深層強化学習を用いた直接再生可能エネルギーから負荷へのシステムにおける運用最適化
Operation Optimization of Direct Renewable-to-Load System Using Deep Reinforcement Learning
本論文は、バッテリーエネルギー貯蔵とパワー・トゥ・水素設備を統合した公園レベルの直接再生可能エネルギーから負荷へのシステムを調査し、その運用問題を逐次連続制御タスクとして定式化する。深層決定方策勾配法(DDPG)ベースのスケジューリングフレームワークを開発し、再生可能エネルギー発電、負荷需要、バッテリーダイナミクス、水素変換と在庫進化、再生可能エネルギーの抑制、ストレージ関連の運用コスト、および電力輸出なしの運用境界を明示的にモデル化する。実測された風力/太陽光発電と負荷の時系列データに基づくケーススタディでは、調整された異種ストレージがシステム柔軟性を効果的に向上させることが示された。単一タイプのストレージ構成と比較して、調整されたバッテリー・水素スキームは最高の全体的なストレージパフォーマンスを達成し、日々の運用コストを25.28×10^4 人民元/日に削減し、再生可能エネルギー利用率を54.79%に向上させた。MILP、GA、およびストレージなしのベースラインとのさらなるベンチマーキングにより、MILPが依然として最高のオフラインベンチマークであるが、提案されたDDPG手法は、ソリューションの品質とオンライン効率の間で良好なトレードオフを提供することが示された。具体的には、DDPGは20.93×10^4 人民元/日の運用コストと514.38 MWhの再生可能エネルギー利用率を達成し、オンライン推論には0.25秒/ステップしか必要としなかった。典型的な日の分析は、2つのストレージタイプの間の明確な機能的相補性をさらに明らかにし、バッテリーストレージは主に高速な短期レギュレーションを提供し、水素サブシステムは主に長期間のエネルギーシフトをサポートする。
本論文は再生可能エネルギーシステムにおけるバッテリーと水素貯蔵のハイブリッド運用最適化にDDPG(深層強化学習)を適用した研究であり、学術的な成果に留まっている。投資判断に直接結びつく具体的な製品発表、企業の取り組み、市場への影響を示す事象は含まれていない。そのため投資家向けの重要な情報とは言えないが、エネルギーマネジメント分野の技術動向として参考になる可能性はある。