Optimal Scheduling of Railway Power Supply Systems Integrated With Microgrids: A CCAH-RL Approach
Notice bibliographique
Résumé
Globally, the pace of railway system electrification and decarbonization is accelerating to support the worldwide sustainability goals for energy and transportation. Increased electricity demand from transport decarbonization, notably within the railway sector, places additional stress on already constrained power grids. Utilizing local renewable generation and energy storage systems to meet this increased demand has emerged as a crucial strategy to enhance the flexibility and resilience of railway power supply systems. This paper proposes to deploy railway microgrids at weak nodes of the existing co-phase traction power supply lines, maximizing the use of current infrastructure (including traction networks and local power grids) to address energy gaps while mitigating exacerbated three-phase voltage imbalance issues caused by increasing electricity demands. A computational cost-aware heuristic reinforcement learning method is developed first for optimal energy scheduling. Then, two agents operating with the proposed algorithm are employed to coordinate energy management between railway microgrids and co-phased feeder stations. Case studies, including a test scenario based on real operating conditions, show that the proposed solution not only accommodates rising electricity demand but also reduces daily operating costs by 15.1% in representative test scenarios, and 19.8% on average under real-world operation conditions. The proposed reinforcement learning algorithm is shown to save up to 81% computation time compared to other conventional approaches. It further substantially strengthens the ability of co-phase traction power supply systems to manage three-phase voltage imbalance, offering a cost-effective mitigation strategy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».