論文の概要: Attentive Convolutional Deep Reinforcement Learning for Optimizing Solar-Storage Systems in Real-Time Electricity Markets

• arxiv url: http://arxiv.org/abs/2401.15853v1
• Date: Mon, 29 Jan 2024 03:04:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 16:28:55.073101
• Title: Attentive Convolutional Deep Reinforcement Learning for Optimizing Solar-Storage Systems in Real-Time Electricity Markets
• Title（参考訳）: リアルタイム電力市場における太陽光発電システムの最適化のための畳み込み型深層強化学習
• Authors: Jinhao Li, Changlong Wang, Hao Wang
• Abstract要約: 本研究では,太陽エネルギー貯蔵システム(BESS)の相乗効果について検討し,BESSがその経済的な可能性を解き放つための戦略を立案する。 我々は,注意機構(AC)と多粒度特徴畳み込みを利用した,新しい深層強化学習(DRL)アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 5.1888966391612605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies the synergy of solar-battery energy storage system (BESS) and develops a viable strategy for the BESS to unlock its economic potential by serving as a backup to reduce solar curtailments while also participating in the electricity market. We model the real-time bidding of the solar-battery system as two Markov decision processes for the solar farm and the BESS, respectively. We develop a novel deep reinforcement learning (DRL) algorithm to solve the problem by leveraging attention mechanism (AC) and multi-grained feature convolution to process DRL input for better bidding decisions. Simulation results demonstrate that our AC-DRL outperforms two optimization-based and one DRL-based benchmarks by generating 23%, 20%, and 11% higher revenue, as well as improving curtailment responses. The excess solar generation can effectively charge the BESS to bid in the market, significantly reducing solar curtailments by 76% and creating synergy for the solar-battery system to be more viable.
• Abstract（参考訳）: 本稿では,太陽エネルギー貯蔵システム(BESS)の相乗効果について検討し,電力市場にも参加しながら,太陽エネルギーの削減のためのバックアップとして機能することで,BESSが経済的ポテンシャルを解き放つための実行可能な戦略を開発する。 我々は, 太陽光発電システムのリアルタイム入札を, ソーラーファームとBESSの2つのマルコフ決定プロセスとしてモデル化した。 我々は、注意機構(AC)と多粒度特徴畳み込みを利用してDRL入力を処理し、より優れた入札決定を行う、新しい深層強化学習(DRL)アルゴリズムを開発した。 シミュレーションの結果,ac-drlは2つの最適化ベースと1つのdrlベースのベンチマークを上回り,23%,20%,11%の収益を生み出した。 過剰なソーラー発電は、BESSに市場への入札を効果的に課金し、太陽のカウンセリングを76%削減し、ソーラー電池システムのシナジーをより有効にすることができる。

関連論文リスト

• Learning a local trading strategy: deep reinforcement learning for grid-scale renewable energy integration [0.0]
  本稿では,太陽エネルギーを併用したグリッドスケール電池の運用における強化学習の活用について検討する。 その結果、RLは近似的最適(非因果的)演算の61%(最大96%)を達成できた。
  論文  参考訳（メタデータ） (2024-11-23T02:55:38Z)
• Deep Reinforcement Learning for Community Battery Scheduling under Uncertainties of Load, PV Generation, and Energy Prices [5.694872363688119]
  本稿では,不確実性が存在する場合に,コミュニティバッテリーシステムのスケジューリングを行うための深層強化学習(RL)戦略を提案する。 コミュニティバッテリーは、ローカルPVエネルギーの統合、ピーク負荷の低減、および調停のためのエネルギー価格変動の活用において、多用途の役割を担っている。
  論文  参考訳（メタデータ） (2023-12-04T13:45:17Z)
• Deep Reinforcement Learning for Wind and Energy Storage Coordination in Wholesale Energy and Ancillary Service Markets [5.1888966391612605]
  バッテリ・エナジー・ストレージ・システム(英語版) (BESS) をオンサイトバックアップ・ソースとして使用することで、風の削減を抑えることができる。 本稿では,システムの市場参加を2つの関連するマルコフ決定プロセスに分離する,深層強化学習に基づく新たなアプローチを提案する。 以上の結果から,共同市場入札は風力発電システムの業績を著しく向上させる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-12-27T05:51:54Z)
• 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)
• Solar Power driven EV Charging Optimization with Deep Reinforcement Learning [6.936743119804558]
  電気自動車(EV)や太陽光発電システム(PV)などの分散型エネルギー資源は、住宅用電力システムに継続的に統合されている。 本稿では、クリーンで太陽エネルギーの消費を優先しながら、家庭用EV充電の課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2022-11-17T11:52:27Z)
• 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)
• Optimizing a domestic battery and solar photovoltaic system with deep reinforcement learning [69.68068088508505]
  バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。 本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2021-09-10T10:59:14Z)
• 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)
• 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。