論文の概要: Exploring near-optimal energy systems with stakeholders: a novel approach for participatory modelling

• arxiv url: http://arxiv.org/abs/2501.05280v1
• Date: Thu, 09 Jan 2025 14:43:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 13:59:25.742836
• Title: Exploring near-optimal energy systems with stakeholders: a novel approach for participatory modelling
• Title（参考訳）: 利害関係者による準最適エネルギーシステムの探索--参加型モデリングの新しいアプローチ
• Authors: Oskar Vågerö, Koen van Greevenbroek, Aleksander Grochowicz, Maximilian Roithner,
• Abstract要約: エネルギーモデリングにおける参加研究は、利害関係者を包括的に関与する機会を提供する。 我々は、ステークホルダーを全体的な方法で組み込むことができる、最適に近いモデリング結果に基づく方法論とフレームワークを提案する。 本稿では,Longyearbyenの北極圏開拓のための方法論を紹介し,参加者がコスト最適から一貫した距離を逸脱する方法について説明する。
• 参考スコア（独自算出の注目度）: 41.94295877935867
• License:
• Abstract: Involving people in energy systems planning can increase the legitimacy and socio-political feasibility of energy transitions. Participatory research in energy modelling offers the opportunity to engage with stakeholders in a comprehensive way, but is limited by how results can be generated and presented without imposing assumptions and discrete scenarios on the participants. To this end, we present a methodology and a framework, based on near-optimal modelling results, that can incorporate stakeholders in a holistic and engaging way. We confront stakeholders with a continuum of modelling-based energy system designs via an interactive interface allowing them to choose essentially any combination of components that meet the system requirements. Together with information on the implications of different technologies, it is possible to assess how participants prioritise different aspects in energy systems planning while also facilitating learning in an engaging and stimulating way. We showcase the methodology for the remote Arctic settlement of Longyearbyen and illustrate how participants deviate consistently from the cost optimum. At the same time, they manage to balance different priorities such as emissions, costs, and system vulnerability leading to a better understanding of the complexity and intertwined nature of decisions.
• Abstract（参考訳）: エネルギーシステムの計画に人々を巻き込むことは、エネルギー遷移の正当性と社会的・政治的実現性を高めることができる。 エネルギーモデリングにおける参加研究は、利害関係者を包括的に関与する機会を提供するが、参加者に仮定や離散シナリオを課すことなく、結果の生成と提示の仕方によって制限される。 この目的のために、我々は、ステークホルダーを全体的かつ魅力的な方法で組み込むことができる、準最適モデリング結果に基づく方法論とフレームワークを提案する。 我々は、モデリングに基づくエネルギーシステム設計の継続を対話的なインターフェースを通じてステークホルダーと対立し、システム要件を満たすコンポーネントの組み合わせを基本的に選択できるようにします。 異なる技術の含意に関する情報とともに、参加者がエネルギーシステム計画における異なる側面を優先し、活発で刺激的な方法での学習を促進する方法を評価することができる。 本稿では,Longyearbyenの北極圏開拓のための方法論を紹介し,参加者がコスト最適から一貫した距離を逸脱する方法について説明する。 同時に、エミッションやコスト、システムの脆弱性といったさまざまな優先順位のバランスをとることで、複雑性と意思決定の絡み合った性質の理解を深めることができます。

関連論文リスト

• Agentic LLM Framework for Adaptive Decision Discourse [2.4919169815423743]
  本研究では,実世界のエージェント型大規模言語モデル(LLM)フレームワークを紹介する。 従来の意思決定支援ツールとは異なり、このフレームワークは対話、トレードオフ探索、エージェント間の相互作用によって生成される創発的なシナジーを強調している。 その結果、第1次探索がいかに堅牢で公平なレコメンデーションパスを育むかが明らかとなった。
  論文  参考訳（メタデータ） (2025-02-16T03:46:37Z)
• Towards Recommender Systems LLMs Playground (RecSysLLMsP): Exploring Polarization and Engagement in Simulated Social Networks [6.813586966214873]
  本稿では,Large Language Models (LLMs) を利用した新しいシミュレーションフレームワークを提案する。 説明的、静的、動的属性を持つ多様なAIエージェントを作成することで、3つのシナリオにわたって自律的な振る舞いを評価する。 本研究は, 社会的分極を緩和しつつ, ユーザの満足度を高めるためのレコメンデータシステム設計において, 慎重なバランスの必要性を強調するものである。
  論文  参考訳（メタデータ） (2025-01-29T14:23:34Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Distribution-Aware Compensation Design for Sustainable Data Rights in Machine Learning [6.322978909154803]
  本稿では,この課題をゲーム理論のレンズを通して見る革新的なメカニズムを提案する。 本手法は,包括的解析モデルによるデータ除去の波及効果を定量的に評価する。 我々は,主観的効用とシステム成果を測定する数学的基盤を確立する。
  論文  参考訳（メタデータ） (2024-10-19T09:04:13Z)
• Latent-Predictive Empowerment: Measuring Empowerment without a Simulator [56.53777237504011]
  我々は、より実用的な方法でエンパワーメントを計算するアルゴリズムであるLatent-Predictive Empowerment(LPE)を提案する。 LPEは、スキルと国家間の相互情報の原則的な置き換えである目的を最大化することで、大きなスキルセットを学習する。
  論文  参考訳（メタデータ） (2024-10-15T00:41:18Z)
• Efficient Adaptation in Mixed-Motive Environments via Hierarchical Opponent Modeling and Planning [51.52387511006586]
  本稿では,HOP(Hierarchical Opponent Modeling and Planning)を提案する。 HOPは階層的に2つのモジュールから構成される: 相手の目標を推論し、対応する目標条件のポリシーを学ぶ、反対モデリングモジュール。 HOPは、さまざまな未確認エージェントと相互作用する際、優れた少数ショット適応能力を示し、セルフプレイのシナリオで優れている。
  論文  参考訳（メタデータ） (2024-06-12T08:48:06Z)
• Synthetic Participatory Planning of Shard Automated Electric Mobility Systems [0.0]
  本稿では,大規模言語モデル(LLM)を批判的に活用してデジタルアバターを作成する,新しい合成参加手法を提案する。 これらの調整可能なエージェントは、目標を共同で識別し、SAEMS代替案を構想し、評価し、リスクと制約の下で実施をストラテジズする。
  論文  参考訳（メタデータ） (2024-04-18T16:51:23Z)
• Optimising Human-AI Collaboration by Learning Convincing Explanations [62.81395661556852]
  本研究では,人間による意思決定によって安全を保ちながら協調的なシステムを構築する手法を提案する。 Ardentは、説明のための個人の好みに適応することで、効率的で効果的な意思決定を可能にする。
  論文  参考訳（メタデータ） (2023-11-13T16:00:16Z)
• The Participatory Turn in AI Design: Theoretical Foundations and the Current State of Practice [64.29355073494125]
  本稿は、既存の理論文献を合成して、AI設計における「参加的転換」を掘り下げることを目的としている。 我々は、最近発表された研究および12人のAI研究者および実践者に対する半構造化インタビューの分析に基づいて、AI設計における参加実践の現状に関する実証的な知見を述べる。
  論文  参考訳（メタデータ） (2023-10-02T05:30:42Z)
• Deep Reinforcement Learning-driven Cross-Community Energy Interaction Optimal Scheduling [15.410849325499017]
  本稿では,多エージェント深部強化学習アルゴリズムを用いて,異なるコミュニティの負荷特性を学習する包括的スケジューリングモデルを提案する。 風量削減率を16.3%から0%に引き下げ、全体の運用コストを5445.6元に下げる。
  論文  参考訳（メタデータ） (2023-08-24T04:42:18Z)

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。