論文の概要: Collective Large-scale Wind Farm Multivariate Power Output Control Based on Hierarchical Communication Multi-Agent Proximal Policy Optimization

• arxiv url: http://arxiv.org/abs/2305.10161v1
• Date: Wed, 17 May 2023 12:26:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-18 16:07:52.935124
• Title: Collective Large-scale Wind Farm Multivariate Power Output Control Based on Hierarchical Communication Multi-Agent Proximal Policy Optimization
• Title（参考訳）: 階層的コミュニケーション・マルチエージェント・近距離政策最適化に基づく大規模風力発電の多変量出力制御
• Authors: Yubao Zhang, Xin Chen, Sumei Gong, Haojie Chen
• Abstract要約: 風力発電は世界中の再生可能エネルギーの重要な供給源になりつつある。 風力発電の電力管理は、これらの農場に固有の高度システムの複雑さのために大きな課題に直面している。 この課題に対処するために, 大規模風力発電多変量制御を学習する新しいコミュニケーション型マルチエージェント深部強化手法を提案する。
• 参考スコア（独自算出の注目度）: 5.062455071500403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wind power is becoming an increasingly important source of renewable energy worldwide. However, wind farm power control faces significant challenges due to the high system complexity inherent in these farms. A novel communication-based multi-agent deep reinforcement learning large-scale wind farm multivariate control is proposed to handle this challenge and maximize power output. A wind farm multivariate power model is proposed to study the influence of wind turbines (WTs) wake on power. The multivariate model includes axial induction factor, yaw angle, and tilt angle controllable variables. The hierarchical communication multi-agent proximal policy optimization (HCMAPPO) algorithm is proposed to coordinate the multivariate large-scale wind farm continuous controls. The large-scale wind farm is divided into multiple wind turbine aggregators (WTAs), and neighboring WTAs can exchange information through hierarchical communication to maximize the wind farm power output. Simulation results demonstrate that the proposed multivariate HCMAPPO can significantly increase wind farm power output compared to the traditional PID control, coordinated model-based predictive control, and multi-agent deep deterministic policy gradient algorithm. Particularly, the HCMAPPO algorithm can be trained with the environment based on the thirteen-turbine wind farm and effectively applied to larger wind farms. At the same time, there is no significant increase in the fatigue damage of the wind turbine blade from the wake control as the wind farm scale increases. The multivariate HCMAPPO control can realize the collective large-scale wind farm maximum power output.
• Abstract（参考訳）: 風力発電は世界中の再生可能エネルギーの重要な供給源になりつつある。 しかし、風力発電の電力管理は、これらの農場に固有の高系統の複雑さのために大きな課題に直面している。 この課題に対処し, 出力を最大化するために, 大規模風力発電の多変量制御を学習する新しいコミュニケーション型マルチエージェント深部強化手法を提案する。 風力タービン(wts)ウェイクが電力に与える影響を研究するため,風力発電用多変量発電モデルを提案した。 多変量モデルは、軸方向誘導係数、ヨー角および傾き角制御可能な変数を含む。 多変量大規模風力発電の連続制御を協調するために,階層型通信多重エージェントポリシー最適化(HCMAPPO)アルゴリズムを提案する。 大規模風力発電所は、複数の風力タービン集約機(wtas)に分割され、隣接するwtaは階層的通信を通じて情報を交換し、風力発電所の出力を最大化することができる。 シミュレーションの結果,提案する多変量hcmappoは,従来のpid制御,協調モデルに基づく予測制御,マルチエージェントの深い決定論的政策勾配アルゴリズムと比較して,風力発電量を大幅に増加させることができることがわかった。 特にhcmappoアルゴリズムは、13基のタービン風力農場に基づいて環境を訓練し、より大きな風力発電所に効果的に適用することができる。 同時に、風力発電の規模が大きくなるにつれて、ウェイク制御による風車ブレードの疲労損傷は顕著に増加しない。 多変量HCMAPPO制御は、大規模な風力発電の最大出力を実現することができる。

関連論文リスト

• Wind turbine condition monitoring based on intra- and inter-farm federated learning [0.0]
  風力エネルギーにおける多くのAI応用は、個々の風力タービンだけでなく、複数のタービンや複数の風力発電所の運用データを使用することで恩恵を受けることができる。 フェデレーテッド・ラーニングは、この文脈で、プライバシを保存する分散機械学習のアプローチとして登場した。 我々は、異なる風力発電所とタービンモデル間の協調や、同じ風力発電所とタービンモデルに制限された協力など、様々な連合学習戦略について検討する。
  論文  参考訳（メタデータ） (2024-09-05T16:25:30Z)
• Deep Reinforcement Learning for Multi-Objective Optimization: Enhancing Wind Turbine Energy Generation while Mitigating Noise Emissions [0.4218593777811082]
  風力タービンの深部強化学習を用いたトルクピッチ制御フレームワークを開発した。 我々は、風力タービンパラメータの正確な制御を可能にするために、ブレード要素運動量解決器と組み合わされた二重深度Q-ラーニングを用いる。
  論文  参考訳（メタデータ） (2024-07-18T09:21:51Z)
• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• Multi-Agent Reinforcement Learning for Power Grid Topology Optimization [45.74830585715129]
  本稿では,拡張行動空間に適した階層型マルチエージェント強化学習(MARL)フレームワークを提案する。 実験結果から, 単エージェントRL法とMARLフレームワークの競合性能が示唆された。 また、下位エージェントに対する異なるRLアルゴリズムと上位エージェントに対する異なるポリシーを比較した。
  論文  参考訳（メタデータ） (2023-10-04T06:37:43Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• Skip Training for Multi-Agent Reinforcement Learning Controller for Industrial Wave Energy Converters [94.84709449845352]
  近年のウェーブ・エナジー・コンバータ(WEC)は、発電を最大化するために複数の脚と発電機を備えている。 従来のコントローラは複雑な波のパターンを捕捉する制限を示しており、コントローラはエネルギー捕獲を効率的に最大化する必要がある。 本稿では,従来のスプリングダンパよりも優れたマルチエージェント強化学習コントローラ(MARL)を提案する。
  論文  参考訳（メタデータ） (2022-09-13T00:20:31Z)
• 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)
• Measuring Wind Turbine Health Using Drifting Concepts [55.87342698167776]
  風力タービンの健全性解析のための2つの新しい手法を提案する。 第1の方法は、比較的高低電力生産の減少または増加を評価することを目的とする。 第2の方法は抽出された概念の全体的ドリフトを評価する。
  論文  参考訳（メタデータ） (2021-12-09T14:04:55Z)
• Scalable Optimization for Wind Farm Control using Coordination Graphs [5.56699571220921]
  風力発電の制御装置は、グリッドオペレータによって課される電力需要と農場の電力生産を一致させるために必要である。 風力タービン間の複雑な依存関係が存在するため、これは非自明な最適化問題である。 本研究では,スパースな風力場構造を利用して最適化問題を推定する風力場制御の新しい学習方法を提案する。
  論文  参考訳（メタデータ） (2021-01-19T20:12:30Z)
• Generation expansion planning in the presence of wind power plants using a genetic algorithm model [0.0]
  ジェネレーション拡張計画(GEP)の目的は、建設計画を強化し、異なるタイプの発電所を設置するコストを削減することである。 本稿では,風力発電プラントの存在下でのGEPのための遺伝的アルゴリズム(GA)に基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-07-07T07:20:15Z)
• Hybrid Neuro-Evolutionary Method for Predicting Wind Turbine Power Output [6.411829871947649]
  我々は,スウェーデンのオンショア風力発電所から出力される電力を推定するために,SCADAシステムにおける履歴データを入力として利用する。 風のパターンが非線形で多様であるという事前の知識により、我々は自己適応微分進化(SaDE)アルゴリズムを組み合わせる。 私たちのアプローチは、そのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-04-02T04:22:22Z)

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。