論文の概要: Graph Representation Learning for Energy Demand Data: Application to
Joint Energy System Planning under Emissions Constraints
- arxiv url: http://arxiv.org/abs/2209.12035v1
- Date: Sat, 24 Sep 2022 15:38:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 18:30:12.094959
- Title: Graph Representation Learning for Energy Demand Data: Application to
Joint Energy System Planning under Emissions Constraints
- Title（参考訳）: エネルギー需要データのためのグラフ表現学習:排出制約下の共同エネルギーシステム計画への適用
- Authors: Aron Brenner, Rahman Khorramfar, Dharik Mallapragada, Saurabh Amin
- Abstract要約: 本稿では,複数時間分解能エネルギーシステム(GAMES)のためのグラフオートエンコーダを提案する。
ニューイングランドの合体電力-NGシステムにおけるジェネレーション伝送拡張問題(GTEP)の解法の有効性を評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A rapid transformation of current electric power and natural gas (NG)
infrastructure is imperative to meet the mid-century goal of CO2 emissions
reduction requires. This necessitates a long-term planning of the joint
power-NG system under representative demand and supply patterns, operational
constraints, and policy considerations. Our work is motivated by the
computational and practical challenges associated with solving the generation
and transmission expansion problem (GTEP) for joint planning of power-NG
systems. Specifically, we focus on efficiently extracting a set of
representative days from power and NG data in respective networks and using
this set to reduce the computational burden required to solve the GTEP. We
propose a Graph Autoencoder for Multiple time resolution Energy Systems (GAMES)
to capture the spatio-temporal demand patterns in interdependent networks and
account for differences in the temporal resolution of available data. The
resulting embeddings are used in a clustering algorithm to select
representative days. We evaluate the effectiveness of our approach in solving a
GTEP formulation calibrated for the joint power-NG system in New England. This
formulation accounts for the physical interdependencies between power and NG
systems, including the joint emissions constraint. Our results show that the
set of representative days obtained from GAMES not only allows us to tractably
solve the GTEP formulation, but also achieves a lower cost of implementing the
joint planning decisions.
- Abstract（参考訳）: 現在の電力と天然ガス(NG)インフラの急速な転換は、CO2排出量削減の19世紀半ばの目標を満たすために不可欠である。
これは、代表的需給パターン、運用上の制約、政策上の考慮の下での長期計画を必要とする。
本研究は,GTEP (Generation and Transmission expansion problem) の計算・実践的課題に動機付けられている。
具体的には、各ネットワークにおける電力とNGデータから代表日の集合を効率的に抽出し、この集合を用いてGTEPの解決に必要な計算負担を削減する。
本研究では,多時間分解能エネルギーシステム(games)のためのグラフ自動エンコーダを提案する。
結果として得られる埋め込みは、クラスタリングアルゴリズムで代表日を選択するために使用される。
ニューイングランドの合体電力-NGシステムで校正されたGTEPの定式化を解く上でのアプローチの有効性を評価した。
この定式化は、共同排出制限を含む、電力とNGシステムの物理的相互依存性を説明できる。
以上の結果から, GAMES から得られた代表日数は GTEP の定式化を円滑に解決するだけでなく, 共同計画決定の実施コストの低減を図っている。
関連論文リスト
- Distributed Management of Fluctuating Energy Resources in Dynamic Networked Systems [3.716849174391564]
本稿では,複数のDERからなるシステムにおけるエネルギー共有問題について検討する。
我々はこの問題を,各ノードのエネルギー生産限界に対応する制約付き帯域凸最適化問題としてモデル化する。
そこで我々は, 動的後悔という概念をパフォーマンス指標として活用する, 定式化問題を解決するために, 分散意思決定ポリシーを提案する。
論文 参考訳（メタデータ） (2024-05-29T11:54:11Z) - Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。
最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-02T01:36:13Z) - Digital Twin-Empowered Task Assignment in Aerial MEC Network: A Resource Coalition Cooperation Approach with Generative Model [9.940103355548375]
本稿では,航空移動エッジコンピューティングネットワークにデジタルツイン(DT)を導入し,資源連携協力手法について検討する。
具体的には,アプリケーションプレーン,物理プレーン,仮想プレーンで構成される新しいネットワークフレームワークを提案する。
提案手法の有効性を,エネルギー消費と資源利用の観点から検証した。
論文 参考訳（メタデータ） (2024-03-18T02:28:10Z) - ORIENT: A Priority-Aware Energy-Efficient Approach for Latency-Sensitive
Applications in 6G [15.753216159980434]
コンピューティングとネットワークにおけるエネルギー消費の増加に関する懸念が高まっている。
接続デバイスとリソース需要アプリケーションの増加は、エネルギー資源に対する前例のない課題を呈している。
PIRAと呼ばれるサービスインスタンス配置・割り当て・経路選択・要求優先順位付けの連立問題について検討する。
論文 参考訳（メタデータ） (2024-02-10T12:05:52Z) - A Safe Genetic Algorithm Approach for Energy Efficient Federated
Learning in Wireless Communication Networks [53.561797148529664]
フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。
FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。
現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
論文 参考訳（メタデータ） (2023-06-25T13:10:38Z) - Joint Energy Dispatch and Unit Commitment in Microgrids Based on Deep
Reinforcement Learning [6.708717040312532]
本稿では,統合エネルギー派遣(ED)と単位コミットメント(UC)を分離したマイクログリッドで決定するための最適な政策を学習するために,深部強化学習(DRL)を適用した。
本稿では、2つの古典的DRLアルゴリズムをシームレスに統合するDRLアルゴリズム,すなわちハイブリッドアクション有限水平DDPG(HAFH-DDPG)を提案する。
ディーゼル発電機(DG)選択戦略を提示し、このアルゴリズムの計算複雑性を低減するため、簡易な動作空間をサポートする。
論文 参考訳（メタデータ） (2022-06-03T16:22:03Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Sliding Differential Evolution Scheduling for Federated Learning in
Bandwidth-Limited Networks [23.361422744588978]
省エネユーザ機器(UE)を用いた帯域幅制限ネットワークにおけるフェデレーション学習(FL)について検討する。
本稿では,電力制限されたUEが消費するエネルギーを節約し,帯域幅制限ネットワークに対するFLにおけるグローバルモデルの収束を加速する,スライディング微分進化型スケジューリング(SDES)ポリシーを提案する。
論文 参考訳（メタデータ） (2020-10-18T14:08:24Z) - 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) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。