文献

J-GLOBAL ID：202102296698135050   整理番号：21A0989429

バッチ強化学習を用いたマイクログリッドにおける電池エネルギー管理【JST・京大機械翻訳】

Battery Energy Management in a Microgrid Using Batch Reinforcement Learning

著者 (8件)： Mbuwir Brida V. (ESAT/Electa, KU Leuven, Kasteelpark Arenberg 10 bus 2445, BE-3001 Leuven, Belgium) ,  Mbuwir Brida V. (Energy Department, EnergyVille, Thor Park, Poort Genk 8130, 3600 Genk, Belgium) ,  Ruelens Frederik (ESAT/Electa, KU Leuven, Kasteelpark Arenberg 10 bus 2445, BE-3001 Leuven, Belgium) ,  Ruelens Frederik (Energy Department, EnergyVille, Thor Park, Poort Genk 8130, 3600 Genk, Belgium) ,  Spiessens Fred (Energy Department, EnergyVille, Thor Park, Poort Genk 8130, 3600 Genk, Belgium) ,  Spiessens Fred (Energy Department, Vlaamse Instelling voor Technologisch Onderzoek (VITO), Boeretang 200, B-2400 Mol, Belgium) ,  Deconinck Geert (ESAT/Electa, KU Leuven, Kasteelpark Arenberg 10 bus 2445, BE-3001 Leuven, Belgium) ,  Deconinck Geert (Energy Department, EnergyVille, Thor Park, Poort Genk 8130, 3600 Genk, Belgium)
資料名： Energies (Web)  (Energies (Web))
巻： 10  号： 11  ページ： 1846  発行年： 2017年11月 
JST資料番号： U7016A  ISSN： 1996-1073  CODEN： ENERGA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： バッチ強化学習(RL)における最近の発展によって動機づけられて,本論文はマイクログリッドにおけるエネルギー管理におけるバッチRLの応用に貢献する。マイクログリッドにおける局所光起電力生産の自己消費を最大化するために,貯蔵装置の運転を最適にスケジュールするための閉ループ制御政策を見つける課題に取り組んだ。本研究では,標準バッチRL技術である当てはめQ反復アルゴリズムを,制御ポリシーを構築するために,RLエージェントによって使用した。提案方法は,データ駆動であり,電池のための最適スケジューリング計画を見つけるために,状態行動値関数を使用する。電池の充電と放電効率,およびインバータの効率によるマイクログリッドの非線形性を考慮した。ベルギーの住宅消費者からのデータを用いた住宅環境におけるシミュレーションで,提案した方法を試験した。開発したフレームワークはモデルベース技術でベンチマークされ,シミュレーション結果は19%の性能ギャップを示した。シミュレーションの結果は,より現実的にスケールされ,相互接続したマイクログリッドにおける最適政策を開発し,そして,ホワイトボックスモデルが不正確かつ/または実行不可能になる発電と消費における不確実性を含むための洞察を提供する。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 光起電力 ,  シミュレーション ,  *電池 ,  放電 ,  消費者 ,  不確実性 ,  相互接続 ,  磁気ギャップ ,  ベンチマーク ,  エージェント ,  *強化学習 ,  *マイクログリッド
準シソーラス用語： 反復アルゴリズム ,  データ駆動 ,  最適スケジューリング , 【Automatic Indexing@JST】

著者キーワード (4件)： 制御政策 ,  フィットQ反復 ,  マイクログリッド ,  強化学習

分類 (1件)： 電力系統一般  (NB02000E)

引用文献 (36件)：

• Voropai, N.I.; Efimov, D.N. Operation and control problems of power systems with distributed generation. In Proceedings of the 2009 IEEE Power Energy Society General Meeting, Calgary, AB, Canada, 26-30 July 2009; pp. 1-5.
• European Commission: Energy, Moving towards a Low Carbon Economy. Available online: https://ec.europa.eu/energy/en/topics/renewable-energy (accessed on 23 August, 2017).
• Leo, R.; Milton, R.S.; Sibi, S. Reinforcement learning for optimal energy management of a solar microgrid. In Proceedings of the Global Humanitarian Technology Conference-South Asia Satellite (GHTC-SAS), Trivandrum, India, 26-27 September 2014; pp. 183-188.
• Dimeas, A.L.; Hatziargyriou, N.D. Agent based Control for Microgrids. In Proceedings of the Power Engineering Society General Meeting, Tampa, FL, USA, 24-28 June 2007; pp. 1-5.
• Parhizi, S.; Lotfi, H.; Khodaei, A.; Bahramirad, S. State of the Art in Research on Microgrids: A Review. IEEE Access 2015, 3, 890-925.

タイトルに関連する用語 (5件)： バッチ ,  強化学習 ,  マイクログリッド ,  電池 ,  エネルギー管理