論文の概要: Evolutionary model for energy trading in community microgrids using Hawk-Dove strategies
- arxiv url: http://arxiv.org/abs/2506.06325v1
- Date: Fri, 30 May 2025 13:04:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 03:13:19.061842
- Title: Evolutionary model for energy trading in community microgrids using Hawk-Dove strategies
- Title（参考訳）: ホーク・ドブ戦略を用いた地域マイクログリッドにおけるエネルギー取引の進化モデル
- Authors: Viorica Rozina Chifu, Tudor Cioara, Cristina Bianca Pop, Ionut Anghel,
- Abstract要約: 本稿では,マイクログリッド間のエネルギー協力の分散モデルを提案する。
決定はマイクログリッドコミュニティのレベルで局所的に行われる。
マイクログリッドの販売と購入の相互作用は、進化的アルゴリズムによってモデル化される。
- 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: This paper proposes a decentralized model of energy cooperation between microgrids, in which decisions are made locally, at the level of the microgrid community. Each microgrid is modeled as an autonomous agent that adopts a Hawk or Dove strategy, depending on the level of energy stored in the battery and its role in the energy trading process. The interactions between selling and buying microgrids are modeled through an evolutionary algorithm. An individual in the algorithm population is represented as an energy trading matrix that encodes the amounts of energy traded between the selling and buying microgrids. The population evolution is achieved by recombination and mutation operators. Recombination uses a specialized operator for matrix structures, and mutation is applied to the matrix elements according to a Gaussian distribution. The evaluation of an individual is made with a multi-criteria fitness function that considers the seller profit, the degree of energy stability at the community level, penalties for energy imbalance at the community level and for the degradation of microgrids batteries. The method was tested on a simulated scenario with 100 microgrids, each with its own selling and buying thresholds, to reflect a realistic environment with variable storage characteristics of microgrids batteries. By applying the algorithm on this scenario, 95 out of the 100 microgrids reached a stable energy state. This result confirms the effectiveness of the proposed model in achieving energy balance both at the individual level, for each microgrid, and at the level of the entire community.
- Abstract（参考訳）: 本稿では,マイクログリッドコミュニティのレベルで,局所的に決定を行うマイクログリッド間のエネルギー協力の分散モデルを提案する。
各マイクログリッドは、電池に蓄えられたエネルギーのレベルとエネルギー取引プロセスにおけるその役割に応じて、ホークまたはドーブ戦略を採用する自律エージェントとしてモデル化される。
マイクログリッドの販売と購入の相互作用は、進化的アルゴリズムによってモデル化される。
アルゴリズム人口の個人は、マイクログリッドの販売と購入の間で取引されるエネルギーの量をエンコードするエネルギー取引行列として表される。
集団の進化は組換えと突然変異演算子によって達成される。
組換えは行列構造に特別な演算子を使用し、ガウス分布に従って行列要素に突然変異が適用される。
個人の評価は、販売者利益、地域レベルでのエネルギー安定度、地域レベルでのエネルギー不均衡に対する罰則、およびマイクログリッド電池の劣化を考慮した多条件適合機能を用いて行われる。
本手法は,100マイクログリッドをそれぞれ販売・購入しきい値を持つ模擬シナリオを用いて,マイクログリッド電池の貯蔵特性が変化する現実的な環境を反映して実験を行った。
このシナリオにアルゴリズムを適用することで、100マイクログリッドのうち95個が安定なエネルギー状態に達した。
この結果から, 各マイクログリッドのエネルギー収支とコミュニティ全体のエネルギー収支の両面において, 提案モデルの有効性が検証された。
関連論文リスト
- Lossy Micromaser Battery: Almost Pure States in the Jaynes-Cummings
Regime [0.0]
量子電池のマイクロメーザモデルを考えると、電池は空洞内の電磁界の単一モードであり、キュービットのストリームとの繰り返し相互作用によって充電される。
我々は、モデルパラメータの一般的な値に対して、効果的な純粋定常状態が達成されるという点において、コヒーレントプロトコルが非コヒーレントプロトコルよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-12-27T09:04:16Z) - Deep Reinforcement Learning Microgrid Optimization Strategy Considering
Priority Flexible Demand Side [6.129841305145217]
マイクログリッドは主に、DERの小規模なボラティリティ、不確実性、断続性、需要側不確実性といった問題に直面している。
従来のマイクログリッドは単一形態であり、複雑な需要側とマイクログリッド間の柔軟なエネルギー供給に対応できない。
本稿では,TCLとESSの各ユニットコンポーネントの応答優先度を,マイクログリッドの全体環境操作に基づいて検討する。
論文 参考訳（メタデータ） (2022-11-11T01:43:10Z) - Energy Pricing in P2P Energy Systems Using Reinforcement Learning [36.244907785240876]
消費者側の再生可能エネルギーの増加は、エネルギーグリッドの新たなダイナミクスに取って代わる。
このようなシナリオでは、分散再生可能エネルギー発生器の性質とエネルギー消費は、エネルギーの購入と販売の公正価格を定義する複雑さを増大させる。
我々は,マイクログリッドのすべてのコンポーネントの利益を最大化する価格を設定するためにエージェントを訓練することにより,この問題を解決するための強化学習フレームワークを導入する。
論文 参考訳（メタデータ） (2022-10-24T19:21:10Z) - Efficient Model-based Multi-agent Reinforcement Learning via Optimistic
Equilibrium Computation [93.52573037053449]
H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。
自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
論文 参考訳（メタデータ） (2022-03-14T17:24:03Z) - DQMIX: A Distributional Perspective on Multi-Agent Reinforcement
Learning [122.47938710284784]
協調的マルチエージェントタスクでは、エージェントのチームがアクションを取り、報酬を受け取り、次の状態を観察し、環境と共同で対話する。
既存の価値に基づく多エージェント強化学習手法のほとんどは、個々のQ値とグローバルQ値の期待をモデル化するのみである。
論文 参考訳（メタデータ） (2022-02-21T11:28:00Z) - 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) - Exploring market power using deep reinforcement learning for intelligent
bidding strategies [69.3939291118954]
キャパシティが1年の平均的な電力価格に影響を及ぼすことがわかりました。
$sim$25%と$sim$11%の値は、市場構造と国によって異なる可能性がある。
平均市場価格の約2倍の市場上限の使用は、この効果を著しく減少させ、競争力のある市場を維持する効果があることを観察する。
論文 参考訳（メタデータ） (2020-11-08T21:07:42Z) - Cyberattack on the Microgrids Through Price Modification [0.0]
本研究では,マイクログリッドから独立して動作できることから,マイクログリッドに対する電気攻撃の価格変動の影響について検討する。
この攻撃は、1)メイングリッドからマイクログリッドを分離する(アイランディング)と、2)マイクログリッド内のノードを障害する、という2つの段階から構成される。
論文 参考訳（メタデータ） (2020-05-15T17:14:45Z) - Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning
for Smart Grids [56.35173057183362]
家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。
目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。
マルコフゲームとしてスマートグリッド環境の定式化を提案する。
論文 参考訳（メタデータ） (2020-05-05T07:32:40Z) - 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。