論文の概要: Power Grid Congestion Management via Topology Optimization with AlphaZero

• arxiv url: http://arxiv.org/abs/2211.05612v1
• Date: Thu, 10 Nov 2022 14:39:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 14:28:16.310448
• Title: Power Grid Congestion Management via Topology Optimization with AlphaZero
• Title（参考訳）: alphazeroによるトポロジ最適化による電力系統混雑管理
• Authors: Matthias Dorfer, Anton R. Fuxj\"ager, Kristian Kozak, Patrick M. Blies, Marcel Wasserer (enliteAI)
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.27998963147546135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The energy sector is facing rapid changes in the transition towards clean renewable sources. However, the growing share of volatile, fluctuating renewable generation such as wind or solar energy has already led to an increase in power grid congestion and network security concerns. Grid operators mitigate these by modifying either generation or demand (redispatching, curtailment, flexible loads). Unfortunately, redispatching of fossil generators leads to excessive grid operation costs and higher emissions, which is in direct opposition to the decarbonization of the energy sector. In this paper, we propose an AlphaZero-based grid topology optimization agent as a non-costly, carbon-free congestion management alternative. Our experimental evaluation confirms the potential of topology optimization for power grid operation, achieves a reduction of the average amount of required redispatching by 60%, and shows the interoperability with traditional congestion management methods. Our approach also ranked 1st in the WCCI 2022 Learning to Run a Power Network (L2RPN) competition. Based on our findings, we identify and discuss open research problems as well as technical challenges for a productive system on a real power grid.
• Abstract（参考訳）: エネルギーセクターはクリーンな再生可能エネルギー源への移行の急速な変化に直面している。 しかし、風力や太陽エネルギーなどの揮発性で変動する再生可能エネルギーのシェアは、既に電力網の混雑とネットワークセキュリティの懸念が増大している。 グリッド演算子は、これらを世代または需要(再分散、削減、柔軟な負荷)を変更することで緩和する。 残念なことに、化石発生器の再パッチングは過剰なグリッド運用コストとより高い排出量をもたらし、エネルギーセクターの脱炭に直接反対する。 本稿では,非コストで炭素フリーな混雑管理代替手段として,アルファゼロ系グリッドトポロジー最適化エージェントを提案する。 実験評価により,電力系統運用におけるトポロジー最適化の可能性を確認し,必要な再配置量の平均を60%削減し,従来の混雑管理手法との相互運用性を示す。 我々のアプローチはまた、WCCI 2022 Learning to Run a Power Network (L2RPN)コンペで1位にランクインした。 本研究は,実電力網における生産的システムのための技術課題だけでなく,オープンな研究課題の特定と議論を行うものである。

関連論文リスト

• State and Action Factorization in Power Grids [47.65236082304256]
  状態と行動成分の相関関係をデータに基づいて推定するドメインに依存しないアルゴリズムを提案する。 このアルゴリズムはGrid2Opシミュレータで得られた電力グリッドベンチマークで検証される。
  論文  参考訳（メタデータ） (2024-09-03T15:00:58Z)
• Optimal Power Grid Operations with Foundation Models [0.0]
  本稿では,AIファンデーションモデル(FM)とグラフニューラルネットワークの進歩を利用して,ダウンストリームタスクの低可用性グリッドデータを効率的に活用することを提案する。 グリッドの基盤となる物理を捉えるために、電力流力学を学習する自己教師型モデルの構築は、電力グリッドのためのFMを開発するための重要な第一歩であると信じている。
  論文  参考訳（メタデータ） (2024-09-03T09:06:13Z)
• 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)
• Reinforcement Learning Based Power Grid Day-Ahead Planning and AI-Assisted Control [0.27998963147546135]
  本稿では,再分散エージェントと機械学習に基づく最適化エージェントを組み合わせた渋滞管理手法を提案する。 典型的な再配置専用エージェントと比較して、シミュレーショングリッドの動作を長く保ちながら、同時に運用コストを削減できた。 本研究の目的は,この有望な技術を電力グリッド運用の現実に近づけることである。
  論文  参考訳（メタデータ） (2023-02-15T13:38:40Z)
• Equitable Network-Aware Decarbonization of Residential Heating at City Scale [0.9099663022952497]
  都市規模で住宅暖房を脱炭酸するためのネットワーク対応最適化フレームワークを提案する。 我々は、実世界のガス使用量、電気使用量、グリッドインフラデータを用いて、米国のニューイングランドの都市に我々の枠組みを適用する。
  論文  参考訳（メタデータ） (2023-01-11T22:55:30Z)
• 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)
• 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)
• 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)
• Confidence Estimation Transformer for Long-term Renewable Energy Forecasting in Reinforcement Learning-based Power Grid Dispatching [17.41017767906797]
  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。
  論文  参考訳（メタデータ） (2022-04-10T06:18:23Z)
• 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)

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。