論文の概要: Transfer Deep Reinforcement Learning-based Large-scale V2G Continuous Charging Coordination with Renewable Energy Sources

• arxiv url: http://arxiv.org/abs/2210.07013v1
• Date: Thu, 13 Oct 2022 13:21:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 15:05:18.642298
• Title: Transfer Deep Reinforcement Learning-based Large-scale V2G Continuous Charging Coordination with Renewable Energy Sources
• Title（参考訳）: トランスファー深層強化学習に基づく大規模v2g連続充電と再生可能エネルギー源の協調
• Authors: Yubao Zhang and Xin Chen and Yuchen Zhang
• Abstract要約: 再生可能エネルギーと電力グリッドの安定性を高めるため,V2G技術と大規模スケジューリングアルゴリズムを開発した。 本稿では, 連続充電/放電協調戦略のための深部強化学習法を提案する。
• 参考スコア（独自算出の注目度）: 5.99526159525785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the increasing popularity of electric vehicles (EVs) and the technological advancement of EV electronics, the vehicle-to-grid (V2G) technique and large-scale scheduling algorithms have been developed to achieve a high level of renewable energy and power grid stability. This paper proposes a deep reinforcement learning (DRL) method for the continuous charging/discharging coordination strategy in aggregating large-scale EVs in V2G mode with renewable energy sources (RES). The DRL coordination strategy can efficiently optimize the electric vehicle aggregator's (EVA's) real-time charging/discharging power with the state of charge (SOC) constraints of the EVA and the individual EV. Compared with uncontrolled charging, the load variance is reduced by 97.37$\%$ and the charging cost by 76.56$\%$. The DRL coordination strategy further demonstrates outstanding transfer learning ability to microgrids with RES and large-scale EVA, as well as the complicated weekly scheduling. The DRL coordination strategy demonstrates flexible, adaptable, and scalable performance for the large-scale V2G under realistic operating conditions.
• Abstract（参考訳）: 電気自動車(evs)の普及とevエレクトロニクスの技術的進歩により、高レベルの再生可能エネルギーと電力グリッドの安定性を達成するために、v2g技術と大規模スケジューリングアルゴリズムが開発されている。 本稿では,V2Gモードの大規模EVを再生可能エネルギー源(RES)で集約する際の連続充電/放電協調戦略のための深部強化学習法を提案する。 drl調整戦略は、evaと個別evの充電状態(soc)制約により、電気自動車アグリゲータ(eva)のリアルタイム充電・放電電力を効率的に最適化することができる。 無制御充電と比較して、負荷分散は97.37$\%$、充電コストは76.56$\%$に削減される。 DRLコーディネート戦略は、RESと大規模EVAをマイクログリッド化するための優れたトランスファー学習能力と、複雑な週次スケジューリングを示す。 DRL調整戦略は、現実的な操作条件下での大規模V2Gの柔軟性、適応性、拡張性を示す。

関連論文リスト

• Learning a local trading strategy: deep reinforcement learning for grid-scale renewable energy integration [0.0]
  本稿では,太陽エネルギーを併用したグリッドスケール電池の運用における強化学習の活用について検討する。 その結果、RLは近似的最適(非因果的)演算の61%(最大96%)を達成できた。
  論文  参考訳（メタデータ） (2024-11-23T02:55:38Z)
• Centralized vs. Decentralized Multi-Agent Reinforcement Learning for Enhanced Control of Electric Vehicle Charging Networks [1.9188272016043582]
  本稿では,MARL(Multi-Agent Reinforcement Learning)フレームワークを用いた分散・協調型充電戦略の新たなアプローチを提案する。 本手法は, 住宅街におけるEV群を対象としたDDPGアルゴリズムに基づいて構築した。 以上の結果から, CTDE-DDPGフレームワークは, 政策のばらつきや訓練の複雑さが高いにもかかわらず, 総変動率を約36パーセント, 充電コストを平均9.1程度削減することにより, 充電効率を著しく向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-04-18T21:50:03Z)
• Hybrid Reinforcement Learning for Optimizing Pump Sustainability in Real-World Water Distribution Networks [55.591662978280894]
  本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。 我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。 進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
  論文  参考訳（メタデータ） (2023-10-13T21:26:16Z)
• Federated Reinforcement Learning for Electric Vehicles Charging Control on Distribution Networks [42.04263644600909]
  マルチエージェント深部強化学習(MADRL)はEV充電制御において有効であることが証明されている。 既存のMADRLベースのアプローチでは、配電ネットワークにおけるEV充電/放電の自然な電力フローを考慮できない。 本稿では,マルチEV充電/放電と最適電力流で動作する放射分布ネットワーク(RDN)を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-17T05:34:46Z)
• Deep Reinforcement Learning-Based Battery Conditioning Hierarchical V2G Coordination for Multi-Stakeholder Benefits [3.4529246211079645]
  本研究では, 深部強化学習(DRL)とProof of Stakeアルゴリズムに基づく多階層型階層型V2Gコーディネートを提案する。 マルチステークホルダには、電力グリッド、EVアグリゲータ(EVA)、ユーザが含まれており、提案した戦略はマルチステークホルダーのメリットを達成することができる。
  論文  参考訳（メタデータ） (2023-08-01T01:19:56Z)
• 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)
• Federated Reinforcement Learning for Real-Time Electric Vehicle Charging and Discharging Control [42.17503767317918]
  本稿では、動的環境下で異なるEVユーザに対して最適なEV充電/放電制御戦略を開発する。 多様なユーザの行動や動的環境に適合する水平連合強化学習法(HFRL)を提案する。 シミュレーションの結果,提案したリアルタイムEV充電/放電制御戦略は,様々な要因において良好に機能することが示された。
  論文  参考訳（メタデータ） (2022-10-04T08:22:46Z)
• Computationally efficient joint coordination of multiple electric vehicle charging points using reinforcement learning [6.37470346908743]
  今日の電力網における大きな課題は、電気自動車(EV)充電による負荷の増加を管理することである。 同時に複数の充電点を協調的に座標する単一ステップの解法を提案する。 我々の新しいRLソリューションは、ビジネス・アズ・ユース・ポリシーと比較して、充電需要調整の性能を40～50%向上させています。
  論文  参考訳（メタデータ） (2022-03-26T13:42:57Z)
• Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement Learning Approach [56.84948632954274]
  本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。 本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。 提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
  論文  参考訳（メタデータ） (2021-12-20T15:45:28Z)
• 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)

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。