論文の概要: Advancing Attack-Resilient Scheduling of Integrated Energy Systems with
Demand Response via Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2311.17941v1
- Date: Tue, 28 Nov 2023 23:29:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 19:35:28.706048
- Title: Advancing Attack-Resilient Scheduling of Integrated Energy Systems with
Demand Response via Deep Reinforcement Learning
- Title(参考訳): 深層強化学習による需要応答を考慮した統合エネルギーシステムの攻撃耐性スケジューリング
- Authors: Yang Li, Wenjie Ma, Yuanzheng Li, Sen Li, Zhe Chen
- Abstract要約: 本稿では,IDR(Integrated demand response)対応IESのためのDRL(State-adversarial Deep reinforcement Learning)に基づく,革新的なモデルレスレジリエンススケジューリング手法を提案する。
提案手法は, RESと負荷による不確実性に適切に対処し, サイバー攻撃がスケジューリング戦略に与える影響を軽減し, 各種エネルギー源に対する安定した需要供給を確保することができることを示す。
- 参考スコア(独自算出の注目度): 12.759244879222758
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimally scheduling multi-energy flow is an effective method to utilize
renewable energy sources (RES) and improve the stability and economy of
integrated energy systems (IES). However, the stable demand-supply of IES faces
challenges from uncertainties that arise from RES and loads, as well as the
increasing impact of cyber-attacks with advanced information and communication
technologies adoption. To address these challenges, this paper proposes an
innovative model-free resilience scheduling method based on state-adversarial
deep reinforcement learning (DRL) for integrated demand response (IDR)-enabled
IES. The proposed method designs an IDR program to explore the interaction
ability of electricity-gas-heat flexible loads. Additionally, a
state-adversarial Markov decision process (SA-MDP) model characterizes the
energy scheduling problem of IES under cyber-attack. The state-adversarial soft
actor-critic (SA-SAC) algorithm is proposed to mitigate the impact of
cyber-attacks on the scheduling strategy. Simulation results demonstrate that
our method is capable of adequately addressing the uncertainties resulting from
RES and loads, mitigating the impact of cyber-attacks on the scheduling
strategy, and ensuring a stable demand supply for various energy sources.
Moreover, the proposed method demonstrates resilience against cyber-attacks.
Compared to the original soft actor-critic (SAC) algorithm, it achieves a 10\%
improvement in economic performance under cyber-attack scenarios.
- Abstract(参考訳): 多エネルギー流の最適スケジューリングは、再生可能エネルギー源(RES)を有効利用し、統合エネルギーシステム(IES)の安定性と経済性を改善する方法である。
しかし、IESの安定した需要供給は、RESや負荷から生じる不確実性や、高度な情報や通信技術の導入によるサイバー攻撃の影響の増大による課題に直面している。
これらの課題に対処するため,本研究では,IDR対応IESのための状態逆深部強化学習(DRL)に基づくモデルレスレジリエンススケジューリング手法を提案する。
提案手法は,電気・ガス熱フレキシブル負荷の相互作用能力を調べるためのidrプログラムの設計である。
さらに、国家対向マルコフ決定プロセス(sa-mdp)モデルは、サイバー攻撃下のiesのエネルギースケジューリング問題を特徴づける。
スケジューリング戦略に対するサイバー攻撃の影響を軽減するため,SA-SAC (State-adversarial soft actor-critic)アルゴリズムを提案する。
シミュレーションの結果,RESと負荷による不確実性に適切に対処し,サイバー攻撃がスケジュール戦略に与える影響を軽減し,様々なエネルギー源に対する安定した需要供給を確保することができることがわかった。
さらに,提案手法はサイバー攻撃に対する弾力性を示す。
ソフトアクター・クリティカル(SAC)アルゴリズムと比較すると,サイバー攻撃シナリオ下での経済性能は10倍に向上する。
関連論文リスト
- 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 Stochastic Online Forecast-and-Optimize Framework for Real-Time Energy
Dispatch in Virtual Power Plants under Uncertainty [18.485617498705736]
本稿では,2つの要素から構成されるリアルタイム不確実性を考慮したエネルギー分散フレームワークを提案する。
提案するフレームワークは,リアルタイムデータ配信に迅速に適応すると同時に,データドリフトやモデルの不一致,制御プロセスの環境摂動などによる不確実性もターゲットとすることができる。
このフレームワークはCityLearn Challenge 2022で優勝し、エネルギー領域におけるAIアプリケーションの可能性を調べる影響力のある機会となった。
論文 参考訳(メタデータ) (2023-09-15T00:04:00Z) - Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning
Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。
非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。
ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。
増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-11T13:16:28Z) - 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) - Risk-Aware Control and Optimization for High-Renewable Power Grids [11.352041887858322]
RAMCプロジェクトは、この決定論的設定からリスク認識フレームワークに移行する方法について調査している。
本稿では、RAMCがリスク対応市場クリアリングにどのようにアプローチするかをレビューし、不確実性定量化、最適化、機械学習におけるイノベーションの一部を提示する。
論文 参考訳(メタデータ) (2022-04-02T22:58:08Z) - 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) - 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) - 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) - RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment
and Passive Beamforming Design [116.88396201197533]
再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。
エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。
リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。
RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-28T14:37:38Z)
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。