論文の概要: Interpretable Deep Reinforcement Learning for Optimizing Heterogeneous
Energy Storage Systems
- arxiv url: http://arxiv.org/abs/2310.14783v1
- Date: Fri, 20 Oct 2023 02:26:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 20:46:17.911283
- Title: Interpretable Deep Reinforcement Learning for Optimizing Heterogeneous
Energy Storage Systems
- Title（参考訳）: 不均一エネルギー貯蔵システムの最適化のための解釈型深部強化学習
- Authors: Luolin Xiong, Yang Tang, Chensheng Liu, Shuai Mao, Ke Meng, Zhaoyang
Dong, Feng Qian
- Abstract要約: エネルギー貯蔵システム(ESS)はエネルギー市場において重要な要素であり、エネルギー供給者と消費者の両方に役立っている。
エネルギー市場におけるESSの柔軟性を高めるために、異種太陽光発電(PV-ESS)を提案する。
我々は、現実のシナリオを反映して、劣化、資本、運用・保守コストを考慮した包括的コスト関数を開発する。
- 参考スコア（独自算出の注目度）: 11.03157076666012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Energy storage systems (ESS) are pivotal component in the energy market,
serving as both energy suppliers and consumers. ESS operators can reap benefits
from energy arbitrage by optimizing operations of storage equipment. To further
enhance ESS flexibility within the energy market and improve renewable energy
utilization, a heterogeneous photovoltaic-ESS (PV-ESS) is proposed, which
leverages the unique characteristics of battery energy storage (BES) and
hydrogen energy storage (HES). For scheduling tasks of the heterogeneous
PV-ESS, cost description plays a crucial role in guiding operator's strategies
to maximize benefits. We develop a comprehensive cost function that takes into
account degradation, capital, and operation/maintenance costs to reflect
real-world scenarios. Moreover, while numerous methods excel in optimizing ESS
energy arbitrage, they often rely on black-box models with opaque
decision-making processes, limiting practical applicability. To overcome this
limitation and enable transparent scheduling strategies, a prototype-based
policy network with inherent interpretability is introduced. This network
employs human-designed prototypes to guide decision-making by comparing
similarities between prototypical situations and encountered situations, which
allows for naturally explained scheduling strategies. Comparative results
across four distinct cases underscore the effectiveness and practicality of our
proposed pre-hoc interpretable optimization method when contrasted with
black-box models.
- Abstract（参考訳）: エネルギー貯蔵システム(ESS)はエネルギー市場において重要な要素であり、エネルギー供給者と消費者の両方に役立っている。
ESSオペレータは、ストレージ機器の操作を最適化することで、エネルギー仲裁の恩恵を享受できる。
エネルギー市場におけるessの柔軟性をさらに高め、再生可能エネルギー利用を向上させるため、電池エネルギー貯蔵(bes)と水素エネルギー貯蔵(hes)のユニークな特性を活用した不均一型太陽光発電(pv-ess)を提案する。
不均一なpv-essのスケジューリングタスクでは、コスト記述がオペレータの戦略を最大化するために重要な役割を果たす。
我々は,実世界のシナリオを反映するために,劣化・資本・運用・維持コストを考慮した総合的コスト関数を開発する。
さらに、ESSエネルギーの調停を最適化する多くの手法が優れているが、しばしば不透明な意思決定プロセスを持つブラックボックスモデルに依存し、実用性を制限する。
この制限を克服し、透過的なスケジューリング戦略を実現するために、本質的に解釈可能なプロトタイプベースのポリシーネットワークを導入する。
このネットワークは、人間の設計したプロトタイプを用いて意思決定を導くために、原型的な状況と遭遇した状況の類似性を比較している。
ブラックボックスモデルと比較した場合,提案手法の有効性と実用性は,4つの異なる事例で比較された。
関連論文リスト
- Empowering Distributed Solutions in Renewable Energy Systems and Grid
Optimization [3.8979646385036175]
機械学習(ML)の進歩は再生可能エネルギー源の強化とグリッド管理の改善に重要な役割を果たしている。
ビッグデータとMLをスマートグリッドに組み込むことは、エネルギー効率の向上など、いくつかのメリットを提供する。
しかし、大規模なデータボリュームの処理、サイバーセキュリティの確保、専門知識の獲得といった課題に対処する必要がある。
論文 参考訳（メタデータ） (2023-10-24T02:45:16Z) - A Human-on-the-Loop Optimization Autoformalism Approach for
Sustainability [27.70596933019959]
本稿では,大規模言語モデル(LLM)を用いたパーソナライズされたエネルギー問題に対する自然な対話的アプローチについて概説する。
我々は,LLMを最適化解決器で強化し,ユーザの仕様や好みを理解し,応答する能力を高める戦略を提唱した。
提案手法は,自然言語タスク仕様を自動で最適化インスタンスに翻訳することで,人間誘導最適化オートフォーマリズムという新しい概念を開拓する。
論文 参考訳（メタデータ） (2023-08-20T22:42:04Z) - Multi-market Energy Optimization with Renewables via Reinforcement
Learning [1.0878040851638]
本稿では,再生可能エネルギーと貯蔵量を組み合わせた発電プラントの運転を最適化するための深層強化学習フレームワークを提案する。
このフレームワークは、ストレージデバイスによる時間結合、再生可能エネルギー生成の不確実性、エネルギー価格、非線形ストレージモデルなどの複雑さを扱う。
複雑なストレージモデルを統合するためにRLを使用し、凸と微分可能なコンポーネントモデルを必要とする最適化ベースのメソッドの制限を克服する。
論文 参考訳（メタデータ） (2023-06-13T21:35:24Z) - 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) - 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) - Enforcing Policy Feasibility Constraints through Differentiable
Projection for Energy Optimization [57.88118988775461]
本稿では,ニューラルポリシー内での凸操作制約を強制するために,PROF(Projected Feasibility)を提案する。
エネルギー効率の高い建築操作とインバータ制御の2つの応用についてPROFを実証する。
論文 参考訳（メタデータ） (2021-05-19T01:58:10Z) - A Multi-Agent Deep Reinforcement Learning Approach for a Distributed
Energy Marketplace in Smart Grids [58.666456917115056]
本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。
提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
論文 参考訳（メタデータ） (2020-09-23T02:17:51Z) - Demand Responsive Dynamic Pricing Framework for Prosumer Dominated
Microgrids using Multiagent Reinforcement Learning [59.28219519916883]
本稿では,実時間価格(RTP)DR技術を実装したマルチエージェント強化学習に基づく意思決定環境を提案する。
提案手法は,従来のDR法に共通するいくつかの欠点に対処し,グリッド演算子とプロシューマーに大きな経済的利益をもたらす。
論文 参考訳（メタデータ） (2020-09-23T01:44:57Z) - 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) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。