論文の概要: Smart Home Energy Management: Sequence-to-Sequence Load Forecasting and Q-Learning

• arxiv url: http://arxiv.org/abs/2109.12440v1
• Date: Sat, 25 Sep 2021 21:35:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 15:05:51.867963
• Title: Smart Home Energy Management: Sequence-to-Sequence Load Forecasting and Q-Learning
• Title（参考訳）: スマートホームエネルギー管理:シーケンスからシーケンスへの負荷予測とq-learning
• Authors: Mina Razghandi, Hao Zhou, Melike Erol-Kantarci, Damla Turgut
• Abstract要約: スマートホームエネルギー管理システム(HEMS)は、顧客のエネルギーコスト削減に寄与することができる。 HEMSはエネルギー生成と消費の両方のパターンの不確実性に悩まされている。 本稿では,強化学習に基づくHEMS制御とともに,シークエンス・トゥ・シーケンス(Seq2Seq)学習に基づく供給と負荷予測を提案する。
• 参考スコア（独自算出の注目度）: 14.223968452923945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A smart home energy management system (HEMS) can contribute towards reducing the energy costs of customers; however, HEMS suffers from uncertainty in both energy generation and consumption patterns. In this paper, we propose a sequence to sequence (Seq2Seq) learning-based supply and load prediction along with reinforcement learning-based HEMS control. We investigate how the prediction method affects the HEMS operation. First, we use Seq2Seq learning to predict photovoltaic (PV) power and home devices' load. We then apply Q-learning for offline optimization of HEMS based on the prediction results. Finally, we test the online performance of the trained Q-learning scheme with actual PV and load data. The Seq2Seq learning is compared with VARMA, SVR, and LSTM in both prediction and operation levels. The simulation results show that Seq2Seq performs better with a lower prediction error and online operation performance.
• Abstract（参考訳）: スマートホームエネルギー管理システム(HEMS)は,顧客のエネルギーコスト削減に寄与するが,エネルギー生成と消費パターンの両面で不確実性に悩まされる。 本稿では,強化学習に基づくhems制御とともに,シーケンストシーケンス(seq2seq)学習に基づく供給と負荷予測を提案する。 本手法がHEMS動作に与える影響について検討する。 まず、seq2seq学習を用いて、太陽光発電(pv)電力と家庭機器の負荷を予測する。 次に、予測結果に基づいてHEMSのオフライン最適化にQ-learningを適用する。 最後に、訓練されたQ-ラーニングスキームのオンライン性能を実際のPVと負荷データで検証する。 Seq2Seq学習は、予測レベルと操作レベルの両方において、VARMA、SVR、LSTMと比較される。 シミュレーションの結果,seq2seqは予測誤差が低く,オンライン操作性能が向上した。

関連論文リスト

• Comparative Analysis of Machine Learning Algorithms for Solar Irradiance Forecasting in Smart Grids [0.0]
  本研究では,ランダムフォレスト,エクストリームグラディエントブースティング(XGBoost),ライトグラディエントブーストマシン(ライトGBM)アンサンブル,キャットブースト,マルチレイヤパーセプトロンニューラルネットワーク(MLP-ANN)などの次世代機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-20T19:52:37Z)
• Smart Home Energy Management: VAE-GAN synthetic dataset generator and Q-learning [15.995891934245334]
  本稿では,スマートホームにおけるエネルギー消費に関する時系列データを生成するための,変分自動エンコーダ生成対向ネットワーク(VAE-GAN)手法を提案する。 実世界のスマートホームデータを用いて,Qラーニングに基づくHEMSのオンラインパフォーマンスを検証した。
  論文  参考訳（メタデータ） (2023-05-14T22:22:16Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• A Dynamic Feedforward Control Strategy for Energy-efficient Building System Operation [59.56144813928478]
  現在の制御戦略と最適化アルゴリズムでは、そのほとんどはリアルタイムフィードバックから情報を受け取ることに依存している。 本稿では,システム制御のためのシステム特性を同時に構築することによる,ダイナミックな事前知識を組み込む,エンジニアフレンドリな制御戦略フレームワークを提案する。 典型的な制御戦略でシステム制御を加熱するケースでテストしたところ、我々のフレームワークは15%の省エネ性を持っていることがわかった。
  論文  参考訳（メタデータ） (2023-01-23T09:07:07Z)
• Transformers for prompt-level EMA non-response prediction [62.41658786277712]
  エコロジー・モメンタリー・アセスメント(Ecological Momentary Assessments、EMA)は、認知状態、影響、行動、環境要因を測定するための重要な心理的データ源である。 参加者がEMAプロンプトに反応しない非応答は、内因性問題である。 非応答を正確に予測できる能力は、EMAのデリバリを改善し、コンプライアンスの介入を開発するために利用することができる。
  論文  参考訳（メタデータ） (2021-11-01T18:38:47Z)
• Online Target Q-learning with Reverse Experience Replay: Efficiently finding the Optimal Policy for Linear MDPs [50.75812033462294]
  我々は,Q-ラーニングの実践的成功と悲観的理論的結果とのギャップを埋める。 本稿では,新しいQ-Rex法とQ-RexDaReを提案する。 Q-Rex は線形 MDP の最適ポリシを効率的に見つけることができる。
  論文  参考訳（メタデータ） (2021-10-16T01:47:41Z)
• Demand Forecasting in Smart Grid Using Long Short-Term Memory [0.0]
  Long Short-Term Memory (LSTM) は時系列データの予測において有望な結果を示す。 本稿では、ニューラルネットワークアーキテクチャを用いたLSTMに基づくモデルを提案し、電力需要を予測する。
  論文  参考訳（メタデータ） (2021-07-28T21:45:54Z)
• Short-Term Load Forecasting for Smart HomeAppliances with Sequence to Sequence Learning [14.223968452923945]
  本稿では,LSTMに基づくシーケンス・ツー・シーケンス(seq2seq)学習モデルを提案する。 提案手法を,VARMA,Dilated One dimensional Convolutional Neural Network,LSTMモデルという3つの手法と比較した。 その結果,LSTMをベースとしたSeq2seqモデルは,ほとんどの場合,予測誤差の点で他の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-06-26T02:21:36Z)
• Correlated Deep Q-learning based Microgrid Energy Management [12.013067383415747]
  本稿ではMGエネルギー管理のための相関型深層Q-learning(CDQN)手法を提案する。 それぞれの電気実体は、ニューラルネットワークを持ち、自身のQ値を予測するエージェントとしてモデル化され、その後、相関したQ平衡を用いてエージェントを協調する。 シミュレーションの結果、ESSエージェントと太陽光発電(PV)エージェントの利益は、それぞれ40.9%と9.62%である。
  論文  参考訳（メタデータ） (2021-03-06T16:43:18Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)
• Anticipating the Long-Term Effect of Online Learning in Control [75.6527644813815]
  AntLerは、学習を予想する学習ベースの制御法則の設計アルゴリズムである。 AntLer は確率 1 と任意に最適な解を近似することを示す。
  論文  参考訳（メタデータ） (2020-07-24T07:00:14Z)

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。