論文の概要: Learning a local trading strategy: deep reinforcement learning for grid-scale renewable energy integration

• arxiv url: http://arxiv.org/abs/2411.15422v1
• Date: Sat, 23 Nov 2024 02:55:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:22:06.236073
• Title: Learning a local trading strategy: deep reinforcement learning for grid-scale renewable energy integration
• Title（参考訳）: 地域貿易戦略の学習:グリッドスケール再生可能エネルギー統合のための深層強化学習
• Authors: Caleb Ju, Constance Crozier,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Variable renewable generation increases the challenge of balancing power supply and demand. Grid-scale batteries co-located with generation can help mitigate this misalignment. This paper explores the use of reinforcement learning (RL) for operating grid-scale batteries co-located with solar power. Our results show RL achieves an average of 61% (and up to 96%) of the approximate theoretical optimal (non-causal) operation, outperforming advanced control methods on average. Our findings suggest RL may be preferred when future signals are hard to predict. Moreover, RL has two significant advantages compared to simpler rules-based control: (1) that solar energy is more effectively shifted towards high demand periods, and (2) increased diversity of battery dispatch across different locations, reducing potential ramping issues caused by super-position of many similar actions.
• Abstract（参考訳）: 可変再生可能エネルギーは、電力供給と需要のバランスをとるという課題を増大させる。 グリッドスケールのバッテリーとジェネレーションが合わさると、このミスアライメントが軽減される。 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転における強化学習(RL)の利用について検討する。 その結果、RLは近似的最適(非因果的)操作の平均61%(最大96%)を達成し、平均的な高度な制御方法よりも優れていた。 今後の信号の予測が難しい場合にはRLが好まれる可能性が示唆された。 さらに、RLは、より単純なルールベースの制御に比べて、2つの大きな利点がある:(1)太陽エネルギーがより需要の高い期間に効果的に移行していること、(2)異なる場所をまたいだ電池の分散の多様性が増大していること、そして、多くの類似した行動のスーパーポジションによる潜在的上昇問題を減らすこと。

関連論文リスト

• Attentive Convolutional Deep Reinforcement Learning for Optimizing Solar-Storage Systems in Real-Time Electricity Markets [5.1888966391612605]
  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。
  論文  参考訳（メタデータ） (2024-01-29T03:04:43Z)
• 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)
• Multi-Agent Reinforcement Learning for Power Grid Topology Optimization [45.74830585715129]
  本稿では,拡張行動空間に適した階層型マルチエージェント強化学習(MARL)フレームワークを提案する。 実験結果から, 単エージェントRL法とMARLフレームワークの競合性能が示唆された。 また、下位エージェントに対する異なるRLアルゴリズムと上位エージェントに対する異なるポリシーを比較した。
  論文  参考訳（メタデータ） (2023-10-04T06:37:43Z)
• Managing power grids through topology actions: A comparative study between advanced rule-based and reinforcement learning agents [1.8549313085249322]
  電力網の運用は、現在の高潮と再生可能エネルギー生産の増加により、ますます複雑になっている。 強化学習(Reinforcement Learning)は効率的かつ信頼性の高い手法であり,グリッドの自動操作の可能性も高いことが示されている。 本稿では、Binbinchenから提出されたエージェントを分析し、RLとルールベースのアプローチの両方において、エージェントを改善するための新しい戦略を提供する。
  論文  参考訳（メタデータ） (2023-04-03T07:34:43Z)
• 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)
• Transfer Deep Reinforcement Learning-based Large-scale V2G Continuous Charging Coordination with Renewable Energy Sources [5.99526159525785]
  再生可能エネルギーと電力グリッドの安定性を高めるため,V2G技術と大規模スケジューリングアルゴリズムを開発した。 本稿では, 連続充電/放電協調戦略のための深部強化学習法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T13:21:55Z)
• 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)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Hierarchical Reinforcement Learning for Relay Selection and Power Optimization in Two-Hop Cooperative Relay Network [7.5377621697101205]
  本研究では,2ホップ協調型中継ネットワークにおいて,送信電力の制約を考慮に入れた停止確率最小化問題について検討する。 我々は、リレー選択と配電のための戦略を学ぶために強化学習(RL)手法を用いる。 階層型強化学習(HRL)フレームワークとトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-10T04:47:41Z)

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。