Multi-Agent Reinforcement Learning Based User-Centric Demand Response via Non-Intrusive Load Monitoring
Notice bibliographique
Résumé
In contrast to generation of electricity following demand of electricity, energy demand management at consumer end is termed as Demand Side Management (DSM).DSM encourages energy savings on the demand side by modification of the energy usage pattern.The reduction or shifting of electricity usage during high cost periods for financial incentives is called Demand response (DR).Benefits of DR policies are in terms of energy optimization, grid optimization, power system stability have been researched in detail.But the discomfort that it involves at customer end to change their consumption pattern is generally neglected.The work in this thesis proposes, day ahead user-centric demand response framework for residential house energy management based on multi-agent reinforcement learning to achieve user-centric demand response which also capitalizes on energy efficiency and financial incentives.An appropriate finite Markov decision process (FMDP) with discrete time steps is used to describe the hour-ahead energy consumption scheduling problem under consideration.For this, predicting the next day appliance level load demand, machine learning and non-intrusive load monitoring is used.The previous day is studied to forecast load demand and analysis of operation time of appliances to which optimal appliance scheduling is shared to the consumer.The disaggregation of total demand into appliance level is done by non-intrusive load monitoring (NILM).NILM is a technique for electrical power disaggregation that is affordable and only requires one point of measurement, as is the case with smart meters.The Python-based NILM Toolkit is used iii for case study and it provides various modern methods for disaggregation.Then, each appliance is categorized based on the user feedback into time-shiftable, non-shiftable, power-shiftable appliance.After integrating this appliance feedback, a cost effective algorithm based on the predicted time of operation of appliances, and scheduling of appliances is achieved by multi-agent reinforcement learning.This takes into account the comfort of users while reducing the cost of energy use.This framework is implemented on REFIT dataset which contains data for 2 years of 20 houses in the UK.The dataset contains meter reading both at appliance level and house level.The selected house is house 2 which has 9 appliances which are categorized and the proposed technique is implemented.The results demonstrate the effectiveness of the framework as it reduced energy costs by 15 percent by shifting appliance operation time intervals to off-peak period, while integrating the benefit of both the consumer and the electricity supplier.The results also reveal the reduction in peak demand which is beneficial to the power system stability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».