論文の概要: Data-Driven Online Interactive Bidding Strategy for Demand Response

• arxiv url: http://arxiv.org/abs/2202.04236v1
• Date: Wed, 9 Feb 2022 02:44:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 00:57:10.679002
• Title: Data-Driven Online Interactive Bidding Strategy for Demand Response
• Title（参考訳）: 需要応答のためのデータ駆動型オンラインインタラクティブ入札戦略
• Authors: Kuan-Cheng Lee, Hong-Tzer Yang, and Wenjun Tang
• Abstract要約: 需要応答(DR)は、ピークシェービングのサービスを提供し、短い応答期間と低コストで再生可能エネルギー利用の効率を高める。 自動DR、インセンティブDR、緊急DR、需要入札など、さまざまなカテゴリーのDRが確立されている。 本稿では,スマートメーターデータと関数を併用した入札・購買戦略について検討する。 その結果, 多様な状況に直面した場合, 提案モデルでは, 入札ルールをオフラインで学習し, 適切な入札を行うことにより, 最適利益を得ることができることがわかった。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Demand response (DR), as one of the important energy resources in the future's grid, provides the services of peak shaving, enhancing the efficiency of renewable energy utilization with a short response period, and low cost. Various categories of DR are established, e.g. automated DR, incentive DR, emergency DR, and demand bidding. However, with the practical issue of the unawareness of residential and commercial consumers' utility models, the researches about demand bidding aggregator involved in the electricity market are just at the beginning stage. For this issue, the bidding price and bidding quantity are two required decision variables while considering the uncertainties due to the market and participants. In this paper, we determine the bidding and purchasing strategy simultaneously employing the smart meter data and functions. A two-agent deep deterministic policy gradient method is developed to optimize the decisions through learning historical bidding experiences. The online learning further utilizes the daily newest bidding experience attained to ensure trend tracing and self-adaptation. Two environment simulators are adopted for testifying the robustness of the model. The results prove that when facing diverse situations the proposed model can earn the optimal profit via off/online learning the bidding rules and robustly making the proper bid.
• Abstract（参考訳）: 需要対応(dr)は、将来のグリッドにおける重要なエネルギー資源の1つであり、ピークシェービングのサービスを提供し、短い応答期間と低コストで再生可能エネルギー利用の効率を向上させる。 自動DR、インセンティブDR、緊急DR、需要入札など、さまざまなカテゴリーのDRが確立されている。 しかし、住宅・商業消費者のユーティリティモデルの無意識が現実的な問題となっていることから、電力市場に関わる需要入札アグリゲータに関する研究はごく初期段階にある。 この問題に関して、入札価格と入札金額は、市場と参加者による不確実性を考慮して、2つの必要な決定変数である。 本稿では,スマートメータのデータと機能を用いて,入札と購入の戦略を同時に決定する。 過去の入札経験を学習することで決定を最適化するために,2エージェントの深い決定論的政策勾配法を開発した。 オンライン学習は、トレンドトレースと自己適応を保証するために、日々の最新の入札体験をさらに活用する。 2つの環境シミュレータを用いてモデルの堅牢性を検証する。 その結果、多様な状況に直面した場合、提案モデルは入札ルールをオフライン/オンライン学習し、適切な入札を行うことによって最適な利益を得ることができる。

関連論文リスト

• Energy Storage Arbitrage in Two-settlement Markets: A Transformer-Based Approach [0.0]
  本稿では,日頭およびリアルタイム市場におけるエネルギー貯蔵の入札モデルについて述べる。 統合された2段階入札においては、リアルタイム入札は日頭決済とは独立であり、日頭入札は予測されたリアルタイム価格に基づいて行われるべきであることを示す。
  論文  参考訳（メタデータ） (2024-04-26T20:25:05Z)
• A Bargaining-based Approach for Feature Trading in Vertical Federated Learning [54.51890573369637]
  本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。 当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
  論文  参考訳（メタデータ） (2024-02-23T10:21:07Z)
• Insurance pricing on price comparison websites via reinforcement learning [7.023335262537794]
  本稿では,モデルベースとモデルフリーの手法を統合することで,最適価格政策を学習する強化学習フレームワークを提案する。 また、オフラインデータセットを一貫した方法で価格ポリシーを評価することの重要性を強調した。
  論文  参考訳（メタデータ） (2023-08-14T04:44:56Z)
• Equitable Time-Varying Pricing Tariff Design: A Joint Learning and Optimization Approach [0.0]
  時変価格の関税は、消費者に電力需要のシフトとコスト削減を動機付けるが、応答能力に制限のある消費者のエネルギー負担を増大させる可能性がある。 本稿では,適切な時間変動関税を設計するための共同学習に基づく識別と最適化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-26T20:14:23Z)
• Dual policy as self-model for planning [71.73710074424511]
  エージェントの自己モデルとして決定をシミュレートするために使用されるモデルについて述べる。 現在の強化学習アプローチと神経科学にインスパイアされた我々は、蒸留政策ネットワークを自己モデルとして利用することの利点と限界を探求する。
  論文  参考訳（メタデータ） (2023-06-07T13:58:45Z)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• Adaptive Risk-Aware Bidding with Budget Constraint in Display Advertising [47.14651340748015]
  本稿では,強化学習による予算制約を考慮した適応型リスク対応入札アルゴリズムを提案する。 リスク・アット・バリュー(VaR)に基づく不確実性とリスク傾向の本質的関係を理論的に明らかにする。
  論文  参考訳（メタデータ） (2022-12-06T18:50:09Z)
• An Artificial Intelligence Framework for Bidding Optimization with Uncertainty inMultiple Frequency Reserve Markets [0.32622301272834525]
  周波数プリザーブは、電力グリッドの周波数偏差に反応するために、電力生産または消費をリアルタイムで調整するリソースです。 多段階市場における価格ピークを生かした入札戦略を3つ提案する。 また、これらの3つの戦略を実装するAIベースの入札最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T12:04:29Z)
• Demand Responsive Dynamic Pricing Framework for Prosumer Dominated Microgrids using Multiagent Reinforcement Learning [59.28219519916883]
  本稿では,実時間価格(RTP)DR技術を実装したマルチエージェント強化学習に基づく意思決定環境を提案する。 提案手法は,従来のDR法に共通するいくつかの欠点に対処し,グリッド演算子とプロシューマーに大きな経済的利益をもたらす。
  論文  参考訳（メタデータ） (2020-09-23T01:44:57Z)
• MoTiAC: Multi-Objective Actor-Critics for Real-Time Bidding [47.555870679348416]
  そこで本研究では,MoTiACというマルチエクティブ・アクタ・クリティカルスアルゴリズムを提案する。 従来のRLモデルとは異なり、提案されたMoTiACは複雑な入札環境で同時に多目的タスクを達成できる。
  論文  参考訳（メタデータ） (2020-02-18T07:16:39Z)

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。