論文の概要: Multi-Agent Deep Reinforcement Learning for Multi Objective Battery Management in Dairy Farms
- arxiv url: http://arxiv.org/abs/2607.06489v1
- Date: Tue, 07 Jul 2026 16:48:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.592939
- Title: Multi-Agent Deep Reinforcement Learning for Multi Objective Battery Management in Dairy Farms
- Title（参考訳）: 農家における多目的電池管理のための多目的深層強化学習
- Authors: Marcos Eduardo Cruz Victorio, Karl Mason,
- Abstract要約: 本稿では,微分進化と深層強化学習に基づく多目的最適化制御システムを提案する。
提案する制御は,上位層が動的価格を用い,下位層が電池管理のためのマルチエージェント強化学習に基づく2層に編成される。
シミュレーションの結果,提案した制御フレームワークは,ルールベースモデルと比較して最大18%のエネルギー仲裁により利益を向上できることがわかった。
- 参考スコア（独自算出の注目度）: 1.4610038284393168
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The dairy industry in Ireland has a large potential for the integration of renewable energy and the reduction of carbon emissions. However, researchers of distributed generation control are mainly focused on residential and commercial applications. To contribute to the effective integration of renewable energy in the dairy sector, this paper presents a multi-objective optimisation control system based on differential evolution and multi agent Deep Reinforcement Learning. The proposed control is organised in two layers: the upper layer uses dynamic pricing, and the lower layer is based on multi-agent reinforcement learning for battery management. This paper also simulates the electrical response of the proposed control system in a rural distribution circuit. The simulation results show that the proposed control framework can improve profits from energy arbitrage up to 18% compared to using Rule-based models, increase the use of distributed generation without significantly increasing cost, and comply with the Irish grid code in terms of voltage variation.
- Abstract（参考訳）: アイルランドの乳製品産業は再生可能エネルギーの統合と二酸化炭素排出量の削減に大きな可能性を秘めている。
しかし、分散型世代管理の研究者は、主に住宅および商業用途に焦点をあてている。
本稿では, 乳製品分野における再生可能エネルギーの有効統合に寄与するため, 差分進化に基づく多目的最適化制御システムと多エージェントDeep Reinforcement Learningを提案する。
提案する制御は,上位層が動的価格を用い,下位層が電池管理のためのマルチエージェント強化学習に基づく2層に編成される。
本稿では,農村分布回路における制御系の電気的応答をシミュレートする。
シミュレーションの結果,提案した制御フレームワークは,ルールベースモデルと比較して最大18%のエネルギー仲裁により利益を向上し,コストを大幅に増大させることなく分散生成の利用を向上し,電圧変動の点でアイルランドのグリッドコードに準拠できることが示唆された。
関連論文リスト
- Controlling Performance and Budget of a Centralized Multi-agent LLM System with Reinforcement Learning [53.57360296655208]
大規模言語モデル(LLM)は、ドメイン間で補完的な強みを示し、様々な推論コストが伴う。
既存のアプローチは分散化されたフレームワークに依存しており、入力毎に複数のLSMを呼び出すため、実質的で制御されていない推論コストが発生する。
我々は,LLMコントローラが,コスト効率とコスト制御が可能な方法で,専門家モデルのプールを選択的にコーディネートする,集中型マルチLLMフレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-04T17:35:17Z) - Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。
グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。
Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
論文 参考訳（メタデータ） (2025-09-02T22:17:25Z) - A Reinforcement Learning Approach for Optimal Control in Microgrids [43.122212629962235]
マイクログリッドは、エネルギー発生、貯蔵、分散に対する局所的な制御を可能にすることで、有望なソリューションを提供する。
本稿では,マイクログリッドエネルギー管理を最適化するための新しい強化学習手法を提案する。
論文 参考訳（メタデータ） (2025-06-28T20:10:00Z) - Graph-Enhanced Model-Free Reinforcement Learning Agents for Efficient Power Grid Topological Control [0.24578723416255752]
本稿では,従来の知識を使わずに電力ネットワークの運用を最適化することを目的とした,強化学習のモデルフリーフレームワークにおける新しいアプローチを提案する。
提案手法は,停電に対するグリッド安定性を確保しつつ,一貫した電力損失削減を実現することを実証する。
論文 参考訳（メタデータ） (2025-03-26T16:20:30Z) - Energy Management of Multi-mode Plug-in Hybrid Electric Vehicle using
Multi-agent Deep Reinforcement Learning [6.519522573636577]
多モードプラグインハイブリッド電気自動車(PHEV)技術は、脱炭に寄与する経路の1つである。
本稿では,多モードPHEVのエネルギー管理のためのマルチエージェント深部強化学習(MADRL)制御法について検討する。
統合DDPG設定と0.2の関連性比を用いて、MADRLシステムはシングルエージェント学習システムと比較して最大4%のエネルギーを節約でき、従来のルールベースシステムに比べて最大23.54%のエネルギーを節約できる。
論文 参考訳（メタデータ） (2023-03-16T21:31:55Z) - 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) - Multi-agent Deep Reinforcement Learning for Charge-sustaining Control of
Multi-mode Hybrid Vehicles [9.416703139663705]
電気化は車両の電気部品の増加を必要とする。
本稿では,マルチモードハイブリッド電気自動車におけるエネルギー管理戦略のオンライン最適化に焦点をあてる。
マルチエージェントを用いた新しいサイバー物理学習法が提案されている。
論文 参考訳（メタデータ） (2022-09-06T16:40:55Z) - 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) - Multi-Objective Reinforcement Learning based Multi-Microgrid System
Optimisation Problem [4.338938227238059]
エネルギー貯蔵システムと分散型再生可能エネルギー源を備えたマイクログリッドは、従来の電源からの消費を減らし、CO$の排出を抑える上で重要な役割を担っている。
マルチマイクログリッドを分散電力グリッドに接続することで、システムのセキュリティとプライバシを高めるため、より堅牢で信頼性の高い操作が可能になる。
提案モデルは,スマートグリッド層,独立系演算子層(ISO)層,電力グリッド層という3つの層から構成される。
論文 参考訳（メタデータ） (2021-03-10T23:01:22Z) - A Multi-Agent Deep Reinforcement Learning Approach for a Distributed
Energy Marketplace in Smart Grids [58.666456917115056]
本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。
提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
論文 参考訳（メタデータ） (2020-09-23T02:17:51Z) - 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。