論文の概要: Optimized Renewable Energy Planning MDP for Socially-Equitable Electricity Coverage in the US
- arxiv url: http://arxiv.org/abs/2509.00008v1
- Date: Fri, 15 Aug 2025 04:56:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-07 09:10:15.236063
- Title: Optimized Renewable Energy Planning MDP for Socially-Equitable Electricity Coverage in the US
- Title（参考訳）: 米国における社会的に平等な電力被覆のための最適再生可能エネルギー計画MDP
- Authors: Riya Kinnarkar, Mansur Arief,
- Abstract要約: 本研究では、再生可能エネルギー割り当てを最適化するマルコフ決定プロセスフレームワークを開発する。
電気流通における社会的株式の懸念に明示的に対処する。
その結果、株式中心の最適化は32.9%の再生可能エネルギーの浸透を実現し、低所得層を55%削減できることがわかった。
- 参考スコア（独自算出の注目度）: 0.9668407688201359
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional power grid infrastructure presents significant barriers to renewable energy integration and perpetuates energy access inequities, with low-income communities experiencing disproportionately longer power outages. This study develops a Markov Decision Process (MDP) framework to optimize renewable energy allocation while explicitly addressing social equity concerns in electricity distribution. The model incorporates budget constraints, energy demand variability, and social vulnerability indicators across eight major U.S. cities to evaluate policy alternatives for equitable clean energy transitions. Numerical experiments compare the MDP-based approach against baseline policies including random allocation, greedy renewable expansion, and expert heuristics. Results demonstrate that equity-focused optimization can achieve 32.9% renewable energy penetration while reducing underserved low-income populations by 55% compared to conventional approaches. The expert policy achieved the highest reward, while the Monte Carlo Tree Search baseline provided competitive performance with significantly lower budget utilization, demonstrating that fair distribution of clean energy resources is achievable without sacrificing overall system performance and providing ways for integrating social equity considerations with climate goals and inclusive access to clean power infrastructure.
- Abstract（参考訳）: 従来の電力グリッドインフラは、再生可能エネルギーの統合とエネルギーアクセスの不平等の持続に重要な障壁をもたらし、低所得コミュニティは不均等に長い停電を経験している。
本研究は, 電気配電における社会的問題に対処しつつ, 再生可能エネルギー配分を最適化するためのマルコフ決定プロセス(MDP)フレームワークを開発する。
このモデルは、予算の制約、エネルギー需要の変動性、社会的な脆弱性の指標を8つの主要都市に含み、公平なクリーンエネルギー移行のための政策代替案を評価する。
数値実験は、ランダムアロケーション、グリーディ再生可能拡張、エキスパートヒューリスティックスを含むベースラインポリシーに対するMDPベースのアプローチを比較した。
その結果、従来の手法に比べて低所得層を55%減らしながら、株式中心の最適化が32.9%の再生可能エネルギーの浸透を達成できることが示されている。
一方、モンテカルロ・ツリー・サーチのベースラインは、クリーンエネルギー資源の公平な分配がシステム全体の性能を犠牲にすることなく達成可能であることを示し、気候目標と社会的平等を統合し、クリーン電力インフラへの包括的アクセスを可能にすることを実証した。
関連論文リスト
- Who cuts emissions, who turns up the heat? causal machine learning estimates of energy efficiency interventions [0.0]
英国住宅の全国的代表データに基づいて学習した因果機械学習モデルを用いる。
壁絶縁のガス消費に対する平均的および条件的処理効果を推定した。
低エネルギー負荷群は大幅な貯蓄を達成する一方、高いエネルギー負荷を経験する群は、ほとんど、あるいは全く減少しない。
論文 参考訳（メタデータ） (2025-08-06T14:29:38Z) - An Explainable Equity-Aware P2P Energy Trading Framework for Socio-Economically Diverse Microgrid [0.0]
本稿では、多目的混合整数線形プログラミング(MILP)、協調ゲーム理論、強化学習(RL)によって駆動される動的エクイティ調整機構を統合する新しいフレームワークを提案する。
この枠組みは、最大72.6%のピーク需要削減と、大きな協力的な利益を示す。
論文 参考訳（メタデータ） (2025-07-24T18:38:51Z) - A Reinforcement Learning Approach for Optimal Control in Microgrids [43.122212629962235]
マイクログリッドは、エネルギー発生、貯蔵、分散に対する局所的な制御を可能にすることで、有望なソリューションを提供する。
本稿では,マイクログリッドエネルギー管理を最適化するための新しい強化学習手法を提案する。
論文 参考訳（メタデータ） (2025-06-28T20:10:00Z) - Combating Uncertainties in Wind and Distributed PV Energy Sources Using
Integrated Reinforcement Learning and Time-Series Forecasting [2.774390661064003]
再生可能エネルギーの予測不能は 電力供給会社や電力会社に 課題をもたらします
i)Long-Short Term Memory (LSTM) ソリューションを用いた時系列予測と,(ii)Deep Deterministic Policy Gradient (DDPG)アルゴリズムを用いたマルチエージェント強化学習による分散動的意思決定フレームワークの確立という,スマートグリッドにおける再生可能エネルギーの不確実性に対処する新たなフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-27T19:12:50Z) - Predict+Optimize Problem in Renewable Energy Scheduling [31.032838966665828]
本稿では IEEE-CIS Technical Challenge on Predict+ for Renewable Energy Scheduling のソリューションをベンチマークする。
光GBMアンサンブルを用いた最適化手法は、少なくとも2%のエネルギーコスト削減を実現した。
この研究の新規性は、現実の再生可能エネルギースケジューリング問題に適用される予測+方法論の包括的評価にある。
論文 参考訳（メタデータ） (2022-12-21T02:34:12Z) - 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) - 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) - 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。