論文の概要: Learning a Reward Function for User-Preferred Appliance Scheduling

• arxiv url: http://arxiv.org/abs/2310.07389v2
• Date: Mon, 10 Jun 2024 15:43:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-12 04:57:42.925914
• Title: Learning a Reward Function for User-Preferred Appliance Scheduling
• Title（参考訳）: ユーザ優先のアプライアンススケジューリングのためのリワード関数の学習
• Authors: Nikolina Čović, Jochen L. Cremer, Hrvoje Pandžić,
• Abstract要約: エンドユーザーの日次アプライアンススケジュール作成を支援する逆強化学習モデルを提案する。 過去の消費データを使用することで、エンドユーザーはこれらの決定の作成に暗黙的に参加する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accelerated development of demand response service provision by the residential sector is crucial for reducing carbon-emissions in the power sector. Along with the infrastructure advancement, encouraging the end users to participate is crucial. End users highly value their privacy and control, and want to be included in the service design and decision-making process when creating the daily appliance operation schedules. Furthermore, unless they are financially or environmentally motivated, they are generally not prepared to sacrifice their comfort to help balance the power system. In this paper, we present an inverse-reinforcement-learning-based model that helps create the end users' daily appliance schedules without asking them to explicitly state their needs and wishes. By using their past consumption data, the end consumers will implicitly participate in the creation of those decisions and will thus be motivated to continue participating in the provision of demand response services.
• Abstract（参考訳）: 電力部門における炭素排出削減には,住宅部門による需要対応サービス提供の促進が不可欠である。 インフラストラクチャの進歩とともに、エンドユーザの参加を促すことが重要です。 エンドユーザは、プライバシとコントロールを高く評価し、毎日のアプライアンス運用スケジュールを作成する際に、サービス設計と意思決定プロセスに含めたいと思っています。 さらに、財政的にも環境的にも動機的にもない限り、電力システムのバランスをとるための快適さを犠牲にしてはならないのが一般的である。 本稿では,エンドユーザーの日次アプライアンススケジュール作成を支援する逆強化学習モデルを提案する。 過去の消費データを利用することで、エンド消費者はこれらの決定の作成に暗黙的に参加し、需要対応サービスの提供に引き続き参加する動機となる。

関連論文リスト

• 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)
• 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)
• 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)
• 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 Future of Consumer Edge-AI Computing [58.445652425379855]
  Deep Learningは、主にデバイス間のハードウェアアクセラレーションによって、消費者のエンドに急速に浸透している。 将来を見据えて、孤立したハードウェアが不十分であることは明らかです。 本稿では,コンシューマエッジにおける計算資源とデータアクセスの再編成と最適化を目的とした,EdgeAI-Hubデバイスを中心とした新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-10-19T12:41:47Z)
• Optimization paper production through digitalization by developing an assistance system for machine operators including quality forecast: a concept [50.591267188664666]
  廃紙からの紙の製造は、特にエネルギー消費の観点からも、依然として非常に資源集約的な課題である。 我々は,その利用方法の欠如を特定し,操作支援システムと最先端の機械学習技術を用いた概念の実装を行った。 我々の主な目的は、利用可能なデータを活用するマシンオペレーターに状況に応じた知識を提供することである。
  論文  参考訳（メタデータ） (2022-06-23T09:54:35Z)
• Intelligent edge-based recommender system for internet of energy applications [2.1874189959020423]
  本稿では,エッジアーキテクチャを用いたホームアシストプラットフォームへのエネルギー効率フレームワークの完全統合について述べる。 エンドユーザは、Home-Assistantユーザインターフェースを使用して、その消費パターンと環境データを視覚化することができる。 より注目すべきは、説明可能な省エネレコメンデーションが、モバイルアプリケーション経由で通知形式でエンドユーザに配信されることだ。
  論文  参考訳（メタデータ） (2021-11-25T23:28:14Z)
• Decision-making Oriented Clustering: Application to Pricing and Power Consumption Scheduling [61.062312682535755]
  本稿では、意思決定指向クラスタリングの枠組みを定式化し、データ空間の判断に基づく分割と適切な代表決定を提供するアルゴリズムを提案する。 この新しいフレームワークとアルゴリズムを、リアルタイム価格と消費電力スケジューリングの典型的な問題に適用することにより、洞察に富んだ分析結果を得る。
  論文  参考訳（メタデータ） (2021-06-02T08:41:04Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)
• Adaptive Processor Frequency Adjustment for Mobile Edge Computing with Intermittent Energy Supply [36.292232622634366]
  再生可能エネルギー供給のMECサーバの大規模展開は、おそらく、入ってくるエネルギー問題に対する最も有望な解決策である。 本稿では,サーバのエネルギー利用を効果的に計画するための適応型プロセッサ周波数調整ソリューションNAFAを提案する。
  論文  参考訳（メタデータ） (2021-02-10T14:12:10Z)
• Privacy Preserving Demand Forecasting to Encourage Consumer Acceptance of Smart Energy Meters [4.769747792846004]
  スマートメーターの設置に関する消費者の大きな懸念を和らげるために、エネルギー需要予測のプライバシー保護の必要性を強調します。 高解像度のスマートメーターデータは、占有、習慣、個々の家電の使用など、消費者の家庭の多くのプライベートな側面を露呈することができる。 本研究では,負荷予測を可能にするために,様々な規模でのエネルギー需要予測にフェデレーション学習と呼ばれる分散機械学習の応用を提案する。
  論文  参考訳（メタデータ） (2020-12-14T12:04:34Z)

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。