{"product_id":"ieej-btb2025030","title":"深層強化学習による最適潮流計算の高速化と精度検証","description":"\u003cp\u003e\u003cstrong\u003eカテゴリ：\u003c\/strong\u003e部門大会\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e論文No：\u003c\/strong\u003e030\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eグループ名：\u003c\/strong\u003e【B】令和7年電気学会電力・エネルギー部門大会\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e発行日：\u003c\/strong\u003e2025\/9\/5\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eタイトル(英語)：\u003c\/strong\u003eAccelerated Optimal Power Flow via Deep Reinforcement Learning: Accuracy Assessment\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e著者名：\u003c\/strong\u003e竹内洸稀（大阪公立大学），高山聡志（大阪公立大学），石亀篤司（大阪公立大学）\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e著者名(英語)： \u003c\/strong\u003eKoki Takeuchi (Osaka Metropolitan University), Satoshi Takayama (Osaka Metropolitan University), Atsushi Ishigame (Osaka Metropolitan University)\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eキーワード：\u003c\/strong\u003e最適潮流計算,深層強化学習,分散型電源,Optimal Power Flow,Deep Reinforcement Learning,Distributed Generation\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e要約(日本語)：\u003c\/strong\u003e本研究では、再生可能エネルギーの導入拡大に伴う系統混雑や送電容量不足に対応するため、深層強化学習（DRL）の一手法であるTD3を用いて、放射状系統における最適潮流計算（OPF）問題に取り組んだ。IEEE 33・69母線モデルを用いた検証では、燃料費最小化を目的とし、スラックノードの依存抑制とDG出力制約を同時に学習可能な報酬関数を設計した。さまざまなDG構成に対して、計算性能や精度、スラックノードの動作傾向を評価した結果、TD3は従来手法に比べて燃料費と計算時間を大きく削減できることが分かった。ただし、DGの台数が増えると出力の最適配分が難しくなり、逆潮流の頻発といった課題が生じることも明らかとなった。\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003ePDFファイルサイズ：\u003c\/strong\u003e1,121Kバイト\u003c\/p\u003e","brand":"IEEJ-PDF","offers":[{"title":"PDFダウンロード（一般価格440円\/会員価格220円） \/ A4 \/ 6","offer_id":47681918435567,"sku":"IEEJ-BTB2025030-PDF","price":440.0,"currency_code":"JPY","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0718\/9512\/2159\/files\/IEEJ-PDF_bumontaikai_622f1f30-7caf-4c0e-9c10-c9f976f94aff.png?v=1770872503","url":"https:\/\/ieej.bookpark.ne.jp\/products\/ieej-btb2025030","provider":"電気学会 電子図書館","version":"1.0","type":"link"}