論文の概要: Optimal scheduling of island integrated energy systems considering multi-uncertainties and hydrothermal simultaneous transmission: A deep reinforcement learning approach

• arxiv url: http://arxiv.org/abs/2212.13472v1
• Date: Tue, 27 Dec 2022 12:46:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 16:31:22.954378
• Title: Optimal scheduling of island integrated energy systems considering multi-uncertainties and hydrothermal simultaneous transmission: A deep reinforcement learning approach
• Title（参考訳）: 多不確実性と熱水同時送信を考慮した島統合エネルギーシステムの最適スケジューリング:深層強化学習アプローチ
• Authors: Yang Li, Fanjin Bu, Yuanzheng Li, Chao Long
• Abstract要約: 電力や負荷による不確実性は、島々の様々な資源の安定的な需要供給に困難をもたらしている。 これらの課題に対処するため、島統合エネルギーシステム(IES)をモデル化した総合的なスケジューリングフレームワークを提案する。 島の淡水不足に対応するため, 海水淡水化システムの導入に加えて, 水熱同時送信(HST)の伝達構造を提案する。
• 参考スコア（独自算出の注目度）: 3.900623554490941
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-uncertainties from power sources and loads have brought significant challenges to the stable demand supply of various resources at islands. To address these challenges, a comprehensive scheduling framework is proposed by introducing a model-free deep reinforcement learning (DRL) approach based on modeling an island integrated energy system (IES). In response to the shortage of freshwater on islands, in addition to the introduction of seawater desalination systems, a transmission structure of "hydrothermal simultaneous transmission" (HST) is proposed. The essence of the IES scheduling problem is the optimal combination of each unit's output, which is a typical timing control problem and conforms to the Markov decision-making solution framework of deep reinforcement learning. Deep reinforcement learning adapts to various changes and timely adjusts strategies through the interaction of agents and the environment, avoiding complicated modeling and prediction of multi-uncertainties. The simulation results show that the proposed scheduling framework properly handles multi-uncertainties from power sources and loads, achieves a stable demand supply for various resources, and has better performance than other real-time scheduling methods, especially in terms of computational efficiency. In addition, the HST model constitutes an active exploration to improve the utilization efficiency of island freshwater.
• Abstract（参考訳）: 電力源と負荷からの複数未確認は、島の様々な資源の安定的な需要供給に重大な課題をもたらした。 これらの課題に対処するために、島統合エネルギーシステム(IES)をモデル化したモデルフリー深部強化学習(DRL)アプローチを導入し、包括的なスケジューリングフレームワークを提案する。 島の淡水不足に対応するため, 海水淡水化システムの導入に加えて, 水熱同時送信(HST)の伝達構造を提案する。 IESスケジューリング問題の本質は各ユニットの出力を最適に組み合わせることであり、これは典型的なタイミング制御問題であり、深い強化学習のマルコフ決定ソリューションフレームワークに準拠している。 深層強化学習は様々な変化に対応し、エージェントと環境の相互作用を通じて戦略をタイムリーに調整し、複雑なモデリングやマルチ不確実性の予測を避ける。 シミュレーションの結果,提案するスケジューリングフレームワークは,電源や負荷からのマルチ不確かさを適切に処理し,各種資源に対する安定した需要供給を実現し,特に計算効率の点で,他のリアルタイムスケジューリング手法よりも優れた性能を有することがわかった。 さらに,HSTモデルは,島の淡水の利用効率を向上させるために活発な探索を行う。

関連論文リスト

• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• Machine Learning-Accelerated Multi-Objective Design of Fractured Geothermal Systems [17.040963667188525]
  本稿では, フラクチャードメディアにおける熱水シミュレーションと統合した, 能動学習による進化的多目的最適化アルゴリズムについて報告する。 ALEMO法は従来の進化法に比べて1～2桁の速度(10～100倍)で、必要なシミュレーションを著しく削減することを示した。
  論文  参考訳（メタデータ） (2024-11-01T10:39:23Z)
• Hierarchical Conditional Multi-Task Learning for Streamflow Modeling [24.040194424037065]
  階層型条件付きマルチタスク学習(HCMTL)は,流れの因果関係に基づく土壌水と積雪の連成モデルである。 HCMTLの長期にわたる排水流域での優れた性能は、ドメイン固有の因果知識を深層学習に統合することで、予測精度と解釈可能性の両方が向上することを示している。
  論文  参考訳（メタデータ） (2024-10-18T03:14:57Z)
• A Multi-constraint and Multi-objective Allocation Model for Emergency Rescue in IoT Environment [3.8572535126902676]
  我々はMSGWFLM(Multi-Objective Shuffled Gray Froging Model)を開発した。 この多目的リソース割り当てモデルは、28の多様な課題に対して厳格にテストされている。 その効果は複雑で多サイクルの緊急救助シナリオで特に顕著である。
  論文  参考訳（メタデータ） (2024-03-15T13:42:00Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Multiobjective Hydropower Reservoir Operation Optimization with Transformer-Based Deep Reinforcement Learning [14.376630486051795]
  提案手法はコロラド川流域のミード湖とパウエル湖に適用される。 発電量は10.11%増加し、修正された年間比例流量の偏差は39.69%減少し、水道収入は4.10%増加した。
  論文  参考訳（メタデータ） (2023-07-11T10:38:31Z)
• Multi-Resource Allocation for On-Device Distributed Federated Learning Systems [79.02994855744848]
  本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。 システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
  論文  参考訳（メタデータ） (2022-11-01T14:16:05Z)
• An Efficient Multi-objective Evolutionary Approach for Solving the Operation of Multi-Reservoir System Scheduling in Hydro-Power Plants [0.0]
  そこで本研究では,水力発電プラントの1日当たりの総エネルギー生産量を最大化することを目的とする,新しい数学的モデリング手法を提案する。 この問題を解決するために,多目的進化群ハイブリダイゼーション(MESH)アルゴリズムについて論じる。 MESHは、効率と精度の点で、代替の多目的アプローチよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-20T18:39:09Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化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） (2020-07-14T12:38:21Z)
• Bottom-up mechanism and improved contract net protocol for the dynamic task planning of heterogeneous Earth observation resources [61.75759893720484]
  地球観測資源は、災害救助、被害評価、関連する領域においてますます不可欠になりつつある。 観測要求の変更や悪天候の発生、資源の失敗など、予測できない多くの要因は、スケジュールされた観測計画が実行不可能になる可能性がある。 不均質な地球観測資源の動的タスク計画を容易にするため、ボトムアップ分散協調フレームワークと改良された契約網を提案する。
  論文  参考訳（メタデータ） (2020-07-13T03:51:08Z)

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。