低炭素でリスクを考慮した移動式エネルギー貯蔵システム制御に向けて: 並列階層的多目的深層強化学習手法

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a novel hierarchical multi-objective DRL method with GAN imputation and pruning for energy storage control.

🏢実務担当者:Offers a framework for optimizing MBESS dispatch to achieve cost savings and emissions reduction simultaneously.

🏛政策担当者:Demonstrates AI-driven control can enhance grid resilience and renewable integration, supporting policy for storage deployment.

モバイルバッテリーエネルギー貯蔵システム（MBESS）は、時間的・空間的柔軟性を活用して電力グリッドのレジリエンスを強化し、再生可能エネルギーを統合し、経済的便益を提供する。しかし、MBESSの運用最適化には、市場価格、交通状況、および潜在的なデータ不足からの重大な不確実性の下で、経済効率、低炭素運用、運用安全性という複数の相反する目的のバランスを取ることが含まれる。これらの多面的な課題に対処するため、本論文は深層強化学習（DRL）に基づく並列階層型多目的マルコフ決定過程（PHMO-MDP）フレームワークを提案する。このフレームワークは、パラメータ化されたスカラー化を備えた階層構造を採用し、低レベルの運用タスクと高レベルの戦略的目標の間のトレードオフを明示的に管理する。さらに、欠落または疎な入力データを効果的に処理するために、GAN（Generative Adversarial Network）ベースのデータ補完モジュールが統合され、状態認識の堅牢性を強化する。最後に、大きさに基づくモデル刈り込み戦略が組み込まれ、DRLエージェントの計算効率を向上させ、収束を加速し、リアルタイム適用のための推論遅延を低減する。提案フレームワークはIEEE 30バスシステムでテストされる。結果は、提案手法が目的間の優れたバランスを達成し、ベースライン手法と比較してより高い全体的な性能と安定性をもたらす一方、GAN補完およびモデル刈り込みコンポーネントの有効性を検証することを示す。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Mobile battery energy storage systems (MBESS) utilize temporal and spatial flexibility to enhance power grid resilience, integrate renewables, and provide economic benefits. However, optimizing MBESS operation involves balancing multiple conflicting objectives—namely economic efficiency, low-carbon operation, and operational safety—under significant uncertainties from market prices, traffic conditions, and potential data sparsity. To address these multifaceted challenges, this paper proposes a Parallel Hierarchical Multi-objective Markov Decision Process (PHMO-MDP) framework based on deep reinforcement learning (DRL). This framework employs a hierarchical structure with parameterized scalarization to explicitly manage the trade-offs between low-level operational tasks and high-level strategic goals. Furthermore, a Generative Adversarial Network (GAN)-based data imputation module is integrated to handle missing or sparse input data effectively, enhancing state perception robustness. Lastly, a magnitude-based model pruning strategy is incorporated to improve the computational efficiency of the DRL agent, accelerating convergence and reducing inference latency for real-time applicability. The proposed framework is tested on the IEEE 30-bus system. Results demonstrate that the proposed methods achieve a superior balance across objectives, yielding higher overall performance and stability compared to baseline methods, while validating the effectiveness of the GAN imputation and model pruning components.

• openalex https://doi.org/10.1016/j.rineng.2026.111785first seen 2026-07-05 05:03:21