論文の概要: Optimized scheduling of electricity-heat cooperative system considering wind energy consumption and peak shaving and valley filling
- arxiv url: http://arxiv.org/abs/2511.15250v1
- Date: Wed, 19 Nov 2025 09:10:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-20 15:51:28.71334
- Title: Optimized scheduling of electricity-heat cooperative system considering wind energy consumption and peak shaving and valley filling
- Title（参考訳）: 風力エネルギー消費・ピークシェービング・バレー充填を考慮した電力・熱協調システムの最適スケジューリング
- Authors: Jin Ye, Lingmei Wang, Shujian Zhang, Haihang WU,
- Abstract要約: 本研究では,改良されたDual-Delay Deep Deterministic Policy Gradient (PVTD3)アルゴリズムに基づくインテリジェントスケジューリング手法を提案する。
グリッド電力購入変動に対するペナルティ項を導入することにより,システム最適化を実現する。
提案アルゴリズムは, 経済効率とグリッド安定性に優れるだけでなく, エネルギー貯蔵装置管理において, 持続可能なスケジューリング能力も優れている。
- 参考スコア（独自算出の注目度）: 13.358105013418566
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the global energy transition and rapid development of renewable energy, the scheduling optimization challenge for combined power-heat systems under new energy integration and multiple uncertainties has become increasingly prominent. Addressing this challenge, this study proposes an intelligent scheduling method based on the improved Dual-Delay Deep Deterministic Policy Gradient (PVTD3) algorithm. System optimization is achieved by introducing a penalty term for grid power purchase variations. Simulation results demonstrate that under three typical scenarios (10%, 20%, and 30% renewable penetration), the PVTD3 algorithm reduces the system's comprehensive cost by 6.93%, 12.68%, and 13.59% respectively compared to the traditional TD3 algorithm. Concurrently, it reduces the average fluctuation amplitude of grid power purchases by 12.8%. Regarding energy storage management, the PVTD3 algorithm reduces the end-time state values of low-temperature thermal storage tanks by 7.67-17.67 units while maintaining high-temperature tanks within the 3.59-4.25 safety operating range. Multi-scenario comparative validation demonstrates that the proposed algorithm not only excels in economic efficiency and grid stability but also exhibits superior sustainable scheduling capabilities in energy storage device management.
- Abstract（参考訳）: 世界的エネルギー移行と再生可能エネルギーの急速な発展により、新しいエネルギー統合と複数の不確実性の下での電力・熱システムのスケジューリング最適化課題がますます顕著になっている。
そこで本研究では,改良されたDual-Delay Deep Deterministic Policy Gradient (PVTD3)アルゴリズムに基づくインテリジェントスケジューリング手法を提案する。
グリッド電力購入変動に対するペナルティ項を導入することにより,システム最適化を実現する。
シミュレーションの結果、典型的な3つのシナリオ(10%、20%、30%の再生可能浸透率)において、PVTD3アルゴリズムは従来のTD3アルゴリズムと比較してシステム全体のコストを6.93%、12.68%、および13.59%削減している。
同時に、グリッド電力購入の平均変動振幅を12.8%削減する。
エネルギー貯蔵管理に関して、PVTD3アルゴリズムは、3.59-4.25の安全運転範囲内で高温タンクを維持しながら、低温蓄熱槽の終端状態値を7.67-17.67単位削減する。
多シナリオ比較検証は、提案アルゴリズムが経済効率とグリッド安定性に優れるだけでなく、エネルギー貯蔵装置管理において優れた持続可能なスケジューリング能力を示すことを示した。
関連論文リスト
- Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Coordinated Power Smoothing Control for Wind Storage Integrated System with Physics-informed Deep Reinforcement Learning [13.266525968718275]
電力平滑化制御(PSC)を用いた風力発電統合システムは, 効率と信頼性を両立させる有望なソリューションとして浮上している。
既存のPSC戦略は、バッテリと風力タービンの複雑な制御相互作用を見落とし、ウェイク効果やバッテリ劣化コストを考慮していない。
本稿では,これらの課題を効果的に解決するために,階層レベルの新しい協調制御フレームワークを考案した。
論文 参考訳（メタデータ） (2024-12-17T11:37:46Z) - Predicting Short Term Energy Demand in Smart Grid: A Deep Learning Approach for Integrating Renewable Energy Sources in Line with SDGs 7, 9, and 13 [0.0]
スマートパワーグリッドにおけるエネルギー需要予測のためのディープラーニングモデルを提案する。
我々は、長期記憶ネットワークを使用して、エネルギー需要データにおける複雑なパターンや依存関係をキャプチャします。
提案モデルでは,平均絶対誤差 1.4% でエネルギー需要を正確に予測できる。
論文 参考訳（メタデータ） (2023-04-08T12:30:59Z) - 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) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - 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) - ECO: Enabling Energy-Neutral IoT Devices through Runtime Allocation of
Harvested Energy [0.8774604259603302]
本稿では,エネルギー制約下での目標デバイスの有用性を最適化するランタイムベースのエネルギー配分フレームワークを提案する。
提案フレームワークは, 効率的な反復アルゴリズムを用いて, 初期エネルギー割り当てを1日の初めに計算する。
このフレームワークは、太陽と運動エネルギーの収穫モードと、4772の異なるユーザーからのアメリカンタイムユースサーベイデータを使用して評価します。
論文 参考訳（メタデータ） (2021-02-26T17:21:25Z) - 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。