論文の概要: Networked Multiagent Reinforcement Learning for Peer-to-Peer Energy Trading

• arxiv url: http://arxiv.org/abs/2401.13947v1
• Date: Thu, 25 Jan 2024 05:05:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-26 15:49:43.689061
• Title: Networked Multiagent Reinforcement Learning for Peer-to-Peer Energy Trading
• Title（参考訳）: ピアツーピアエネルギー取引のためのネットワーク型マルチエージェント強化学習
• Authors: Chen Feng and Andrew L. Liu
• Abstract要約: 我々は,ソーラーPVとエネルギー貯蔵資源の消費者の入札と管理を自動化するために,マルチエージェント強化学習(MARL)フレームワークを提案する。 我々は、MARLフレームワークが物理的ネットワーク制約を統合して電圧制御を実現し、P2Pエネルギートレーディングの物理的実現性を確保する方法を示す。
• 参考スコア（独自算出の注目度）: 6.69968176013478
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Utilizing distributed renewable and energy storage resources in local distribution networks via peer-to-peer (P2P) energy trading has long been touted as a solution to improve energy systems' resilience and sustainability. Consumers and prosumers (those who have energy generation resources), however, do not have the expertise to engage in repeated P2P trading, and the zero-marginal costs of renewables present challenges in determining fair market prices. To address these issues, we propose multi-agent reinforcement learning (MARL) frameworks to help automate consumers' bidding and management of their solar PV and energy storage resources, under a specific P2P clearing mechanism that utilizes the so-called supply-demand ratio. In addition, we show how the MARL frameworks can integrate physical network constraints to realize voltage control, hence ensuring physical feasibility of the P2P energy trading and paving way for real-world implementations.
• Abstract（参考訳）: ピアツーピア(P2P)エネルギートレーディングによる地域流通ネットワークにおける分散再生可能およびエネルギー貯蔵資源の利用は、エネルギーシステムのレジリエンスと持続可能性を改善するソリューションとして長年評価されてきた。 しかし、消費者やプロシューマー(エネルギー資源を持っている人々)はp2p取引を繰り返し行う専門知識を持っておらず、再生可能エネルギーのゼロマージコストは公正な市場価格を決定する上での課題となっている。 これらの問題に対処するために,我々は,供給需要比を利用したp2pクリアリング機構の下で,消費者のソーラー太陽光発電とエネルギー貯蔵資源の入札と管理を自動化するマルチエージェント強化学習(marl)フレームワークを提案する。 さらに、MARLフレームワークが物理的なネットワーク制約を統合して電圧制御を実現し、P2Pエネルギトレーディングの物理的実現性を確保し、実際の実装を実現する方法を示す。

関連論文リスト

• Reinforcement Learning Enabled Peer-to-Peer Energy Trading for Dairy Farms [1.2289361708127877]
  本研究の目的は、ピアツーピア市場で余剰再生可能エネルギーを販売できるようにすることにより、伝統的な電力網への農作物の依存度を下げることである。 The Multi-Agent Peer-to-Peer Dairy Farm Energy Simulator (MAPDES) has developed to experiment with Reinforcement Learning techniques。 シミュレーションでは、電力コストの43%削減、ピーク需要の42%削減、エネルギー販売の1.91%増加など、大幅なコスト削減が示されている。
  論文  参考訳（メタデータ） (2024-05-21T12:19:17Z)
• RAI4IoE: Responsible AI for Enabling the Internet of Energy [40.87183313830612]
  本稿では,インターネット・オブ・エナジー(IoE)のための技術とアルゴリズムを備えた,等価で責任性の高いAIフレームワークの開発を計画する。 我々のプロジェクトのビジョンは、コミュニティメンバーの公平な参加と、IoEにおけるデータの責任を負うことで、AIの進歩の恩恵を享受し、安全で信頼性があり持続可能なエネルギーサービスを提供することです。
  論文  参考訳（メタデータ） (2023-09-20T23:45:54Z)
• MAHTM: A Multi-Agent Framework for Hierarchical Transactive Microgrids [0.0]
  本稿では,マイクログリッド内のエネルギー取引を管理するためのマルチエージェント強化学習フレームワークを提案する。 炭素フットプリントを最小化し、すべての利害関係者に利益を与えることで、利用可能なリソースの使用を最適化することを目指している。
  論文  参考訳（メタデータ） (2023-03-15T08:42:48Z)
• Combating Uncertainties in Wind and Distributed PV Energy Sources Using Integrated Reinforcement Learning and Time-Series Forecasting [2.774390661064003]
  再生可能エネルギーの予測不能は 電力供給会社や電力会社に 課題をもたらします i)Long-Short Term Memory (LSTM) ソリューションを用いた時系列予測と,(ii)Deep Deterministic Policy Gradient (DDPG)アルゴリズムを用いたマルチエージェント強化学習による分散動的意思決定フレームワークの確立という,スマートグリッドにおける再生可能エネルギーの不確実性に対処する新たなフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-27T19:12:50Z)
• 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)
• Prospect Theory-inspired Automated P2P Energy Trading with Q-learning-based Dynamic Pricing [2.2463154358632473]
  本稿では,ユーザの認識を考慮に入れたP2P自動エネルギー市場を設計する。 本稿では,Q-bプライシングとリスクセンシティブ(PQR)という,リスクに敏感なQ-ラーニング機構を導入する。 エネルギー消費と生産の実際の痕跡と現実的な予測理論関数に基づく結果から,提案手法は購入者にとって26%高い評価値が得られることが示された。
  論文  参考訳（メタデータ） (2022-08-26T16:45:40Z)
• Renewable energy integration and microgrid energy trading using multi-agent deep reinforcement learning [2.0427610089943387]
  マルチエージェント強化学習はハイブリッドエネルギー貯蔵システムを制御するために使用される。 エージェントは、短期、中長期、長期の記憶に適した3種類のエネルギー貯蔵システムを制御することを学ぶ。 電力網に売るのではなく、他のマイクログリッドと取引できることは、電力網の貯蓄を大幅に増加させることが判明した。
  論文  参考訳（メタデータ） (2021-11-21T21:11:00Z)
• 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)
• Towards a Peer-to-Peer Energy Market: an Overview [68.8204255655161]
  本研究は, 電力市場を中心に, 現状と, プロシューマーによる分散型自己生成能力の増大傾向を比較した。 我々はP2P(Peer-to-Peer)エネルギー市場のための潜在的多層アーキテクチャを導入し、マイクログリッドの一部として、地域生産と地域消費の基本的な側面について議論する。 読者に全体像を示すため、スマートコントラクトやグリッド安定性といったエネルギー取引の関連要素についても精査する。
  論文  参考訳（メタデータ） (2020-03-02T20:32:10Z)
• 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。