論文の概要: Optimal activity and battery scheduling algorithm using load and solar generation forecasts

• arxiv url: http://arxiv.org/abs/2210.12990v1
• Date: Mon, 24 Oct 2022 07:26:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 21:45:16.092404
• Title: Optimal activity and battery scheduling algorithm using load and solar generation forecasts
• Title（参考訳）: 負荷・太陽光発電予測を用いた最適動作とバッテリースケジューリングアルゴリズム
• Authors: Yogesh Pipada Sunil Kumar, Rui Yuan, Nam Trong Dinh and S. Ali Pourmousavi
• Abstract要約: 5textsuperscriptth IEEE-CIS(IEEE Computational Intelligence Society)コンペティションは、建築活動のスケジューリングによる電力料金の引き下げという現実的な問題を提起した。 本稿では、太陽光発電と需要予測と最適スケジューリング問題に対処するための技術的シーケンスを提案し、そこでは、太陽光発電予測法と最適大学講義スケジューリングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Energy usage optimal scheduling has attracted great attention in the power system community, where various methodologies have been proposed. However, in real-world applications, the optimal scheduling problems require reliable energy forecasting, which is scarcely discussed as a joint solution to the scheduling problem. The 5\textsuperscript{th} IEEE Computational Intelligence Society (IEEE-CIS) competition raised a practical problem of decreasing the electricity bill by scheduling building activities, where forecasting the solar energy generation and building consumption is a necessity. To solve this problem, we propose a technical sequence for tackling the solar PV and demand forecast and optimal scheduling problems, where solar generation prediction methods and an optimal university lectures scheduling algorithm are proposed.
• Abstract（参考訳）: エネルギー利用の最適スケジューリングは、様々な手法が提案されている電力システムコミュニティにおいて大きな注目を集めている。 しかし、現実のアプリケーションでは、最適なスケジューリング問題は信頼できるエネルギー予測を必要とするため、スケジューリング問題のジョイントソリューションとしてはほとんど議論されていない。 5\textsuperscript{th} IEEEComputational Intelligence Society (IEEE-CIS)コンペティションは、太陽エネルギーの発生と建設消費の予測が不可欠である建築活動のスケジューリングによる電力料金の削減という実践的な問題を提起した。 そこで,本稿では,太陽光発電の予測手法と大学講義スケジューリングアルゴリズムを提案するため,太陽光発電と需要予測と最適スケジューリング問題に取り組むための技術シーケンスを提案する。

関連論文リスト

• Energy-Efficient Scheduling with Predictions [4.662349748983561]
  エネルギー効率のスケジューリングにおいて、オペレーティングシステムは、マシンがジョブを処理する速度を制御する。 学習強化アルゴリズムの最近の研究は、予測を利用して性能保証を改善することを目的としている。 所望のエネルギー効率スケジューリング問題に対して、オフラインとオンラインのアルゴリズムを入力として、フレキシブルな学習強化アルゴリズムフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-02-27T02:13:32Z)
• Learning-assisted Stochastic Capacity Expansion Planning: A Bayesian Optimization Approach [3.124884279860061]
  大規模容量拡大問題(CEP)は、地域エネルギーシステムのコスト効率の高い脱炭の中心である。 本稿では,2段階のCEPを抽出する学習支援近似解法を提案する。 本手法では, 直列集約法と比較して最大3.8%のコスト削減効果が得られた。
  論文  参考訳（メタデータ） (2024-01-19T01:40:58Z)
• Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
  生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。 地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。 本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:12:30Z)
• Real-time scheduling of renewable power systems through planning-based reinforcement learning [13.65517429683729]
  再生可能エネルギー源は 従来の電力スケジューリングに 重大な課題をもたらしています 強化学習の新たな発展は、この問題を解く可能性を実証している。 我々は、最先端の強化学習アルゴリズムと実電力グリッド環境に基づく体系的なソリューションを最初に提案する。
  論文  参考訳（メタデータ） (2023-03-09T12:19:20Z)
• Comparison and Evaluation of Methods for a Predict+Optimize Problem in Renewable Energy [42.00952788334554]
  本稿では2021年に開催されたIEEE-CIS Technical Challenge on Predict+ for Renewable Energy Schedulingについて述べる。 コンペティションにおける上位7つのソリューションの比較と評価を行う。 勝算法は異なるシナリオを予測し、サンプル平均近似法を用いて全てのシナリオに最適化した。
  論文  参考訳（メタデータ） (2022-12-21T02:34:12Z)
• Movement Penalized Bayesian Optimization with Application to Wind Energy Systems [84.7485307269572]
  文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。 この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。 標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
  論文  参考訳（メタデータ） (2022-10-14T20:19:32Z)
• Evolutionary scheduling of university activities based on consumption forecasts to minimise electricity costs [0.9449650062296824]
  本稿では,大学キャンパスの電力コスト削減を目標とする予測・最適化問題の解法を提案する。 提案手法は,多次元時系列予測と大規模最適化の新しいアプローチを組み合わせたものである。
  論文  参考訳（メタデータ） (2022-02-25T10:18:56Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)
• 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)

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。