論文の概要: Distributed Deep Reinforcement Learning for Intelligent Load Scheduling
in Residential Smart Grids
- arxiv url: http://arxiv.org/abs/2006.16100v1
- Date: Mon, 29 Jun 2020 15:01:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 15:15:34.768168
- Title: Distributed Deep Reinforcement Learning for Intelligent Load Scheduling
in Residential Smart Grids
- Title（参考訳）: 住宅用スマートグリッドにおけるインテリジェント負荷スケジューリングのための分散深層強化学習
- Authors: Hwei-Ming Chung, Sabita Maharjan, Yan Zhang, and Frank Eliassen
- Abstract要約: 本研究では,不確実な要因に関する限られた情報を扱う世帯を対象としたモデルフリー手法を提案する。
次に、Pecan Street Inc.の現実世界のデータを使用します。
その結果,ピーク対平均比 (PAR) の約12%, 負荷分散の約11%の低減が達成できた。
- 参考スコア（独自算出の注目度）: 9.208362060870822
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The power consumption of households has been constantly growing over the
years. To cope with this growth, intelligent management of the consumption
profile of the households is necessary, such that the households can save the
electricity bills, and the stress to the power grid during peak hours can be
reduced. However, implementing such a method is challenging due to the
existence of randomness in the electricity price and the consumption of the
appliances. To address this challenge, we employ a model-free method for the
households which works with limited information about the uncertain factors.
More specifically, the interactions between households and the power grid can
be modeled as a non-cooperative stochastic game, where the electricity price is
viewed as a stochastic variable. To search for the Nash equilibrium (NE) of the
game, we adopt a method based on distributed deep reinforcement learning. Also,
the proposed method can preserve the privacy of the households. We then utilize
real-world data from Pecan Street Inc., which contains the power consumption
profile of more than 1; 000 households, to evaluate the performance of the
proposed method. In average, the results reveal that we can achieve around 12%
reduction on peak-to-average ratio (PAR) and 11% reduction on load variance.
With this approach, the operation cost of the power grid and the electricity
cost of the households can be reduced.
- Abstract（参考訳）: 家庭の電力消費は年々増え続けている。
この成長に対応するためには、家計の消費プロファイルのインテリジェントな管理が必要であり、家計は電気料金を節約でき、ピーク時の電力網へのストレスを低減できる。
しかし、電力価格の無作為性や家電製品の消費などにより、こうした方法の実施は困難である。
この課題に対処するために,不確実性に関する限られた情報を扱う世帯に対して,モデルフリー手法を適用する。
より具体的には、家庭と電力網の相互作用は非協調確率ゲームとしてモデル化することができ、そこでは電気価格が確率変数と見なされる。
ゲームのナッシュ均衡(NE)を探索するために,分散深部強化学習に基づく手法を採用する。
また,提案手法は,世帯のプライバシーを保護できる。
提案手法の性能を評価するために,1,000世帯以上の消費電力プロファイルを含むpecan street inc.の実世界データを利用する。
その結果,平均してピーク対平均比 (par) の約12%,負荷分散の11%の削減が可能となった。
このアプローチにより、電力グリッドの運用コストと世帯の電力コストを削減できる。
関連論文リスト
- 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) - Optimization of Residential Demand Response Program Cost with
Consideration for Occupants Thermal Comfort and Privacy [0.1259953341639576]
家庭用エネルギー管理システム(HEMS)は、空調設定点(AC)を自動的に調整し、一部の機器をオフピーク時間にシフトすることで、消費者のコストを削減する。
建物の居住状況では、直接感知はコストが高く、不正確で、住民にとって侵入的である。
シミュレーションの結果,不確実性を考慮するとコストが36%増加し,交流温度設定値が低下することが示唆された。
論文 参考訳（メタデータ） (2023-05-14T05:53:39Z) - Electricity Price Forecasting Model based on Gated Recurrent Units [0.0]
本稿では, Gated Recurrent Units に基づく電力価格予測モデルを提案する。
電力価格の騒音は分析の効率と効率を著しく低下させる。
提案手法は電力価格の予測に有効である。
論文 参考訳（メタデータ） (2022-07-28T16:49:03Z) - Predicting Levels of Household Electricity Consumption in Low-Access
Settings [0.05727060643816256]
我々は、実用紙幣のサンプルを用いて、昼間の電化衛星画像に対して畳み込みニューラルネットワーク(CNN)を訓練する。
ビルレベルでは, 競争力のある精度が達成できることを示し, 消費変動の課題に対処する。
結果は、ケニアの個々の構造レベルでの粒度の予測を通じて、すでにサイトの選択と配布レベルの計画に役立っている。
論文 参考訳（メタデータ） (2021-12-15T21:42:36Z) - The impact of online machine-learning methods on long-term investment
decisions and generator utilization in electricity markets [69.68068088508505]
電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。
最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。
また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
論文 参考訳（メタデータ） (2021-03-07T11:28:54Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳（メタデータ） (2021-02-16T16:56:27Z) - Bayesian model of electrical heating disaggregation [68.8204255655161]
スマートメーターの採用は、ヨーロッパのスマートエネルギーへの移行における大きなマイルストーンである。
フランスの住宅セクターは電力消費の35%$approx$35%、電気暖房による世帯の40%$approx$40%(INSEE)である。
Linkyの展開するスマートメーターの数は2021年に3500万に達する見込みだ。
論文 参考訳（メタデータ） (2020-11-11T10:05:15Z) - A Multi-Agent Deep Reinforcement Learning Approach for a Distributed
Energy Marketplace in Smart Grids [58.666456917115056]
本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。
提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
論文 参考訳（メタデータ） (2020-09-23T02:17:51Z) - Intelligent Residential Energy Management System using Deep
Reinforcement Learning [5.532477732693001]
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。
論文 参考訳（メタデータ） (2020-05-28T19:51:22Z) - 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) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
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。