論文の概要: Decentralized Coordination of Distributed Energy Resources through Local Energy Markets and Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2404.13142v1
• Date: Fri, 19 Apr 2024 19:03:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-23 20:18:24.701614
• Title: Decentralized Coordination of Distributed Energy Resources through Local Energy Markets and Deep Reinforcement Learning
• Title（参考訳）: 地域エネルギー市場と深層強化学習による分散エネルギー資源の分散調整
• Authors: Daniel May, Matthew Taylor, Petr Musilek,
• Abstract要約: 地域エネルギー市場を通じて実現された過渡的エネルギーは、グリッドの課題に対する有望な解決策として近年注目を集めている。 本研究では、ALEXにおけるエンドユーザー参加を自動化するために、深層強化学習エージェントのセットを訓練することでギャップを解消する。 本研究は, この設定において, 請求書の削減とネット負荷変動の低減との間に明らかな相関関係を明らかにした。
• 参考スコア（独自算出の注目度）: 1.8434042562191815
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As the energy landscape evolves toward sustainability, the accelerating integration of distributed energy resources poses challenges to the operability and reliability of the electricity grid. One significant aspect of this issue is the notable increase in net load variability at the grid edge. Transactive energy, implemented through local energy markets, has recently garnered attention as a promising solution to address the grid challenges in the form of decentralized, indirect demand response on a community level. Given the nature of these challenges, model-free control approaches, such as deep reinforcement learning, show promise for the decentralized automation of participation within this context. Existing studies at the intersection of transactive energy and model-free control primarily focus on socioeconomic and self-consumption metrics, overlooking the crucial goal of reducing community-level net load variability. This study addresses this gap by training a set of deep reinforcement learning agents to automate end-user participation in ALEX, an economy-driven local energy market. In this setting, agents do not share information and only prioritize individual bill optimization. The study unveils a clear correlation between bill reduction and reduced net load variability in this setup. The impact on net load variability is assessed over various time horizons using metrics such as ramping rate, daily and monthly load factor, as well as daily average and total peak export and import on an open-source dataset. Agents are then benchmarked against several baselines, with their performance levels showing promising results, approaching those of a near-optimal dynamic programming benchmark.
• Abstract（参考訳）: エネルギー環境が持続可能性に向かって進化するにつれて、分散エネルギー資源の統合の加速は電力網の運用性と信頼性に課題をもたらす。 この問題の1つの重要な側面は、グリッドエッジにおけるネット負荷のばらつきの顕著な増加である。 地域エネルギー市場を通じて実現された過渡的エネルギーは、近年、地域レベルでの分散的間接的需要応答という形でグリッド課題に対処するための有望な解決策として注目されている。 これらの課題の性質から、深層強化学習のようなモデルレス制御アプローチは、この文脈における参加の分散自動化を約束する。 トランスアクティブエネルギーとモデルフリーコントロールの交差点における既存の研究は、主に社会経済と自己消費の指標に焦点を当てており、コミュニティレベルのネット負荷変動を減らすという決定的な目標を見越している。 本研究では,経済主導型地域エネルギー市場であるALEXのエンドユーザー参加を自動化するために,深層強化学習エージェントのセットを訓練することにより,このギャップに対処する。 この設定では、エージェントは情報を共有せず、個別の紙幣最適化のみを優先する。 本研究は, この設定において, 請求書の削減とネット負荷変動の低減との間に明らかな相関関係を明らかにした。 ネット負荷の変動性への影響は、オープンソースのデータセット上での日平均、日平均、総ピークのエクスポート、インポートなどの指標を使用して、さまざまな時間的地平線上で評価される。 エージェントはいくつかのベースラインに対してベンチマークされ、パフォーマンスレベルは有望な結果を示し、ほぼ最適な動的プログラミングベンチマークに近づきます。

関連論文リスト

• Centralized vs. Decentralized Multi-Agent Reinforcement Learning for Enhanced Control of Electric Vehicle Charging Networks [1.9188272016043582]
  本稿では,MARL(Multi-Agent Reinforcement Learning)フレームワークを用いた分散・協調型充電戦略の新たなアプローチを提案する。 本手法は, 住宅街におけるEV群を対象としたDDPGアルゴリズムに基づいて構築した。 以上の結果から, CTDE-DDPGフレームワークは, 政策のばらつきや訓練の複雑さが高いにもかかわらず, 総変動率を約36パーセント, 充電コストを平均9.1程度削減することにより, 充電効率を著しく向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-04-18T21:50:03Z)
• 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)
• 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)
• 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)
• 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)
• Continuous Multiagent Control using Collective Behavior Entropy for Large-Scale Home Energy Management [36.82414045535202]
  大規模マイクログリッド上での微粒化制御を実現するために,連続的な動作空間を持つ集合MA-DRLアルゴリズムを提案する。 提案手法は,電力コスト削減と日次ピーク負荷最適化に関する最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-05-14T16:07:55Z)
• 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)
• 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。