論文の概要: Capacity-constrained demand response in smart grids using deep reinforcement learning

• arxiv url: http://arxiv.org/abs/2602.16525v1
• Date: Wed, 18 Feb 2026 15:13:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.628666
• Title: Capacity-constrained demand response in smart grids using deep reinforcement learning
• Title（参考訳）: 深部強化学習を用いたスマートグリッドの容量制約需要応答
• Authors: Shafagh Abband Pashaki, Sepehr Maleki, Amir Badiee,
• Abstract要約: 本稿では,住宅用スマートグリッドに対する容量制限型インセンティブに基づく需要応答手法を提案する。 電力網容量制限の維持と、エンドユーザーがエネルギー消費を減らしたりシフトさせたりすることによる混雑防止を目標としている。
• 参考スコア（独自算出の注目度）: 1.5749416770494706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a capacity-constrained incentive-based demand response approach for residential smart grids. It aims to maintain electricity grid capacity limits and prevent congestion by financially incentivising end users to reduce or shift their energy consumption. The proposed framework adopts a hierarchical architecture in which a service provider adjusts hourly incentive rates based on wholesale electricity prices and aggregated residential load. The financial interests of both the service provider and end users are explicitly considered. A deep reinforcement learning approach is employed to learn optimal real-time incentive rates under explicit capacity constraints. Heterogeneous user preferences are modelled through appliance-level home energy management systems and dissatisfaction costs. Using real-world residential electricity consumption and price data from three households, simulation results show that the proposed approach effectively reduces peak demand and smooths the aggregated load profile. This leads to an approximately 22.82% reduction in the peak-to-average ratio compared to the no-demand-response case.
• Abstract（参考訳）: 本稿では,住宅用スマートグリッドに対する容量制限型インセンティブに基づく需要応答手法を提案する。 電力網容量制限の維持と、エンドユーザーがエネルギー消費を減らしたりシフトさせたりすることによる混雑防止を目標としている。 提案手法は,サービス提供者が電力価格と集合住宅負荷に基づいて時給インセンティブ率を調整する階層的アーキテクチャを採用する。 サービスプロバイダとエンドユーザの両方の金銭的利益が明確に考慮されている。 明示的な容量制約の下で、最適なリアルタイムインセンティブレートを学習するために、深い強化学習アプローチが採用されている。 不均一なユーザ嗜好は、家電レベルの家庭用エネルギー管理システムと不満コストによってモデル化される。 実世界の3世帯の電力消費と価格データを用いて,提案手法がピーク需要を効果的に低減し,積算負荷分布を円滑にすることを示した。 これにより、オンデマンド応答の場合と比較してピーク対平均比が約22.82%減少する。

関連論文リスト

• Exploring the Privacy-Energy Consumption Tradeoff for Split Federated Learning [51.02352381270177]
  Split Federated Learning (SFL)は、最近、有望な分散学習技術として登場した。 SFLにおけるカット層の選択は、クライアントのエネルギー消費とプライバシに大きな影響を与える可能性がある。 本稿では、SFLプロセスの概要を概観し、エネルギー消費とプライバシを徹底的に分析する。
  論文  参考訳（メタデータ） (2023-11-15T23:23:42Z)
• Optimal Scheduling of Electric Vehicle Charging with Deep Reinforcement Learning considering End Users Flexibility [1.3812010983144802]
  本研究は、Deep Reinforcement Learning、より具体的にはDeep Q-Networks (DQN)を用いて、家庭のEVコスト削減課金政策を、タイム・オブ・ユース関税方式で識別することを目的とする。 新しいエンドユーザーフレキシビリティ・ポテンシャル報酬は、ソーラー発電の家庭がアルゴリズムの訓練とテストに使われている歴史的データ分析から推測される。
  論文  参考訳（メタデータ） (2023-10-13T12:07:36Z)
• ILB: Graph Neural Network Enabled Emergency Demand Response Program For Electricity [6.123324869194196]
  危機時には、エネルギー需要の予期せぬスパイクを管理するために緊急需要対応プログラムが必要である。 Incentive-Driven Load Balancer (ILB) は,危機時の需要と応答を効率的に管理するプログラムである。 本稿では,参加者選択のための2段階の機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T20:38:04Z)
• Equitable Time-Varying Pricing Tariff Design: A Joint Learning and Optimization Approach [0.0]
  時変価格の関税は、消費者に電力需要のシフトとコスト削減を動機付けるが、応答能力に制限のある消費者のエネルギー負担を増大させる可能性がある。 本稿では,適切な時間変動関税を設計するための共同学習に基づく識別と最適化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-26T20:14:23Z)
• 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)
• 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)
• Dynamic residential load scheduling based on an adaptive consumption level pricing scheme [0.0]
  適応消費水準(ACLPS)に基づく家電の最適スケジューリング手法としてDRLSを提案する。 提案する負荷スケジューリングシステムでは,省エネ化を実現するため,提案したDR料金体系の可利用消費許諾(CA)内でのエネルギー消費の管理が促進される。 ケーススタディでは, ACLPSに基づく住宅負荷スケジューリングシステムにより, 顧客はエネルギー料金を最大53%削減し, ピーク負荷を最大35%削減できる。
  論文  参考訳（メタデータ） (2020-07-23T11:14:39Z)
• Distributed Deep Reinforcement Learning for Intelligent Load Scheduling in Residential Smart Grids [9.208362060870822]
  本研究では,不確実な要因に関する限られた情報を扱う世帯を対象としたモデルフリー手法を提案する。 次に、Pecan Street Inc.の現実世界のデータを使用します。 その結果,ピーク対平均比 (PAR) の約12%, 負荷分散の約11%の低減が達成できた。
  論文  参考訳（メタデータ） (2020-06-29T15:01:51Z)
• 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)

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。