論文の概要: Fair Reinforcement Learning Algorithm for PV Active Control in LV Distribution Networks

• arxiv url: http://arxiv.org/abs/2409.09074v1
• Date: Mon, 9 Sep 2024 10:51:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-22 21:32:16.762249
• Title: Fair Reinforcement Learning Algorithm for PV Active Control in LV Distribution Networks
• Title（参考訳）: LV配電系統におけるPVアクティブ制御のための公正強化学習アルゴリズム
• Authors: Maurizio Vassallo, Amina Benzerga, Alireza Bahmanyar, Damien Ernst,
• Abstract要約: 分散エネルギー資源の導入により、電力ネットワーク制御における新しい複雑な課題が提示された。 PVパネルによる重要なエネルギー生産により、ネットワーク内の電圧問題は問題となっている。 PVパネルのアクティブな出力を減らすことは、一部の顧客に不公平であると見なされ、将来の設置を妨げている。 能動電力削減の公平性を考慮しつつ, 配電系統の電圧問題に対処する強化学習手法を提案する。
• 参考スコア（独自算出の注目度）: 1.75493501156941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing adoption of distributed energy resources, particularly photovoltaic (PV) panels, has presented new and complex challenges for power network control. With the significant energy production from PV panels, voltage issues in the network have become a problem. Currently, PV smart inverters (SIs) are used to mitigate the voltage problems by controlling their active power generation and reactive power injection or absorption. However, reducing the active power output of PV panels can be perceived as unfair to some customers, discouraging future installations. To solve this issue, in this paper, a reinforcement learning technique is proposed to address voltage issues in a distribution network, while considering fairness in active power curtailment among customers. The feasibility of the proposed approach is explored through experiments, demonstrating its ability to effectively control voltage in a fair and efficient manner.
• Abstract（参考訳）: 分散型エネルギー資源,特に太陽光発電(PV)パネルの採用が増加し,電力ネットワーク制御に対する新たな複雑な課題が提示された。 PVパネルによる重要なエネルギー生産により、ネットワーク内の電圧問題は問題となっている。 現在、PVスマートインバータ(SI)は、アクティブ電源と反応性電力注入または吸収を制御することで電圧問題を軽減している。 しかし、PVパネルのアクティブな出力を減らすことは、一部の顧客に不公平であると見なされ、将来の設置を妨げている。 そこで本研究では,顧客間の能動電力削減の公平性を考慮しつつ,配電系統の電圧問題に対処するための強化学習手法を提案する。 提案手法の有効性を実験により検証し, 有効かつ効果的に電圧を制御できることを実証した。

関連論文リスト

• Bayesian Reinforcement Learning for Automatic Voltage Control under Cyber-Induced Uncertainty [0.533024001730262]
  本研究では,電力系統制御問題に対するベイズ強化学習(BRL)手法を提案する。 サイバー攻撃環境における不確実性の下での持続的な電圧制御に焦点を当てている。 BRL技術は、様々なRL技術における探索と利用のしきい値を自動的に見つけるのに役立つ。
  論文  参考訳（メタデータ） (2023-05-25T20:58:08Z)
• Model-Free Approach to Fair Solar PV Curtailment Using Reinforcement Learning [6.175137568373435]
  現在、PVインバータは過電圧に応じてエネルギー生産量を削減し、電子機器の損傷を防ぐ。 これは供給者の遠方の世帯に不当に影響を及ぼし、生産されるエネルギーの潜在的な価値を不当に割り当てる結果となった。 本稿では,システムとのインタラクションにより,適切なPV削減戦略を徐々に最適化する強化学習について検討する。
  論文  参考訳（メタデータ） (2022-12-13T12:54:10Z)
• 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)
• Stabilizing Voltage in Power Distribution Networks via Multi-Agent Reinforcement Learning with Transformer [128.19212716007794]
  本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。 さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
  論文  参考訳（メタデータ） (2022-06-08T07:48:42Z)
• Multi-Agent Reinforcement Learning for Active Voltage Control on Power Distribution Networks [2.992389186393994]
  脱炭のトレンドは、配電ネットワークに過度なストレスをかけている。 アクティブ電圧制御は、余分なハードウェア投資をすることなく、電力混雑を緩和し、電圧品質を向上させるための有望な解決策と見なされている。 本稿では,Dec-POMDPの枠組みにおけるアクティブ電圧制御問題を定式化し,オープンソース環境を確立する。
  論文  参考訳（メタデータ） (2021-10-27T09:31:22Z)
• 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)
• Enforcing Policy Feasibility Constraints through Differentiable Projection for Energy Optimization [57.88118988775461]
  本稿では,ニューラルポリシー内での凸操作制約を強制するために,PROF(Projected Feasibility)を提案する。 エネルギー効率の高い建築操作とインバータ制御の2つの応用についてPROFを実証する。
  論文  参考訳（メタデータ） (2021-05-19T01:58:10Z)
• 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)
• 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)

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。