論文の概要: A Federated learning model for Electric Energy management using
Blockchain Technology
- arxiv url: http://arxiv.org/abs/2307.09080v1
- Date: Tue, 18 Jul 2023 09:00:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 15:32:23.914504
- Title: A Federated learning model for Electric Energy management using
Blockchain Technology
- Title（参考訳）: ブロックチェーン技術を用いたエネルギー管理のためのフェデレーション学習モデル
- Authors: Muhammad Shoaib Farooq, Azeen Ahmed Hayat
- Abstract要約: エネルギー不足と電力負荷の削減が発展途上国の主な問題である。
エネルギー管理の改善と再生可能エネルギーの利用は、エネルギー危機の解決に重要である。
化石燃料の高価格によるエネルギー需要の増大に対応するため, 再生可能エネルギー源の利用を増加させる必要がある。
- 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 shortfall and electricity load shedding are the main problems for
developing countries. The main causes are lack of management in the energy
sector and the use of non-renewable energy sources. The improved energy
management and use of renewable sources can be significant to resolve energy
crisis. It is necessary to increase the use of renewable energy sources (RESs)
to meet the increasing energy demand due to high prices of fossil-fuel based
energy. Federated learning (FL) is the most emerging technique in the field of
artificial intelligence. Federated learning helps to generate global model at
server side by ensemble locally trained models at remote edges sites while
preserving data privacy. The global model used to predict energy demand to
satisfy the needs of consumers. In this article, we have proposed Blockchain
based safe distributed ledger technology for transaction of data between
prosumer and consumer to ensure their transparency, traceability and security.
Furthermore, we have also proposed a Federated learning model to forecast the
energy requirements of consumer and prosumer. Moreover, Blockchain has been
used to store excess energy data from prosumer for better management of energy
between prosumer and grid. Lastly, the experiment results revealed that
renewable energy sources have produced better and comparable results to other
non-renewable energy resources.
- Abstract（参考訳）: エネルギー不足と電力負荷の削減が発展途上国の主な問題である。
主な原因は、エネルギーセクターにおける管理の欠如と再生不可能なエネルギー源の使用である。
エネルギー管理の改善と再生可能エネルギーの利用は、エネルギー危機の解決に重要である。
化石燃料エネルギーの高価格によるエネルギー需要の増加に対応するため,再生可能エネルギー源(RES)の利用を増加させる必要がある。
フェデレーション学習(federated learning, fl)は、人工知能の分野でもっとも新しい技術である。
フェデレーション学習は、データプライバシを保持しながら、リモートエッジサイトでローカルにトレーニングされたモデルをアンサンブルすることで、サーバ側でグローバルモデルを生成するのに役立つ。
グローバルモデルは、消費者のニーズを満たすためにエネルギー需要を予測するために使用される。
本稿では,プロデューサとコンシューマ間のデータのトランザクションのためのブロックチェーンベースの安全な分散台帳技術を提案し,その透明性,トレーサビリティ,セキュリティを確保する。
さらに, 消費者とプロシューマーのエネルギー要求を予測するためのフェデレーション学習モデルも提案している。
さらに、Blockchainは、プロシューマーとグリッド間のエネルギー管理を改善するために、プロシューマーから過剰なエネルギーデータを格納するために使われてきた。
最後に、再生可能エネルギー源は他の再生不可能エネルギー資源と同等の結果が得られた。
関連論文リスト
- 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) - Exploring the Privacy-Energy Consumption Tradeoff for Split Federated Learning [51.02352381270177]
Split Federated Learning (SFL)は、最近、有望な分散学習技術として登場した。
SFLにおけるカット層の選択は、クライアントのエネルギー消費とプライバシに大きな影響を与える可能性がある。
本稿では、SFLプロセスの概要を概観し、エネルギー消費とプライバシを徹底的に分析する。
論文 参考訳（メタデータ） (2023-11-15T23:23:42Z) - Non-Intrusive Electric Load Monitoring Approach Based on Current Feature
Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。
マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文 参考訳（メタデータ） (2023-08-08T04:52:19Z) - Predicting Short Term Energy Demand in Smart Grid: A Deep Learning
Approach for Integrating Renewable Energy Sources in Line with SDGs 7, 9, and
13 [4.142160001071919]
スマートパワーグリッドにおけるエネルギー需要予測のためのディープラーニングに基づくアプローチを提案する。
我々は、長期記憶ネットワークを使用して、エネルギー需要データにおける複雑なパターンや依存関係をキャプチャします。
提案モデルでは,平均絶対誤差 1.4% でエネルギー需要を正確に予測できる。
論文 参考訳（メタデータ） (2023-04-08T12:30:59Z) - 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) - Battery and Hydrogen Energy Storage Control in a Smart Energy Network
with Flexible Energy Demand using Deep Reinforcement Learning [2.5666730153464465]
電池と水素の蓄電池を組み合わせたハイブリッド型蓄電池システムを提案する。
本稿では,ハイブリッドエネルギー貯蔵システムのスケジューリングとエネルギー需要をリアルタイムに最適化する,深層強化学習に基づく制御手法を提案する。
論文 参考訳（メタデータ） (2022-08-26T16:47:48Z) - 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) - Learning, Computing, and Trustworthiness in Intelligent IoT
Environments: Performance-Energy Tradeoffs [62.91362897985057]
Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。
本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
論文 参考訳（メタデータ） (2021-10-04T19:41:42Z) - 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) - A Review of Blockchain-based Smart Grid: Applications,Opportunities, and
Future Directions [0.0]
本稿では、スマートグリッドにおけるブロックチェーンアーキテクチャ、コンセプト、アプリケーションについてレビューする。
スマートグリッドによるブロックチェーン技術の様々な可能性についても論じられている。
論文 参考訳（メタデータ） (2020-01-31T07:00:10Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
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。