論文の概要: Deep Reinforcement Learning for Artificial Upwelling Energy Management
- arxiv url: http://arxiv.org/abs/2308.10199v2
- Date: Fri, 25 Aug 2023 08:25:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 16:31:05.514260
- Title: Deep Reinforcement Learning for Artificial Upwelling Energy Management
- Title(参考訳): 人工住宅エネルギー管理のための深層強化学習
- Authors: Yiyuan Zhang, Wei Fan
- Abstract要約: 深部強化学習(DRL)アルゴリズムを応用した新しいエネルギー管理手法を提案する。
具体的には,AUSのエネルギー効率をマルコフ決定過程として最大化する問題を定式化し,QR-DQNにおける量子ネットワークと深層デュエルネットワークを統合する。
その結果, DRLを基盤としたアプローチは, AUSのエネルギー効率を向上し, 海藻栽培の持続可能性を高め, 海洋における炭素沈降を促進できる可能性が示唆された。
- 参考スコア(独自算出の注目度): 9.212936156042328
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The potential of artificial upwelling (AU) as a means of lifting
nutrient-rich bottom water to the surface, stimulating seaweed growth, and
consequently enhancing ocean carbon sequestration, has been gaining increasing
attention in recent years. This has led to the development of the first
solar-powered and air-lifted AU system (AUS) in China. However, efficient
scheduling of air injection systems in complex marine environments remains a
crucial challenge in operating AUS, as it holds the potential to significantly
improve energy efficiency. To tackle this challenge, we propose a novel energy
management approach that utilizes deep reinforcement learning (DRL) algorithm
to develop efficient strategies for operating AUS. Specifically, we formulate
the problem of maximizing the energy efficiency of AUS as a Markov decision
process and integrate the quantile network in distributional reinforcement
learning (QR-DQN) with the deep dueling network to solve it. Through extensive
simulations, we evaluate the performance of our algorithm and demonstrate its
superior effectiveness over traditional rule-based approaches and other DRL
algorithms in reducing energy wastage while ensuring the stable and efficient
operation of AUS. Our findings suggest that a DRL-based approach offers a
promising way to improve the energy efficiency of AUS and enhance the
sustainability of seaweed cultivation and carbon sequestration in the ocean.
- Abstract(参考訳): 近年, 養分豊富な底水を持ち上げ, 海藻の成長を刺激し, 海洋炭素の沈降を促進させる手段として, 人工隆起(AU)の可能性が高まっている。
このことが、中国初の太陽エネルギー・空力AUシステム(AUS)の開発につながった。
しかし、複雑な海洋環境における空気噴射システムの効率的なスケジューリングは、エネルギー効率を大幅に改善する可能性を秘めているため、ausの運用において重要な課題である。
そこで本研究では,深層強化学習(drl)アルゴリズムを応用した新しいエネルギー管理手法を提案する。
具体的には, ausのエネルギー効率を最大化する問題をマルコフ決定プロセスとして定式化し, 分布強化学習(qr-dqn)における質的ネットワークとディープデュエリングネットワークを統合することで解決する。
広範なシミュレーションにより,本アルゴリズムの性能を評価し,従来のルールベース手法や他のdrlアルゴリズムと比較して,ausの安定かつ効率的な動作を保証しつつ,エネルギーのウェーブステージを減少させる効果を示す。
その結果, DRLを基盤としたアプローチは, AUSのエネルギー効率を向上し, 海藻栽培の持続可能性を高め, 海洋における炭素沈降を促進できる可能性が示唆された。
関連論文リスト
- AI-Driven approach for sustainable extraction of earth's subsurface renewable energy while minimizing seismic activity [44.99833362998488]
地球の地殻に流体を注入すると、地震を誘発または引き起こすことがある。
本研究では,人間による震度制御のための強化学習に基づく新しい手法を提案する。
本研究では,強化学習アルゴリズムが頑健な制御器と効率的に対話可能であることを示す。
論文 参考訳(メタデータ) (2024-08-07T10:06:04Z) - A Deep Reinforcement Learning Approach to Battery Management in Dairy Farming via Proximal Policy Optimization [1.2289361708127877]
本研究は, 農林水産経営の高度化をめざすための政策最適化の応用について検討する。
電力網への依存を減らす能力に基づいて,提案アルゴリズムの有効性を評価する。
論文 参考訳(メタデータ) (2024-07-01T12:46:09Z) - Aquatic Navigation: A Challenging Benchmark for Deep Reinforcement Learning [53.3760591018817]
ゲームエンジンとDeep Reinforcement Learningの統合の最近の進歩を利用して,水上ナビゲーションのための新しいベンチマーク環境を提案する。
具体的には、最も広く受け入れられているアルゴリズムの一つであるPPOに着目し、先進的なトレーニング手法を提案する。
実験により,これらの成分をうまく組み合わせることで,有望な結果が得られることが示された。
論文 参考訳(メタデータ) (2024-05-30T23:20:23Z) - A Knowledge-driven Memetic Algorithm for the Energy-efficient Distributed Homogeneous Flow Shop Scheduling Problem [3.8628109670599]
エネルギー効率の高い分散均質フローショップスケジューリング問題(DHFSSP)に対処する知識駆動メメティックアルゴリズム(KDMA)を提案する。
KDMAは様々な評価面において多くの最先端アルゴリズムより優れていることは明らかである。
論文 参考訳(メタデータ) (2024-04-28T00:52:44Z) - Hybrid Reinforcement Learning for Optimizing Pump Sustainability in
Real-World Water Distribution Networks [55.591662978280894]
本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。
我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。
進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
論文 参考訳(メタデータ) (2023-10-13T21:26:16Z) - A Novel Hybrid Algorithm for Optimized Solutions in Ocean Renewable
Energy Industry: Enhancing Power Take-Off Parameters and Site Selection
Procedure of Wave Energy Converters [0.0]
海洋再生エネルギー、特に波浪エネルギーは、地球規模のエネルギーポートフォリオを多様化するための重要な要素となっている。
本研究は、オフショア発振サージ波エネルギー変換器(OSWEC)におけるパワーテイクオフパラメータ(PTO)の最適化とサイト選択過程について検討する。
HC-EGWO法を用いることで,他の方法と比較して最大3.31%の出力向上を実現した。
論文 参考訳(メタデータ) (2023-09-19T13:30:17Z) - 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) - Optimal Planning of Hybrid Energy Storage Systems using Curtailed
Renewable Energy through Deep Reinforcement Learning [0.0]
エネルギー貯蔵システム(ESS)を計画するためのポリシーに基づくアルゴリズムを用いた高度な深層強化学習手法を提案する。
定量的性能比較の結果、DRLエージェントはシナリオベース最適化(SO)アルゴリズムよりも優れていた。
その結果、DRLエージェントは人間の専門家が行うように学習し、提案手法の信頼性が示唆された。
論文 参考訳(メタデータ) (2022-12-12T02:24:50Z) - Energy-Efficient Design for a NOMA assisted STAR-RIS Network with Deep
Reinforcement Learning [78.50920340621677]
同時送信・再構成可能なインテリジェントサーフェス(STAR-RIS)は、無線ネットワークの性能を高めるための有望な補助装置であると考えられている。
本稿では,非直交多重アクセス(NOMA)ネットワークにおけるエネルギー効率(EE)問題について検討する。
基地局の送信ビームフォーミングベクトルとSTAR-RISの勾配行列を協調的に最適化することにより,EEを最大化する。
論文 参考訳(メタデータ) (2021-11-30T15:01:19Z) - Improving Robustness of Reinforcement Learning for Power System Control
with Adversarial Training [71.7750435554693]
電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。
具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。
本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
論文 参考訳(メタデータ) (2021-10-18T00:50:34Z) - 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)
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。