論文の概要: Intelligent Residential Energy Management System using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2005.14259v1
• Date: Thu, 28 May 2020 19:51:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-27 04:54:53.351524
• Title: Intelligent Residential Energy Management System using Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習を用いた知的住宅エネルギー管理システム
• Authors: Alwyn Mathew, Abhijit Roy, Jimson Mathew
• Abstract要約: 本稿では,仮想エージェントが人間のようにタスクを学習する要求応答のための深層強化学習(DRL)モデルを提案する。 本手法は,負荷ピーク低減のための混合整数線形計画法(MILP)の精度を向上した。
• 参考スコア（独自算出の注目度）: 5.532477732693001
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rising demand for electricity and its essential nature in today's world calls for intelligent home energy management (HEM) systems that can reduce energy usage. This involves scheduling of loads from peak hours of the day when energy consumption is at its highest to leaner off-peak periods of the day when energy consumption is relatively lower thereby reducing the system's peak load demand, which would consequently result in lesser energy bills, and improved load demand profile. This work introduces a novel way to develop a learning system that can learn from experience to shift loads from one time instance to another and achieve the goal of minimizing the aggregate peak load. This paper proposes a Deep Reinforcement Learning (DRL) model for demand response where the virtual agent learns the task like humans do. The agent gets feedback for every action it takes in the environment; these feedbacks will drive the agent to learn about the environment and take much smarter steps later in its learning stages. Our method outperformed the state of the art mixed integer linear programming (MILP) for load peak reduction. The authors have also designed an agent to learn to minimize both consumers' electricity bills and utilities' system peak load demand simultaneously. The proposed model was analyzed with loads from five different residential consumers; the proposed method increases the monthly savings of each consumer by reducing their electricity bill drastically along with minimizing the peak load on the system when time shiftable loads are handled by the proposed method.
• Abstract（参考訳）: 電力需要の増加と、今日の世界での本質的な性質は、エネルギー消費を減らすインテリジェントホームエネルギー管理システム(HEM)を求めている。 これは、エネルギー消費がピーク時からピーク時までの負荷をスケジューリングし、エネルギー消費が比較的低い日のオフピーク期間をゆるやかにすることで、システムのピーク負荷需要を減少させ、結果としてエネルギー請求額を少なくし、負荷需要プロファイルを改善することを含む。 本研究は,一度のインスタンスから別のインスタンスへ負荷をシフトする経験から学習し,ピーク負荷を最小化する学習システムを開発するための新しい手法を提案する。 本稿では、仮想エージェントが人間のようにタスクを学習する要求応答のための深層強化学習(DRL)モデルを提案する。 これらのフィードバックにより、エージェントは環境について学び、学習段階の後にずっとスマートなステップを踏むようになる。 本手法は,負荷ピーク低減のための混合整数線形計画法(MILP)の性能を向上した。 著者らはまた、消費者の電力料金と公共事業システムのピーク負荷を同時に最小化するエージェントを設計した。 提案手法は,電力料金を劇的に削減するとともに,時間シフト可能な負荷を提案手法で処理した場合のシステムのピーク負荷を最小化することにより,各消費者の月々の貯蓄量を増大させる。

関連論文リスト

• Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
  生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。 この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。 これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。 本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
  論文  参考訳（メタデータ） (2023-11-28T15:09:36Z)
• Transfer Learning in Transformer-Based Demand Forecasting For Home Energy Management System [4.573008040057806]
  複数の世帯からのデータを活用して、単一世帯の負荷予測を改善することで、トランスファーラーニングがいかに役立つかを分析する。 具体的には、複数の異なる世帯のデータを用いて高度な予測モデルをトレーニングし、限られたデータを持つ新しい家庭でこのグローバルモデルを微調整する。 得られたモデルは、次の24時間(日頭)の家庭の電力消費を15分間の時間分解能で予測するために使用される。
  論文  参考訳（メタデータ） (2023-10-29T21:19:08Z)
• Optimal Scheduling of Electric Vehicle Charging with Deep Reinforcement Learning considering End Users Flexibility [1.3812010983144802]
  本研究は、Deep Reinforcement Learning、より具体的にはDeep Q-Networks (DQN)を用いて、家庭のEVコスト削減課金政策を、タイム・オブ・ユース関税方式で識別することを目的とする。 新しいエンドユーザーフレキシビリティ・ポテンシャル報酬は、ソーラー発電の家庭がアルゴリズムの訓練とテストに使われている歴史的データ分析から推測される。
  論文  参考訳（メタデータ） (2023-10-13T12:07:36Z)
• Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
  生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。 地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。 本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:12:30Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• Optimal Load Scheduling Using Genetic Algorithm to Improve the Load Profile [0.0]
  遺伝的アルゴリズム(GA)はリアルタイム価格信号(RTP)を介して負荷をスケジュールするために使用される 総利用エネルギーコストとピークから平均比を削減し,負荷分布を改善することで,住宅用家電のスケジューリングに最適なソリューションがGAにあると結論付けた。
  論文  参考訳（メタデータ） (2021-10-14T04:47:17Z)
• Dynamic residential load scheduling based on an adaptive consumption level pricing scheme [0.0]
  適応消費水準(ACLPS)に基づく家電の最適スケジューリング手法としてDRLSを提案する。 提案する負荷スケジューリングシステムでは,省エネ化を実現するため,提案したDR料金体系の可利用消費許諾(CA)内でのエネルギー消費の管理が促進される。 ケーススタディでは, ACLPSに基づく住宅負荷スケジューリングシステムにより, 顧客はエネルギー料金を最大53%削減し, ピーク負荷を最大35%削減できる。
  論文  参考訳（メタデータ） (2020-07-23T11:14:39Z)
• Continuous Multiagent Control using Collective Behavior Entropy for Large-Scale Home Energy Management [36.82414045535202]
  大規模マイクログリッド上での微粒化制御を実現するために,連続的な動作空間を持つ集合MA-DRLアルゴリズムを提案する。 提案手法は,電力コスト削減と日次ピーク負荷最適化に関する最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-05-14T16:07:55Z)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。