文献

J-GLOBAL ID：202202221062754546   整理番号：22A0569101

需要応答における移動学習:データ効率の良いモデリングと制御のためのアルゴリズムのレビュー【JST・京大機械翻訳】

Transfer learning in demand response: A review of algorithms for data-efficient modelling and control

著者 (13件)： Peirelinck Thijs (ESAT, KU Leuven, Kasteelpark Arenberg 10 bus 2445, 3001 Leuven, Belgium) ,  Peirelinck Thijs (AMO, Flemish Institute for Technological Research (VITO), Boeretang 200, 2400 Mol, Belgium) ,  Peirelinck Thijs (AMO, EnergyVille, Thor Park 8310, 3600 Genk, Belgium) ,  Kazmi Hussain (ESAT, KU Leuven, Kasteelpark Arenberg 10 bus 2445, 3001 Leuven, Belgium) ,  Mbuwir Brida V. (AMO, Flemish Institute for Technological Research (VITO), Boeretang 200, 2400 Mol, Belgium) ,  Mbuwir Brida V. (AMO, EnergyVille, Thor Park 8310, 3600 Genk, Belgium) ,  Hermans Chris (AMO, Flemish Institute for Technological Research (VITO), Boeretang 200, 2400 Mol, Belgium) ,  Hermans Chris (AMO, EnergyVille, Thor Park 8310, 3600 Genk, Belgium) ,  Spiessens Fred (AMO, Flemish Institute for Technological Research (VITO), Boeretang 200, 2400 Mol, Belgium) ,  Spiessens Fred (AMO, EnergyVille, Thor Park 8310, 3600 Genk, Belgium) ,  Suykens Johan (ESAT, KU Leuven, Kasteelpark Arenberg 10 bus 2445, 3001 Leuven, Belgium) ,  Deconinck Geert (ESAT, KU Leuven, Kasteelpark Arenberg 10 bus 2445, 3001 Leuven, Belgium) ,  Deconinck Geert (AMO, EnergyVille, Thor Park 8310, 3600 Genk, Belgium)
資料名： Energy and AI  (Energy and AI)
巻： 7  ページ： Null  発行年： 2022年 
JST資料番号： W6432A  ISSN： 2666-5468  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： エネルギー部門のための多くの脱炭素シナリオを,エネルギー需要の同時電化,および再生可能エネルギー源による発電の脱炭素化に関して構築する。しかし,熱および輸送電化による電力需要の増加および再生可能物に関連する変動性は,安定な電力系統運転を混乱させる可能性を有する。需要応答を用いてこれらの問題に取り組むために,研究者と実務家は,機械学習と最適化アルゴリズムを利用する自動意思決定支援ツールに向けてますます変わった。しかし,ナイーブに適用した場合,これらのアルゴリズムは,高いサンプル複雑性に悩まされ,それは,観測データの欠如のため,十分に複雑なモデルに適合することは,しばしば非現実的であることを意味する。最近の進歩は,転送学習のような技術がこの問題に対処でき,教師つき学習と強化学習コンテキストの両方で,それらの性能をかなり改善することを示した。そのような定式化は,スパース観察データに加えて,既存のドメイン知識と人間の専門知識を利用するモデルを可能にする。より形式的に,転送学習は,ソースドメインまたはタスクにおいて得られた知識を用いることにより,ターゲットドメインまたはタスクにおける(学習)性能を増加させることを目的とするすべての技法を具体化する。本論文では,需要応答における転送学習の適用に関する最先端技術の詳細な概観を提供し,様々なタスクにおいて30%を超える改善を示す。今日までのほとんどの研究は,強化学習ベースコントローラがますます注目されているが,電力需要予測の文脈における移動学習に焦点を合わせていることを観測した。しかし,ベンチマークの欠如,系統的性能改善追跡,および負の移動を避けることができる技術に関するコンセンサスを含む,これらの研究には多くの限界が残っている。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  *学習 ,  最適化手法 ,  電力需要 ,  電化 ,  *モデリング ,  住宅 ,  系統運用 ,  定式化 ,  ベンチマーク ,  意思決定支援システム ,  機械学習 ,  強化学習
準シソーラス用語： *需要応答 , 【Automatic Indexing@JST】

著者キーワード (5件)： 需要応答 ,  転移学習 ,  強化学習 ,  レビュー ,  スマートグリッド

分類 (2件)： 電力系統一般  (NB02000E) ,  電力工学・電力事業一般  (NB01000X)

タイトルに関連する用語 (5件)： 需要応答 ,  学習 ,  モデリング ,  アルゴリズム ,  レビュー