論文の概要: A Comprehensive Framework for Long-Term Resiliency Investment Planning under Extreme Weather Uncertainty for Electric Utilities

• arxiv url: http://arxiv.org/abs/2604.02504v1
• Date: Thu, 02 Apr 2026 20:42:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.197793
• Title: A Comprehensive Framework for Long-Term Resiliency Investment Planning under Extreme Weather Uncertainty for Electric Utilities
• Title（参考訳）: 電力事業における極端気象不確実性を考慮した長期レジリエンス投資計画の包括的枠組み
• Authors: Emma Benjaminson,
• Abstract要約: この研究は、極端な天候を不確実性の原因とする4つの枠組みを提示している。 このフレームワークを用いて、グリッド対応最適化手法がモデルフリーアプローチより優れているかどうかを調査する。 実際、モデルに基づくメタヒューリスティック最適化手法の計算複雑性を考えると、より単純なネット現在値ランキング法はより最適なポートフォリオを見つけることができた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electric utilities must make massive capital investments in the coming years to respond to explosive growth in demand, aging assets and rising threats from extreme weather. Utilities today already have rigorous frameworks for capital planning, and there are opportunities to extend this capability to solve multi-objective optimization problems in the face of uncertainty. This work presents a four-part framework that 1) incorporates extreme weather as a source of uncertainty, 2) leverages a digital twin of the grid, 3) uses Monte Carlo simulation to capture variability and 4) applies a multi-objective optimization method for finding the optimal investment portfolio. We use this framework to investigate whether grid-aware optimization methods outperform model-free approaches. We find that, in fact, given the computational complexity of model-based metaheuristic optimization methods, the simpler net present value ranking method was able to find more optimal portfolios with only limited knowledge of the grid.
• Abstract（参考訳）: 電力会社は、需要の爆発的な増加や資産の老朽化、極端な天候による脅威の増加に対応するため、今後数年で巨額の資本投資をしなければならない。 現在、ユーティリティには、資本計画のための厳格なフレームワークがあり、不確実性に直面した多目的最適化問題を解決するために、この機能を拡張する機会があります。 この研究は4つの部分からなるフレームワークを提示します。 1)不確実性の源として極端な天候を取り入れる。 2)グリッドのデジタルツインを利用する。 3)モンテカルロシミュレーションを用いて変動と変動を捉える。 4)最適投資ポートフォリオを見つけるために多目的最適化手法を適用した。 このフレームワークを用いて、グリッド対応最適化手法がモデルフリーアプローチより優れているかどうかを調査する。 実際、モデルに基づくメタヒューリスティック最適化手法の計算複雑性を考えると、より単純なネット現在値ランキング法はグリッドの知識が限られているだけで、より最適なポートフォリオを見つけることができた。

関連論文リスト

• Accelerating RL for LLM Reasoning with Optimal Advantage Regression [52.0792918455501]
  本稿では,最適優位関数を直接近似する新しい2段階ポリシー最適化フレームワークを提案する。 A$*-POは、幅広い数学的推論ベンチマークで競合性能を達成する。 PPO、GRPO、REBELと比較して、トレーニング時間を最大2$times$、ピークメモリ使用率を30%以上削減する。
  論文  参考訳（メタデータ） (2025-05-27T03:58:50Z)
• Reinforcement Learning-based Approach for Vehicle-to-Building Charging with Heterogeneous Agents and Long Term Rewards [3.867907469895697]
  本稿では,行動マスキングとMILPによる効率的な政策ガイダンスを併用した新しいRLフレームワークを提案する。 当社のアプローチは、ユーザの充電要求を満たすために、継続的なアクションスペースの探索のバランスを取る。 提案手法は,V2Bエネルギー管理の課題を解決するための,最初のスケーラブルで汎用的なアプローチの1つである。
  論文  参考訳（メタデータ） (2025-02-24T19:24:41Z)
• A Unified Energy Management Framework for Multi-Timescale Forecasting in Smart Grids [2.9934171338140425]
  時系列データの中間および長期の依存関係を正確に把握することは困難である。 本稿では、時間的位置符号化層を備えた新しいアーキテクチャにより、その依存性を捉えるマルチスケール電力負荷予測フレームワークであるMulti-pofoを提案する。
  論文  参考訳（メタデータ） (2024-11-22T08:45:41Z)
• Scalable Online Exploration via Coverability [45.66375686120087]
  探索は、特に関数近似を必要とする高次元領域において、強化学習において大きな課題である。 従来の探索手法を一般化し,3つの基本デシラタをサポートする新しい目的である$L_Coverageを導入する。 $L_Coverageは、カバー可能性の低いMDPにおけるオンライン(リワードフリーまたは報酬駆動)強化学習のための、最初の計算効率のよいモデルベースおよびモデルフリーのアルゴリズムを可能にする。
  論文  参考訳（メタデータ） (2024-03-11T10:14:06Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• A Stochastic Online Forecast-and-Optimize Framework for Real-Time Energy Dispatch in Virtual Power Plants under Uncertainty [18.485617498705736]
  本稿では,2つの要素から構成されるリアルタイム不確実性を考慮したエネルギー分散フレームワークを提案する。 提案するフレームワークは,リアルタイムデータ配信に迅速に適応すると同時に,データドリフトやモデルの不一致,制御プロセスの環境摂動などによる不確実性もターゲットとすることができる。 このフレームワークはCityLearn Challenge 2022で優勝し、エネルギー領域におけるAIアプリケーションの可能性を調べる影響力のある機会となった。
  論文  参考訳（メタデータ） (2023-09-15T00:04:00Z)
• Optimizing Credit Limit Adjustments Under Adversarial Goals Using Reinforcement Learning [42.303733194571905]
  我々は、強化学習技術を用いて最適なクレジットカード制限調整ポリシーを発見し、自動化することを模索する。 本研究は、信用限度調整に強化学習フレームワークを適用するための概念構造を確立する。
  論文  参考訳（メタデータ） (2023-06-27T16:10:36Z)
• Learning Optimization Proxies for Large-Scale Security-Constrained Economic Dispatch [11.475805963049808]
  SCED(Security-Constrained Economic Dispatch)は、送信システムオペレーター(TSO)の基本最適化モデルである 本稿では,SCEDの最適解をミリ秒で予測できる機械学習(ML)モデルとして,SCEDの最適化プロキシを学習することを提案する。 数値実験は、フランスの送信システム上で報告され、リアルタイム操作と互換性のある時間枠内で、その手法が生成できることを実証する。
  論文  参考訳（メタデータ） (2021-12-27T00:44:06Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• A storage expansion planning framework using reinforcement learning and simulation-based optimization [0.0]
  エネルギー貯蔵は、マイクログリッドなど、分散世代が豊富にある場所では不可欠である。 適切なタイミングとキャパシティとともに、どのストレージ技術に投資するかを決定することは、重要な研究課題である。 我々は、将来のマイクログリッドアプリケーションの中核となるエネルギー貯蔵ユニットのタイプを指し示す、より良いエンジニアリングソリューションを導出できることを示します。
  論文  参考訳（メタデータ） (2020-01-10T15:23:30Z)

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。