論文の概要: Robust N-1 secure HV Grid Flexibility Estimation for TSO-DSO coordinated
Congestion Management with Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2211.05855v1
- Date: Thu, 10 Nov 2022 20:22:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 17:08:27.104160
- Title: Robust N-1 secure HV Grid Flexibility Estimation for TSO-DSO coordinated
Congestion Management with Deep Reinforcement Learning
- Title（参考訳）: 深部強化学習を用いたTSO-DSO協調渋滞管理のためのロバストN-1セキュアHVグリッドフレキシビリティ推定
- Authors: Zhenqi Wang, Sebastian Wende-von Berg, Martin Braun
- Abstract要約: 本研究は,TSO-DSOインタフェースにおけるPQ柔軟性(PQ領域)を推定するための多段階深層強化学習手法を提案する。
深部強化学習(DRL)を用いてPQの柔軟性を推定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Nowadays, the PQ flexibility from the distributed energy resources (DERs) in
the high voltage (HV) grids plays a more critical and significant role in grid
congestion management in TSO grids. This work proposed a multi-stage deep
reinforcement learning approach to estimate the PQ flexibility (PQ area) at the
TSO-DSO interfaces and identifies the DER PQ setpoints for each operating point
in a way, that DERs in the meshed HV grid can be coordinated to offer
flexibility for the transmission grid. In the estimation process, we consider
the steady-state grid limits and the robustness in the resulting voltage
profile against uncertainties and the N-1 security criterion regarding thermal
line loading, essential for real-life grid operational planning applications.
Using deep reinforcement learning (DRL) for PQ flexibility estimation is the
first of its kind. Furthermore, our approach of considering N-1 security
criterion for meshed grids and robustness against uncertainty directly in the
optimization tasks offers a new perspective besides the common relaxation
schema in finding a solution with mathematical optimal power flow (OPF).
Finally, significant improvements in the computational efficiency in estimation
PQ area are the highlights of the proposed method.
- Abstract（参考訳）: 今日では、高電圧(HV)グリッドにおける分散エネルギー資源(DER)のPQ柔軟性は、TSOグリッドにおけるグリッド混雑管理においてより重要かつ重要な役割を果たす。
本研究は,tso-dsoインタフェースにおけるpq柔軟性(pq領域)を推定するための多段階深層強化学習手法を提案し,メッシュ化hvグリッドで導出するder pqセットポイントを協調して伝送グリッドの柔軟性を提供する方法を提案する。
提案手法では, 定常グリッドの限界, 結果として生じる電圧プロファイルの不確実性に対するロバスト性, および実生活グリッド運用計画に不可欠な熱線負荷に関するN-1セキュリティ基準を考察する。
深層強化学習(drl)をpqフレキシビリティ推定に使用するのは,この種の最初の方法である。
さらに,メッシュグリッドのN-1セキュリティ基準と最適化タスクにおける不確実性に対するロバスト性を考慮したアプローチは,数学的最適電力フロー(OPF)の解を求める際の共通緩和スキーマ以外に,新たな視点を提供する。
最後に、PQ領域の推定における計算効率の大幅な改善が提案手法のハイライトである。
関連論文リスト
- Optimizing Load Scheduling in Power Grids Using Reinforcement Learning and Markov Decision Processes [0.0]
本稿では,動的負荷スケジューリングの課題に対処する強化学習(RL)手法を提案する。
提案手法は実時間負荷スケジューリングのためのロバストでスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2024-10-23T09:16:22Z) - Two-Stage ML-Guided Decision Rules for Sequential Decision Making under Uncertainty [55.06411438416805]
SDMU (Sequential Decision Making Under Uncertainty) は、エネルギー、金融、サプライチェーンといった多くの領域において、ユビキタスである。
いくつかのSDMUは、自然にマルチステージ問題(MSP)としてモデル化されているが、結果として得られる最適化は、計算の観点からは明らかに困難である。
本稿では,2段階の一般決定規則(TS-GDR)を導入し,線形関数を超えて政策空間を一般化する手法を提案する。
TS-GDRの有効性は、TS-LDR(Two-Stage Deep Decision Rules)と呼ばれるディープリカレントニューラルネットワークを用いたインスタンス化によって実証される。
論文 参考訳（メタデータ） (2024-05-23T18:19:47Z) - QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power
Flow Solutions Under Constraints [4.1920378271058425]
本稿では,ACOPFネットワークに計算効率よく入力をマッピングする新しい計算学習ACOPFを提案する。
提案手法は,既存のアプローチが失敗する状況において,優れた実現可能性率とコストを達成できることをシミュレーションにより示す。
論文 参考訳（メタデータ） (2024-01-11T20:17:44Z) - Self-Supervised Learning for Large-Scale Preventive Security Constrained DC Optimal Power Flow [20.078717680640214]
SCOPF(Security-Constrained Optimal Power Flow)は、電力グリッドの安定性において重要な役割を果たすが、システムが成長するにつれてますます複雑になる。
本稿では,大規模SCOPF問題に対する準最適解を生成するための,自己教師付きエンドツーエンドのPDL-SCOPFについて紹介する。
論文 参考訳（メタデータ） (2023-11-29T20:36:35Z) - Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。
実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
論文 参考訳（メタデータ） (2023-11-05T12:03:58Z) - Probabilistic Reach-Avoid for Bayesian Neural Networks [71.67052234622781]
最適合成アルゴリズムは、証明された状態の数を4倍以上に増やすことができることを示す。
このアルゴリズムは、平均的な到達回避確率を3倍以上に向上させることができる。
論文 参考訳（メタデータ） (2023-10-03T10:52:21Z) - DClEVerNet: Deep Combinatorial Learning for Efficient EV Charging
Scheduling in Large-scale Networked Facilities [5.78463306498655]
電気自動車(EV)は配電ネットワークを著しくストレスし、性能を劣化させ、安定性を損なう可能性がある。
現代の電力網は、EV充電スケジューリングをスケーラブルで効率的な方法で最適化できる、コーディネートまたはスマートな充電戦略を必要とする。
ネットワークの利用可能な電力容量とステーションの占有限度を考慮しつつ、EV利用者の総福祉利益を最大化する時間結合二元最適化問題を定式化する。
論文 参考訳（メタデータ） (2023-05-18T14:03:47Z) - Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning
Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。
非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。
ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。
増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-11T13:16:28Z) - Scalable Optimal Design of Incremental Volt/VAR Control using Deep
Neural Networks [2.018732483255139]
深層ニューラルネットワーク(DNN)のトレーニングとして最適ルール設計(ORD)を改訂し,スケーラブルなソリューションを提案する。
我々は、深層ニューラルネットワーク(DNN)のトレーニングとしてORDを再構成することでスケーラブルなソリューションを考案した。
分析結果と数値実験により,提案したORD溶液が単相/多相供給装置に適切に適用可能であることが確認された。
論文 参考訳（メタデータ） (2023-01-04T04:19:12Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳（メタデータ） (2022-03-26T20:37:14Z) - RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment
and Passive Beamforming Design [116.88396201197533]
再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。
エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。
リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。
RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-28T14:37:38Z)
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。