← 論文一覧に戻る

AI-Driven Energy Management in Smart Microgrids with Renewable Integration Using Deep Reinforcement Learning

深層強化学習を用いた再生可能エネルギー統合スマートマイクログリッドにおけるAI駆動型エネルギー管理 (AI 翻訳)

Nandankar, Praful, Shelke, Nihar

Zenodoプレプリント2026-07-30#エネルギー転換経営インパクト: コスト削減対象セクター: power
DOI: 10.5281/zenodo.21704644
原典: https://zenodo.org/records/21704644
📄 PDF

🤖 gxceed AI 要約

日本語

本論文は、深層強化学習（DQN）を用いた島嶼マイクログリッドのエネルギー管理システムを提案する。太陽光・風力・蓄電池を統合し、実データに基づくシミュレーションで、ルールベース制御やMPCと比較して運用コストとCO2排出を大幅に削減できることを示した。

English

This paper proposes a DQN-based energy management system for an islanded microgrid with solar, wind, and battery storage. Using real data from Nagpur, India, the DQN-EMS reduces daily operational cost by up to 52.2% and CO2 emissions by up to 56.8% compared to rule-based control and MPC, while maintaining battery SOC within safe limits.

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

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

日本では再生可能エネルギーの導入拡大に伴い、マイクログリッドの需給調整が重要課題となっている。本研究成果は、AIによるエネルギー管理の有効性を示すもので、日本の離島や地域マイクログリッドへの応用が期待される。

In the global GX context

Globally, AI-driven energy management in microgrids is crucial for integrating variable renewables. This study provides empirical evidence of cost and emission reductions, contributing to the broader discourse on AI-enabled energy transition and smart grid optimization.

👥 読者別の含意

🔬研究者:AIと再生可能エネルギー統合の実証研究として、強化学習の適用可能性と性能評価の参考になる。

🏢実務担当者:マイクログリッドのEMS設計や運用改善に活用できる具体的な手法と効果を示している。

🏛政策担当者:再生可能エネルギー導入促進やスマートグリッド政策の裏付けとなるAI技術の有効性を示す。

📄 Abstract（原文）

The intermittent nature of solar and wind generation and the dynamic load fluctuations make optimal energy management in renewable integrated smart microgrids a complex stochastic optimization problem. Traditional rule-based and model predictive control (MPC) methods are based on accurate system models and cannot adapt to real-time uncertainty. This paper proposes a Deep Q-Network (DQN) based energy management system (EMS) for an islanded microgrid consisting of a 10-kW solar PV array, 5 kW wind turbine and 20 kWh lithium-ion battery storage, supplying a mixed residential-commercial load. The DQN agent is trained on a Simulink-based microgrid environment using real data of irradiance and wind speed from Nagpur, India. The experimental results demonstrate that the proposed DQN-EMS reduces the daily operational cost by 52.2% and 35.7% and CO2 emissions by 56.8% and 41.9% compared to rule-based control and MPC, respectively. The DQN agent converges in 350 training episodes and keeps the battery state-of-charge (SOC) within safe limits (20%–80%) for 98.4% of the operating hours.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。