論文の概要: Prospect Theory-inspired Automated P2P Energy Trading with
Q-learning-based Dynamic Pricing
- arxiv url: http://arxiv.org/abs/2208.12777v1
- Date: Fri, 26 Aug 2022 16:45:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 12:27:12.774961
- Title: Prospect Theory-inspired Automated P2P Energy Trading with
Q-learning-based Dynamic Pricing
- Title（参考訳）: Qラーニングに基づく動的価格設定によるP2Pエネルギー自動取引の展望
- Authors: Ashutosh Timilsina, Simone Silvestri
- Abstract要約: 本稿では,ユーザの認識を考慮に入れたP2P自動エネルギー市場を設計する。
本稿では,Q-bプライシングとリスクセンシティブ(PQR)という,リスクに敏感なQ-ラーニング機構を導入する。
エネルギー消費と生産の実際の痕跡と現実的な予測理論関数に基づく結果から,提案手法は購入者にとって26%高い評価値が得られることが示された。
- 参考スコア（独自算出の注目度）: 2.2463154358632473
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The widespread adoption of distributed energy resources, and the advent of
smart grid technologies, have allowed traditionally passive power system users
to become actively involved in energy trading. Recognizing the fact that the
traditional centralized grid-driven energy markets offer minimal profitability
to these users, recent research has shifted focus towards decentralized
peer-to-peer (P2P) energy markets. In these markets, users trade energy with
each other, with higher benefits than buying or selling to the grid. However,
most researches in P2P energy trading largely overlook the user perception in
the trading process, assuming constant availability, participation, and full
compliance. As a result, these approaches may result in negative attitudes and
reduced engagement over time. In this paper, we design an automated P2P energy
market that takes user perception into account. We employ prospect theory to
model the user perception and formulate an optimization framework to maximize
the buyer's perception while matching demand and production. Given the
non-linear and non-convex nature of the optimization problem, we propose
Differential Evolution-based Algorithm for Trading Energy called DEbATE.
Additionally, we introduce a risk-sensitive Q-learning algorithm, named Pricing
mechanism with Q-learning and Risk-sensitivity (PQR), which learns the optimal
price for sellers considering their perceived utility. Results based on real
traces of energy consumption and production, as well as realistic prospect
theory functions, show that our approach achieves a 26% higher perceived value
for buyers and generates 7% more reward for sellers, compared to a recent state
of the art approach.
- Abstract（参考訳）: 分散エネルギー資源の普及とスマートグリッド技術の出現により、従来の受動的電力システム利用者はエネルギー取引に積極的に関与するようになった。
従来の中央集権的グリッド駆動型エネルギー市場は、これらのユーザにとって利益が最小限であるという事実を認識し、最近の研究は、分散ピアツーピア(P2P)エネルギー市場へと焦点を移している。
これらの市場では、ユーザーは互いにエネルギーを交換し、グリッドへの売買よりも高い利益を享受する。
しかし、p2pエネルギー取引のほとんどの研究は、常に可用性、参加、完全なコンプライアンスを前提として、取引プロセスにおけるユーザの認識をほとんど見落としている。
その結果、これらのアプローチはネガティブな態度をもたらし、時間の経過とともにエンゲージメントを減少させる可能性がある。
本稿では,ユーザの認識を考慮に入れたP2P自動エネルギー市場を設計する。
ユーザ認識をモデル化し,需要と生産を充足しながら購入者の知覚を最大化するために最適化枠組みを定式化する。
最適化問題の非線形および非凸の性質を考慮し,DEbATEと呼ばれる取引エネルギーの微分進化に基づくアルゴリズムを提案する。
さらに,q-learning and risk-sensitivity (pqr) を組み込んだ価格設定機構であるリスクに敏感なq-learningアルゴリズムを導入する。
実際のエネルギー消費と生産の痕跡と現実的な予測理論関数に基づく結果から,近年のアートアプローチと比較して,購入者に対する認識価値は26%高く,販売者に対する報酬は7%増加した。
関連論文リスト
- Evaluating the Impact of Multiple DER Aggregators on Wholesale Energy Markets: A Hybrid Mean Field Approach [2.0535683313855055]
地域エネルギー市場への分散エネルギー資源の統合は、グリッドの柔軟性を大幅に向上させ、市場効率を向上し、より持続可能なエネルギーの未来に貢献することができる。
我々は、複数のDERアグリゲータを特徴とする市場モデルについて検討し、それぞれがDERリソースのポートフォリオを制御し、DER資産所有者に代わって市場への入札を行う。
本稿では,MFGフレームワーク内で各エージェントが最適な戦略を学習し,市場状況や不確実性に適応する能力を向上させるための強化学習(RL)手法を提案する。
論文 参考訳（メタデータ） (2024-08-27T14:56:28Z) - Peer-to-Peer Energy Trading of Solar and Energy Storage: A Networked Multiagent Reinforcement Learning Approach [5.671124014371425]
我々は,ソーラーPVとエネルギー貯蔵資源の消費者の入札と管理を自動化するために,マルチエージェント強化学習(MARL)フレームワークを提案する。
我々は、MARLフレームワークが物理的ネットワーク制約を統合して電圧制御を実現し、P2Pエネルギートレーディングの物理的実現性を確保する方法を示す。
論文 参考訳（メタデータ） (2024-01-25T05:05:55Z) - Decentralized Energy Marketplace via NFTs and AI-based Agents [4.149465156450793]
ブロックチェーン技術と人工知能を統合した先進的な分散エネルギー市場(DEM)を紹介する。
提案フレームワークは, 透明でセキュアな取引環境において, ユニークなエネルギープロファイルを表現するために, 非Fungible Tokens (NFTs) を用いている。
注目すべきイノベーションは、スマートコントラクトの使用であり、エネルギー取引における高い効率性と整合性を保証する。
論文 参考訳（メタデータ） (2023-11-17T09:15:43Z) - Energy Pricing in P2P Energy Systems Using Reinforcement Learning [36.244907785240876]
消費者側の再生可能エネルギーの増加は、エネルギーグリッドの新たなダイナミクスに取って代わる。
このようなシナリオでは、分散再生可能エネルギー発生器の性質とエネルギー消費は、エネルギーの購入と販売の公正価格を定義する複雑さを増大させる。
我々は,マイクログリッドのすべてのコンポーネントの利益を最大化する価格を設定するためにエージェントを訓練することにより,この問題を解決するための強化学習フレームワークを導入する。
論文 参考訳（メタデータ） (2022-10-24T19:21:10Z) - Applications of blockchain and artificial intelligence technologies for
enabling prosumers in smart grids: A review [12.609078866334615]
政府は再生可能エネルギー資源のシェア拡大を目標としている。
本稿では、消費者がエネルギー市場に参加するのを容易にするために、ブロックチェーンとAIをスマートグリッドに組み込む方法について論じる。
論文 参考訳（メタデータ） (2022-02-21T10:27:31Z) - 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) - Challenges and Prospects of Negawatt Trading in Light of Recent
Technological Developments [69.98112767404695]
我々は最近の技術進歩を踏まえて、ネガワット取引の課題と展望を概観する。
グリッドインタラクティブな建物と分散台帳技術は、アクティブな参加と公正な価格を保証する。
論文 参考訳（メタデータ） (2020-07-16T13:41:14Z) - A Deep Reinforcement Learning Framework for Continuous Intraday Market
Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。
欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。
本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。
その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文 参考訳（メタデータ） (2020-04-13T13:50:13Z) - Towards a Peer-to-Peer Energy Market: an Overview [68.8204255655161]
本研究は, 電力市場を中心に, 現状と, プロシューマーによる分散型自己生成能力の増大傾向を比較した。
我々はP2P(Peer-to-Peer)エネルギー市場のための潜在的多層アーキテクチャを導入し、マイクログリッドの一部として、地域生産と地域消費の基本的な側面について議論する。
読者に全体像を示すため、スマートコントラクトやグリッド安定性といったエネルギー取引の関連要素についても精査する。
論文 参考訳（メタデータ） (2020-03-02T20:32:10Z) - 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。