論文の概要: Deep Reinforcement Learning-driven Cross-Community Energy Interaction Optimal Scheduling

• arxiv url: http://arxiv.org/abs/2308.12554v1
• Date: Thu, 24 Aug 2023 04:42:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 15:15:48.055520
• Title: Deep Reinforcement Learning-driven Cross-Community Energy Interaction Optimal Scheduling
• Title（参考訳）: 深層強化学習によるコミュニティ間エネルギー相互作用最適スケジューリング
• Authors: Yang Li, Fanjin Bu, Zhen Yang, Bin Wang, Meng Han
• Abstract要約: 本稿では,多エージェント深部強化学習アルゴリズムを用いて,異なるコミュニティの負荷特性を学習する包括的スケジューリングモデルを提案する。 風量削減率を16.3%から0%に引き下げ、全体の運用コストを5445.6元に下げる。
• 参考スコア（独自算出の注目度）: 16.1584812347314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In order to coordinate energy interactions among various communities and energy conversions among multi-energy subsystems within the multi-community integrated energy system under uncertain conditions, and achieve overall optimization and scheduling of the comprehensive energy system, this paper proposes a comprehensive scheduling model that utilizes a multi-agent deep reinforcement learning algorithm to learn load characteristics of different communities and make decisions based on this knowledge. In this model, the scheduling problem of the integrated energy system is transformed into a Markov decision process and solved using a data-driven deep reinforcement learning algorithm, which avoids the need for modeling complex energy coupling relationships between multi-communities and multi-energy subsystems. The simulation results show that the proposed method effectively captures the load characteristics of different communities and utilizes their complementary features to coordinate reasonable energy interactions among them. This leads to a reduction in wind curtailment rate from 16.3% to 0% and lowers the overall operating cost by 5445.6 Yuan, demonstrating significant economic and environmental benefits.
• Abstract（参考訳）: In order to coordinate energy interactions among various communities and energy conversions among multi-energy subsystems within the multi-community integrated energy system under uncertain conditions, and achieve overall optimization and scheduling of the comprehensive energy system, this paper proposes a comprehensive scheduling model that utilizes a multi-agent deep reinforcement learning algorithm to learn load characteristics of different communities and make decisions based on this knowledge. このモデルでは、統合エネルギーシステムのスケジューリング問題をマルコフ決定プロセスに変換し、マルチコミュニティとマルチエネルギーサブシステムの間の複雑なエネルギー結合関係をモデル化する必要のないデータ駆動型深部強化学習アルゴリズムを用いて解決する。 シミュレーションの結果, 提案手法は, 異なるコミュニティの負荷特性を効果的に把握し, 相補的特徴を利用して適切なエネルギー相互作用を調整できることが示唆された。 これにより風速は16.3%から0%に低下し、全体の運転コストは5445.6元に低下し、経済と環境面で大きな利益をもたらした。

関連論文リスト

• Reinforcement Learning for Efficient Design and Control Co-optimisation of Energy Systems [0.0]
  本研究では,エネルギーシステムの設計と制御の協調最適化に適した新しい強化学習フレームワークを提案する。 RLのモデルフリー機能を活用することで、このフレームワークは明示的なシステムモデリングの必要性を排除します。 この貢献により、エネルギー管理における高度なRL応用の道が開かれ、再生可能エネルギー源をより効率的に効果的に利用できるようになった。
  論文  参考訳（メタデータ） (2024-06-28T11:01:02Z)
• Balancing Energy Efficiency and Distributional Robustness in Over-the-Air Federated Learning [40.96977338485749]
  本稿では,空気計算(AirComp)を用いた分布型頑健な連邦学習(FL)におけるエネルギー効率を保証する新しい手法を提案する。 本稿では,エネルギー効率に配慮した決定論的手法と,分散ロバスト性に配慮した確率論的手法の2つの相補的な洞察を統合する新しいクライアント選択手法を提案する。 シミュレーションの結果,提案アルゴリズムの有効性を実証し,ロバスト性およびエネルギー効率の両面から,ベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-12-22T12:15:52Z)
• On Feature Diversity in Energy-based Models [98.78384185493624]
  エネルギーベースモデル(EBM)は通常、異なる特徴の組み合わせを学習し、入力構成ごとにエネルギーマッピングを生成する内部モデルによって構成される。 EBMのほぼ正しい(PAC)理論を拡張し,EBMの性能に及ぼす冗長性低減の影響を解析した。
  論文  参考訳（メタデータ） (2023-06-02T12:30:42Z)
• Optimal scheduling of island integrated energy systems considering multi-uncertainties and hydrothermal simultaneous transmission: A deep reinforcement learning approach [3.900623554490941]
  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。
  論文  参考訳（メタデータ） (2022-12-27T12:46:25Z)
• 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)
• Multi-Objective Constrained Optimization for Energy Applications via Tree Ensembles [55.23285485923913]
  エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。 場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。 本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
  論文  参考訳（メタデータ） (2021-11-04T20:18:55Z)
• Energy-Efficient Multi-Orchestrator Mobile Edge Learning [54.28419430315478]
  Mobile Edge Learning(MEL)は、エッジデバイス上で機械学習(ML)モデルの分散トレーニングを特徴とする、協調学習パラダイムである。 MELでは、異なるデータセットで複数の学習タスクが共存する可能性がある。 本稿では, エネルギー消費, 精度, 解複雑性のトレードオフを容易にする軽量なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-02T07:37:10Z)
• Optimal Power Allocation for Rate Splitting Communications with Deep Reinforcement Learning [61.91604046990993]
  このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。 ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
  論文  参考訳（メタデータ） (2021-07-01T06:32:49Z)
• 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)
• A Scalable Method for Scheduling Distributed Energy Resources using Parallelized Population-based Metaheuristics [0.0]
  分散エネルギー資源のユニットコミットメントのための新しい汎用的かつ高並列な手法を提案する。 この新しい手法はクラスタやクラウドの並列化性を提供し、多数の分散エネルギーリソースを相互に扱うことができる。
  論文  参考訳（メタデータ） (2020-02-18T11:51:28Z)

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。