な課題をもたらす。
実際、負荷の確率性の増加と再生可能エネルギー源のボラティリティは予測誤差を著しく増加させ、既存の決定論的最適化モデルの信頼性と効率に影響を与える。
RAMCプロジェクトは、この決定論的設定から、不確実性を明示的に定量化し、市場浄化最適化に組み込むリスク認識フレームワークに移行する方法について、調査を開始した。
リスクを意識した市場浄化は、主に計算の観点から、独自の課題を提起する。
本稿では,ramcがリスク対応市場のクリアリングにどのようにアプローチするかをレビューし,不確実性定量化,最適化,機械学習におけるそのイノベーションをいくつか提示する。
実ネットワーク上での実験結果を示す。
関連論文リスト
- GAN-GRID: A Novel Generative Attack on Smart Grid Stability Prediction [53.2306792009435]
我々は,現実の制約に合わせたスマートグリッドの安定性予測システムを対象とした,新たな敵攻撃GAN-GRIDを提案する。
以上の結果から,データやモデル知識を欠いた,安定度モデルのみに武装した敵が,攻撃成功率0.99の安定度でデータを作成できることが判明した。
論文 参考訳(メタデータ) (2024-05-20T14:43:46Z) - Advancing Attack-Resilient Scheduling of Integrated Energy Systems with
Demand Response via Deep Reinforcement Learning [12.759244879222758]
本稿では,IDR(Integrated demand response)対応IESのためのDRL(State-adversarial Deep reinforcement Learning)に基づく,革新的なモデルレスレジリエンススケジューリング手法を提案する。
提案手法は, RESと負荷による不確実性に適切に対処し, サイバー攻撃がスケジューリング戦略に与える影響を軽減し, 各種エネルギー源に対する安定した需要供給を確保することができることを示す。
論文 参考訳(メタデータ) (2023-11-28T23:29:36Z) - Rethinking and Benchmarking Predict-then-Optimize Paradigm for
Combinatorial Optimization Problems [62.25108152764568]
多くのWebアプリケーションは、エネルギーコストを考慮したスケジューリング、Web広告の予算配分、ソーシャルネットワークでのグラフマッチングなど、最適化問題の解決に頼っている。
統一システムにおける予測と意思決定の性能について考察する。
我々は、現在のアプローチを包括的に分類し、既存の実験シナリオを統合する。
論文 参考訳(メタデータ) (2023-11-13T13:19:34Z) - A Stochastic Online Forecast-and-Optimize Framework for Real-Time Energy
Dispatch in Virtual Power Plants under Uncertainty [18.485617498705736]
本稿では,2つの要素から構成されるリアルタイム不確実性を考慮したエネルギー分散フレームワークを提案する。
提案するフレームワークは,リアルタイムデータ配信に迅速に適応すると同時に,データドリフトやモデルの不一致,制御プロセスの環境摂動などによる不確実性もターゲットとすることができる。
このフレームワークはCityLearn Challenge 2022で優勝し、エネルギー領域におけるAIアプリケーションの可能性を調べる影響力のある機会となった。
論文 参考訳(メタデータ) (2023-09-15T00:04:00Z) - Stabilizing Voltage in Power Distribution Networks via Multi-Agent
Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。
さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文 参考訳(メタデータ) (2022-06-08T07:48:42Z) - Learning Optimization Proxies for Large-Scale Security-Constrained
Economic Dispatch [11.475805963049808]
SCED(Security-Constrained Economic Dispatch)は、送信システムオペレーター(TSO)の基本最適化モデルである
本稿では,SCEDの最適解をミリ秒で予測できる機械学習(ML)モデルとして,SCEDの最適化プロキシを学習することを提案する。
数値実験は、フランスの送信システム上で報告され、リアルタイム操作と互換性のある時間枠内で、その手法が生成できることを実証する。
論文 参考訳(メタデータ) (2021-12-27T00:44:06Z) - A Probabilistic Forecast-Driven Strategy for a Risk-Aware Participation
in the Capacity Firming Market [30.828362290032935]
本稿では,グリッド接続型再生可能発電プラントとキャパシティホルディング市場における蓄電池装置のエネルギー管理について述べる。
近年開発された「正規化フロー」と呼ばれる深層学習モデルを用いて再生可能生成の定量的予測を生成する。
論文 参考訳(メタデータ) (2021-05-28T13:13:07Z) - 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) - 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。