論文の概要: Safe Decentralized Operation of EV Virtual Power Plant with Limited Network Visibility via Multi-Agent Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2604.03278v1
- Date: Tue, 24 Mar 2026 10:27:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-12 18:41:08.583748
- Title: Safe Decentralized Operation of EV Virtual Power Plant with Limited Network Visibility via Multi-Agent Reinforcement Learning
- Title（参考訳）: マルチエージェント強化学習による限られたネットワーク可視性を有するEV仮想発電所の安全分散型運転
- Authors: Chenghao Huang, Jiarong Fan, Weiqing Wang, Hao Wang,
- Abstract要約: 分散型エネルギー資源(DER)の急激な成長を加速させる再生可能エネルギー
本研究では、現実的な情報制約下で複数のEVCSを協調する安全強化されたVPPフレームワークを提案する。
現実的な33バスPDN実験により,提案手法は電圧違反を約45%削減し,運転コストを約10%削減することを示した。
- 参考スコア（独自算出の注目度）: 6.02092443563717
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As power systems advance toward net-zero targets, behind-the-meter renewables are driving rapid growth in distributed energy resources (DERs). Virtual power plants (VPPs) increasingly coordinate these resources to support power distribution network (PDN) operation, with EV charging stations (EVCSs) emerging as a key asset due to their strong impact on local voltages. However, in practice, VPPs must make operational decisions with only partial visibility of PDN states, relying on limited, aggregated information shared by the distribution system operator. This work proposes a safety-enhanced VPP framework for coordinating multiple EVCSs under such realistic information constraints to ensure voltage security while maintaining economic operation. We develop Transformer-assisted Lagrangian Multi-Agent Proximal Policy Optimization (TL-MAPPO), in which EVCS agents learn decentralized charging policies via centralized training with Lagrangian regularization to enforce voltage and demand-satisfaction constraints. A transformer-based embedding layer deployed on each EVCS agent captures temporal correlations among prices, loads, and charging demand to improve decision quality. Experiments on a realistic 33-bus PDN show that the proposed framework reduces voltage violations by approximately 45% and operational costs by approximately 10% compared to representative multi-agent DRL baselines, highlighting its potential for practical VPP deployment.
- Abstract（参考訳）: 電力系統がネットゼロ目標に向かって進むにつれ、後方の再生可能エネルギーは分散エネルギー資源(DER)の急速な成長を加速させている。
仮想発電所(VPP)は、電力配電ネットワーク(PDN)の運用を支援するためにこれらの資源をコーディネートし、EV充電ステーション(EVCS)は、局所電圧に強い影響を与えるため、重要な資産として出現する。
しかし、実際にはVPPは、分散システムオペレータが共有する限定的な集約情報に依存して、PDN状態の部分的な可視性のみで運用上の決定をしなければならない。
このような現実的な情報制約の下で複数のEVCSを協調し、経済活動を維持しながら電圧安全性を確保するための安全強化VPPフレームワークを提案する。
本研究では,トランスフォーマ支援型ラグランジアン多エージェント政策最適化(TL-MAPPO)を開発し,EVCSエージェントがラグランジアン正規化による集中的なトレーニングを通じて分散充電ポリシーを学習し,電圧と需要満足度制約を強制する。
各EVCSエージェントに展開されるトランスフォーマーベースの埋め込み層は、価格、負荷、充電要求の時間的相関を捉え、意思決定品質を向上させる。
33-bus PDN の現実的な実験により、提案手法は、汎用マルチエージェント DRL ベースラインと比較して、電圧違反を約45%削減し、運用コストを約10%削減し、実用的なVPP 展開の可能性を強調している。
関連論文リスト
- Two-Stage Active Distribution Network Voltage Control via LLM-RL Collaboration: A Hybrid Knowledge-Data-Driven Approach [30.16233658525027]
分散型太陽光発電をアクティブ配電ネットワーク(ADN)に統合することで、運用上の課題が悪化した。
既存のデータ駆動型アプローチは、電圧制御問題において有効であることを示した。
本稿では,大規模言語モデル (LLM) エージェントと強化学習 (RL) エージェントとの動的協調を利用するハイブリッドな知識データ駆動型アプローチを提案する。
論文 参考訳（メタデータ） (2026-02-25T09:22:27Z) - 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) - H-FLTN: A Privacy-Preserving Hierarchical Framework for Electric Vehicle Spatio-Temporal Charge Prediction [8.183121832206556]
電気自動車(EV)は、特に充電時間(時間予測)の予測において、エネルギー提供者にとって重要な課題となる
本稿では,これらの課題に対処するための階層型学習トランスフォーマーネットワークフレームワークを紹介する。
現実世界のスマートシティインフラストラクチャとの統合により、エネルギー需要予測、リソース割り当て、グリッド安定性が向上する。
論文 参考訳（メタデータ） (2025-02-25T23:20:53Z) - Centralized vs. Decentralized Multi-Agent Reinforcement Learning for Enhanced Control of Electric Vehicle Charging Networks [1.9188272016043582]
本稿では,MARL(Multi-Agent Reinforcement Learning)フレームワークを用いた分散・協調型充電戦略の新たなアプローチを提案する。
本手法は, 住宅街におけるEV群を対象としたDDPGアルゴリズムに基づいて構築した。
以上の結果から, CTDE-DDPGフレームワークは, 政策のばらつきや訓練の複雑さが高いにもかかわらず, 総変動率を約36パーセント, 充電コストを平均9.1程度削減することにより, 充電効率を著しく向上させることが示唆された。
論文 参考訳（メタデータ） (2024-04-18T21:50:03Z) - An Efficient Distributed Multi-Agent Reinforcement Learning for EV
Charging Network Control [2.5477011559292175]
本稿では,EV所有者のプライバシ保護を優先する分散マルチエージェント強化学習(MARL)充電フレームワークを提案する。
その結果、CTDEフレームワークは、ネットワークコストを削減し、充電ネットワークの性能を向上させることを示した。
論文 参考訳（メタデータ） (2023-08-24T16:53:52Z) - Federated Reinforcement Learning for Electric Vehicles Charging Control
on Distribution Networks [42.04263644600909]
マルチエージェント深部強化学習(MADRL)はEV充電制御において有効であることが証明されている。
既存のMADRLベースのアプローチでは、配電ネットワークにおけるEV充電/放電の自然な電力フローを考慮できない。
本稿では,マルチEV充電/放電と最適電力流で動作する放射分布ネットワーク(RDN)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） (2023-08-17T05:34:46Z) - 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) - Stabilizing Voltage in Power Distribution Networks via Multi-Agent
Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。
さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文 参考訳（メタデータ） (2022-06-08T07:48:42Z) - 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) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。