論文の概要: Dynamic Price Incentivization for Carbon Emission Reduction using
Quantum Optimization
- arxiv url: http://arxiv.org/abs/2309.05502v1
- Date: Mon, 11 Sep 2023 14:44:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 12:19:00.457169
- Title: Dynamic Price Incentivization for Carbon Emission Reduction using
Quantum Optimization
- Title(参考訳): 量子最適化による炭素排出削減のための動的価格インセンティブ
- Authors: David Bucher, Jonas N\"u{\ss}lein, Corey O'Meara, Ivan Angelov,
Benedikt Wimmer, Kumar Ghosh, Giorgio Cortiana and Claudia Linnhoff-Popien
- Abstract要約: デマンドサイド・レスポンス(Demand Side Response, DSR)は、消費者が電気需要の管理に積極的に参加できるようにする戦略である。
我々は、消費者に電力消費パターンを調整するための価格インセンティブを提供するディスカウントスケジューリングを通じてDSRを実装している。
我々は、D-WaveのLeap Hybrid Cloudを使って、ハイブリッド量子コンピューティングアプローチを採用する。
- 参考スコア(独自算出の注目度): 4.280776597892008
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Demand Side Response (DSR) is a strategy that enables consumers to actively
participate in managing electricity demand. It aims to alleviate strain on the
grid during high demand and promote a more balanced and efficient use of
electricity resources. We implement DSR through discount scheduling, which
involves offering discrete price incentives to consumers to adjust their
electricity consumption patterns. Since we tailor the discounts to individual
customers' consumption, the Discount Scheduling Problem (DSP) becomes a large
combinatorial optimization task. Consequently, we adopt a hybrid quantum
computing approach, using D-Wave's Leap Hybrid Cloud. We observe an indication
that Leap performs better compared to Gurobi, a classical general-purpose
optimizer, in our test setup. Furthermore, we propose a specialized
decomposition algorithm for the DSP that significantly reduces the problem
size, while maintaining an exceptional solution quality. We use a mix of
synthetic data, generated based on real-world data, and real data to benchmark
the performance of the different approaches.
- Abstract(参考訳): デマンドサイド・レスポンス(Demand Side Response, DSR)は、消費者が電気需要の管理に積極的に参加できるようにする戦略である。
高需要時のグリッドの歪みを緩和し、よりバランスよく効率的な電気資源の利用を促進することを目的としている。
電力消費パターンを調整するために消費者に個別価格インセンティブを提供するディスカウントスケジューリングを通じてDSRを実装している。
個々の顧客消費に対する割引を調整するため、ディスカウントスケジューリング問題(DSP)は大規模な組合せ最適化タスクとなる。
そこで我々は,d-wave の leap hybrid cloud を用いたハイブリッド量子コンピューティング手法を採用する。
本稿では,従来の汎用オプティマイザであるGurobiと比較して,Leapの性能が向上したことを示す。
さらに, DSP の特殊分解アルゴリズムを提案し, 例外的な解品質を維持しつつ, 問題サイズを著しく削減する。
実世界のデータに基づいて生成された合成データと実データを組み合わせて、異なるアプローチのパフォーマンスをベンチマークします。
関連論文リスト
- Hybrid Reinforcement Learning for Optimizing Pump Sustainability in
Real-World Water Distribution Networks [55.591662978280894]
本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。
我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。
進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
論文 参考訳(メタデータ) (2023-10-13T21:26:16Z) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳(メタデータ) (2023-07-31T13:02:36Z) - Equitable Time-Varying Pricing Tariff Design: A Joint Learning and
Optimization Approach [0.0]
時変価格の関税は、消費者に電力需要のシフトとコスト削減を動機付けるが、応答能力に制限のある消費者のエネルギー負担を増大させる可能性がある。
本稿では,適切な時間変動関税を設計するための共同学習に基づく識別と最適化手法を提案する。
論文 参考訳(メタデータ) (2023-07-26T20:14:23Z) - 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) - Combined Peak Reduction and Self-Consumption Using Proximal Policy
Optimization [0.2867517731896504]
住宅需要対応プログラムは、世帯レベルでの需要柔軟性を活性化することを目的としている。
近似ポリシー最適化(PPO)のような新しいRLアルゴリズムは、データの効率を向上しようと試みている。
我々は,PPO統合トランスファー学習の適応バージョンを示し,通常のコントローラと比較してコストを14.51%削減した。
論文 参考訳(メタデータ) (2022-11-27T13:53:52Z) - Smoothed Online Convex Optimization Based on Discounted-Normal-Predictor [68.17855675511602]
円滑なオンライン凸最適化(SOCO)のためのオンライン予測戦略について検討する。
提案アルゴリズムは,各区間の切替コストで適応的後悔を最小限に抑えることができることを示す。
論文 参考訳(メタデータ) (2022-05-02T08:48:22Z) - Optimized cost function for demand response coordination of multiple EV
charging stations using reinforcement learning [6.37470346908743]
我々は、複数の充電ステーションを同時に調整するマルコフ決定プロセス(MDP)に基づいて、RLに関する以前の研究に基づいて構築する。
我々は、基本的に、学習した制御ポリシーに対して、柔軟性を提供しない充電需要を常に満たすよう強制するコスト関数の改善を提案する。
提案したバッチRLのQ-iteration実装を,実世界のデータを用いて,オリジナル(コスト)のQ-iteration実装と厳密に比較する。
論文 参考訳(メタデータ) (2022-03-03T11:22:27Z) - 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) - Simulating Tariff Impact in Electrical Energy Consumption Profiles with
Conditional Variational Autoencoders [0.0]
本稿では,条件付き変分オートエンコーダ(CVAE)を用いて,消費者の日常消費プロファイルを生成する手法を提案する。
この方法の主な貢献は、生成した消費プロファイルにおけるリバウンドと副作用を再現する能力である。
論文 参考訳(メタデータ) (2020-06-10T08:05:35Z) - 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。