論文の概要: Real-time scheduling of renewable power systems through planning-based reinforcement learning

• arxiv url: http://arxiv.org/abs/2303.05205v2
• Date: Mon, 13 Mar 2023 08:06:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 11:08:45.511732
• Title: Real-time scheduling of renewable power systems through planning-based reinforcement learning
• Title（参考訳）: 計画型強化学習による再生可能電力システムのリアルタイムスケジューリング
• Authors: Shaohuai Liu, Jinbo Liu, Weirui Ye, Nan Yang, Guanglun Zhang, Haiwang Zhong, Chongqing Kang, Qirong Jiang, Xuri Song, Fangchun Di, Yang Gao
• Abstract要約: 再生可能エネルギー源は 従来の電力スケジューリングに 重大な課題をもたらしています 強化学習の新たな発展は、この問題を解く可能性を実証している。 我々は、最先端の強化学習アルゴリズムと実電力グリッド環境に基づく体系的なソリューションを最初に提案する。
• 参考スコア（独自算出の注目度）: 13.65517429683729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing renewable energy sources have posed significant challenges to traditional power scheduling. It is difficult for operators to obtain accurate day-ahead forecasts of renewable generation, thereby requiring the future scheduling system to make real-time scheduling decisions aligning with ultra-short-term forecasts. Restricted by the computation speed, traditional optimization-based methods can not solve this problem. Recent developments in reinforcement learning (RL) have demonstrated the potential to solve this challenge. However, the existing RL methods are inadequate in terms of constraint complexity, algorithm performance, and environment fidelity. We are the first to propose a systematic solution based on the state-of-the-art reinforcement learning algorithm and the real power grid environment. The proposed approach enables planning and finer time resolution adjustments of power generators, including unit commitment and economic dispatch, thus increasing the grid's ability to admit more renewable energy. The well-trained scheduling agent significantly reduces renewable curtailment and load shedding, which are issues arising from traditional scheduling's reliance on inaccurate day-ahead forecasts. High-frequency control decisions exploit the existing units' flexibility, reducing the power grid's dependence on hardware transformations and saving investment and operating costs, as demonstrated in experimental results. This research exhibits the potential of reinforcement learning in promoting low-carbon and intelligent power systems and represents a solid step toward sustainable electricity generation.
• Abstract（参考訳）: 再生可能エネルギー源の増大は、従来の電力スケジューリングに重大な課題をもたらした。 オペレーターは、再生可能発電の正確な日頭予測を得ることが困難であり、そのため、将来のスケジューリングシステムでは、超短期予測に合わせたリアルタイムスケジューリング決定を行う必要がある。 計算速度の制限により、従来の最適化手法ではこの問題は解決できない。 強化学習(RL)の最近の進歩は、この課題を解決する可能性を示している。 しかし、既存のRL法は制約複雑性、アルゴリズム性能、環境忠実度の観点からは不十分である。 我々は、最先端の強化学習アルゴリズムと実電力グリッド環境に基づく体系的なソリューションを最初に提案する。 提案手法により、ユニットコミットメントや経済派遣を含む発電装置の時間分解調整の計画と微調整が可能となり、電力網の再生可能エネルギー獲得能力が向上する。 適切に訓練されたスケジューリングエージェントは、従来のスケジュールが不正確な日頭予測に依存することに起因する問題である再生可能カーテリーメントと負荷シェディングを大幅に削減する。 高周波制御決定は、実験結果で示されたように、既存のユニットの柔軟性を利用し、ハードウェア変換への電力グリッドの依存を減らし、投資と運用コストを節約する。 本研究は、低炭素・インテリジェント電力システムの推進における強化学習の可能性を示し、持続可能な発電に向けた確かなステップを示す。

関連論文リスト

• Accelerating Quasi-Static Time Series Simulations with Foundation Models [36.7183558293052]
  我々は、最近導入されたグリッド基礎モデルが、ニューラルパワーフローソルバの経済性を改善することを想定する。 私たちはこれらのモデルを開発し、オープンソース化するために、AIと電力グリッドコミュニティの協力を求めます。
  論文  参考訳（メタデータ） (2024-11-13T14:42:32Z)
• 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)
• Optimal Power Flow in Highly Renewable Power System Based on Attention Neural Networks [43.19619268243832]
  風や太陽のような再生可能エネルギー源の統合は、その固有の変動性のために課題を提起する。 この変動は、主に気象条件の変化によって引き起こされるものであり、電力設定の頻繁な再調整を必要とする。 我々は、模倣学習と過去のヨーロッパの気象データセットを用いて訓練された最先端の物理インフォームド機械学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-23T12:02:58Z)
• A Stochastic Online Forecast-and-Optimize Framework for Real-Time Energy Dispatch in Virtual Power Plants under Uncertainty [18.485617498705736]
  本稿では,2つの要素から構成されるリアルタイム不確実性を考慮したエネルギー分散フレームワークを提案する。 提案するフレームワークは,リアルタイムデータ配信に迅速に適応すると同時に,データドリフトやモデルの不一致,制御プロセスの環境摂動などによる不確実性もターゲットとすることができる。 このフレームワークはCityLearn Challenge 2022で優勝し、エネルギー領域におけるAIアプリケーションの可能性を調べる影響力のある機会となった。
  論文  参考訳（メタデータ） (2023-09-15T00:04:00Z)
• Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
  生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。 地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。 本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:12:30Z)
• 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)
• Learning Optimization Proxies for Large-Scale Security-Constrained Economic Dispatch [11.475805963049808]
  SCED(Security-Constrained Economic Dispatch)は、送信システムオペレーター(TSO)の基本最適化モデルである 本稿では,SCEDの最適解をミリ秒で予測できる機械学習(ML)モデルとして,SCEDの最適化プロキシを学習することを提案する。 数値実験は、フランスの送信システム上で報告され、リアルタイム操作と互換性のある時間枠内で、その手法が生成できることを実証する。
  論文  参考訳（メタデータ） (2021-12-27T00:44:06Z)
• 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)
• 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)
• 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)
• 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。