抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
凝集体は,分散型で制御可能な負荷の協調のための重要なツールとして浮上している。効果的に使用するために,アグリゲータは,システムオペレータに対する骨材柔軟性として知られているように,それらの負荷の利用可能な柔軟性を伝達する必要があった。しかし,既存の骨材の柔軟性測度の大部分は遅い時間スケール推定であり,アグリゲータとオペレータ間の実時間協調にはあまり注目されていない。本論文では,閉ループシステムにおけるオンライン最適化を解決し,最大エントロピーフィードバック(MEF)と呼ばれる実時間凝集体柔軟性フィードバックの設計を提示した。MEFの解析的特性を導くことに加えて,学習と制御を組み合わせることで,強化学習を用いて近似でき,新しい制御アルゴリズム,すなわちバニラモデル予測制御(MPC)を改変するペナルティ予測制御(PPC)におけるペナルティ項として使用できることを示した。この方式の利点は(1)である。効率的なコミュニケーション。オペレータ運転PPCは,負荷の厳密な状態と制約を知る必要がなく,MEFのみである。(2).高速計算。PPCはMPC定式化よりも変数数が少ないことが多い。(3).より低いコスト。ある規則性仮定の下で,PPCが最適であることを示した。適応電気自動車充電ネットワークからのデータセットを用いてPPCの有効性を説明し,PPCが古典的MPCより優れていることを示した。【JST・京大機械翻訳】