論文の概要: Accounting for Optimal Control in the Sizing of Isolated Hybrid Renewable Energy Systems Using Imitation Learning

• arxiv url: http://arxiv.org/abs/2601.03679v1
• Date: Wed, 07 Jan 2026 08:00:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.371996
• Title: Accounting for Optimal Control in the Sizing of Isolated Hybrid Renewable Energy Systems Using Imitation Learning
• Title（参考訳）: 模擬学習を用いた分離ハイブリッド再生可能エネルギーシステムのサイズ最適制御の会計
• Authors: Simon Halvdansson, Lucas Ferreira Bernardino, Brage Rugstad Knudsen,
• Abstract要約: 分離エネルギーシステムにおけるエネルギー貯蔵と再生可能容量のためのフレキシブルで効率的なサイズ化フレームワークを提案する。 我々は,ニューラルネットワーク予測制御(MPC)の模倣学習手法を実装し,バッテリストレージと風速ピーク容量を関連付ける。 本研究では, ガスタービン, 風力発電, 蓄電池システムを備えたオフショアエネルギーシステムのケーススタディとして, 提案手法の評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decarbonization of isolated or off-grid energy systems through phase-in of large shares of intermittent solar or wind generation requires co-installation of energy storage or continued use of existing fossil dispatchable power sources to balance supply and demand. The effective CO2 emission reduction depends on the relative capacity of the energy storage and renewable sources, the stochasticity of the renewable generation, and the optimal control or dispatch of the isolated energy system. While the operations of the energy storage and dispatchable sources may impact the optimal sizing of the system, it is challenging to account for the effect of finite horizon, optimal control at the stage of system sizing. Here, we present a flexible and computationally efficient sizing framework for energy storage and renewable capacity in isolated energy systems, accounting for uncertainty in the renewable generation and the optimal feedback control. To this end, we implement an imitation learning approach to stochastic neural model predictive control (MPC) which allows us to relate the battery storage and wind peak capacities to the emissions reduction and investment costs while accounting for finite horizon, optimal control. Through this approach, decision makers can evaluate the effective emission reduction and costs of different storage and wind capacities at any price point while accounting for uncertainty in the renewable generation with limited foresight. We evaluate the proposed sizing framework on a case study of an offshore energy system with a gas turbine, a wind farm and a battery energy storage system (BESS). In this case, we find a nonlinear, nontrivial relationship between the investment costs and reduction in gas usage relative to the wind and BESS capacities, emphasizing the complexity and importance of accounting for optimal control in the design of isolated energy systems.
• Abstract（参考訳）: 断続的な太陽や風力発電の大規模なシェアのフェーズインを通じて、孤立またはオフグリッドエネルギーシステムの脱炭は、供給と需要のバランスをとるために、エネルギー貯蔵の同時設置または既存の化石散布可能な電力源の継続的な使用を必要とする。 有効なCO2排出削減は、エネルギー貯蔵と再生可能エネルギーの相対的容量、再生可能エネルギーの確率性、孤立したエネルギーシステムの最適制御または分散に依存する。 エネルギー貯蔵とディスパッチ可能なソースの操作はシステムの最適サイズに影響を与えるかもしれないが、システムサイズ化の段階における有限地平線の影響を考慮することは困難である。 本稿では, 再生可能エネルギーシステムにおけるエネルギー貯蔵と再生可能エネルギー容量のためのフレキシブルで効率的なサイズ化フレームワークについて述べる。 この目的のために我々は, 有限地平線, 最適制御を考慮に入れながら, 蓄電池と風速ピーク容量と排出削減と投資コストを関連付けることのできる, 確率論的ニューラルネットワーク予測制御(MPC)の模倣学習手法を実装した。 このアプローチにより、意思決定者は、限られた見通しで再生可能世代における不確実性を考慮しつつ、任意の価格で異なる貯蔵量と風力容量の効率的な排出削減とコストを評価することができる。 本研究では, ガスタービン, 風力発電, 蓄電池システム (BESS) を用いたオフショアエネルギーシステムのケーススタディとして, 提案手法の評価を行った。 この場合、風力とBESS容量に対する投資コストとガス使用量の減少との間には非線形で非自明な関係が見られ、孤立エネルギー系の設計における最適制御の複雑さと重要性を強調している。

関連論文リスト

• Shielded Controller Units for RL with Operational Constraints Applied to Remote Microgrids [50.64533198075622]
  強化学習(Reinforcement Learning, RL)は、不確実性の下で複雑なシステムにおける意思決定を最適化するための強力なフレームワークである。 本稿では,システムダイナミクスの事前知識を活用する体系的かつ解釈可能なアプローチであるシールド制御ユニット(SCU)を紹介する。 本研究では,厳密な運用要件を持つ遠隔マイクログリッド最適化タスクにおけるSCUの有効性を示す。
  論文  参考訳（メタデータ） (2025-11-30T19:28:34Z)
• 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)
• Multi-market Energy Optimization with Renewables via Reinforcement Learning [1.0878040851638]
  本稿では,再生可能エネルギーと貯蔵量を組み合わせた発電プラントの運転を最適化するための深層強化学習フレームワークを提案する。 このフレームワークは、ストレージデバイスによる時間結合、再生可能エネルギー生成の不確実性、エネルギー価格、非線形ストレージモデルなどの複雑さを扱う。 複雑なストレージモデルを統合するためにRLを使用し、凸と微分可能なコンポーネントモデルを必要とする最適化ベースのメソッドの制限を克服する。
  論文  参考訳（メタデータ） (2023-06-13T21:35:24Z)
• Combating Uncertainties in Wind and Distributed PV Energy Sources Using Integrated Reinforcement Learning and Time-Series Forecasting [2.774390661064003]
  再生可能エネルギーの予測不能は 電力供給会社や電力会社に 課題をもたらします i)Long-Short Term Memory (LSTM) ソリューションを用いた時系列予測と,(ii)Deep Deterministic Policy Gradient (DDPG)アルゴリズムを用いたマルチエージェント強化学習による分散動的意思決定フレームワークの確立という,スマートグリッドにおける再生可能エネルギーの不確実性に対処する新たなフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-27T19:12:50Z)
• Deep Reinforcement Learning for Wind and Energy Storage Coordination in Wholesale Energy and Ancillary Service Markets [5.1888966391612605]
  バッテリ・エナジー・ストレージ・システム(英語版) (BESS) をオンサイトバックアップ・ソースとして使用することで、風の削減を抑えることができる。 本稿では,システムの市場参加を2つの関連するマルコフ決定プロセスに分離する,深層強化学習に基づく新たなアプローチを提案する。 以上の結果から,共同市場入札は風力発電システムの業績を著しく向上させる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-12-27T05:51:54Z)
• Optimal Planning of Hybrid Energy Storage Systems using Curtailed Renewable Energy through Deep Reinforcement Learning [0.0]
  エネルギー貯蔵システム(ESS)を計画するためのポリシーに基づくアルゴリズムを用いた高度な深層強化学習手法を提案する。 定量的性能比較の結果、DRLエージェントはシナリオベース最適化(SO)アルゴリズムよりも優れていた。 その結果、DRLエージェントは人間の専門家が行うように学習し、提案手法の信頼性が示唆された。
  論文  参考訳（メタデータ） (2022-12-12T02:24:50Z)
• 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)
• Battery and Hydrogen Energy Storage Control in a Smart Energy Network with Flexible Energy Demand using Deep Reinforcement Learning [2.5666730153464465]
  電池と水素の蓄電池を組み合わせたハイブリッド型蓄電池システムを提案する。 本稿では,ハイブリッドエネルギー貯蔵システムのスケジューリングとエネルギー需要をリアルタイムに最適化する,深層強化学習に基づく制御手法を提案する。
  論文  参考訳（メタデータ） (2022-08-26T16:47:48Z)
• 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)
• 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。