論文の概要: Multi-market value-stacking: Battery control for combined imbalance participation and non-uniform FCR bidding

• arxiv url: http://arxiv.org/abs/2605.23964v1
• Date: Tue, 12 May 2026 17:32:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 02:55:42.98198
• Title: Multi-market value-stacking: Battery control for combined imbalance participation and non-uniform FCR bidding
• Title（参考訳）: マルチマーケット価値スタッキング:不均衡参加と不均一FCR入札を組み合わせたバッテリ制御
• Authors: Celle Hendrickx, Fabio Pavirani, Chris Develder,
• Abstract要約: 非均一なFCR入札を導入した欧州文脈のための2段階制御フレームワークを提案する。 第1段階では,データ駆動型モンテカルロ(MC)最適化を用いた時変入札列を導出する。 第2段階では、Deep Reinforcement Learning (DRL) エージェントが、リアルタイム不均衡取引の残余の柔軟性を活用する。
• 参考スコア（独自算出の注目度）: 2.183622338864934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing share of Renewable Energy Sources (RES) in modern power systems increases both grid imbalances and frequency deviations, reinforcing the need for ancillary services such as Frequency Containment Reserve (FCR) and passive balancing. Battery Energy Storage Systems (BESS) are well-suited for these services, but prior research typically relies on uniform FCR bids that remain constant throughout the control period. Such static bids fail to fully exploit BESS flexibility, as they do not balance the trade-off between reserving energy for FCR delivery and using it for imbalance arbitrage, limiting the achievable value in value-stacking settings. To address this limitation, we propose a two-stage control framework for the European context that introduces non-uniform FCR bids. In the first stage, we derive a time-varying bid sequence using data-driven Monte Carlo (MC) optimization. In the second stage, a Deep Reinforcement Learning (DRL) agent leverages the residual flexibility for real-time imbalance trading while proactively managing the State of Energy (SoE) to ensure compliance with FCR requirements. The framework is presented as a proof of concept, highlighting the potential benefits of time-varying bidding strategies. By incorporating daily cycle budgets and time-varying reserve commitments, our approach achieves a 7.56% profit increase compared to uniform baselines. These results show that non-uniform bidding can unlock additional value by more effectively aligning reserve obligations with rapidly changing imbalance opportunities.
• Abstract（参考訳）: 現代の電力システムにおける再生可能エネルギー源(RES)のシェアは、グリッド不均衡と周波数偏差の両方を増大させ、周波数保持予備区(FCR)やパッシブバランスのような補助サービスの必要性を高めている。 バッテリ・エナジー・ストレージ・システム(Battery Energy Storage Systems, BESS)は、これらのサービスに適しているが、以前の研究は、制御期間を通して一定である均一なFCR入札に依存していた。 このような静的入札は、FCRデリバリのための保留エネルギーと不均衡な仲裁のために使用することで、価値スタッキング設定で達成可能な値を制限している間のトレードオフのバランスが取れないので、BESSの柔軟性を完全に活用することができない。 この制限に対処するため、不均一なFCR入札を導入した欧州文脈のための2段階制御フレームワークを提案する。 第1段階では,データ駆動型モンテカルロ(MC)最適化を用いた時変入札列を導出する。 第2段階では、Deep Reinforcement Learning (DRL) エージェントは、リアルタイム不均衡取引の残余の柔軟性を利用して、エネルギー状態(SoE)を積極的に管理し、FCR要求の遵守を保証する。 このフレームワークは概念実証として提示され、時間によって変化する入札戦略の潜在的な利点を強調している。 日周期予算と時変リザーブコミットメントを取り入れることで,一様ベースラインに比べて7.56%の利益向上を実現している。 これらの結果は、不均衡が急速に変化する機会と予備債務をより効果的に整合させることで、一様入札が付加価値を解放できることを示している。

関連論文リスト

• Energy-Structured Low-Rank Adaptation for Continual Learning [78.5390284258307]
  textbfEnergy-Concentrated and textbfEnergy-Ordered textbfLow-textbfRank textbfAdaptation (E$2$-LoRA)を提案する。 E$2$-LoRAは、知識を明示的に順序付けして上位のランクに集約することにより、その後のタスクの容量を解放する。
  論文  参考訳（メタデータ） (2026-05-26T12:55:02Z)
• Ratio-Variance Regularized Policy Optimization [64.95520246570446]
  ポリシ比の分散を明示的に制約することは、信頼領域の制約に対する原則的な局所近似をもたらすことを示す。 本稿では,この制約を実装したR2bf VPO$(Ratio-Variance Regularized Policy Optimization)を紹介する。
  論文  参考訳（メタデータ） (2026-05-26T09:53:42Z)
• Post-hoc Provider Fairness Adaptation via Hierarchical Exposure Alignment [54.58748721533078]
  ポストホックフェアネス適応(Post-hoc Fairness Adaptation, PFA)は、フリーズレコメンデータにフェアネスアダプタを装備する軽量フレームワークである。 ユーザアイコンの埋め込みから、フェアネスに対するステアプロバイダの露出まで、パーソナライズされた加算点調整を学習する。 PFAは無視できる精度の損失を伴ってかなりの公平性を達成し、一貫して強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-02T16:32:52Z)
• ECHO-2: A Large-Scale Distributed Rollout Framework for Cost-Efficient Reinforcement Learning [12.981638650752926]
  強化学習(Reinforcement Learning, RL)は、学習後の大規模言語モデル(LLM)において重要な段階である。 本稿では,遠隔推論作業者と非無視の拡散遅延を用いた後学習のための分散RLフレームワークECHO-2を提案する。 ECHO-2は、強力なベースラインに匹敵するRL報酬を維持しながら、コスト効率を大幅に改善する。
  論文  参考訳（メタデータ） (2026-02-02T14:57:53Z)
• Deep Time-series Forecasting Needs Kernelized Moment Balancing [56.619037429652984]
  深層時系列予測は、予測と地上の真実の分布を整合させることを目的とした分布バランス問題として定式化することができる。 我々は、カーネル化されたモーメントバランス(KMB-DF)による直接予測を提案する。 複数のモデルとデータセットにわたる実験により、KMB-DFは予測精度を一貫して改善し、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-31T13:20:18Z)
• 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)
• Control Policy Correction Framework for Reinforcement Learning-based Energy Arbitrage Strategies [4.950434218152639]
  そこで本稿では,電池の非均衡化機構において,安全なエネルギー仲裁戦略を実現するための新しいRLベースの制御フレームワークを提案する。 提案手法の性能評価には,2023年のベルギーの不均衡価格を用いる。
  論文  参考訳（メタデータ） (2024-04-29T16:03:21Z)
• Distributional Reinforcement Learning-based Energy Arbitrage Strategies in Imbalance Settlement Mechanism [6.520803851931361]
  再生可能エネルギー源の浸透の進展により、供給がより不確実になり、システムの不均衡が増大する。 分散強化学習(DRL)に基づく電池制御フレームワークを提案する。 提案するコントロール・フレームワークはリスクに敏感な視点を採り、BRPがリスク・プライオリティを調整することができる。
  論文  参考訳（メタデータ） (2023-12-23T15:38:31Z)
• 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)

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。