文献

J-GLOBAL ID：202202220060780496   整理番号：22A0902602

多エネルギー産業公園のためのマルチエージェント深層強化学習に基づくエネルギー管理【JST・京大機械翻訳】

Energy management based on multi-agent deep reinforcement learning for a multi-energy industrial park

著者 (16件)： Zhu Dafeng (Department of Automation, Shanghai Jiao Tong University, Shanghai 200240, China) ,  Zhu Dafeng (Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai 200240, China) ,  Zhu Dafeng (Shanghai Engineering Research Center of Intelligent Control and Management, Shanghai 200240, China) ,  Yang Bo (Department of Automation, Shanghai Jiao Tong University, Shanghai 200240, China) ,  Yang Bo (Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai 200240, China) ,  Yang Bo (Shanghai Engineering Research Center of Intelligent Control and Management, Shanghai 200240, China) ,  Liu Yuxiang (Department of Automation, Shanghai Jiao Tong University, Shanghai 200240, China) ,  Liu Yuxiang (Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai 200240, China) ,  Liu Yuxiang (Shanghai Engineering Research Center of Intelligent Control and Management, Shanghai 200240, China) ,  Wang Zhaojian (Department of Automation, Shanghai Jiao Tong University, Shanghai 200240, China) ,  Wang Zhaojian (Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai 200240, China) ,  Wang Zhaojian (Shanghai Engineering Research Center of Intelligent Control and Management, Shanghai 200240, China) ,  Ma Kai (Key Laboratory of Industrial Computer Control Engineering of Hebei Province, Yanshan University, Qinhuangdao 066004, China) ,  Guan Xinping (Department of Automation, Shanghai Jiao Tong University, Shanghai 200240, China) ,  Guan Xinping (Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai 200240, China) ,  Guan Xinping (Shanghai Engineering Research Center of Intelligent Control and Management, Shanghai 200240, China)
資料名： Applied Energy  (Applied Energy)
巻： 311  ページ： Null  発行年： 2022年 
JST資料番号： A0097A  ISSN： 0306-2619  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 大規模な産業エネルギー消費のために,工業生産は再生可能エネルギーアクセスと電力供給に関してグリッドに巨大な負荷をもたらした。多重エネルギー源の結合と再生エネルギーと需要の不確実性のため,集中法は大きな計算と協調オーバヘッドを必要とする。したがって,本論文は,産業公園のための分散実行と集中訓練によって達成されるマルチエネルギー管理フレームワークを提案した。エネルギー管理問題は,部分観測可能Markov決定プロセスとして定式化され,それは,基礎となる確率過程の事前知識の欠如のため,動的プログラミングによって扱いにくい。目的は,ユーザの需要を保証しながら,長期エネルギーコストを最小化することである。この課題を解決し,計算速度を改善するために,新しいマルチエージェント深層強化学習アルゴリズムを提案し,それは次のキーポイントを含んでいる:それは,より良い政策を学習するための寄与エージェントを容易にするための対抗基準,ロバスト性の改善のためのソフトアクター-批評,および最適解の探索である。新しい報酬を,エネルギー貯蔵の容量制約を確実にするためにLagrange乗数法によって設計した。さらに,エージェント数の増加が大きな観測空間による性能劣化につながることを考慮して,政策の安定性を高め,エージェントが重要なエネルギー関連情報に焦点を合わせることを可能にし,それはソフトアクター-批評の探査効率を改善する。実際のデータに基づく数値結果は,高いスケーラビリティで提案したアルゴリズムの性能を検証し,工業団地が異なる需要の下でエネルギーコストを最小化できることを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  確率過程 ,  *エネルギー ,  動的計画法 ,  Lagrange乗数法 ,  多重化 ,  計算機処理速度 ,  定式化 ,  工業生産 ,  ロバスト性 ,  *エージェント
準シソーラス用語： 事前知識 ,  最適解 ,  オーバヘッド ,  *マルチエージェント , 【Automatic Indexing@JST】

著者キーワード (6件)： マルチエネルギー管理 ,  工業団地 ,  マルチエージェント ,  反事実基準 ,  ソフトアクター-批評 ,  注意機構

分類 (2件)： 電力系統一般  (NB02000E) ,  エネルギーに関する技術・経済問題  (LA01050V)

タイトルに関連する用語 (5件)： エネルギー産業 ,  公園 ,  マルチエージェント ,  深層強化学習 ,  エネルギー管理