論文の概要: A Cherry-Picking Approach to Large Load Shaping for More Effective Carbon Reduction

• arxiv url: http://arxiv.org/abs/2601.17990v1
• Date: Sun, 25 Jan 2026 20:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.572633
• Title: A Cherry-Picking Approach to Large Load Shaping for More Effective Carbon Reduction
• Title（参考訳）: 高効率炭素還元のための大型荷重整形へのチェリーピッキング手法
• Authors: Bokan Chen, Raiden Hasegawa, Adriaan Hilbers, Ross Koningstein, Ana Radovanović, Utkarsh Shah, Gabriela Volpato, Mohamed Ahmed, Tim Cary, Rod Frowd,
• Abstract要約: 本研究では, 直流直流直流最適電力流 (DC-OPF) のキャリブレーションを行い, グリッドCO2排出ガスの負荷形状と電力コストの逆解析を行った。 年次グリッドレベルCO2排出量削減の観点では、LMPベースのシェーピングは他の一般的な戦略よりも優れるが、大幅な改善が可能である。
• 参考スコア（独自算出の注目度）: 1.392465349422406
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Shaping multi-megawatt loads, such as data centers, impacts generator dispatch on the electric grid, which in turn affects system CO2 emissions and energy cost. Substantiating the effectiveness of prevalent load shaping strategies, such as those based on grid-level average carbon intensity, locational marginal price, or marginal emissions, is challenging due to the lack of detailed counterfactual data required for accurate attribution. This study uses a series of calibrated granular ERCOT day-ahead direct current optimal power flow (DC-OPF) simulations for counterfactual analysis of a broad set of load shaping strategies on grid CO2 emissions and cost of electricity. In terms of annual grid level CO2 emissions reductions, LMP-based shaping outperforms other common strategies, but can be significantly improved upon. Examining the performance of practicable strategies under different grid conditions motivates a more effective load shaping approach: one that "cherry-picks" a daily strategy based on observable grid signals and historical data. The cherry-picking approach to power load shaping is applicable to any large flexible consumer on the electricity grid, such as data centers, distributed energy resources and Virtual Power Plants (VPPs).
• Abstract（参考訳）: データセンターなどのマルチメガワット負荷を形成すると、発電機の送電が電力網に影響を与え、システムCO2排出量とエネルギーコストに影響を及ぼす。 グリッドレベル平均炭素強度, 位置限界価格, 限界エミッションに基づくような, 一般的な負荷形成戦略の有効性の実証は, 正確な帰属に要する詳細な反事実データが欠如していることから, 困難である。 本研究では, 直流直流直流最適電力流 (DC-OPF) のキャリブレーションを行った。 年次グリッドレベルCO2排出量削減の観点では、LMPベースのシェーピングは他の一般的な戦略よりも優れるが、大幅な改善が可能である。 異なるグリッド条件下での実践可能な戦略のパフォーマンスを調べることは、より効果的なロードシェーピングアプローチを動機付けます。 電力負荷形成に対するチェリーピッキングアプローチは、データセンター、分散エネルギー資源、仮想電力プラント(VPPs)などの電力グリッド上の大きなフレキシブルな消費者に適用できる。

関連論文リスト

• Diffusion-Modeled Reinforcement Learning for Carbon and Risk-Aware Microgrid Optimization [48.70916202664808]
  DiffCarl(ディフカール)は、マルチマイクログリッドシステムのインテリジェントな操作のための、拡散モデルによる炭素およびリスクを考慮した強化学習アルゴリズムである。 従来のアルゴリズムと最先端のDRLソリューションを2.3-30.1%削減した。 また、炭素を意識しない変種よりも28.7%低い炭素排出量を達成し、性能の変動を減少させる。
  論文  参考訳（メタデータ） (2025-07-22T03:27:07Z)
• Control of Renewable Energy Communities using AI and Real-World Data [0.0]
  本稿では,これらの複雑さを明示的に扱えるよう設計したフレームワークを導入し,シミュレーションと現実のギャップを埋める。 それは、MADDベースのマルチエージェント制御戦略であるEnergAIzeを取り入れ、現実世界のデータ収集、システム統合、ユーザー行動モデリングに関連する課題に特に対処する。
  論文  参考訳（メタデータ） (2025-05-22T22:20:09Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Towards net-zero manufacturing: carbon-aware scheduling for GHG emissions reduction [0.0]
  スコープ2エミッションは、グリッド電力の生産と消費に関連する間接的なエミッションである。 本研究では, スコープ2の排出削減を目的とした, 炭素を意識したフローショップスケジューリングモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-03T09:06:54Z)
• RL for Mitigating Cascading Failures: Targeted Exploration via Sensitivity Factors [17.351232452350967]
  電力網の弾力性と気候変動は互いに強く影響している。 本稿では,グリッドのレジリエンスを高めるための物理インフォームド機械学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T04:34:31Z)
• Centralized vs. Decentralized Multi-Agent Reinforcement Learning for Enhanced Control of Electric Vehicle Charging Networks [1.9188272016043582]
  本稿では,MARL(Multi-Agent Reinforcement Learning)フレームワークを用いた分散・協調型充電戦略の新たなアプローチを提案する。 本手法は, 住宅街におけるEV群を対象としたDDPGアルゴリズムに基づいて構築した。 以上の結果から, CTDE-DDPGフレームワークは, 政策のばらつきや訓練の複雑さが高いにもかかわらず, 総変動率を約36パーセント, 充電コストを平均9.1程度削減することにより, 充電効率を著しく向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-04-18T21:50:03Z)
• Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
  生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。 地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。 本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:12:30Z)
• Transfer Deep Reinforcement Learning-based Large-scale V2G Continuous Charging Coordination with Renewable Energy Sources [5.99526159525785]
  再生可能エネルギーと電力グリッドの安定性を高めるため,V2G技術と大規模スケジューリングアルゴリズムを開発した。 本稿では, 連続充電/放電協調戦略のための深部強化学習法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T13:21:55Z)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
  大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。 本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
  論文  参考訳（メタデータ） (2022-07-21T23:02:35Z)
• 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。