論文の概要: Adaptive Multi-Objective Bayesian Optimization for Capacity Planning of Hybrid Heat Sources in Electric-Heat Coupling Systems of Cold Regions
- arxiv url: http://arxiv.org/abs/2502.09280v1
- Date: Thu, 13 Feb 2025 12:50:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-14 13:48:49.178643
- Title: Adaptive Multi-Objective Bayesian Optimization for Capacity Planning of Hybrid Heat Sources in Electric-Heat Coupling Systems of Cold Regions
- Title（参考訳）: 冷熱結合系におけるハイブリッド熱源の容量計画のための適応型多目的ベイズ最適化
- Authors: Ruizhe Yang, Zhongkai Yi, Ying Xu, Guiyu Chen, Haojie Yang, Rong Yi, Tongqing Li, Miaozhe ShenJin Li, Haoxiang Gao, Hongyu Duan,
- Abstract要約: 従来の熱負荷発生パターンは、寒冷地における再生可能エネルギー源(RES)電力削減につながる問題となっている。
このモデルは、ヒートポンプ、熱エネルギー貯蔵、電気ボイラー、複合蓄熱器の非支配的な容量割り当てスキームを特定することを目的としている。
生成側と消費側の両方からの各種熱源の統合により、利用の柔軟性が向上する。
- 参考スコア（独自算出の注目度）: 8.077010795261076
- License:
- Abstract: The traditional heat-load generation pattern of combined heat and power generators has become a problem leading to renewable energy source (RES) power curtailment in cold regions, motivating the proposal of a planning model for alternative heat sources. The model aims to identify non-dominant capacity allocation schemes for heat pumps, thermal energy storage, electric boilers, and combined storage heaters to construct a Pareto front, considering both economic and sustainable objectives. The integration of various heat sources from both generation and consumption sides enhances flexibility in utilization. The study introduces a novel optimization algorithm, the adaptive multi-objective Bayesian optimization (AMBO). Compared to other widely used multi-objective optimization algorithms, AMBO eliminates predefined parameters that may introduce subjectivity from planners. Beyond the algorithm, the proposed model incorporates a noise term to account for inevitable simulation deviations, enabling the identification of better-performing planning results that meet the unique requirements of cold regions. What's more, the characteristics of electric-thermal coupling scenarios are captured and reflected in the operation simulation model to make sure the simulation is close to reality. Numerical simulation verifies the superiority of the proposed approach in generating a more diverse and evenly distributed Pareto front in a sample-efficient manner, providing comprehensive and objective planning choices.
- Abstract（参考訳）: 熱と発電を組み合わせた従来の熱負荷発生パターンは、寒冷地における再生可能エネルギー源(RES)電力削減に繋がる問題となり、代替熱源の計画モデルの提案が動機となっている。
本モデルは, ヒートポンプ, 熱エネルギー貯蔵装置, 電気ボイラー, 蓄熱器を組み合わせてパレートフロントを構築するための非支配的容量割り当て方式を, 経済的および持続的目的の両方を考慮して同定することを目的としている。
生成側と消費側の両方からの各種熱源の統合により、利用の柔軟性が向上する。
この研究は、適応多目的ベイズ最適化(AMBO)という新しい最適化アルゴリズムを導入する。
他の広く使われている多目的最適化アルゴリズムと比較して、AMBOは計画者から主観性を導入する可能性のある事前定義されたパラメータを排除している。
提案モデルでは,アルゴリズム以外にも,避けられないシミュレーション偏差を考慮したノイズ項が組み込まれ,寒冷地特有の要件を満たす優れた計画結果の同定が可能となった。
さらに、電気-熱的カップリングのシナリオの特徴を捉え、シミュレーションモデルに反映し、シミュレーションが現実に近づいていることを確認する。
シミュレーションにより,より多様で均等に分散されたParetoフロントをサンプル効率よく生成し,包括的かつ客観的な計画選択を提供する手法の優位性を検証した。
関連論文リスト
- Enhanced Photovoltaic Power Forecasting: An iTransformer and LSTM-Based Model Integrating Temporal and Covariate Interactions [16.705621552594643]
既存のモデルは、しばしばターゲット変数と共変量の間の複雑な関係を捉えるのに苦労する。
対象変数からの特徴抽出にiTransformerを利用する新しいモデルアーキテクチャを提案する。
クロスアテンション機構は両方のモデルの出力を融合するために統合され、続いてコルモゴロフ・アルノルドネットワークマッピングが続く。
その結果, PV発電の季節変動を効果的に把握し, 予測精度を向上することが示唆された。
論文 参考訳（メタデータ） (2024-12-03T09:16:13Z) - Machine Learning-Accelerated Multi-Objective Design of Fractured Geothermal Systems [17.040963667188525]
本稿では, フラクチャードメディアにおける熱水シミュレーションと統合した, 能動学習による進化的多目的最適化アルゴリズムについて報告する。
ALEMO法は従来の進化法に比べて1～2桁の速度(10～100倍)で、必要なシミュレーションを著しく削減することを示した。
論文 参考訳（メタデータ） (2024-11-01T10:39:23Z) - Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。
我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
論文 参考訳（メタデータ） (2024-05-30T03:57:29Z) - Learning-assisted Stochastic Capacity Expansion Planning: A Bayesian Optimization Approach [3.124884279860061]
大規模容量拡大問題(CEP)は、地域エネルギーシステムのコスト効率の高い脱炭の中心である。
本稿では,2段階のCEPを抽出する学習支援近似解法を提案する。
本手法では, 直列集約法と比較して最大3.8%のコスト削減効果が得られた。
論文 参考訳（メタデータ） (2024-01-19T01:40:58Z) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳（メタデータ） (2023-07-31T13:02:36Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - Machine learning based surrogate models for microchannel heat sink
optimization [0.0]
本稿では,二次チャネルとリブを用いたマイクロチャネルの設計を計算流体力学を用いて検討する。
ラテンハイパーキューブサンプリング、機械学習に基づく代理モデリング、多目的最適化を組み合わせたワークフローを提案する。
論文 参考訳（メタデータ） (2022-08-20T13:49:11Z) - Cascaded Deep Hybrid Models for Multistep Household Energy Consumption
Forecasting [5.478764356647437]
本研究は,多段階家庭電力消費予測のための2つのハイブリッドキャスケードモデルを提案する。
提案したハイブリッドモデルでは,既存のマルチステップ電力消費予測手法よりも優れた予測性能が得られる。
論文 参考訳（メタデータ） (2022-07-06T11:02:23Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳（メタデータ） (2022-04-19T10:51:00Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
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。