論文の概要: Design and Planning of Flexible Mobile Micro-Grids Using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2212.04136v1
• Date: Thu, 8 Dec 2022 08:30:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 16:27:26.660453
• Title: Design and Planning of Flexible Mobile Micro-Grids Using Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習を用いた柔軟移動型マイクログリッドの設計と計画
• Authors: Cesare Caputo (Imperial College London), Michel-Alexandre Cardin (Imperial College London), Pudong Ge (Imperial College London), Fei Teng (Imperial College London), Anna Korre (Imperial College London), Ehecatl Antonio del Rio Chanona (Imperial College London)
• Abstract要約: 遊牧民を対象とした移動型多エネルギー供給システムの設計と計画戦略について検討した。 深層強化学習は、取り組んだ設計と計画の問題に対して実施される。 モンゴルのガー・コミュニティにおける事例研究の結果、移動遊牧民のエネルギーシステムは技術的にも経済的にも実現可能であることが示唆された。
• 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: Ongoing risks from climate change have impacted the livelihood of global nomadic communities, and are likely to lead to increased migratory movements in coming years. As a result, mobility considerations are becoming increasingly important in energy systems planning, particularly to achieve energy access in developing countries. Advanced Plug and Play control strategies have been recently developed with such a decentralized framework in mind, more easily allowing for the interconnection of nomadic communities, both to each other and to the main grid. In light of the above, the design and planning strategy of a mobile multi-energy supply system for a nomadic community is investigated in this work. Motivated by the scale and dimensionality of the associated uncertainties, impacting all major design and decision variables over the 30-year planning horizon, Deep Reinforcement Learning (DRL) is implemented for the design and planning problem tackled. DRL based solutions are benchmarked against several rigid baseline design options to compare expected performance under uncertainty. The results on a case study for ger communities in Mongolia suggest that mobile nomadic energy systems can be both technically and economically feasible, particularly when considering flexibility, although the degree of spatial dispersion among households is an important limiting factor. Key economic, sustainability and resilience indicators such as Cost, Equivalent Emissions and Total Unmet Load are measured, suggesting potential improvements compared to available baselines of up to 25%, 67% and 76%, respectively. Finally, the decomposition of values of flexibility and plug and play operation is presented using a variation of real options theory, with important implications for both nomadic communities and policymakers focused on enabling their energy access.
• Abstract（参考訳）: 気候変動による継続的なリスクは、世界の遊牧民コミュニティの生活に影響を与えており、今後数年で移動運動が増加する可能性がある。 その結果、特に発展途上国のエネルギーアクセスを達成するためのエネルギーシステム計画において、モビリティの考慮がますます重要になっている。 先進的なPlug and Playコントロール戦略は、このような分散化されたフレームワークを念頭に置いて開発され、互いにメイングリッドの両方で遊牧民コミュニティの相互接続が容易になった。 そこで本研究では,遊牧民を対象とした移動型多エネルギー供給システムの設計と計画戦略について検討した。 関連する不確実性のスケールと次元に動機づけられ、30年計画の地平線上のすべての主要な設計と決定変数に影響を与え、取り組んだ設計と計画の問題に対して、深層強化学習(drl)が実施される。 DRLベースのソリューションは、いくつかの厳密なベースライン設計オプションに対して、不確実性下での期待性能を比較するためにベンチマークされる。 モンゴルのガー・コミュニティにおける事例研究の結果,特に柔軟性を考慮した場合,移動遊牧民のエネルギーシステムは技術的にも経済的にも実現可能であることが示唆された。 経済、持続可能性、回復力の重要な指標であるコスト、等価排出量、総アンメット負荷を測定することにより、利用可能なベースラインの25%、67%、および76%に対する潜在的な改善が示唆される。 最後に、柔軟性とプラグ・アンド・プレイ操作の値の分解は、リアルオプション理論のバリエーションを用いて提示され、遊牧民コミュニティと政策立案者の両方にとってエネルギーアクセスを可能にすることに焦点を当てた重要な意味を持つ。

関連論文リスト

• CityLearn v2: Energy-flexible, resilient, occupant-centric, and carbon-aware management of grid-interactive communities [8.658740257657564]
  CityLearnは、単純で高度な分散エネルギー資源制御アルゴリズムをベンチマークするための環境を提供する。 本研究は、v2環境設計を詳述し、蓄電池システムの充電/放電サイクル、車両間制御、ヒートポンプ電力変調時の熱快適性を管理するための強化学習を利用した応用例を提供する。
  論文  参考訳（メタデータ） (2024-05-02T16:31:09Z)
• EnergAIze: Multi Agent Deep Deterministic Policy Gradient for Vehicle to Grid Energy Management [0.0]
  本稿では,MARL(Multi-Agent Reinforcement Learning)エネルギー管理フレームワークであるEnergAIzeを紹介する。 ユーザ中心の多目的エネルギー管理を可能にし、各プローサが様々な個人管理目標から選択できるようにする。 EnergAIzeの有効性は、CityLearnシミュレーションフレームワークを用いたケーススタディにより評価された。
  論文  参考訳（メタデータ） (2024-04-02T23:16:17Z)
• Explainable Reinforcement Learning-based Home Energy Management Systems using Differentiable Decision Trees [4.573008040057806]
  住宅セクターは、太陽光発電、家庭用バッテリー、EVの採用の増加により、柔軟性を損なう主要かつ未解決の源となっている。 微分可能な決定木を用いた強化学習に基づくアプローチを提案する。 このアプローチは、データ駆動強化学習のスケーラビリティと(微分可能)決定木の説明可能性を統合する。 概念実証として,家庭内エネルギー管理問題を用いて提案手法を解析し,その性能を市販のルールベースベースラインと標準ニューラルネットワークベースRLコントローラと比較した。
  論文  参考訳（メタデータ） (2024-03-18T16:40:41Z)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)
• Identification of Energy Management Configuration Concepts from a Set of Pareto-optimal Solutions [18.35732614725525]
  本研究は,エネルギー管理形態の特定のための概念識別技術を活用することに焦点を当てる。 目的とパラメータの分割という記述空間の選択が、抽出可能な情報のタイプにどのように影響するかを分析する。
  論文  参考訳（メタデータ） (2023-06-14T07:38:01Z)
• 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)
• Empowering Prosumer Communities in Smart Grid with Wireless Communications and Federated Edge Learning [5.289693272967054]
  分散型エネルギー資源の指数関数的な成長は、スマートグリッドにおける従来の消費者のプロシューマーへの転換を可能にする。 消費者コミュニティが集合的目標を達成するためのマルチレベルの意思決定フレームワークを提案する。 プロシューマーのプライバシの保護に加えて,フェデレーション学習を用いた学習予測モデルが,異なるエネルギー資源に対して高い精度をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-04-07T14:57:57Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)
• 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)
• Data-driven control of micro-climate in buildings: an event-triggered reinforcement learning approach [56.22460188003505]
  半マルコフ決定過程に基づく微小気候制御問題を定式化する。 建物内の微小気候のイベントトリガー制御のための2つの学習アルゴリズムを提案する。 スマートなサーモスタットを設計することで,提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2020-01-28T18:20:43Z)

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。