Leveraging Time-Causal State Variable Aggregation for Real-Time Schedule of Massive Air Conditioners
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Air conditioner (AC) loads offer promising flexibility for active distribution networks to manage uncertainties, such as those in renewable energy generation, electricity prices, and load demand. However, real-time scheduling of ACs is challenging due to their massive temporal coupling constraints and time-causal uncertainties. To address this, a novel time-causal aggregation-based approximate dynamic programming (TCA-ADP) algorithm is proposed for efficient scheduling. The time-causality requirements for aggregating state variables are first analyzed to align with the real-time sequential decision-making process. Subsequently, an enhanced aggregation model is developed to ensure both high accuracy and adherence to time causality. The aggregation process is further reformulated as a linear program to optimize aggregation parameters and enable tractable computation. Accordingly, the TCA-ADP leverages aggregated state variables to approximate the value function as a new way, balancing computational efficiency and economy against the large value function space of massive ACs. By training the value function offline using historical data, the TCA-ADP efficiently achieves near-optimal real-time scheduling of massive ACs through parallel and closed-form disaggregation. Case studies demonstrate the effectiveness and scalability of the TCA-ADP, highlighting its aggregation accuracy, uncertainty handling, and the trade-off between economy and tractability.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle