論文の概要: Learning to Price Electricity for Optimal Demand Response
- arxiv url: http://arxiv.org/abs/2610.00755v1
- Date: Wed, 30 Sep 2026 21:50:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.787428
- Title: Learning to Price Electricity for Optimal Demand Response
- Title（参考訳）: 最適需要応答のための電力価格の学習
- Abstract要約: 本稿では,文脈的エネルギー価格設定のためのニューラルネットワークに基づくアルゴリズムを提案する。
制約付きマッピングをコンテキスト特徴から実現可能な価格信号まで学習する。
本研究では,コンテキスト情報を組み込むことで,需要応答プログラムの価値を著しく向上させることができることを示す。
- 参考スコア（独自算出の注目度）: 3.3191225489755705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is considerable interest in using time-varying electricity prices to shape consumer demand response, and better align energy demand with renewable production. However, optimal prices generally vary over time in response to complex signals such as weather forecasts, sunrise/sunset times, and day-of-week patterns; and existing methods are not able to make efficient use of such rich contextual information. Here, we propose a neural-network-based algorithm for contextual energy pricing, modeling pricing as a Stackelberg game and leveraging a mean-field solution representation from Mehrabi et al.~(2024). The approach learns constrained mappings from contextual features to feasible price signals. We validate our approach by simulating the energy grid in several US cities, and show that incorporating contextual information can considerably increase the value of the demand response programs.
- Abstract（参考訳）: エネルギー需要と再生可能エネルギー生産との整合性を高めるため、電力価格の変動が消費者需要の反応を形作ることにかなりの関心がある。
しかし、天気予報や日の出・日の出・平日のパターンといった複雑な信号に応答して、時間とともに最適な価格が変化するのが一般的であり、既存の手法ではそのようなリッチな文脈情報を効率的に利用することはできない。
そこで本研究では,テクスチャによるエネルギー価格設定,Stackelbergゲームとしての価格設定のモデル化,Mehrabi et al ~(2024)の平均解表現の活用を目的としたニューラルネットワークベースのアルゴリズムを提案する。
このアプローチは制約付きマッピングをコンテキストの特徴から実現可能な価格信号まで学習する。
いくつかの米国都市におけるエネルギーグリッドのシミュレーションによるアプローチの検証を行い、文脈情報の導入が需要対応プログラムの価値を大幅に向上させることを示す。
関連論文リスト
- Towards Affordable Energy: A Gymnasium Environment for Electric Utility Demand-Response Programs [15.560423769248766]
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。
論文 参考訳（メタデータ） (2026-05-12T17:48:45Z) - Online Dynamic Pricing of Complementary Products [45.90621357073487]
本稿では,製品需要間の正負の相互作用を考慮したオンライン学習アルゴリズムを提案する。
当社のソリューションは、このようなインタラクションを無視した、同等の学習アルゴリズムであるWr.t.を改良する。
論文 参考訳（メタデータ） (2025-11-27T10:12:51Z) - DemandCast: Global hourly electricity demand forecasting [0.0]
このモデルは、過去の電力需要と包括的な気象と社会経済の変数を統合し、正規化された電力需要プロファイルを予測する。
我々のアプローチは正確でスケーラブルな需要予測を提供し、エネルギーシステムプランナーや政策立案者に貴重な洞察を与えます。
論文 参考訳（メタデータ） (2025-10-09T09:39:06Z) - 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) - Decentralized and Privacy-Preserving Learning of Approximate Stackelberg
Solutions in Energy Trading Games with Demand Response Aggregators [11.848311235517407]
需要応答アグリゲータとプロシューマーの間でエネルギーを双方向に交換する新しいStackelbergゲーム理論フレームワークが提案されている。
この定式化により、フレキシブルなエネルギー仲裁と追加の金銭的報酬が可能となり、消費者の望む日々のエネルギー需要が満たされることが保証される。
論文 参考訳（メタデータ） (2023-04-04T19:33:00Z) - 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) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳（メタデータ） (2022-04-16T12:03:52Z) - An Experimental Design Perspective on Model-Based Reinforcement Learning [73.37942845983417]
環境からの状態遷移を観察するのは費用がかかる。
標準RLアルゴリズムは通常、学習するために多くの観測を必要とする。
本稿では,マルコフ決定過程について,状態-作用対がどの程度の情報を提供するかを定量化する獲得関数を提案する。
論文 参考訳（メタデータ） (2021-12-09T23:13:57Z) - Data-driven battery operation for energy arbitrage using rainbow deep
reinforcement learning [1.8175650854482457]
モデルフリーの深部強化学習アルゴリズムであるRainbow Deep Q-Networksは、小さなマイクログリッドのバッテリーを制御するために使用される。
このグリッドは、キール大学で収集されたデータセットに基づいて、独自の需要と再生可能世代で運用されている。
論文 参考訳（メタデータ） (2021-06-10T21:27:35Z) - 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) - Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。
本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-06T05:36:57Z)
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。