論文の概要: Operating Envelopes under Probabilistic Electricity Demand and Solar Generation Forecasts

• arxiv url: http://arxiv.org/abs/2207.09818v1
• Date: Wed, 20 Jul 2022 11:07:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 14:26:45.849464
• Title: Operating Envelopes under Probabilistic Electricity Demand and Solar Generation Forecasts
• Title（参考訳）: 確率的電力需要と太陽光発電予測に基づくエンベロープの運用
• Authors: Yu Yi, Gregor Verbic
• Abstract要約: 本研究では,家庭用太陽光発電と電力需要を予測する条件付き生成逆ネットワーク(CGAN)モデルを設計する。 CGANベースのモデルは、不確実性の下で公正な操作エンベロープを計算するのに使用される機会制約の最適電力フローへの入力として機能する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing penetration of distributed energy resources in low-voltage networks is turning end-users from consumers to prosumers. However, the incomplete smart meter rollout and paucity of smart meter data due to the regulatory separation between retail and network service provision make active distribution network management difficult. Furthermore, distribution network operators oftentimes do not have access to real-time smart meter data, which creates an additional challenge. For the lack of better solutions, they use blanket rooftop solar export limits, leading to suboptimal outcomes. To address this, we designed a conditional generative adversarial network (CGAN)-based model to forecast household solar generation and electricity demand, which serves as an input to chance-constrained optimal power flow used to compute fair operating envelopes under uncertainty.
• Abstract（参考訳）: 低電圧ネットワークにおける分散型エネルギー資源の普及が、エンドユーザーを消費者からプロシューマーに転換しつつある。 しかし、小売とネットワークサービス提供の規制的な分離によるスマートメータデータの不完全なロールアウトとパデューシティは、アクティブな流通ネットワーク管理を困難にしている。 さらに、分散ネットワークオペレータは、しばしばリアルタイムのスマートメーターデータにアクセスできないため、さらなる課題が生じる。 より良い解決策がないため、彼らは屋根の屋根のソーラー輸出制限を使い、最適以下の結果をもたらす。 そこで本研究では,不確実性下での公平な運転エンベロープの計算に用いる最適潮流の入力として,家庭の太陽光発電と電力需要を予測するための条件付きジェネレイティブ・コンバーサリー・ネットワーク(cgan)モデルを設計した。

関連論文リスト

• Towards Secured Smart Grid 2.0: Exploring Security Threats, Protection Models, and Challenges [12.617592574705297]
  本稿では,電力網事業者,通信ネットワーク事業者,消費者の3つの利害関係者に対するセキュリティ脅威と防衛戦略について検討する。 調査を通じて、SG2のステークホルダーは特に、サブステーション攻撃/バンダリズム、マルウェア/ランサムウェアの脅威、ブロックチェーンの脆弱性、サプライチェーンの破壊に弱いことがわかった。
  論文  参考訳（メタデータ） (2024-11-07T01:52:08Z)
• Optimal Scheduling of Electric Vehicle Charging with Deep Reinforcement Learning considering End Users Flexibility [1.3812010983144802]
  本研究は、Deep Reinforcement Learning、より具体的にはDeep Q-Networks (DQN)を用いて、家庭のEVコスト削減課金政策を、タイム・オブ・ユース関税方式で識別することを目的とする。 新しいエンドユーザーフレキシビリティ・ポテンシャル報酬は、ソーラー発電の家庭がアルゴリズムの訓練とテストに使われている歴史的データ分析から推測される。
  論文  参考訳（メタデータ） (2023-10-13T12:07:36Z)
• 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)
• FedREP: Towards Horizontal Federated Load Forecasting for Retail Energy Providers [1.1254693939127909]
  我々は、エネルギー負荷予測のための新しい水平プライバシー保護フェデレーション学習フレームワーク、フェデレーション(FedREP)を提案する。 我々は、複数のREPがデータを共有することなく、共通の堅牢な機械学習モデルを構築することを可能にすることにより、制御センタと複数の小売業者からなる連合学習システムを考える。 予測には、長期の観測シーケンスを学習できるため、最先端のLong Short-Term Memory(LSTM)ニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2022-03-01T04:16:19Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• 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。