論文の概要: Battery and Hydrogen Energy Storage Control in a Smart Energy Network
with Flexible Energy Demand using Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2208.12779v1
- Date: Fri, 26 Aug 2022 16:47:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 12:48:19.147722
- Title: Battery and Hydrogen Energy Storage Control in a Smart Energy Network
with Flexible Energy Demand using Deep Reinforcement Learning
- Title（参考訳）: 深層強化学習を用いたフレキシブルエネルギー需要を有するスマートエネルギーネットワークにおけるバッテリと水素エネルギー貯蔵制御
- Authors: Cephas Samende, Zhong Fan and Jun Cao
- Abstract要約: 電池と水素の蓄電池を組み合わせたハイブリッド型蓄電池システムを提案する。
本稿では,ハイブリッドエネルギー貯蔵システムのスケジューリングとエネルギー需要をリアルタイムに最適化する,深層強化学習に基づく制御手法を提案する。
- 参考スコア（独自算出の注目度）: 2.5666730153464465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Smart energy networks provide for an effective means to accommodate high
penetrations of variable renewable energy sources like solar and wind, which
are key for deep decarbonisation of energy production. However, given the
variability of the renewables as well as the energy demand, it is imperative to
develop effective control and energy storage schemes to manage the variable
energy generation and achieve desired system economics and environmental goals.
In this paper, we introduce a hybrid energy storage system composed of battery
and hydrogen energy storage to handle the uncertainties related to electricity
prices, renewable energy production and consumption. We aim to improve
renewable energy utilisation and minimise energy costs and carbon emissions
while ensuring energy reliability and stability within the network. To achieve
this, we propose a multi-agent deep deterministic policy gradient approach,
which is a deep reinforcement learning-based control strategy to optimise the
scheduling of the hybrid energy storage system and energy demand in real-time.
The proposed approach is model-free and does not require explicit knowledge and
rigorous mathematical models of the smart energy network environment.
Simulation results based on real-world data show that: (i) integration and
optimised operation of the hybrid energy storage system and energy demand
reduces carbon emissions by 78.69%, improves cost savings by 23.5% and
renewable energy utilisation by over 13.2% compared to other baseline models
and (ii) the proposed algorithm outperforms the state-of-the-art self-learning
algorithms like deep-Q network.
- Abstract（参考訳）: スマートエネルギーネットワークは、太陽や風のような様々な再生可能エネルギー源の高い浸透を許容する効果的な手段を提供する。
しかし, 再生可能エネルギーの変動性とエネルギー需要を考えると, 変動エネルギーの発生を管理し, 望ましいシステム経済と環境目標を達成するために, 効率的な制御・エネルギー貯蔵方式を開発することが不可欠である。
本稿では,電力価格,再生可能エネルギー生産,消費に関する不確実性に対処するため,電池と水素エネルギー貯蔵を組み合わせたハイブリッドエネルギー貯蔵システムを提案する。
我々は,ネットワーク内のエネルギー信頼性と安定性を確保しつつ,再生可能エネルギー利用の改善とエネルギーコストと炭素排出量の最小化を目指す。
これを実現するために,ハイブリッドエネルギー貯蔵システムのスケジューリングとエネルギー需要をリアルタイムに最適化する,深層強化学習に基づく制御戦略である多エージェント深層決定性政策勾配手法を提案する。
提案手法はモデルフリーであり、スマートエネルギーネットワーク環境の明確な知識や厳密な数学的モデルを必要としない。
実世界データに基づくシミュレーションの結果は次のとおりである。
一 ハイブリッドエネルギー貯蔵システムの統合及び最適化運転及びエネルギー需要は、炭素排出量を78.69%削減し、コスト削減を23.5%改善し、再生可能エネルギーの利用を他のベースラインモデルに比べて13.2%以上改善する。
(II)提案アルゴリズムは、ディープQネットワークのような最先端の自己学習アルゴリズムよりも優れている。
関連論文リスト
- Green Multi-Objective Scheduling -- A memetic NSGA-III for flexible production with real-time energy cost and emissions [0.0]
この研究は、生産をリアルタイムエネルギー市場へ調整する産業に焦点を当て、グリッドに柔軟な消費を提供する。
本研究では, 省エネ, 省エネ, 排出を最小化し, 実エネルギー市場データを統合するための新しいメメティックNSGA-IIIを提案する。
論文 参考訳（メタデータ） (2024-05-23T09:11:21Z) - Decentralized Energy Marketplace via NFTs and AI-based Agents [4.149465156450793]
ブロックチェーン技術と人工知能を統合した先進的な分散エネルギー市場(DEM)を紹介する。
提案フレームワークは, 透明でセキュアな取引環境において, ユニークなエネルギープロファイルを表現するために, 非Fungible Tokens (NFTs) を用いている。
注目すべきイノベーションは、スマートコントラクトの使用であり、エネルギー取引における高い効率性と整合性を保証する。
論文 参考訳（メタデータ） (2023-11-17T09:15:43Z) - Empowering Distributed Solutions in Renewable Energy Systems and Grid
Optimization [3.8979646385036175]
機械学習(ML)の進歩は再生可能エネルギー源の強化とグリッド管理の改善に重要な役割を果たしている。
ビッグデータとMLをスマートグリッドに組み込むことは、エネルギー効率の向上など、いくつかのメリットを提供する。
しかし、大規模なデータボリュームの処理、サイバーセキュリティの確保、専門知識の獲得といった課題に対処する必要がある。
論文 参考訳（メタデータ） (2023-10-24T02:45:16Z) - Predicting Short Term Energy Demand in Smart Grid: A Deep Learning Approach for Integrating Renewable Energy Sources in Line with SDGs 7, 9, and 13 [0.0]
スマートパワーグリッドにおけるエネルギー需要予測のためのディープラーニングモデルを提案する。
我々は、長期記憶ネットワークを使用して、エネルギー需要データにおける複雑なパターンや依存関係をキャプチャします。
提案モデルでは,平均絶対誤差 1.4% でエネルギー需要を正確に予測できる。
論文 参考訳（メタデータ） (2023-04-08T12:30:59Z) - 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) - 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) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳（メタデータ） (2020-01-31T05:12:59Z) - 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。