Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Control of Renewable Energy Communities using AI and Real-World Data

Created by
  • Haebom

저자

Tiago Fonseca, Clarisse Sousa, Ricardo Venancio, Pedro Pires, Ricardo Severino, Paulo Rodrigues, Pedro Paiva, Luis Lino Ferreira

개요

본 논문은 재생에너지 지역 사회(REC)에서 전기 자동차(EV) 충전과 건물 에너지 시스템(난방, 환기, 에어컨(HVAC), 광전지(PV) 발전, 배터리 저장) 통합의 복잡성을 다룹니다. 시뮬레이션에서 휴리스틱 제어 전략보다 우수한 성능을 보인 다중 에이전트 심층 결정적 정책 경사(MADDPG) 알고리즘 기반 강화 학습(RL)을 활용하여 실제 배포의 어려움(불완전하고 노이즈가 많은 데이터, 이종 시스템 통합, 동기화 문제, 예측 불가능한 거주자 행동, EV 충전 상태(SoC) 정보 부족 등)을 해결하는 프레임워크를 제시합니다. EnergAIze라는 MADDPG 기반 다중 에이전트 제어 전략을 통합하여 실제 데이터 수집, 시스템 통합, 사용자 행동 모델링 문제를 다룹니다. 4개의 주거용 건물을 포함하는 실제 운영 REC에서 수집된 예비 결과는 일일 최대 수요 9% 감소 및 에너지 비용 5% 감소를 달성하여 접근 방식의 실현 가능성을 보여줍니다.

시사점, 한계점

시사점:
실제 REC 환경에서 MADDPG 기반 강화학습을 적용하여 에너지 관리 효율을 향상시킬 수 있는 프레임워크를 제시.
실제 데이터를 활용한 실증 실험을 통해 일일 최대 수요 감소 및 에너지 비용 절감 효과를 검증.
실제 환경의 복잡성(데이터 불완전성, 시스템 이질성, 사용자 행동 예측 불가능성 등)을 고려한 실용적인 에너지 관리 솔루션 제공.
한계점:
아직 예비 결과만 제시되었으며, 더욱 장기적이고 광범위한 실험을 통해 일반화 가능성을 검증할 필요가 있음.
4개의 주거용 건물이라는 제한적인 규모의 REC에서 실험이 수행되었으므로, 더 큰 규모의 REC로 확장 가능성을 확인해야 함.
실제 환경의 모든 변수를 완벽하게 고려하지 못했을 가능성이 존재하며, 예측 불가능한 변수에 대한 강건성을 높여야 함.
EV SoC 정보 부족 문제에 대한 구체적인 해결 방안이 부족함.
👍