論文の概要: Active Distribution System Coordinated Control Method via Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2207.14642v1
• Date: Tue, 12 Jul 2022 13:46:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-07 14:38:41.901645
• Title: Active Distribution System Coordinated Control Method via Artificial Intelligence
• Title（参考訳）: 人工知能による能動配電系統協調制御方法
• Authors: Matthew Lau, Kayla Thames and Sakis Meliopoulos
• Abstract要約: 通常の電圧と周波数で確実に確実に電力を供給するためには、システムを制御する必要がある。 自己認識機構を持つニューラルネットワークは,システムの最適化に役立つ可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The increasing deployment of end use power resources in distribution systems created active distribution systems. Uncontrolled active distribution systems exhibit wide variations of voltage and loading throughout the day as some of these resources operate under max power tracking control of highly variable wind and solar irradiation while others exhibit random variations and/or dependency on weather conditions. It is necessary to control the system to provide power reliably and securely under normal voltages and frequency. Classical optimization approaches to control the system towards this goal suffer from the dimensionality of the problem and the need for a global optimization approach to coordinate a huge number of small resources. Artificial Intelligence (AI) methods offer an alternative that can provide a practical approach to this problem. We suggest that neural networks with self-attention mechanisms have the potential to aid in the optimization of the system. In this paper, we present this approach and provide promising preliminary results.
• Abstract（参考訳）: 流通システムにおけるエンドユース・パワー・リソースの展開は活発な流通システムを生み出した。 制御されていない能動分布系は、高度に可変な風と太陽放射の最大パワートラッキング制御の下で運用されるものや、気象条件に依存したランダムな変動を示すものもあるため、一日を通して様々な電圧と負荷を示す。 正常な電圧と周波数で安定かつ確実に電力を供給するようにシステムを制御する必要がある。 この目標に向けてシステムを制御しようとする古典的な最適化アプローチは、問題の次元と、膨大な数の小さなリソースを調整するためのグローバル最適化アプローチの必要性に苦しむ。 人工知能(AI)手法は、この問題に対して実用的なアプローチを提供する代替手段を提供する。 自己認識機構を持つニューラルネットワークは,システムの最適化に役立つ可能性が示唆された。 本稿では,このアプローチについて述べるとともに,有望な予備結果を提供する。

関連論文リスト

• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• A novel ANROA based control approach for grid-tied multi-functional solar energy conversion system [0.0]
  三相格子型太陽太陽光発電システムに対する適応制御手法を提案し,検討した。 適応型ニューロファジィ推論システム(ANFIS)と降雨最適化アルゴリズム(ROA)を組み合わせた。 電圧変動、高調波、フリックなどの電力品質問題や、バランスの取れない負荷や反応電力の使用などを避けることが大きな目標である。
  論文  参考訳（メタデータ） (2024-01-26T09:12:39Z)
• A Learning Approach for Joint Design of Event-triggered Control and Power-Efficient Resource Allocation [3.822543555265593]
  本研究では,第5世代(5G)無線ネットワークにおけるイベントトリガー制御とエネルギー効率の高い資源配分の連成設計問題について検討する。 本研究では,4つのポリシーを同時に学習するモデルレス階層型強化学習手法を提案する。 シミュレーションの結果,提案手法はシミュレートされたICPSを適切に制御し,アクチュエータの入力とダウンリンク電力消費量を著しく削減できることがわかった。
  論文  参考訳（メタデータ） (2022-05-14T14:16:11Z)
• A Reinforcement Learning Approach to Parameter Selection for Distributed Optimization in Power Systems [1.1199585259018459]
  本稿では,ADMMによるAC最適電力流(ACOPF)問題に対する適応的ペナルティパラメータ選択ポリシーを開発する。 我々のRLポリシは一般化可能性の保証を示し、見知らぬロードスキームの下では良好に機能し、ラインやジェネレータの目に見えない損失の下でも機能することを示す。 この研究は、パワーシステムアプリケーションのためのADMMにおけるパラメータ選択にRLを使用するための概念実証を提供する。
  論文  参考訳（メタデータ） (2021-10-22T18:17:32Z)
• 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)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Scheduling and Power Control for Wireless Multicast Systems via Deep Reinforcement Learning [33.737301955006345]
  無線システムにおけるマルチキャストは、コンテンツ中心ネットワークにおけるユーザ要求の冗長性を利用する方法である。 電力制御と最適スケジューリングは、衰退中の無線マルチキャストネットワークの性能を著しく向上させることができる。 提案手法により, 大規模システムに対して, 電力制御ポリシを学習可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-27T15:59:44Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• Reinforcement Learning with Fast Stabilization in Linear Dynamical Systems [91.43582419264763]
  未知の安定化線形力学系におけるモデルベース強化学習(RL)について検討する。 本研究では,環境を効果的に探索することで,基盤システムの高速安定化を証明できるアルゴリズムを提案する。 提案アルゴリズムはエージェント環境相互作用の時間ステップで$tildemathcalO(sqrtT)$ regretを達成した。
  論文  参考訳（メタデータ） (2020-07-23T23:06:40Z)
• Distributed Voltage Regulation of Active Distribution System Based on Enhanced Multi-agent Deep Reinforcement Learning [9.7314654861242]
  本稿では,スペクトルクラスタリングと拡張マルチエージェント深部強化学習(MADRL)アルゴリズムに基づくデータ駆動分散電圧制御手法を提案する。 提案手法は,システムパラメータの通信と知識の要求を大幅に低減することができる。 また、不確実性を効果的に処理し、最新のローカル情報に基づいたオンライン協調制御を提供する。
  論文  参考訳（メタデータ） (2020-05-31T15:48:27Z)
• Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
  我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
  論文  参考訳（メタデータ） (2020-03-12T19:56:38Z)

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。