論文の概要: ILB: Graph Neural Network Enabled Emergency Demand Response Program For Electricity

• arxiv url: http://arxiv.org/abs/2310.00129v1
• Date: Fri, 29 Sep 2023 20:38:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 06:20:09.878413
• Title: ILB: Graph Neural Network Enabled Emergency Demand Response Program For Electricity
• Title（参考訳）: ILB: 緊急時の電力需要対応プログラムを可能にするグラフニューラルネットワーク
• Authors: Sina Shaham, Bhaskar Krishnamachari, Matthew Kahn
• Abstract要約: 危機時には、エネルギー需要の予期せぬスパイクを管理するために緊急需要対応プログラムが必要である。 Incentive-Driven Load Balancer (ILB) は,危機時の需要と応答を効率的に管理するプログラムである。 本稿では,参加者選択のための2段階の機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.123324869194196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Demand Response (DR) programs have become a crucial component of smart electricity grids as they shift the flexibility of electricity consumption from supply to demand in response to the ever-growing demand for electricity. In particular, in times of crisis, an emergency DR program is required to manage unexpected spikes in energy demand. In this paper, we propose the Incentive-Driven Load Balancer (ILB), a program designed to efficiently manage demand and response during crisis situations. By offering incentives to flexible households likely to reduce demand, the ILB facilitates effective demand reduction and prepares them for unexpected events. To enable ILB, we introduce a two-step machine learning-based framework for participant selection, which employs a graph-based approach to identify households capable of easily adjusting their electricity consumption. This framework utilizes two Graph Neural Networks (GNNs): one for pattern recognition and another for household selection. Through extensive experiments on household-level electricity consumption in California, Michigan, and Texas, we demonstrate the ILB program's significant effectiveness in supporting communities during emergencies.
• Abstract（参考訳）: 需要応答(DR)プログラムは、電力需要の増加に応えて、電力消費の柔軟性を供給から需要へとシフトさせるため、スマート電力網の重要な構成要素となっている。 特に危機時には、予期せぬエネルギー需要の急増を管理する緊急のdrプログラムが求められる。 本稿では,危機時の需要と応答を効率的に管理するプログラム,Incentive-Driven Load Balancer (ILB)を提案する。 フレキシブルな家庭にインセンティブを提供することで、ilbは効果的な需要削減を促進し、予期しないイベントに備える。 ILBを実現するために,参加者選択のための2段階の機械学習ベースのフレームワークを導入する。 このフレームワークは2つのグラフニューラルネットワーク(GNN)を利用しており、1つはパターン認識用、もう1つは世帯選択用である。 カリフォルニア州,ミシガン州,テキサス州における家庭レベルの電力消費に関する広範囲な実験を通じて,緊急時のコミュニティ支援におけるilbプログラムの有意義な効果を実証した。

関連論文リスト

• A Deep Q-Learning based Smart Scheduling of EVs for Demand Response in Smart Grids [0.0]
  本研究では、Deep Q-Learningを利用して、マイクログリッド内におけるEVの充電および排出活動のスケジューリングを行うモデルフリーソリューションを提案する。 我々は,EVスケジューリング動作に対する特定の報酬に基づいて状態の値を評価するためにベルマン方程式を適用し,ニューラルネットワークを用いて利用可能な動作に対するQ値とエプシロングレーディアルゴリズムを用いて,目標エネルギープロファイルを満たすために,エクスプロイトと探索のバランスをとる。
  論文  参考訳（メタデータ） (2024-01-05T06:04:46Z)
• Optimal Scheduling of Electric Vehicle Charging with Deep Reinforcement Learning considering End Users Flexibility [1.3812010983144802]
  本研究は、Deep Reinforcement Learning、より具体的にはDeep Q-Networks (DQN)を用いて、家庭のEVコスト削減課金政策を、タイム・オブ・ユース関税方式で識別することを目的とする。 新しいエンドユーザーフレキシビリティ・ポテンシャル報酬は、ソーラー発電の家庭がアルゴリズムの訓練とテストに使われている歴史的データ分析から推測される。
  論文  参考訳（メタデータ） (2023-10-13T12:07:36Z)
• 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)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• Deep Learning for Intelligent Demand Response and Smart Grids: A Comprehensive Survey [3.0746367873237]
  ディープラーニングを利用して、生成されたデータからパターンを学び、電力とピーク時間の需要を予測する。 本稿では,DLの基礎,スマートグリッド,需要応答,DLの背景にあるモチベーションについて述べる。 本稿では,電力負荷予測,状態推定,エネルギー盗難検出,エネルギー共有,取引など,スマートグリッドと需要応答におけるdlの最先端の応用について検討する。
  論文  参考訳（メタデータ） (2021-01-20T08:07:41Z)
• 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)
• Intelligent Residential Energy Management System using Deep Reinforcement Learning [5.532477732693001]
  本稿では,仮想エージェントが人間のようにタスクを学習する要求応答のための深層強化学習(DRL)モデルを提案する。 本手法は,負荷ピーク低減のための混合整数線形計画法(MILP)の精度を向上した。
  論文  参考訳（メタデータ） (2020-05-28T19:51:22Z)
• 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)
• 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。