論文の概要: Green Multi-Objective Scheduling -- A memetic NSGA-III for flexible production with real-time energy cost and emissions
- arxiv url: http://arxiv.org/abs/2405.14339v1
- Date: Thu, 23 May 2024 09:11:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-24 17:54:56.024104
- Title: Green Multi-Objective Scheduling -- A memetic NSGA-III for flexible production with real-time energy cost and emissions
- Title（参考訳）: Green Multi-Objective Scheduling -- リアルタイムエネルギーコストとエミッションによるフレキシブル生産のためのメメティックNSGA-III
- Authors: Sascha C Burmeister,
- Abstract要約: この研究は、生産をリアルタイムエネルギー市場へ調整する産業に焦点を当て、グリッドに柔軟な消費を提供する。
本研究では, 省エネ, 省エネ, 排出を最小化し, 実エネルギー市場データを統合するための新しいメメティックNSGA-IIIを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The use of renewable energies strengthens decarbonization strategies. To integrate volatile renewable sources, energy systems require grid expansion, storage capabilities, or flexible consumption. This study focuses on industries adjusting production to real-time energy markets, offering flexible consumption to the grid. Flexible production considers not only traditional goals like minimizing production time but also minimizing energy costs and emissions, thereby enhancing the sustainability of businesses. However, existing research focuses on single goals, neglects the combination of makespan, energy costs and emissions, or assumes constant or periodic tariffs instead of a dynamic energy market. We present a novel memetic NSGA-III to minimize makespan, energy cost, and emissions, integrating real energy market data, and allowing manufacturers to adapt consumption to current grid conditions. Evaluating it with benchmark instances from literature and real energy market data, we explore the trade-offs between objectives, showcasing potential savings in energy costs and emissions on estimated Pareto fronts.
- Abstract（参考訳）: 再生可能エネルギーの使用は脱炭戦略を強化する。
揮発性再生可能エネルギーを統合するために、エネルギーシステムはグリッドの拡大、貯蔵能力、フレキシブルな消費を必要とする。
この研究は、生産をリアルタイムエネルギー市場へ調整する産業に焦点を当て、グリッドに柔軟な消費を提供する。
フレキシブル生産は、生産時間を最小化するだけでなく、エネルギーコストや排出を最小化し、事業の持続可能性を高めるという従来の目標も考慮している。
しかし、既存の研究は単一目標に重点を置いており、メースパン、エネルギーコスト、エミッションの組み合わせを無視したり、動的エネルギー市場の代わりに定期的または定期的な関税を課している。
省エネ,省エネ,エミッションを最小化し,実際のエネルギー市場データを統合し,製造元が現在の電力網の状況に適応できるように,新しいメメティックNSGA-IIIを提案する。
文献および実エネルギー市場データからベンチマークインスタンスを用いて評価し、目標間のトレードオフを探求し、エネルギーコストの潜在的な削減と推定されたパレート前線での排出を示す。
関連論文リスト
- Predicting Short Term Energy Demand in Smart Grid: A Deep Learning
Approach for Integrating Renewable Energy Sources in Line with SDGs 7, 9, and
13 [4.142160001071919]
スマートパワーグリッドにおけるエネルギー需要予測のためのディープラーニングに基づくアプローチを提案する。
我々は、長期記憶ネットワークを使用して、エネルギー需要データにおける複雑なパターンや依存関係をキャプチャします。
提案モデルでは,平均絶対誤差 1.4% でエネルギー需要を正確に予測できる。
論文 参考訳（メタデータ） (2023-04-08T12:30:59Z) - Proximal Policy Optimization Based Reinforcement Learning for Joint
Bidding in Energy and Frequency Regulation Markets [6.175137568373435]
エネルギー仲裁はバッテリエネルギー貯蔵システム(BESS)にとって重要な収入源となる。
BESSは、不確実な市場条件下での総利益を最大化するために、各市場にどの程度の能力を割り当てるかを慎重に決定することが不可欠である。
本稿では,BESSの入札問題をマルコフ決定プロセスとして定式化し,BESSがスポット市場とFCAS市場の両方に参加して利益を最大化できるようにする。
論文 参考訳（メタデータ） (2022-12-13T13:07:31Z) - 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) - Battery and Hydrogen Energy Storage Control in a Smart Energy Network
with Flexible Energy Demand using Deep Reinforcement Learning [2.5666730153464465]
電池と水素の蓄電池を組み合わせたハイブリッド型蓄電池システムを提案する。
本稿では,ハイブリッドエネルギー貯蔵システムのスケジューリングとエネルギー需要をリアルタイムに最適化する,深層強化学習に基づく制御手法を提案する。
論文 参考訳（メタデータ） (2022-08-26T16:47:48Z) - Sustainability using Renewable Electricity (SuRE) towards NetZero
Emissions [0.0]
エネルギー需要の増加は環境に深刻な脅威をもたらす。
ほとんどのエネルギー源は再生不可能であり、化石燃料をベースとしており、有害な温室効果ガスの排出につながる。
我々は、組織が全エネルギー消費において、全体の再生可能電力シェアを増やすために使用できるスケーラブルなAIベースのソリューションを提案する。
論文 参考訳（メタデータ） (2022-02-26T10:04:26Z) - Modelling the transition to a low-carbon energy supply [91.3755431537592]
気候変動の影響を制限するため、低炭素電力供給への移行が不可欠である。
二酸化炭素排出量の削減は、世界がピーク点に達するのを防ぐのに役立ちます。
排気ガスの排出は、世界中の気象条件の極端に繋がる可能性がある。
論文 参考訳（メタデータ） (2021-09-25T12:37:05Z) - 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) - 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) - A Deep Reinforcement Learning Framework for Continuous Intraday Market
Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。
欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。
本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。
その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文 参考訳（メタデータ） (2020-04-13T13:50:13Z) - 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。