論文の概要: Integration of Multi-Mode Preference into Home Energy Management System Using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2505.01332v1
• Date: Fri, 02 May 2025 15:05:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:20.074133
• Title: Integration of Multi-Mode Preference into Home Energy Management System Using Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習を用いた家庭エネルギー管理システムへのマルチモード選好の統合
• Authors: Mohammed Sumayli, Olugbenga Moses Anubi,
• Abstract要約: Home Energy Management Systems(HEMS)は、スマートホームエコシステムにおいて重要なツールとして登場した。 本稿では,動的でコンシューマ定義の嗜好に基づいた最適化を念頭に設計した多モードDeep Reinforcement LearningベースのHEMSフレームワークを提案する。 提案手法は,異なる選好モードにおけるエネルギー消費を最適化する上で,優れた性能を発揮することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Home Energy Management Systems (HEMS) have emerged as a pivotal tool in the smart home ecosystem, aiming to enhance energy efficiency, reduce costs, and improve user comfort. By enabling intelligent control and optimization of household energy consumption, HEMS plays a significant role in bridging the gap between consumer needs and energy utility objectives. However, much of the existing literature construes consumer comfort as a mere deviation from the standard appliance settings. Such deviations are typically incorporated into optimization objectives via static weighting factors. These factors often overlook the dynamic nature of consumer behaviors and preferences. Addressing this oversight, our paper introduces a multi-mode Deep Reinforcement Learning-based HEMS (DRL-HEMS) framework, meticulously designed to optimize based on dynamic, consumer-defined preferences. Our primary goal is to augment consumer involvement in Demand Response (DR) programs by embedding dynamic multi-mode preferences tailored to individual appliances. In this study, we leverage a model-free, single-agent DRL algorithm to deliver a HEMS framework that is not only dynamic but also user-friendly. To validate its efficacy, we employed real-world data at 15-minute intervals, including metrics such as electricity price, ambient temperature, and appliances' power consumption. Our results show that the model performs exceptionally well in optimizing energy consumption within different preference modes. Furthermore, when compared to traditional algorithms based on Mixed-Integer Linear Programming (MILP), our model achieves nearly optimal performance while outperforming in computational efficiency.
• Abstract（参考訳）: ホームエナジー・マネジメント・システム(HEMS)は、エネルギー効率の向上、コスト削減、ユーザーの快適性向上を目的として、スマートホームエコシステムにおける重要なツールとして登場した。 家庭用エネルギー消費のインテリジェントな制御と最適化を可能にすることで、HEMSは消費者ニーズとエネルギー利用目標とのギャップを埋める上で重要な役割を担っている。 しかし、既存の文献の多くは、消費者の快適さを、標準の家電設定から逸脱したにすぎないと解釈している。 このような偏差は通常、静的重み付け因子によって最適化目標に組み込まれる。 これらの要因は、しばしば消費者の行動や嗜好の動的な性質を見落としている。 本稿では,動的でコンシューマ定義の嗜好に基づいた最適化を念頭に設計した多モードDeep Reinforcement Learning-based HEMS (DRL-HEMS) フレームワークを提案する。 我々の第一の目標は、個々の家電に合わせた動的マルチモードの嗜好を埋め込むことで、需要応答(DR)プログラムへの消費者の関与を強化することである。 本研究では,モデルフリーで単一エージェントのDRLアルゴリズムを利用して,動的なだけでなくユーザフレンドリなHEMSフレームワークを提供する。 有効性を検証するために,電力価格,環境温度,家電の消費電力などの指標を含む実世界のデータを15分間隔で使用した。 その結果, 選好モードの違いによるエネルギー消費の最適化において, モデルの性能は極めて良好であることが示唆された。 さらに、MILP(Mixed-Integer Linear Programming)に基づく従来のアルゴリズムと比較すると、計算効率を向上しながらほぼ最適な性能が得られる。

関連論文リスト

• Green MLOps to Green GenOps: An Empirical Study of Energy Consumption in Discriminative and Generative AI Operations [2.2765705959685234]
  本研究では,実世界のMLOpsパイプラインにおける識別型および生成型AIモデルのエネルギー消費について検討する。 さまざまな構成、モデル、データセットにわたるレプリケーションの容易性を保証するために、ソフトウェアベースのパワー測定を採用しています。
  論文  参考訳（メタデータ） (2025-03-31T10:28:04Z)
• Advancing Generative Artificial Intelligence and Large Language Models for Demand Side Management with Internet of Electric Vehicles [52.43886862287498]
  本稿では,大規模言語モデル(LLM)のエネルギー管理への統合について検討する。 本稿では、自動問題定式化、コード生成、カスタマイズ最適化のために、LLMを検索拡張生成で強化する革新的なソリューションを提案する。 本稿では,電気自動車の充電スケジューリングと最適化における提案手法の有効性を示すケーススタディを提案する。
  論文  参考訳（メタデータ） (2025-01-26T14:31:03Z)
• An LLM-Based Digital Twin for Optimizing Human-in-the Loop Systems [13.388869442538399]
  本稿では,ショッピングモールにおける多様な集団の行動と熱的嗜好を模倣するために,大規模言語モデル(LLM)を用いたケーススタディを提案する。 集約された熱嗜好は、エージェント・イン・ザ・ループに基づく強化学習アルゴリズムであるAitL-RLに統合される。 以上の結果から,LLMは大規模オープンスペース内での複雑な人口移動をシミュレートできることがわかった。
  論文  参考訳（メタデータ） (2024-03-25T14:32:28Z)
• Inferring Preferences from Demonstrations in Multi-Objective Residential Energy Management [3.354345524478023]
  DemoPI(Demonstration-based preference inference)は、この問題を軽減するための有望なアプローチである。 エネルギー顧客の振る舞いと価値を理解することは、選好推論が使えるシナリオの例です。 本研究では,多目的住宅エネルギー消費設定において,動的重みに基づく選好推定法(DWPI)を適用した。
  論文  参考訳（メタデータ） (2024-01-15T14:36:59Z)
• A Human-on-the-Loop Optimization Autoformalism Approach for Sustainability [27.70596933019959]
  本稿では,大規模言語モデル(LLM)を用いたパーソナライズされたエネルギー問題に対する自然な対話的アプローチについて概説する。 我々は,LLMを最適化解決器で強化し,ユーザの仕様や好みを理解し,応答する能力を高める戦略を提唱した。 提案手法は,自然言語タスク仕様を自動で最適化インスタンスに翻訳することで,人間誘導最適化オートフォーマリズムという新しい概念を開拓する。
  論文  参考訳（メタデータ） (2023-08-20T22:42:04Z)
• Learning Implicit Priors for Motion Optimization [105.11889448885226]
  エネルギーベースモデル(EBM)は、表現力のある確率密度分布を表す。 本稿では,EMMを動作最適化に適用するために必要となるモデリングとアルゴリズムの選択について述べる。
  論文  参考訳（メタデータ） (2022-04-11T19:14:54Z)
• 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)
• 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。