論文の概要: Deep Reinforcement Learning Microgrid Optimization Strategy Considering
Priority Flexible Demand Side
- arxiv url: http://arxiv.org/abs/2211.05946v1
- Date: Fri, 11 Nov 2022 01:43:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 15:47:22.448572
- Title: Deep Reinforcement Learning Microgrid Optimization Strategy Considering
Priority Flexible Demand Side
- Title（参考訳）: 優先的柔軟需要面を考慮した深層強化学習マイクログリッド最適化戦略
- Authors: Jinsong Sang, Hongbin Sun and Lei Kou
- Abstract要約: マイクログリッドは主に、DERの小規模なボラティリティ、不確実性、断続性、需要側不確実性といった問題に直面している。
従来のマイクログリッドは単一形態であり、複雑な需要側とマイクログリッド間の柔軟なエネルギー供給に対応できない。
本稿では,TCLとESSの各ユニットコンポーネントの応答優先度を,マイクログリッドの全体環境操作に基づいて検討する。
- 参考スコア（独自算出の注目度）: 6.129841305145217
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As an efficient way to integrate multiple distributed energy resources and
the user side, a microgrid is mainly faced with the problems of small-scale
volatility, uncertainty, intermittency and demand-side uncertainty of DERs. The
traditional microgrid has a single form and cannot meet the flexible energy
dispatch between the complex demand side and the microgrid. In response to this
problem, the overall environment of wind power, thermostatically controlled
loads, energy storage systems, price-responsive loads and the main grid is
proposed. Secondly, the centralized control of the microgrid operation is
convenient for the control of the reactive power and voltage of the distributed
power supply and the adjustment of the grid frequency. However, there is a
problem in that the flexible loads aggregate and generate peaks during the
electricity price valley. The existing research takes into account the power
constraints of the microgrid and fails to ensure a sufficient supply of
electric energy for a single flexible load. This paper considers the response
priority of each unit component of TCLs and ESSs on the basis of the overall
environment operation of the microgrid so as to ensure the power supply of the
flexible load of the microgrid and save the power input cost to the greatest
extent. Finally, the simulation optimization of the environment can be
expressed as a Markov decision process process. It combines two stages of
offline and online operations in the training process. The addition of multiple
threads with the lack of historical data learning leads to low learning
efficiency. The asynchronous advantage actor-critic with the experience replay
pool memory library is added to solve the data correlation and nonstatic
distribution problems during training.
- Abstract（参考訳）: 複数の分散エネルギー資源とユーザ側を統合する効率的な方法として、マイクログリッドは主に、DERの小規模変動性、不確実性、断続性、需要側の不確実性といった問題に直面している。
従来のマイクログリッドは単一形態であり、複雑な需要側とマイクログリッド間の柔軟なエネルギー供給に対応できない。
この問題への対応として, 風力, 静熱制御負荷, エネルギー貯蔵システム, 価格対応負荷, メイングリッドの全体環境を提案する。
第二に、マイクログリッド動作の集中制御は、分散電源の反応性電力と電圧の制御とグリッド周波数の調整に便利である。
しかし,電力価格の谷間において,フレキシブル負荷が集積してピークを発生させる問題がある。
既存の研究はマイクログリッドの電力制約を考慮に入れており、単一の柔軟な負荷に対して十分な電力供給を確保できていない。
本稿では、マイクログリッドの全体的な環境動作に基づいて、tclおよびessの各ユニットコンポーネントの応答優先度を考慮し、マイクログリッドの柔軟な負荷の電力供給を確実にし、電力入力コストを最大限に節約する。
最後に、環境のシミュレーション最適化をマルコフ決定プロセスとして表現することができる。
トレーニングプロセスでは、オフラインとオンラインの2つのステージを組み合わせる。
履歴データ学習の欠如による複数のスレッドの追加は、学習効率の低下につながる。
トレーニング中のデータ相関と非定常分布問題を解決するために、経験リプレイプールメモリライブラリによる非同期アドバンテージアクタ批判が追加された。
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) - Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。
シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
論文 参考訳（メタデータ） (2022-10-17T17:30:09Z) - 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) - Machine Learning based Optimal Feedback Control for Microgrid
Stabilization [6.035279357076201]
エネルギー記憶に基づくフィードバックコントローラは、マイクログリッドの望ましくないダイナミクスを補償して安定性を向上させることができる。
本稿では,機械学習に基づく最適フィードバック制御方式を提案する。
修正クンドゥル2エリアシステムに基づくマイクログリッドモデルのケーススタディを行い,提案方式のリアルタイム性能を検証した。
論文 参考訳（メタデータ） (2022-03-09T15:44:56Z) - 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) - Threshold-Based Data Exclusion Approach for Energy-Efficient Federated
Edge Learning [4.25234252803357]
Federated Edge Learning (FEEL) は次世代無線ネットワークにおいて有望な分散学習技術である。
FEELは、モデルトレーニングラウンド中に消費される電力により、エネルギー制約された参加機器の寿命を大幅に短縮する可能性がある。
本稿では,FEELラウンドにおける計算および通信エネルギー消費を最小化するための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-03-30T13:34:40Z) - Multi-Objective Reinforcement Learning based Multi-Microgrid System
Optimisation Problem [4.338938227238059]
エネルギー貯蔵システムと分散型再生可能エネルギー源を備えたマイクログリッドは、従来の電源からの消費を減らし、CO$の排出を抑える上で重要な役割を担っている。
マルチマイクログリッドを分散電力グリッドに接続することで、システムのセキュリティとプライバシを高めるため、より堅牢で信頼性の高い操作が可能になる。
提案モデルは,スマートグリッド層,独立系演算子層(ISO)層,電力グリッド層という3つの層から構成される。
論文 参考訳（メタデータ） (2021-03-10T23:01:22Z) - Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning
for Smart Grids [56.35173057183362]
家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。
目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。
マルコフゲームとしてスマートグリッド環境の定式化を提案する。
論文 参考訳（メタデータ） (2020-05-05T07:32:40Z) - 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)
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。