Application of dynamic adjustment strategy of map service resources combined with reinforcement learning in power supply network visualization

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

🔬研究者:Demonstrates a novel integration of reinforcement learning and forecasting for grid resource optimization, offering a foundation for further research.

🏢実務担当者:Provides a visualization dashboard and dynamic adjustment framework that grid operators can use for real-time management and efficiency improvements.

<title>抄録</title> <p>分散型発電、変動する需要、再生可能エネルギー源の統合はすべて、従来の系統制御システムに課題をもたらしており、現代の電力網をより複雑なものにしている。静的なルールベースの方法論に基づいて構築されたこれらの従来システムは、動的かつ予期しない系統状況を効果的に処理できないため、不安定性と非効率性を生み出している。本稿では、分散型再生可能エネルギー源、変動する系統条件、および増大するエネルギー需要によって引き起こされる電力網管理における増大する課題について論じる。静的ルールベースの最適化は従来の電力網制御システムの基盤であり、これらの複雑かつ動的な状況に適応することは困難である。これらの制限を克服するために、動的マップサービスリソース調整手法が提案されている。これは、Transformerネットワークと強化学習（RL）を組み合わせて、電力供給ネットワークの制御を最適化し、全体的な効率を向上させる。この戦略にはFEDformer予測モデルが組み込まれており、将来の電力需要を正確に予測し、システムがエネルギー生産と消費の変動に積極的に反応することを可能にする。発電、配電、および系統安定性を最適化するために、RLベースのリソース割り当て手法を用いて系統リソースを動的に調整する。運用者に系統のリアルタイムな状況を提供するため、GISベースの可視化ダッシュボードも作成される。これは、リソース分布、系統状態、RLエージェントによって実行された動的調整などの重要な指標を示す。提案されたアプローチは、地理的可視化、RL、および予測を効果的に組み合わせて、電力網管理を最大化する。システムが電力需要を正確に予測し、リソースを動的に調整し、系統性能を向上させる能力は、結果によって実証されており、運用効率、安定性、およびリソース利用における顕著な改善も示されている。成功率や累積報酬などの重要な指標は、RLが変化する系統状況にうまく適応し、系統性能を最大化し、エネルギー浪費を削減することを示している。</p>

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。

<title>Abstract</title> <p>Decentralized generation, varying demand, and the integration of renewable energy sources are all posing challenges to conventional grid control systems, making modern power grids more complicated. Due to their inability to effectively handle dynamic and unexpected grid circumstances, these traditional systems—which are built on static rule-based methodologies create instability and inefficiency. The increased issues in power grid management brought on by dispersed renewable energy sources, variable system conditions, and rising energy demand are discussed in this study. Static rule-based optimization is the foundation of traditional power grid control systems, which find it difficult to adjust to these complicated and dynamic circumstances. A dynamic map service resource adjustment technique is put forth to get over these restrictions. It combines transformer networks with Reinforcement Learning (RL) to optimize power supply network control and boost overall efficiency. The strategy incorporates the FEDformer forecasting model, which makes precise predictions about future power demand and allows the system to react proactively to variations in energy output and consumption. In order to optimize power generation, distribution, and grid stability, a RL-based resource allocation technique is used to dynamically modify grid resources. In order to give operators a real-time picture of the grid, a GIS-based visualization dashboard is also created. It shows important metrics including resource distribution, grid status, and dynamic modifications performed by the RL agent. The suggested approach effectively combines geographic visualization, RL, and forecasting to maximize power grid management. The system's capacity to accurately forecast power demand, dynamically modify resources, and improve grid performance is demonstrated by the results, which also show notable gains in operational efficiency, stability, and resource utilization. Important measures like success rates and cumulative incentives show that the RL adjusts well to changing grid circumstances, maximizing grid performance and reducing energy waste.</p>

• Research Square https://doi.org/10.21203/rs.3.rs-8351834/v1first seen 2026-05-14 21:22:56 · last seen 2026-05-22 04:22:27