論文の概要: Confidence Estimation Transformer for Long-term Renewable Energy Forecasting in Reinforcement Learning-based Power Grid Dispatching

• arxiv url: http://arxiv.org/abs/2204.04612v1
• Date: Sun, 10 Apr 2022 06:18:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-14 10:26:39.799938
• Title: Confidence Estimation Transformer for Long-term Renewable Energy Forecasting in Reinforcement Learning-based Power Grid Dispatching
• Title（参考訳）: 強化学習型電力網配電における長期再生可能エネルギー予測のための信頼度推定トランス
• Authors: Xinhang Li, Zihao Li, Nan Yang, Zheng Yuan, Qinwen Wang, Yiying Yang, Yupeng Huang, Xuri Song, Lei Li, Lin Zhang
• Abstract要約: 本稿では,強化学習に基づく電力グリッドの配電における長期再生可能エネルギー予測のための信頼度推定変換器を提案する。 SG-126電力グリッドシミュレータで行った実験によると、コンフォーマー・RLパッチングはセキュリティスコアにおいて2番目のアルゴリズムDDPGよりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 17.41017767906797
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The expansion of renewable energy could help realizing the goals of peaking carbon dioxide emissions and carbon neutralization. Some existing grid dispatching methods integrating short-term renewable energy prediction and reinforcement learning (RL) have been proved to alleviate the adverse impact of energy fluctuations risk. However, these methods omit the long-term output prediction, which leads to stability and security problems on the optimal power flow. This paper proposes a confidence estimation Transformer for long-term renewable energy forecasting in reinforcement learning-based power grid dispatching (Conformer-RLpatching). Conformer-RLpatching predicts long-term active output of each renewable energy generator with an enhanced Transformer to boost the performance of hybrid energy grid dispatching. Furthermore, a confidence estimation method is proposed to reduce the prediction error of renewable energy. Meanwhile, a dispatching necessity evaluation mechanism is put forward to decide whether the active output of a generator needs to be adjusted. Experiments carried out on the SG-126 power grid simulator show that Conformer-RLpatching achieves great improvement over the second best algorithm DDPG in security score by 25.8% and achieves a better total reward compared with the golden medal team in the power grid dispatching competition sponsored by State Grid Corporation of China under the same simulation environment. Codes are outsourced in https://github.com/buptlxh/Conformer-RLpatching.
• Abstract（参考訳）: 再生可能エネルギーの拡大は、二酸化炭素排出量のピークと炭素中性化の目標を実現するのに役立つ。 短期再生可能エネルギー予測と強化学習(RL)を統合した既存のグリッドディスパッチ手法は、エネルギー変動リスクの悪影響を軽減することが証明されている。 しかし、これらの手法は長期出力予測を省略し、最適電力流の安定性とセキュリティ上の問題を引き起こす。 本稿では,強化学習型電力グリッドディスパッチング(conformer-rlpatching)における長期再生可能エネルギー予測のための信頼度推定トランスを提案する。 conformer-rlpatchingは、ハイブリッド・エネルギ・グリッド・ディスパッチングの性能を高めるために、トランスフォーマによって各再生可能エネルギー発生器の長期アクティブ出力を予測する。 さらに,再生可能エネルギーの予測誤差を低減するため,信頼度推定手法を提案する。 一方、ジェネレータのアクティブ出力を調整する必要があるか否かを判定するために、ディスパッチ要求評価機構がフォワードされる。 SG-126電力グリッドシミュレータで行った実験によると、コンフォーマー・ラパチンチはセキュリティスコアの2番目の最適アルゴリズムDDPGを25.8%向上させ、同じシミュレーション環境下でのステートグリッド・コーポレーションが主催する電力グリッド配電コンペティションにおいて、金メダルチームよりも優れた合計報酬を得る。 コードはhttps://github.com/buptlxh/Conformer-RLpatchingでアウトソースされる。

関連論文リスト

• Hiformer: Hybrid Frequency Feature Enhancement Inverted Transformer for Long-Term Wind Power Prediction [6.936415534357298]
  ハイブリット周波数特徴強調変換器(ハイフォーマ)という新しい手法を提案する。 Hiformerは、気象条件と風力発電の相関関係のモデリングを強化するために、信号分解技術と気象特徴抽出技術を統合する。 最先端の手法と比較して、(i)予測精度を最大52.5%向上させ、(ii)計算時間を最大68.5%削減することができる。
  論文  参考訳（メタデータ） (2024-10-17T08:00:36Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• 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)
• Combating Uncertainties in Wind and Distributed PV Energy Sources Using Integrated Reinforcement Learning and Time-Series Forecasting [2.774390661064003]
  再生可能エネルギーの予測不能は 電力供給会社や電力会社に 課題をもたらします i)Long-Short Term Memory (LSTM) ソリューションを用いた時系列予測と,(ii)Deep Deterministic Policy Gradient (DDPG)アルゴリズムを用いたマルチエージェント強化学習による分散動的意思決定フレームワークの確立という,スマートグリッドにおける再生可能エネルギーの不確実性に対処する新たなフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-27T19:12:50Z)
• 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)
• Power Grid Congestion Management via Topology Optimization with AlphaZero [0.27998963147546135]
  本稿では,AlphaZeroをベースとしたグリッドトポロジ最適化手法を提案する。 WCCI 2022ではL2RPN(Learning to Run a Power Network)コンペで1位にランクインした。
  論文  参考訳（メタデータ） (2022-11-10T14:39:28Z)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
  大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。 本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
  論文  参考訳（メタデータ） (2022-07-21T23:02:35Z)
• Cascaded Deep Hybrid Models for Multistep Household Energy Consumption Forecasting [5.478764356647437]
  本研究は,多段階家庭電力消費予測のための2つのハイブリッドキャスケードモデルを提案する。 提案したハイブリッドモデルでは,既存のマルチステップ電力消費予測手法よりも優れた予測性能が得られる。
  論文  参考訳（メタデータ） (2022-07-06T11:02:23Z)
• 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)
• 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。