Integration of Multi-Mode Preference into Home Energy Management System Using Deep Reinforcement Learning

要約

家庭用エネルギー管理システム（HEMS）は、エネルギー効率を高め、コストを削減し、ユーザーの快適性を向上させることを目的とした、スマートホームエコシステムにおける極めて重要なツールとして登場した。家庭のエネルギー消費のインテリジェントな制御と最適化を可能にすることで、HEMSは消費者のニーズとエネルギー・ユーティリティの目標とのギャップを埋める重要な役割を果たしている。しかし、既存の文献の多くは、消費者の快適性を標準的な家電製品の設定からの単なる逸脱として解釈している。このような偏差は、通常、静的な重み付け係数によって最適化目標に組み込まれます。これらの要素は、消費者の行動や嗜好の動的な性質を見落としていることが多い。この見落としに対処するため、本稿では、消費者が定義した動的な嗜好に基づいて最適化するように綿密に設計された、マルチモードの深層強化学習ベースのHEMS（DRL-HEMS）フレームワークを紹介する。我々の主な目的は、個々の家電製品に合わせた動的なマルチモード嗜好を組み込むことで、需要応答（DR）プログラムへの消費者の関与を強化することである。本研究では、モデルフリーの単一エージェントDRLアルゴリズムを活用し、動的なだけでなくユーザーフレンドリーなHEMSフレームワークを実現します。その有効性を検証するために、電気料金、周囲温度、家電製品の消費電力などの指標を含む15分間隔の実世界データを採用した。その結果、このモデルは、さまざまな嗜好モードにおけるエネルギー消費の最適化において、非常に優れた性能を発揮することがわかった。さらに、混合整数線形計画法（MILP）に基づく従来のアルゴリズムと比較した場合、我々のモデルは、計算効率で勝る一方で、ほぼ最適な性能を達成している。

要約(オリジナル)

Home Energy Management Systems (HEMS) have emerged as a pivotal tool in the smart home ecosystem, aiming to enhance energy efficiency, reduce costs, and improve user comfort. By enabling intelligent control and optimization of household energy consumption, HEMS plays a significant role in bridging the gap between consumer needs and energy utility objectives. However, much of the existing literature construes consumer comfort as a mere deviation from the standard appliance settings. Such deviations are typically incorporated into optimization objectives via static weighting factors. These factors often overlook the dynamic nature of consumer behaviors and preferences. Addressing this oversight, our paper introduces a multi-mode Deep Reinforcement Learning-based HEMS (DRL-HEMS) framework, meticulously designed to optimize based on dynamic, consumer-defined preferences. Our primary goal is to augment consumer involvement in Demand Response (DR) programs by embedding dynamic multi-mode preferences tailored to individual appliances. In this study, we leverage a model-free, single-agent DRL algorithm to deliver a HEMS framework that is not only dynamic but also user-friendly. To validate its efficacy, we employed real-world data at 15-minute intervals, including metrics such as electricity price, ambient temperature, and appliances’ power consumption. Our results show that the model performs exceptionally well in optimizing energy consumption within different preference modes. Furthermore, when compared to traditional algorithms based on Mixed-Integer Linear Programming (MILP), our model achieves nearly optimal performance while outperforming in computational efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL