論文の概要: Towards Affordable Energy: A Gymnasium Environment for Electric Utility Demand-Response Programs
- arxiv url: http://arxiv.org/abs/2605.12462v1
- Date: Tue, 12 May 2026 17:48:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:57.066184
- Title: Towards Affordable Energy: A Gymnasium Environment for Electric Utility Demand-Response Programs
- Title（参考訳）: 電力需要対応プログラムのためのギムナシウム環境
- Authors: Jose E. Aguilar Escamilla, Lingdong Zhou, Xiangqi Zhu, Huazheng Wang,
- Abstract要約: DR-GymはオープンソースのオンラインGymnasium互換環境である。
当社の環境は、市場レベルの電力設備設定に重点を置いており、電力事業に関連する豊富な観測空間を提供している。
学習信号には多目的報酬関数を用いて多様な学習目標を特定する。
- 参考スコア（独自算出の注目度）: 15.560423769248766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extreme weather and volatile wholesale electricity markets expose residential consumers to catastrophic financial risks, yet demand response at the distribution level remains an underutilized tool for grid flexibility and energy affordability. While a demand-response program can shield consumers by issuing financial credits during high-price periods, optimizing this sequential decision-making process presents a unique challenge for reinforcement learning despite the plentiful offline historical smart meter and wholesale pricing data available publicly. Offline historical data fails to capture the dynamic, interactive feedback loop between an electric utility's pricing signals and customer acceptance and adaptation to a demand-response program. To address this, we introduce DR-Gym, an open-source, online Gymnasium-compatible environment designed to train and evaluate demand-response from the electric utility's perspective. Unlike existing device-level energy simulators, our environment focuses on the market-level electric utility setting and provides a rich observational space relevant to the electric utility. The simulator additionally features a regime-switching wholesale price model calibrated to real-world extreme events, alongside physics-based building demand profiles. For our learning signal, we use a configurable, multi-objective reward function for specifying diverse learning objectives. We demonstrate through baseline strategies and data snapshots the capability of our simulator to create realistic and learnable environments.
- Abstract（参考訳）: 極度の天候と揮発性発電市場は、住宅消費者を壊滅的な金融リスクにさらしているが、流通レベルでの需要応答は、グリッドフレキシビリティとエネルギー価格の未利用ツールとして残されている。
需要応答プログラムは、高価格期間に金融クレジットを発行して消費者を保護できるが、このシーケンシャルな意思決定プロセスの最適化は、多くのオフラインの歴史的スマートメーターや販売価格データを公開しているにもかかわらず、強化学習にユニークな課題を提示する。
オフラインの履歴データは、電力の価格信号と顧客の受け入れと需要応答プログラムへの適応の間の動的でインタラクティブなフィードバックループをキャプチャできない。
そこで我々はDR-Gymを紹介する。DR-GymはオープンソースのGymnasium互換環境である。
既存のデバイスレベルのエネルギーシミュレータと異なり、我々の環境は市場レベルの電力設備設定に重点を置いており、電力事業に関連する豊富な観測空間を提供している。
さらにシミュレータには、物理ベースの建築需要プロファイルに加えて、現実世界の極端なイベントに合わせて調整された、レギュラースイッチングのホールセール価格モデルも備えている。
学習信号には,多様な学習対象を特定するために,構成可能な多目的報酬関数を用いる。
ベースライン戦略とデータスナップショットを通じて、現実的で学習可能な環境を構築するためのシミュレータの能力を実証する。
関連論文リスト
- An Automated Framework for Assessing Electric Vehicle Charging Impacts on a Campus Distribution Grid [0.6978367196609415]
本稿では,カリフォルニア州立大学ノースリッジ校(CSUN)の配電・変圧器に対する電気自動車(EV)充電の影響評価を目的とした,統一的かつ自動化されたフレームワークを提案する。
私たちの主な貢献は、技術的コンピューティングのための高性能プログラミング言語JuliaとEasySimauto.jlパッケージを介してPowerWorld Simulatorを統合する柔軟なテストベッドの開発です。
提案システムは, トランスローディング, フィーダ利用, システム全体のストレスを評価する上で, 有用なツールを提供する。
論文 参考訳（メタデータ） (2025-09-09T01:17:59Z) - Estimating the Unobservable Components of Electricity Demand Response with Inverse Optimization [0.0]
価格に対する電力需要の反応を理解し予測することは、システムオペレーター、小売業者、規制当局にとって重要な活動である。
ソーラー・プラス・ストレージ・システムや電気自動車といった柔軟な資産を持つアクティブ・コンシューマーの出現は、新たな課題をもたらす。
我々は、需要の主成分であるベースロード、フレキシブル、セルフジェネレーションを定義し、それぞれが市場価格信号に対する非線形応答を持つ。
論文 参考訳（メタデータ） (2024-09-17T14:17:31Z) - A Deep Q-Learning based Smart Scheduling of EVs for Demand Response in
Smart Grids [0.0]
本研究では、Deep Q-Learningを利用して、マイクログリッド内におけるEVの充電および排出活動のスケジューリングを行うモデルフリーソリューションを提案する。
我々は,EVスケジューリング動作に対する特定の報酬に基づいて状態の値を評価するためにベルマン方程式を適用し,ニューラルネットワークを用いて利用可能な動作に対するQ値とエプシロングレーディアルゴリズムを用いて,目標エネルギープロファイルを満たすために,エクスプロイトと探索のバランスをとる。
論文 参考訳（メタデータ） (2024-01-05T06:04:46Z) - 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) - Machine learning applications for electricity market agent-based models:
A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。
エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。
我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文 参考訳（メタデータ） (2022-06-05T14:52:26Z) - 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) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳（メタデータ） (2021-02-16T16:56:27Z) - To Talk or to Work: Flexible Communication Compression for Energy
Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。
FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。
フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
論文 参考訳（メタデータ） (2020-12-22T02:54:18Z) - 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) - 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。