Multi-Agent Hierarchical Fuzzy Reinforcement Learning for Cooperative-Competitive Peer-to-Peer Energy Trading With Privacy Preservation
Notice bibliographique
Résumé
The growing integration of distributed energy resources and advancements in communication and information technology have necessitated the development of smart grids with advanced demand response capabilities. This paper proposes a hierarchical reinforcement learning framework integrating intelligent home energy management and a peer-to-peer energy trading community. The low-level policy optimizes home energy management by leveraging a fuzzy actor-critic reinforcement learning algorithm with a centralized-training-decentralized-execution structure. It regulates energy consumption based on Time-of-Use tariffs while considering user dissatisfaction levels. Then, the low-level policy communicates surplus or deficit energy to the high-level policy. The high-level policy employs the fuzzy actor-critic reinforcement learning algorithm under the decentralized-training-decentralized-execution structure, with value decomposition networks to generate a privacy-preserving cooperative-competitive strategy for pricing in a dynamic continuous double auction market. While optimizing individual agent benefits, the high-level policy also fosters cooperation to enhance energy trade within the community. The simulations using the real-world data demonstrate the effectiveness of the low-level policy in managing the energy consumption and determining the required/excessive energy in the market. The comparisons with the purely cooperative and purely competitive markets represent the superiority of the proposed approach in terms of increased load transactions, buyers' cost savings, and sellers' revenue.
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 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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».