論文の概要: DRP-FLR: Data-Driven Assessment of Demand Response Potential for Flexible Load Regulation in Smart Grids

• arxiv url: http://arxiv.org/abs/2607.22590v1
• Date: Wed, 10 Jun 2026 08:16:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.980756
• Title: DRP-FLR: Data-Driven Assessment of Demand Response Potential for Flexible Load Regulation in Smart Grids
• Title（参考訳）: DRP-FLR:スマートグリッドにおけるフレキシブル負荷制御のための需要応答電位のデータ駆動評価
• Abstract要約: AIワークロードと再生可能エネルギーリソースの急速な成長は、電力システムの需給不均衡を悪化させる。 従来の負荷規制は、スマートグリッドにおける負荷制御性を実現するために、要求応答メカニズムを効率よく割り当てず、動機づけるように設計されている。 本稿では, DR利用, 参加型経済的利益, 再生可能宿泊施設を共同で最適化し, 需給バランスと経済実現可能性を高めることを提案する。
• 参考スコア（独自算出の注目度）: 11.669256895040531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth of AI workloads and renewable energy resources exacerbates supply-demand imbalance in power systems, making traditional load regulation designed for efficient allocation inadequate and motivating demand response (DR) mechanisms to enable load controllability in smart grids. However, existing DR-oriented approaches either focus on optimizing electricity cost or occupant comfort with limited benefit to system-level balance. Others overlook the diverse and dynamic consumption patterns of heterogeneous energy entities, leading to significant over- or under-regulation. Therefore, we propose DRP-FLR. First, DRP-FLR achieves accurate short-term load forecasting by embedding exogenous knowledge (e.g., entity information, prediction time) into historical load representations. Next, it constructs entity-specific load-pattern profiles by clustering historical load curves, and estimates DR potential by matching forecasted loads with pattern profiles. Finally, DRP-FLR formulates flexible load regulation as a mixed-integer optimization problem and solves it with an MILP solver to jointly optimize DR utilization, participant economic benefit, and renewable accommodation, while enforcing supply-demand balance and economic feasibility. Experiments on a regional grid and a campus microgrid show that DRP-FLR reduces regulation deviation by 36.63%-91.87% and improves participant benefit by 44.66% on average.
• Abstract（参考訳）: AIワークロードと再生可能エネルギーリソースの急速な成長は、電力システムの需給不均衡を悪化させ、スマートグリッドにおける負荷制御を可能にするために、要求応答(DR)メカニズムの効率的な割り当てとモチベーションのために設計された従来の負荷規制を実現する。 しかし、既存のDR指向アプローチは、電力コストの最適化や、システムレベルのバランスに制限のある快適さに重点を置いている。 ヘテロジニアスエネルギーの多様で動的な消費パターンを見落とし、過剰あるいは過度な規制へと繋がる。 そこで我々はDRP-FLRを提案する。 まず、DRP-FLRは、外因性知識(例えば、エンティティ情報、予測時間)を歴史的負荷表現に埋め込むことで、正確な短期負荷予測を実現する。 次に、履歴負荷曲線をクラスタリングすることで、エンティティ固有の負荷パターンプロファイルを構築し、予測負荷とパターンプロファイルとのマッチングによりDR電位を推定する。 最後に、DRP-FLRは、混合整数最適化問題として柔軟な負荷規制を定式化し、MILPソルバを用いてDR利用、参加経済利益、再生可能宿泊を共同で最適化し、需給バランスと経済実現性を高めながら解決する。 地域グリッドとキャンパスのマイクログリッドの実験では、DRP-FLRは規制偏差を36.63%-91.87%削減し、参加者の利益を44.66%改善している。

関連論文リスト

• Tackling Length Inflation Without Trade-offs: Group Relative Reward Rescaling for Reinforcement Learning [74.5532558466687]
  群 Relative Reward Rescaling (GR$3$) は、一般的な、連続かつ報酬に依存したゲーティング機構である。 GR$3$は、標準のGRPOに匹敵するトレーニングダイナミクスとダウンストリームのパフォーマンスを維持する。 それは長さのインフレーションを著しく軽減し、最先端の長周期正規化ベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-03-11T08:41:34Z)
• Unbiased Dynamic Pruning for Efficient Group-Based Policy Optimization [60.87651283510059]
  Group Relative Policy Optimization (GRPO) はLLM推論を効果的にスケールするが、計算コストは禁じている。 本研究では,非バイアス勾配推定を保ちながら動的プルーニングを可能にする動的プルーニングポリシー最適化(DPPO)を提案する。 刈り込みによって引き起こされるデータの空間性を軽減するため,ウィンドウベースの欲求戦略であるDense Prompt Packingを導入する。
  論文  参考訳（メタデータ） (2026-03-04T14:48:53Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• WS-GRPO: Weakly-Supervised Group-Relative Policy Optimization for Rollout-Efficient Reasoning [67.45237332694025]
  グループ相対政策最適化は、複雑な推論に基づいて言語モデルを訓練するのに効果的である。 Weakly Supervised GRPOを提案し、端末報酬を正当性を考慮したガイダンスに変換することにより、ロールアウト効率を向上させる。
  論文  参考訳（メタデータ） (2026-02-19T02:43:35Z)
• PREIG: Physics-informed and Reinforcement-driven Interpretable GRU for Commodity Demand Forecasting [27.542312745632458]
  PreIGは、商品需要予測に適した新しいディープラーニングフレームワークである。 このモデルは、Gated Recurrent Unit(GRU)アーキテクチャを物理インフォームドニューラルネットワーク(PINN)の原則と一意に統合する。
  論文  参考訳（メタデータ） (2025-07-29T11:38:07Z)
• Load Forecasting in the Era of Smart Grids: Opportunities and Advanced Machine Learning Models [0.0]
  電力の貯蔵は困難であり、発電、送電、配電をより厳格に制御する必要がある。 本論文では,短期負荷予測のための4つの機械学習フレームワークについて検討・評価する。 さらに、Long Short Term Memory(LSTM)ネットワークとGated Recurrent Units(GRU)という2つのリカレントニューラルネットワークアーキテクチャを設計、実装している。
  論文  参考訳（メタデータ） (2025-05-14T09:19:47Z)
• Optimization Hyper-parameter Laws for Large Language Models [52.49860340549727]
  ハイパーパラメータとトレーニング結果の関係をキャプチャするフレームワークであるOps-Lawsを提案する。 さまざまなモデルサイズとデータスケールにわたる検証は、Opt-Lawsのトレーニング損失を正確に予測する能力を示しています。 このアプローチは、全体的なモデル性能を高めながら、計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2024-09-07T09:37:19Z)
• On the Impact of PRB Load Uncertainty Forecasting for Sustainable Open RAN [2.526444902695476]
  持続可能なOpen Radio Access Network(O-RAN)アーキテクチャへの移行は、リソース管理に新たな課題をもたらす。 本稿では,確率的予測手法を用いて物理資源ブロック(PRB)負荷を特徴付ける新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T15:25:20Z)
• 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)
• Incentivising Demand Side Response through Discount Scheduling using Hybrid Quantum Optimization [3.6021182997326022]
  デマンドサイド・レスポンス(Demand Side Response, DSR)は、消費者が電気需要の管理に積極的に参加できるようにする戦略である。 本稿では,D-Wave の Leap Hybrid Cloud ランタイムを用いたハイブリッド量子コンピューティング手法を提案する。 古典的分解法は, 最大3200人の消費者が抱える問題に対して, 最高の総合的再検診品質が得られることを観察する。
  論文  参考訳（メタデータ） (2023-09-11T14:44:12Z)
• 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)
• Optimized cost function for demand response coordination of multiple EV charging stations using reinforcement learning [6.37470346908743]
  我々は、複数の充電ステーションを同時に調整するマルコフ決定プロセス(MDP)に基づいて、RLに関する以前の研究に基づいて構築する。 我々は、基本的に、学習した制御ポリシーに対して、柔軟性を提供しない充電需要を常に満たすよう強制するコスト関数の改善を提案する。 提案したバッチRLのQ-iteration実装を,実世界のデータを用いて,オリジナル(コスト)のQ-iteration実装と厳密に比較する。
  論文  参考訳（メタデータ） (2022-03-03T11:22:27Z)

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。