論文の概要: Optimal Load Scheduling Using Genetic Algorithm to Improve the Load Profile

• arxiv url: http://arxiv.org/abs/2111.14634v1
• Date: Thu, 14 Oct 2021 04:47:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-11 12:02:22.918885
• Title: Optimal Load Scheduling Using Genetic Algorithm to Improve the Load Profile
• Title（参考訳）: 遺伝的アルゴリズムによる負荷プロファイル改善のための最適負荷スケジューリング
• Authors: Farhat Iqbal, Shafiq ur Rehman, Khawar Iqbal
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stability and protection of the electrical power systems are always of primary concern. Stability can be affected mostly by increase in the load demand. Power grids are overloaded in peak hours so more power generation units are required to cope the demand. Increase in power generation is not an optimal solution. With the enlargement in Smart grid (SG), it becomes easier to correlate the consumer demand and available power. The most significant featutre of smart grid is demand response (DR) which is used to match the demand of available electrical energy and shift the peak load into off peak hours to improve the economics of energy and stability of grid stations. Presently we used Genetic algorithm (GA) to schedule the load via real time pricing signal (RTP). Load is categorized depending on their energy requirement, operational constraint and duty cycle. We conclude that GA provides optimal solution for scheduling of house hold appliances by curtailing overall utilized energy cost and peak to average ratio hence improving the load profile.
• Abstract（参考訳）: 電力システムの安定性と保護は常に主要な関心事である。 安定性は、主に負荷の増加によって影響を受ける。 電力グリッドはピーク時に過負荷になるため、需要に対応するためにより多くの発電ユニットが必要である。 発電の増加は最適な解決策ではない。 スマートグリッド(SG)の拡大により、消費者の需要と利用可能な電力の相関がより簡単になる。 スマートグリッドの最も重要な成果は、利用可能な電気エネルギーの需要に合わせた需要応答(DR)であり、ピーク負荷をピーク時間からピーク時間にシフトして電力の経済性とグリッドステーションの安定性を改善するのに使用される。 現在,実時間価格信号(RTP)による負荷のスケジューリングにGA(Genematic Algorithm)を用いている。 負荷は、そのエネルギー要件、運用上の制約、およびデューティサイクルによって分類される。 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。

関連論文リスト

• 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)
• 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)
• A Reinforcement Learning Approach for Electric Vehicle Routing Problem with Vehicle-to-Grid Supply [2.6066825041242367]
  EVルーティングに強化学習(RL)を用いたQuikRouteFinderを提案する。 RLの結果は混合整数線形プログラム(MILP)と遺伝的アルゴリズム(GA)のメタヒューリスティックスに基づく正確な定式化と比較される。
  論文  参考訳（メタデータ） (2022-04-12T06:13:06Z)
• 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)
• 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)
• 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)
• 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)
• 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。