論文の概要: Open Energy Services -- Forecasting and Optimization as a Service for
Energy Management Applications at Scale
- arxiv url: http://arxiv.org/abs/2402.15230v1
- Date: Fri, 23 Feb 2024 09:46:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-26 15:02:15.993223
- Title: Open Energy Services -- Forecasting and Optimization as a Service for
Energy Management Applications at Scale
- Title(参考訳): Open Energy Services -- 大規模エネルギー管理アプリケーションのためのサービスとしての予測と最適化
- Authors: David W\"olfle, Kevin F\"orderer, Tobias Riedel, Lukas Landwich, Ralf
Mikut, Veit Hagenmeyer, Hartmut Schmeck
- Abstract要約: 我々は、エネルギー管理システムが採用する複雑な最適化アルゴリズムを標準化されたコンポーネントに分割するアプローチを推進している。
本研究は,これらの予測および最適化サービスの効率的な実装と運用を支援するフレームワークの体系的設計を中心にしている。
emphEnergy Service Genericsをフリーかつオープンソースリポジトリとしてリリースしたデザインコンセプトの実装について説明する。
- 参考スコア(独自算出の注目度): 0.6495316960934344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Energy management, in sense of computing optimized operation schedules for
devices, will likely play a vital role in future carbon neutral energy systems,
as it allows unlocking energy efficiency and flexibility potentials. However,
energy management systems need to be applied at large scales to realize the
desired effect, which clearly requires minimization of costs for setup and
operation of the individual applications. In order to push the latter forward,
we promote an approach to split the complex optimization algorithms employed by
energy management systems into standardized components, which can be provided
as a service with marginal costs at scale. This work is centered around the
systematic design of a framework supporting the efficient implementation and
operation of such forecasting and optimization services. Furthermore, it
describes the implementation of the design concept which we release under the
name \emph{Energy Service Generics} as a free and open source repository.
Finally, this paper marks the starting point of the \emph{Open Energy Services}
community, our effort to continuously push the development and operation of
services for energy management applications at scale, for which we invite
researchers and practitioners to participate.
- Abstract(参考訳): 機器の運転スケジュールを最適化したコンピューティングという意味では、エネルギー効率と柔軟性の可能性の解放を可能にするため、将来の炭素中性エネルギーシステムにおいて、エネルギー管理は重要な役割を果たす可能性が高い。
しかし、エネルギー管理システムは、望ましい効果を実現するために大規模な適用が必要であり、個々のアプリケーションのセットアップと運用のためのコストの最小化が明らかに必要である。
後者を推し進めるために、我々は、エネルギー管理システムが採用する複雑な最適化アルゴリズムを標準化されたコンポーネントに分割するアプローチを推進している。
この作業は、そのような予測および最適化サービスの効率的な実装と運用をサポートするフレームワークの体系的設計に重点を置いている。
さらに、フリーでオープンソースなリポジトリとして、\emph{energy service generics}という名前でリリースする設計概念の実装についても述べています。
最後に,本稿は,大規模エネルギー管理アプリケーションのためのサービスの開発と運用を継続的に推進し,研究者や実践者が参加することを目的とした,emph{Open Energy Services}コミュニティの出発点となる。
関連論文リスト
- Reinforcement Learning for Efficient Design and Control Co-optimisation of Energy Systems [0.0]
本研究では,エネルギーシステムの設計と制御の協調最適化に適した新しい強化学習フレームワークを提案する。
RLのモデルフリー機能を活用することで、このフレームワークは明示的なシステムモデリングの必要性を排除します。
この貢献により、エネルギー管理における高度なRL応用の道が開かれ、再生可能エネルギー源をより効率的に効果的に利用できるようになった。
論文 参考訳(メタデータ) (2024-06-28T11:01:02Z) - Heuristics and Metaheuristics for Dynamic Management of Computing and
Cooling Energy in Cloud Data Centers [0.0]
共同冷却・計算最適化のための新しい電力・熱対応戦略とモデルを提案する。
結果から,メタヒューリスティックアルゴリズムと最適適応アルゴリズムの併用により,グローバルエネルギーを高速かつ軽量な最適化戦略に記述できることが示唆された。
このアプローチにより、コンピューティングと冷却インフラストラクチャの両方を考慮して、データセンターのエネルギー効率を21.74%向上し、サービス品質を維持しながら、最大で21.74%向上できる。
論文 参考訳(メタデータ) (2023-12-17T09:40:36Z) - Interpretable Deep Reinforcement Learning for Optimizing Heterogeneous
Energy Storage Systems [11.03157076666012]
エネルギー貯蔵システム(ESS)はエネルギー市場において重要な要素であり、エネルギー供給者と消費者の両方に役立っている。
エネルギー市場におけるESSの柔軟性を高めるために、異種太陽光発電(PV-ESS)を提案する。
我々は、現実のシナリオを反映して、劣化、資本、運用・保守コストを考慮した包括的コスト関数を開発する。
論文 参考訳(メタデータ) (2023-10-20T02:26:17Z) - Energy Loss Prediction in IoT Energy Services [0.43012765978447565]
クラウドソース型エネルギーサービスを共有する際のエネルギー損失を推定する新しいエネルギー損失予測フレームワークを提案する。
我々は,IoTデバイスのバッテリレベルを予測する新しいアテンションベースのアルゴリズムであるEaseformerを提案する。
提案手法の有効性と有効性を示すための一連の実験を行った。
論文 参考訳(メタデータ) (2023-05-16T09:07:08Z) - 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) - 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) - Movement Penalized Bayesian Optimization with Application to Wind Energy
Systems [84.7485307269572]
文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。
この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。
標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
論文 参考訳(メタデータ) (2022-10-14T20:19:32Z) - ECO: Enabling Energy-Neutral IoT Devices through Runtime Allocation of
Harvested Energy [0.8774604259603302]
本稿では,エネルギー制約下での目標デバイスの有用性を最適化するランタイムベースのエネルギー配分フレームワークを提案する。
提案フレームワークは, 効率的な反復アルゴリズムを用いて, 初期エネルギー割り当てを1日の初めに計算する。
このフレームワークは、太陽と運動エネルギーの収穫モードと、4772の異なるユーザーからのアメリカンタイムユースサーベイデータを使用して評価します。
論文 参考訳(メタデータ) (2021-02-26T17:21:25Z) - 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) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳(メタデータ) (2020-01-31T05:12:59Z) - 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。