論文の概要: Real-World Implementation of Reinforcement Learning Based Energy
Coordination for a Cluster of Households
- arxiv url: http://arxiv.org/abs/2310.19155v1
- Date: Sun, 29 Oct 2023 21:10:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 13:58:01.912708
- Title: Real-World Implementation of Reinforcement Learning Based Energy
Coordination for a Cluster of Households
- Title（参考訳）: 家庭集合体のための強化学習に基づくエネルギーコーディネートの実世界実装
- Authors: Gargya Gokhale, Niels Tiben, Marie-Sophie Verwee, Manu Lahariya, Bert
Claessens, Chris Develder
- Abstract要約: 本研究では, 住宅8棟の電力消費調整における強化学習(RL)の有効性について検討した。
以上の結果から,データ駆動方式で学習したRLに基づくランキングの有効性が示された。
- 参考スコア（独自算出の注目度）: 3.901860248668672
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Given its substantial contribution of 40\% to global power consumption, the
built environment has received increasing attention to serve as a source of
flexibility to assist the modern power grid. In that respect, previous research
mainly focused on energy management of individual buildings. In contrast, in
this paper, we focus on aggregated control of a set of residential buildings,
to provide grid supporting services, that eventually should include ancillary
services. In particular, we present a real-life pilot study that studies the
effectiveness of reinforcement-learning (RL) in coordinating the power
consumption of 8 residential buildings to jointly track a target power signal.
Our RL approach relies solely on observed data from individual households and
does not require any explicit building models or simulators, making it
practical to implement and easy to scale. We show the feasibility of our
proposed RL-based coordination strategy in a real-world setting. In a 4-week
case study, we demonstrate a hierarchical control system, relying on an
RL-based ranking system to select which households to activate flex assets
from, and a real-time PI control-based power dispatch mechanism to control the
selected assets. Our results demonstrate satisfactory power tracking, and the
effectiveness of the RL-based ranks which are learnt in a purely data-driven
manner.
- Abstract（参考訳）: 世界の電力消費に対する40 %の実質的な貢献を考えると、建設環境は現代の電力網を支援するための柔軟性の源として注目されている。
その意味では、従来の研究は主に個々の建物のエネルギー管理に重点を置いていた。
一方,本稿では,集合住宅の集合的管理に焦点をあて,グリッド支援サービスを提供し,最終的にはアシラリーサービスを含めるべきである。
特に, 住宅8棟の電力消費調整における強化学習(RL)の有効性を実証し, 目標電力信号を共同で追跡する実生活パイロット研究について述べる。
我々のRLアプローチは、個々の家庭の観測データにのみ依存しており、明示的なビルディングモデルやシミュレータを必要としないため、実装が容易で、スケールも容易です。
実環境において提案したRLに基づく協調戦略の実現可能性を示す。
4週間のケーススタディでは、フレックス資産を活性化する世帯を選択するためのRLベースのランキングシステムと、選択した資産を制御するリアルタイムPI制御ベースのパワーディスパッチ機構を用いた階層的な制御システムを示す。
以上の結果から,データ駆動方式で学習したRLに基づくランキングの有効性が示された。
関連論文リスト
- State and Action Factorization in Power Grids [47.65236082304256]
状態と行動成分の相関関係をデータに基づいて推定するドメインに依存しないアルゴリズムを提案する。
このアルゴリズムはGrid2Opシミュレータで得られた電力グリッドベンチマークで検証される。
論文 参考訳（メタデータ） (2024-09-03T15:00:58Z) - Empowering Safe Reinforcement Learning for Power System Control with CommonPower [7.133681867718039]
RLコントローラのフレキシブルでモデルベースの保護を可能にするPythonツールCommonPowerを紹介した。
CommonPowerは、単一エージェントRL、マルチエージェントRL、最適制御のための統一インターフェースを提供し、異なる予測メソッドをシームレスに統合する。
我々は、異なる安全ガードを特徴とするRLエージェントと、エネルギー管理のコンテキストにおけるモデル予測制御器を比較した数値ケーススタディにより、CommonPowerの汎用性を実証する。
論文 参考訳（メタデータ） (2024-06-05T13:06:52Z) - Explainable Reinforcement Learning-based Home Energy Management Systems using Differentiable Decision Trees [4.573008040057806]
住宅セクターは、太陽光発電、家庭用バッテリー、EVの採用の増加により、柔軟性を損なう主要かつ未解決の源となっている。
微分可能な決定木を用いた強化学習に基づくアプローチを提案する。
このアプローチは、データ駆動強化学習のスケーラビリティと(微分可能)決定木の説明可能性を統合する。
概念実証として,家庭内エネルギー管理問題を用いて提案手法を解析し,その性能を市販のルールベースベースラインと標準ニューラルネットワークベースRLコントローラと比較した。
論文 参考訳（メタデータ） (2024-03-18T16:40:41Z) - Exploring Deep Reinforcement Learning for Holistic Smart Building
Control [3.463438487417909]
我々はOCTOPUSと呼ばれるシステムを開発し、データ駆動方式を用いてすべての建物のサブシステムの最適制御シーケンスを探索する。
OCTOPUSは、LEEDゴールド認定ビルにおける最先端のルールベースの手法と比較して14.26%と8.1%の省エネを達成できる。
論文 参考訳（メタデータ） (2023-01-27T03:03:21Z) - MERLIN: Multi-agent offline and transfer learning for occupant-centric
energy flexible operation of grid-interactive communities using smart meter
data and CityLearn [0.0]
ビルの脱炭は, 送電網の信頼性に新たな課題をもたらす。
我々は,MERLINフレームワークを提案し,CityLearnの現実的なグリッド・インタラクティブな住宅コミュニティのデジタルツインを利用する。
電池の独立型RL制御器は、個々の建物に対するポリシーを調整することによって、基準よりも建物や地区レベルが向上することを示す。
論文 参考訳（メタデータ） (2022-12-31T21:37:14Z) - Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。
我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
論文 参考訳（メタデータ） (2022-08-12T17:13:25Z) - 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) - Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning
for Smart Grids [56.35173057183362]
家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。
目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。
マルコフゲームとしてスマートグリッド環境の定式化を提案する。
論文 参考訳（メタデータ） (2020-05-05T07:32:40Z) - 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) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
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。