深層強化学習を用いた農村マルチエネルギーマイクログリッドの多目的最適化

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

🔬研究者:Demonstrates the effectiveness of offline DRL for multiobjective microgrid optimization, offering a reusable modeling pathway.

🏢実務担当者:Provides a practical framework for optimizing microgrid operations with carbon costs and subsidies, aiding cost-effective decarbonization.

🏛政策担当者:Offers quantitative insights on carbon price and subsidy elasticities, useful for designing effective incentive mechanisms.

世界的な再生可能エネルギーへの移行が進む中、農村部のマイクログリッドは、持続可能で利用しやすい電力供給への重要な経路を提供する。本研究は、バイオマス、バイオガス、ディーゼル発電機セットの運転特性と炭素排出特性をモデル化し、統一された多次元動的結合最適化フレームワークを提案する。このフレームワークは、炭素取引コスト（65～70 RMB/トン）、政府補助金（0.04～0.05 RMB/kWh）、廃棄物回収の経済性、リアルタイム電力価格を目的関数に組み込む。調整可能なパラメータにより、様々な規模の農村部マイクログリッドへの適応が可能となる。農村部のシナリオサンプルの不足とオフラインデータの普及に対処するため、オフ方策深層強化学習アルゴリズム（SAC、TD3、DDPG）をMDPフレームワーク内での協調スケジューリングに採用し、システム総コスト、炭素排出量、電力バランスを同時に最適化する。実験により、低サンプル初期段階では、SACはその最大エントロピー方策とランダム化アクションサンプリングにより収束が速いことが実証された。TD3のデュアルQ構造はQ値の過大評価を効果的に軽減し、初期段階においてわずかに優れた電力バランス制御を示す。十分な訓練により、3つの手法すべてがほぼ同一の運用コストとゼロの電力不均衡に収束し、多目的農村部マイクログリッド最適化におけるオフラインDRLの有効性が検証された。感度分析は、炭素価格に対するコスト弾力性が約+1.96、補助金に対しては-0.93であることを示す。±20%の複合ショック下では、コスト変動幅は-42%から+62%の範囲となり、¥501,730.74ではなく、補助金・炭素価格設計に関する実行可能な政策提言を提供する。本研究は、農村部マイクログリッドの低炭素・低コスト・信頼性の高い運用のための再利用可能なモデリングおよび最適化経路を提供する。

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。

Amid the global transition toward renewable energy, rural microgrids offer a vital pathway to sustainable and accessible electricity supply. This study models the operational and carbon emission characteristics of biomass, biogas and diesel generator sets, proposing a unified multi-dimensional dynamic coupling optimisation framework. This framework incorporates carbon trading costs (65–70 RMB/tonne), government subsidies (0.04–0.05 RMB/kWh), waste recovery economic, and real-time electricity prices into the objective function. Adjustable parameters enable adaptation to rural microgrids of varying scales. To address the scarcity of rural scenario samples and the prevalence of offline data, off-policy deep reinforcement learning algorithm (SAC, TD3, DDPG) is employed for coordinated scheduling within the MDP framework, simultaneously optimising total system cost, carbon emissions, and power balance. Experiments demonstrate that during the low-sample initial phase, SAC converges faster due to its maximum entropy policy and randomised action sampling. TD3's dual-Q structure effectively mitigates Q-value overestimation and exhibits marginally superior power balance control in the early stages. With sufficient training, all three methods converge to nearly identical operational costs and zero power imbalance, validating the efficacy of offline DRL in multi-objective rural microgrid optimisation. Sensitivity analysis indicates a cost elasticity of approximately +1.96 for carbon pricing and -0.93 for subsidies. Under a combined shock of ±20%, the cost fluctuation range spans from -42% to +62%, rather than ¥501,730.74, providing actionable policy recommendations for subsidy/carbon price design. This research provides a reusable modelling and optimisation pathway for low-carbon, low-cost, and reliable operation of rural microgrids.

• semanticscholar https://doi.org/10.1117/12.3096019first seen 2026-05-15 17:26:21 · last seen 2026-09-11 05:30:52