論文の概要: Decentralized and Privacy-Preserving Learning of Approximate Stackelberg
Solutions in Energy Trading Games with Demand Response Aggregators
- arxiv url: http://arxiv.org/abs/2304.02086v2
- Date: Thu, 21 Dec 2023 21:47:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 18:56:52.912042
- Title: Decentralized and Privacy-Preserving Learning of Approximate Stackelberg
Solutions in Energy Trading Games with Demand Response Aggregators
- Title（参考訳）: 需要応答アグリゲータを用いたエネルギー取引ゲームにおける近似stackelberg解の分散・プライバシー保存学習
- Authors: Styliani I. Kampezidou, Justin Romberg, Kyriakos G. Vamvoudakis, and
Dimitri N. Mavris
- Abstract要約: 需要応答アグリゲータとプロシューマーの間でエネルギーを双方向に交換する新しいStackelbergゲーム理論フレームワークが提案されている。
この定式化により、フレキシブルなエネルギー仲裁と追加の金銭的報酬が可能となり、消費者の望む日々のエネルギー需要が満たされることが保証される。
- 参考スコア（独自算出の注目度）: 11.848311235517407
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, a novel Stackelberg game theoretic framework is proposed for
trading energy bidirectionally between the demand-response (DR) aggregator and
the prosumers. This formulation allows for flexible energy arbitrage and
additional monetary rewards while ensuring that the prosumers' desired daily
energy demand is met. Then, a scalable (linear with the number of prosumers),
decentralized, privacy-preserving algorithm is proposed to find approximate
equilibria with online sampling and learning of the prosumers' cumulative best
response, which finds applications beyond this energy game. Moreover, cost
bounds are provided on the quality of the approximate equilibrium solution.
Finally, real data from the California day-ahead market and the UC Davis campus
building energy demands are utilized to demonstrate the efficacy of the
proposed framework and algorithm.
- Abstract（参考訳）: 本研究では,需要応答(DR)アグリゲータと代入者の間でエネルギーを双方向に交換する新たなゲーム理論フレームワークを提案する。
この定式化により、フレキシブルなエネルギー仲裁と追加の金銭的報酬が可能となり、消費者の望む日々のエネルギー需要が満たされることが保証される。
そこで,このエネルギーゲーム以外の応用を見出す,オンラインサンプリングと累積ベストレスポンスの学習による近似平衡を求めるために,分散プライバシ保存アルゴリズムを用いたスケーラブルな手法を提案する。
さらに、近似平衡解の品質に基づいてコスト境界を設ける。
最後に、カリフォルニアの日頭市場とカリフォルニア大学デービス校キャンパスのエネルギー需要の実際のデータを用いて、提案したフレームワークとアルゴリズムの有効性を実証する。
関連論文リスト
- Formalizing, Normalizing, and Splitting the Energy Network Re-Dispatch for Quantum Annealing [37.81697222352684]
断熱量子計算(AQC)は、量子系の基底状態を近似するための確立された方法である。
本研究では,エネルギーネットワーク再ディスパッチ問題における課題について検討する。
本結果は,オープンソースのエネルギーネットワークシミュレーションのベースラインと比較した。
論文 参考訳（メタデータ） (2024-09-15T20:29:40Z) - Stochastic MPC for energy hubs using data driven demand forecasting [4.033600628443366]
エネルギーハブは、複数の変換および記憶部品を介して異なるエネルギー入力を組み合わせることでエネルギー資源を変換し、分配する。
エネルギーハブの最適操作は、その柔軟性を利用してエネルギー効率を高め、運用コストを削減する。
本稿では,不確実な電力需要と熱需要に対するリスク制約を用いて,エネルギーコストを最小化するMPCコントローラを提案する。
論文 参考訳（メタデータ） (2023-04-24T20:24:07Z) - 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) - An Energy and Carbon Footprint Analysis of Distributed and Federated
Learning [42.37180749113699]
古典的で中央集権的な人工知能(AI)手法では、生産者(センサー、マシン)からエネルギー空腹のデータセンターへデータを移動する必要がある。
このような高エネルギーコストを緩和する新たな代替手段は、デバイス間で学習タスクを効率的に分散またはフェデレートすることを提案している。
本稿では,分散学習におけるエネルギーおよび炭素フットプリントの分析のための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2022-06-21T13:28:49Z) - Learning based E2E Energy Efficient in Joint Radio and NFV Resource
Allocation for 5G and Beyond Networks [21.60295771932728]
無線部に電力とスペクトル資源を割り当てる最適化問題を定式化する。
コア部では、すべてのユーザの効率を確保するために、関数の連鎖、配置、スケジューリングを行う。
次に、最大エントロピーフレームワークに基づくソフトアクター・クリティカル・ディープラーニング(SAC-DRL)アルゴリズムを用いて、上記のMDPを解く。
論文 参考訳（メタデータ） (2021-07-13T11:19:48Z) - Data-driven battery operation for energy arbitrage using rainbow deep
reinforcement learning [1.8175650854482457]
モデルフリーの深部強化学習アルゴリズムであるRainbow Deep Q-Networksは、小さなマイクログリッドのバッテリーを制御するために使用される。
このグリッドは、キール大学で収集されたデータセットに基づいて、独自の需要と再生可能世代で運用されている。
論文 参考訳（メタデータ） (2021-06-10T21:27:35Z) - 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) - 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) - 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) - 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。