論文の概要: Peer-to-Peer Energy Trading in Dairy Farms using Multi-Agent Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2511.23148v1
• Date: Fri, 28 Nov 2025 12:53:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.896369
• Title: Peer-to-Peer Energy Trading in Dairy Farms using Multi-Agent Reinforcement Learning
• Title（参考訳）: マルチエージェント強化学習を用いた乳牛のピアツーピアエネルギートレーディング
• Authors: Mian Ibad Ali Shah, Marcos Eduardo Cruz Victorio, Maeve Duffy, Enda Barrett, Karl Mason,
• Abstract要約: 農村部における再生可能エネルギー資源の統合により、P2P(Peer-to-Peer)エネルギートレーディングによる分散型エネルギー管理が可能になる。 本研究は、効率的なエネルギー分配におけるP2Pトレーディングの役割と高度な最適化手法との相乗効果を明らかにする。
• 参考スコア（独自算出の注目度）: 1.7616042687330642
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The integration of renewable energy resources in rural areas, such as dairy farming communities, enables decentralized energy management through Peer-to-Peer (P2P) energy trading. This research highlights the role of P2P trading in efficient energy distribution and its synergy with advanced optimization techniques. While traditional rule-based methods perform well under stable conditions, they struggle in dynamic environments. To address this, Multi-Agent Reinforcement Learning (MARL), specifically Proximal Policy Optimization (PPO) and Deep Q-Networks (DQN), is combined with community/distributed P2P trading mechanisms. By incorporating auction-based market clearing, a price advisor agent, and load and battery management, the approach achieves significant improvements. Results show that, compared to baseline models, DQN reduces electricity costs by 14.2% in Ireland and 5.16% in Finland, while increasing electricity revenue by 7.24% and 12.73%, respectively. PPO achieves the lowest peak hour demand, reducing it by 55.5% in Ireland, while DQN reduces peak hour demand by 50.0% in Ireland and 27.02% in Finland. These improvements are attributed to both MARL algorithms and P2P energy trading, which together results in electricity cost and peak hour demand reduction, and increase electricity selling revenue. This study highlights the complementary strengths of DQN, PPO, and P2P trading in achieving efficient, adaptable, and sustainable energy management in rural communities.
• Abstract（参考訳）: 農業社会などの農村部における再生可能エネルギー資源の統合は、P2P(Peer-to-Peer)エネルギートレーディングによる分散型エネルギー管理を可能にしている。 本研究は、効率的なエネルギー分配におけるP2Pトレーディングの役割と高度な最適化手法との相乗効果を明らかにする。 従来のルールベースの手法は、安定した条件下ではうまく機能するが、動的環境では苦労する。 これを解決するために、MARL(Multi-Agent Reinforcement Learning)、特にPPO(Proximal Policy Optimization)とDQN(Deep Q-Networks)は、コミュニティ/分散P2Pトレーディング機構と組み合わせられている。 オークションベースの市場クリアリング、価格アドバイザ、負荷およびバッテリー管理を取り入れることで、アプローチは大幅に改善される。 その結果、ベースラインモデルと比較して、DQNはアイルランドで14.2%、フィンランドで5.16%、電力収入で7.24%、そして12.73%となっている。 PPOはアイルランドで55.5%減少し、DQNはアイルランドで50.0%、フィンランドで27.02%減少している。 これらの改善は、MARLアルゴリズムとP2Pエネルギー取引の両方に起因する。 本研究は,農村部におけるDQN,PPO,P2P取引の効率,適応性,持続的なエネルギー管理を実現するための補完的強みを強調した。

関連論文リスト

• ML-Based Bidding Price Prediction for Pay-As-Bid Ancillary Services Markets: A Use Case in the German Control Reserve Market [45.62331048595689]
  本稿では,ドイツ支配予備市場を中心に,従量制サービス市場における入札価格の予測手法を提案する。 サポートベクトル回帰、決定木、k-Nearest Neighborsなど、さまざまな機械学習モデルを評価し、ベンチマークモデルと比較する。 分析の結果,提案手法はベースラインモデルと比較して27.43%から37.31%に改善することが示された。
  論文  参考訳（メタデータ） (2025-03-21T15:21:43Z)
• Reinforcement Learning Enabled Peer-to-Peer Energy Trading for Dairy Farms [1.2289361708127877]
  本研究の目的は、ピアツーピア市場で余剰再生可能エネルギーを販売できるようにすることにより、伝統的な電力網への農作物の依存度を下げることである。 The Multi-Agent Peer-to-Peer Dairy Farm Energy Simulator (MAPDES) has developed to experiment with Reinforcement Learning techniques。 シミュレーションでは、電力コストの43%削減、ピーク需要の42%削減、エネルギー販売の1.91%増加など、大幅なコスト削減が示されている。
  論文  参考訳（メタデータ） (2024-05-21T12:19:17Z)
• Peer-to-Peer Energy Trading of Solar and Energy Storage: A Networked Multiagent Reinforcement Learning Approach [5.671124014371425]
  我々は,ソーラーPVとエネルギー貯蔵資源の消費者の入札と管理を自動化するために,マルチエージェント強化学習(MARL)フレームワークを提案する。 我々は、MARLフレームワークが物理的ネットワーク制約を統合して電圧制御を実現し、P2Pエネルギートレーディングの物理的実現性を確保する方法を示す。
  論文  参考訳（メタデータ） (2024-01-25T05:05:55Z)
• A Multi-Agent Systems Approach for Peer-to-Peer Energy Trading in Dairy Farming [3.441021278275805]
  ピアツーピア市場に参加することができるマルチエージェント型ピーリーファームエネルギーシミュレータ(MAPDES)を提案する。 我々の戦略は、電力コストとピーク需要をそれぞれ約30%、ピーク需要を24%削減し、ベースラインシナリオと比較してエネルギー販売を37%増加させます。
  論文  参考訳（メタデータ） (2023-08-21T13:22:20Z)
• 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)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• 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)
• 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)
• Towards a Peer-to-Peer Energy Market: an Overview [68.8204255655161]
  本研究は, 電力市場を中心に, 現状と, プロシューマーによる分散型自己生成能力の増大傾向を比較した。 我々はP2P(Peer-to-Peer)エネルギー市場のための潜在的多層アーキテクチャを導入し、マイクログリッドの一部として、地域生産と地域消費の基本的な側面について議論する。 読者に全体像を示すため、スマートコントラクトやグリッド安定性といったエネルギー取引の関連要素についても精査する。
  論文  参考訳（メタデータ） (2020-03-02T20:32:10Z)

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。