Fugu-MT 論文翻訳(概要): End-to-End Reinforcement Learning of Curative Curtailment with Partial Measurement Availability

論文の概要: End-to-End Reinforcement Learning of Curative Curtailment with Partial Measurement Availability

arxiv url: http://arxiv.org/abs/2405.03262v1
Date: Mon, 6 May 2024 08:34:15 GMT
ステータス: 処理完了
システム内更新日: 2024-05-07 14:25:38.980178
Title: End-to-End Reinforcement Learning of Curative Curtailment with Partial Measurement Availability
Title（参考訳）: 部分的測定能力を有するカリキュラムのエンドツーエンド強化学習
Authors: Hinrikus Wolf, Luis Böttcher, Sarra Bouchkati, Philipp Lutat, Jens Breitung, Bastian Jung, Tina Möllemann, Viktor Todosijević, Jan Schiefelbein-Lach, Oliver Pohl, Andreas Ulbig, Martin Grohe,
Abstract要約: 本稿では,配電系統の混雑解消のための新しいエンドツーエンドアプローチを提案する。我々のアーキテクチャは、電力を削減し、非混雑かつ実現可能なグリッド状態を決定するために適切なリアクティブパワーを設定することを学びます。また、渋滞のないグリッド操作に十分な品質を保証するために、実際のグリッド上で決定を行うこともできる。
参考スコア（独自算出の注目度）: 2.633467695303875
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the course of the energy transition, the expansion of generation and consumption will change, and many of these technologies, such as PV systems, electric cars and heat pumps, will influence the power flow, especially in the distribution grids. Scalable methods that can make decisions for each grid connection are needed to enable congestion-free grid operation in the distribution grids. This paper presents a novel end-to-end approach to resolving congestion in distribution grids with deep reinforcement learning. Our architecture learns to curtail power and set appropriate reactive power to determine a non-congested and, thus, feasible grid state. State-of-the-art methods such as the optimal power flow (OPF) demand high computational costs and detailed measurements of every bus in a grid. In contrast, the presented method enables decisions under sparse information with just some buses observable in the grid. Distribution grids are generally not yet fully digitized and observable, so this method can be used for decision-making on the majority of low-voltage grids. On a real low-voltage grid the approach resolves 100\% of violations in the voltage band and 98.8\% of asset overloads. The results show that decisions can also be made on real grids that guarantee sufficient quality for congestion-free grid operation.
Abstract（参考訳）: エネルギー移行の過程では、発電と消費の拡大が変化し、PVシステム、電気自動車、ヒートポンプなど多くの技術が、特に配電網において電力の流れに影響を与える。各グリッド接続に対して決定を下すことのできるスケーラブルなメソッドは、分散グリッドにおける混雑のないグリッド操作を可能にするために必要である。本稿では,配電系統の混雑解消のための新しいエンドツーエンドアプローチを提案する。我々のアーキテクチャは、電力を削減し、非混雑かつ実現可能なグリッド状態を決定するために適切なリアクティブパワーを設定することを学びます。最適電力フロー(OPF)のような最先端の手法では、グリッド内の全てのバスの詳細な測定と計算コストが要求される。対照的に,提案手法は,グリッド内で観測可能なバス数台で,スパース情報に基づく決定を可能にする。配電網は、一般にはまだ完全にデジタル化されておらず、観測可能であるため、この方法は低電圧グリッドの大部分の意思決定に使用できる。実際の低電圧グリッドでは、この手法は電圧帯の100 %の違反と98.8 %の資産過負荷を解消する。その結果, 渋滞のないグリッド操作に十分な品質を確保するために, 実際のグリッド上で決定を下すことが可能であることが示唆された。

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)
Foundation Models for the Electric Power Grid [53.02072064670517]
ファンデーションモデル(FM)がニュースの見出しを支配している。多様なグリッドデータやトポロジからFMを学習することで、トランスフォーメーション能力が解放されるのではないか、と私たちは主張する。本稿では,グラフニューラルネットワークに基づく電力グリッドFMの概念,すなわちGridFMについて論じる。
論文参考訳（メタデータ） (2024-07-12T17:09:47Z)
Deep Learning-enabled MCMC for Probabilistic State Estimation in District Heating Grids [0.0]
地域熱グリッドは、将来の低炭素エネルギーシステムにおいて重要な部分である。ネットワーク熱交換の空間においてマルコフ・チェイン・モンテカルロサンプリングを用いて後部を推定する。ディープニューラルネットワークは、正確だが遅い非線形ソルバの解を近似するように訓練される。
論文参考訳（メタデータ） (2023-05-24T08:47:01Z)
GP CC-OPF: Gaussian Process based optimization tool for Chance-Constrained Optimal Power Flow [54.94701604030199]
Gaussian Process (GP) ベースのChance-Constrained Optimal Flow (CC-OPF) は、電力グリッドにおけるエコノミックディスパッチ(ED)問題のためのオープンソースのPythonコードである。 CC-OPモデルに基づく新しいデータ駆動手法を提案し,複雑性と精度のトレードオフにより大規模な回帰問題を解く。
論文参考訳（メタデータ） (2023-02-16T17:59:06Z)
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)
Deep Reinforcement Learning Microgrid Optimization Strategy Considering Priority Flexible Demand Side [6.129841305145217]
マイクログリッドは主に、DERの小規模なボラティリティ、不確実性、断続性、需要側不確実性といった問題に直面している。従来のマイクログリッドは単一形態であり、複雑な需要側とマイクログリッド間の柔軟なエネルギー供給に対応できない。本稿では,TCLとESSの各ユニットコンポーネントの応答優先度を,マイクログリッドの全体環境操作に基づいて検討する。
論文参考訳（メタデータ） (2022-11-11T01:43:10Z)
Power Grid Congestion Management via Topology Optimization with AlphaZero [0.27998963147546135]
本稿では,AlphaZeroをベースとしたグリッドトポロジ最適化手法を提案する。 WCCI 2022ではL2RPN(Learning to Run a Power Network)コンペで1位にランクインした。
論文参考訳（メタデータ） (2022-11-10T14:39:28Z)
Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
論文参考訳（メタデータ） (2022-10-17T17:30:09Z)
Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
論文参考訳（メタデータ） (2022-07-21T23:02:35Z)
Knowledge- and Data-driven Services for Energy Systems using Graph Neural Networks [0.9809636731336702]
グラフニューラルネットワーク(GNN)の枠組みに基づくエネルギーシステムのためのデータおよび知識駆動型確率的グラフィカルモデルを提案する。このモデルは、グリッドトポロジや物理制約の形で、明らかにドメイン知識をファクタリングし、スパーアーキテクチャとはるかに小さなパラメータの寸法性をもたらす。実世界のスマートグリッドデモプロジェクトから得られた結果は、グリッドの混雑予測や市場入札サービスにどのようにGNNを使用したかを示している。
論文参考訳（メタデータ） (2021-03-12T13:00:01Z)

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。