Adaptive Resource Management for a Virtualized Computing Platform within Edge Computing
在虚拟化计算平台中，能量消耗与计算加通信过程有关。然而，大多数文献中提出的能耗模型和节能解决方案只考虑活动的虚拟机（VM），因此，整体运行能耗通常只与计算过程有关。为了解决这个缺点，在本文中，我们考虑了计算加通信的能量模型，在多访问边缘计算（MEC）范式中，然后提出了一种基于流量工程和MEC位置服务的在线服务器管理算法与能量收集（EH）功能的组合，称为能量感知服务器的自动资源控制器（ARCES），用于自动缩放和重新配置计算加通信资源。主要目标是在硬的每任务延迟约束（即，服务质量（QoS））。ARCES联合执行（i）短期服务器需求和收获的太阳能预测，（ii）VM软缩放、工作负载和处理速率分配，以及最后，（iii）打开/关闭传输驱动器（即，快速可调谐激光器）与位置感知流量调度相结合。我们的数值计算结果表明，ARCES实现了平均69%的节能，和从31%-45%和从21%-25%的能源消耗范围内的每虚拟机的重新配置成本的不同值，相对于没有能源管理的情况下，应用。
2019-06-12 cs.SY eess.SY
Energy-aware Resource Management for Federated Learning in Multi-access Edge Computing Systems
在联邦学习（FL）中，通过鼓励移动用户在其本地数据上执行模型训练并以迭代方式聚合输出的本地模型参数来开发全局统计模型。然而，由于移动设备的能量和计算能力有限，为了满足局部能量最小化的目标，模型训练的性能总是岌岌可危。在这方面，支持多访问边缘计算（MEC）的FL通过允许用户将其本地数据集的一部分卸载到边缘服务器以进行模型训练来解决模型性能与移动设备的能耗之间的权衡。由于边缘服务器具有高计算能力，因此在边缘服务器处的模型训练的时间消耗是微不足道的。然而，数据集从移动用户卸载到边缘服务器的时间消耗对总时间消耗有显著影响。因此，MEC使能FL中的资源管理是具有挑战性的，其中目标是减少总时间消耗，同时节省移动设备的能量消耗。在本文中，我们制定了一个能源意识的资源管理MEC使FL模型训练损失和总的时间消耗联合最小化，同时考虑到移动设备的能源限制。此外，我们重新制定的问题作为一个广义纳什均衡问题（GNEP），以捕捉无线电资源管理和数据集卸载之间的耦合约束。然后，我们分析了数据集卸载和计算资源分配对模型训练损失、时间和能耗的影响。
2021-01-11 cs.NI cs.SY eess.SY
Data-driven Model Predictive and Reinforcement Learning Based Control for Building Energy Management: a Survey
建筑能源管理是现代电网的核心问题之一，以降低能耗，同时确保居住者的舒适性。然而，随着可再生能源的日益普及和人与建筑物之间复杂的相互作用，建筑能源管理系统（BEMS）正面临更多的挑战和不确定性。经典的模型预测控制（MPC）已显示出其降低建筑能耗的能力，但它受到劳动密集型建模和复杂的在线控制优化。近年来，随着楼宇控制和自动化数据的可访问性越来越高，数据驱动的解决方案吸引了更多的研究兴趣。本文介绍了一个紧凑的审查的最新进展，数据驱动的MPC和强化学习为基础的控制方法的BEMS。在这些方法和见解的控制方法的选择的主要挑战进行了讨论。
2021-06-28 cs.SY eess.SY
Power Management of Nanogrid Cluster with P2P Electricity Trading Based on Future Trends of Load Demand and PV Power Production
本文提出了一种新的对等（P2P）电力交易辅助的纳米网格集群的电源管理。在我们的工作中，集群之间的电力消耗的不平衡，减轻所提出的P2P交易方法。对于单个集群的功率管理，尝试同时最小化总功耗、电网功耗的一部分和调度引起的总延迟的多目标优化。每个集群采用可再生能源光伏（PV）系统作为二次电源。一个集群的暂时剩余的自供电光伏电力可以通过P2P交易出售给另一个经历暂时电力短缺的集群。在电力暂时短缺的集群购买光伏电源，以减少高峰负荷和总延迟。在P2P交易中，买卖双方采用合作博弈模型来最大化各自的福利。为了提高P2P交易效率，在每个集群的功率管理中考虑了负载需求和光伏发电量的未来趋势，以解决负载需求和光伏发电量之间的瞬时不平衡。为此，使用门控递归单元网络来预测未来的负载需求和未来的光伏发电量。仿真结果验证了所提出的纳米网格簇P2P交易的有效性。
2020-12-02 cs.SY eess.SY
Introducing AI-Driven IoT Energy Management Framework
Texas State University（德克萨斯州立大学）
本文提出基于人工智能的物联网能源管理框架，通过长期和短期预测、异常检测等技术降低电力消耗并提升电网稳定性。
2025-11-29 cs.LG cs.SY eess.SY
Green Resource Allocation and Energy Management in Heterogeneous Small Cell Networks Powered by Hybrid Energy
在异构网络（HetNets）中，如何提高频谱利用率是一个至关重要的问题。与此同时，能源消耗的增加促使网络运营商部署可再生能源作为传统电力的辅助。基于上述方面，我们允许基站（BS）彼此共享其许可频谱资源，并调整传输功率以适应可再生能源水平。考虑到基站间的共享公平性，我们将多人讨价还价问题转化为一个随机优化问题。我们将优化问题分为三个部分：数据率控制、资源分配和能量管理。提出了一种在线动态控制算法，通过控制接入速率和资源分配，以最小的电网能耗实现输电和共享收益最大化。仿真结果验证了该方案的有效性。
2020-06-14 cs.NI cs.SY eess.SY
Linearized Data Center Workload and Cooling Management
提出数据中心热感知工作负载分配框架，通过线性化非线性功耗优化问题并设计启发式算法求解整数线性规划，实现冷却功耗降低30%以上。
2023-04-10 cs.SY eess.SY
Microgrid management with weather-based forecasting of energy generation, consumption and prices
Liège University（列日大学）
政府间气候变化专门委员会提出了不同的减缓战略，以实现净减排，这是遵循将全球变暖限制在1.5°C而没有或有限超调的途径所必需的。向无碳社会的过渡必然会增加可再生能源发电在能源组合中的份额，并大幅减少化石燃料的总消费。因此，本论文以可再生能源在电力系统的整合为研究对象，探讨预测与决策工具。事实上，与传统发电厂相比，可再生能源具有不确定性。大多数基于可再生能源的发电技术是不可调度的，其生产是随机的，难以提前预测。可再生能源的高份额对于那些为可调度单元设计和调整规模的电力系统来说是一个挑战。在这种情况下，概率预测，旨在模拟所有可能的未来实现的分布，已成为一个重要的工具，以装备决策者，希望导致更好的决策，在能源应用。本论文主要研究两个问题：（1）如何产生可靠的可再生能源发电量、消费量和电价的概率预测？(2)如何使用概率预测做出具有不确定性的决策？论文的范围是“小”系统的能源管理，如微电网在住宅规模的提前一天的基础上。它分为两个主要部分，提出解决这两个研究问题的方向（1）预测部分;（2）规划和控制部分。
2021-12-09 cs.LG cs.SY eess.SY
Non Cooperative Game Theoretic Approach for Residential Energy Management in Smart Grid
需求侧管理（DSM）是智能电网的主要功能之一，因为它允许消费者调整其能量消耗以进行有效的能量管理。现有的需求侧管理技术大多以能源成本最小化为目标，而没有考虑用户的舒适度。因此，在这两个相互冲突的目标之间保持平衡仍然是一项具有挑战性的任务。提出了一种基于非合作博弈的居民用户需求侧管理新方法，通过智能电网运营商实施的动态电价政策，激励各参与方重塑其电力消费模式。玩家被引导选择最佳策略，包括安排他们的电器，以尽量减少日常能源成本和他们的不适程度。采用非排序遗传算法NSGA-II求解能源管理博弈的纳什均衡。仿真结果表明，分布式非合作博弈方法的有效性，住宅能源管理问题，其中一个可观的能源成本降低达到，同时保持在一个可接受的水平的不适。
2019-08-23 cs.SY eess.SY
On Optimal Management of Energy Storage Systems in Renewable Energy Communities
针对可再生能源社区，利用储能灵活性并考虑自消费激励，推导最优性条件并给出显式最优解，以最小化社区能源账单，仿真验证了方案性能。
2024-03-20 cs.SY eess.SY
Predictive Energy Management for Battery Electric Vehicles with Hybrid Models
针对电池电动汽车能耗预测受多因素影响难度大的问题，提出结合物理仿真模型与数据驱动模型的混合方法，利用机器学习处理外部因素，经真实数据集验证将预测误差从40%降至10%。
2024-05-15 cs.SY eess.SY
An Add-on Model Predictive Control Strategy for the Energy Management of Hybrid Electric Tractors
本文针对混合动力电动拖拉机提出一种附加式多目标模型预测控制能量管理策略，在不改动原发动机速度控制回路的前提下，同时优化燃油消耗与速度跟踪，并在实验验证的仿真环境中完成测试。
2023-09-22 cs.SY eess.SY
Degradation-aware Predictive Energy Management for Fuel Cell-Battery Ship Power System with Data-driven Load Forecasting
Delft University of Technology（代尔夫特理工大学）；Università degli Studi di Genova（热那亚大学）
本文提出了一种考虑燃料电池退化因素的预测性能源管理策略，通过数据驱动的负载预测减少氢气消耗和电池退化，实验显示在15分钟和1小时预测范围内，氢气消耗和电池退化分别减少5.8%和36.4%。
2026-04-16 cs.SY eess.SY
Co-Optimization of Adaptive Cruise Control and Hybrid Electric Vehicle Energy Management via Model Predictive Mixed Integer Control
该研究面向比亚迪秦Plus DM-i PHEV，将ACC与考虑离合器状态的EMS整合为MINLP，并在MPC框架下实现跟车节能协同优化，燃油消耗较顺序优化降低5.1%。
2023-04-24 cs.SY eess.SY
Multi-Agent Coordination of Thermostatically Controlled Loads by Smart Power Sockets for Electric Demand Side Management
本文提出了一种多智能体控制体系结构和基于动态平均共识的在线优化方法，以协调大量恒温控制负载（TCLs）的功耗。我们的目标是惩罚电力需求高峰，平滑负荷分布和实现需求侧管理（DSM）。所提出的架构和方法仅利用经由智能电源插座（SPS）的功耗的本地测量，而不访问其内部温度。没有集中的信息聚合器被利用，代理人通过匿名合作来保护他们的隐私，只通过基于共识的分布式估计，对节点/链路故障具有鲁棒性。设备之间的交互被设计为通过互联网上的非结构化对等（P2P）网络发生。该体系结构包括新的方法参数识别，状态估计和混合逻辑建模的TCL和SPS。它是从多代理和即插即用的角度设计的，现有的家用电器可以在城市环境中相互交互。最后，提出了一种新的低成本的测试平台，以及数值测试和实验验证。
2019-08-29 cs.SY eess.SY
An Approach to Implement Photovoltaic Self-Consumption and Ramp-Rate Control Algorithm with a Vanadium Redox Flow Battery Day-to-Day Forecast Charging
太阳能资源的变化主要是由云层通过引起的，这会导致光伏（PV）系统输出功率的快速波动。波动可能会对电网产生负面影响，平滑技术可以用来尝试纠正it.However，光伏+VRFB的整合，以处理极端功率斜坡在建筑规模的文献中探索不足，以及其有效性与其他能源管理策略（EMS）相结合。这项工作的重点是使用VRFB来控制光伏装置的功率输出，将斜坡率保持在非违规限制和电池荷电状态（SOC）范围内，适合于执行斜坡率管理。在模型仿真的基础上，研究了能量关键性能指标（KPI），并进行了实时验证。模拟了三种EMS：自消耗最大化（SCM）和具有斜坡速率控制的SCM（SCM+RR），并且该最后策略包括基于前一天天气预报的夜间电池充电（SCM+RR+WF）。结果表明，电池SOC管理控制是必要的，这些EMS在VRFB上的应用，和在线天气预报被证明是有效的实时应用。SCM+RR+WF是冬季管理PV+VRFB系统的稳健方法（已研究应用），高PV渗透率建筑区域使其成为可行方法。在研究的一周内，该策略成功地控制了100%的违规功率斜坡，还获得了59%的自耗率（SCR）和61%的电网缓解因子（GRF）。
2022-01-27 cs.SY eess.SY
Convex Optimization for Fuel Cell Hybrid Trains: Speed, Energy Management System, and Battery Thermals
我们使用凸优化的燃料电池混合训练的操作优化。主要目标是在考虑电池热约束的同时，最大限度地减少目标行程时间内的氢燃料消耗。状态轨迹：训练速度、能量管理系统和电池温度都在单个优化问题内同时优化。提出了一种新的热模型，以包括电池温度，但保持配方凸性。模拟显示，当温度与其他状态同时优化时，而不是随后单独优化时，可以节省燃料和更好的热管理。燃料减少是由减少的冷却努力引起的，这是由配方对主动冷却能量消耗的认识所激发的。对于需要更多冷却的较暖环境温度，该益处更为显著。
2021-11-17 cs.SY eess.SY math.OC
Cooperative Energy Management of HVAC via Transactive Energy
采暖、通风和空调（HVAC）能耗占建筑物和家庭总能耗的很大一部分。分布式可再生能源和智能电表的普遍采用有助于减少HVAC能源消耗并提高能源效率。然而，如何在维护用户隐私的同时，为一组用户扩展HVAC能量管理仍然是一个很大的挑战。在这项工作中，我们利用交互能量的概念，以分布式的方式建立一个独立的暖通空调机组的协同能源管理系统。具体来说，我们开发了一个分布式能源交易算法，由两个层次的交替方向方法的乘数法的基础上。分布式能量交易算法实现了最优的交易性能，同时也保护了用户的隐私。此外，我们通过使用真实数据进行广泛模拟来评估分布式交易算法的性能。仿真结果表明，该能量交易算法收敛速度快，协同能量平台使用户的单个成本降低了50%，使所有用户的总成本降低了23%。
2021-03-10 cs.DC cs.SY eess.SY
Design and Comparison of Reward Functions in Reinforcement Learning for Energy Management of Sensor Nodes
University Bretagne Sud（南布列塔尼大学）；Tallinn University of Technology（塔林理工大学）；CNRS（法国国家科学研究中心）
由于物联网（IoT）范例的最新进展，人们对远程监控的兴趣越来越大。新的应用已经出现，使用称为传感器节点的小型设备能够从环境中收集数据并进行处理。然而，越来越多的数据需要更长的操作周期来处理和传输。与此同时，电池技术的发展速度还不够快，无法满足这些日益增长的需求。这使得能源消耗问题越来越具有挑战性，因此，小型化的能量收集设备已经出现，以补充传统能源。然而，在节点操作期间，收获的能量显著波动，增加了实际可用能量资源的不确定性。最近，已经开发了能量管理方法，特别是使用强化学习方法。然而，在强化学习中，算法的性能在很大程度上依赖于奖励函数。在本文中，我们提出了两个贡献。首先，我们探索五种不同的奖励函数，以确定最合适的变量，用于这些功能，以获得所需的行为。使用Q学习算法进行实验，以根据所收获的能量来调整能量消耗。五个奖励函数的结果说明了其选择如何影响节点的能量消耗。其次，我们提出了两个额外的奖励函数，能够找到能量消耗和节点性能之间的妥协，使用非固定的平衡参数。我们的仿真结果表明，建议的奖励函数调整节点的性能取决于电池的水平，并减少学习时间。
2021-06-02 cs.LG cs.SY eess.SY
Demand Side Management in Smart Grids using a Repeated Game Framework
Department of Electrical Engineering, UCLA（加州大学洛杉矶分校电气工程系）
本文提出利用重复博弈框架优化智能电网需求侧管理，通过非稳态策略降低长期总成本，证明现有稳态策略在长期成本上不优，并通过模拟验证其有效性。
2013-11-08 cs.GT cs.SY eess.SY
Learning-based Model Predictive Control for Smart Building Thermal Management
Virginia Commonwealth University（弗吉尼亚联邦大学）
提出了一种基于学习的模型预测控制（MPC）方法，用于四区域智能建筑的热控制。我们的目标是尽量减少能源消耗和保持居民的舒适度。所提出的控制方案结合了学习与基于模型的控制。通过人工神经网络（ANN）在长期范围内估计建筑区域中的占用情况，并且将该数据馈送到基于模型的预测器中以获得室内温度预测。Energy Plus软件被用作实际的数据集提供者（天气数据、室内温度、能耗）。在模拟的每个步骤中解决包括实际和预测数据的优化问题，并生成加热/冷却系统的输入设定点温度。将该方法的结果与传统MPC结果进行比较，证明了该方法在节能（减少40.56%的制冷功耗和减少16.73%的制热功耗）和居民舒适度方面的显著更好的性能。
2019-09-11 cs.LG cs.NE cs.SY
SleepScale: Runtime Joint Speed Scaling and Sleep States Management for Power Efficient Data Centers
University of Wisconsin Madison（威斯康星大学麦迪逊分校）；University of Toronto（多伦多大学）
本文提出SleepScale，通过模拟和分析揭示性能缩放与低功耗状态的交互，实现高效利用现有电源控制机制，提升数据中心能效。
2014-04-21 cs.PF cs.SY eess.SY
Robust Worst-Case Analysis of Demand-Side Management in Smart Grids
Universidad Politécnica de Madrid（马德里理工大学）
本文提出考虑需求变化不确定性的模型，通过鲁棒定价减少用户费用并为能源供应商提供可靠成本估计。
2016-05-05 cs.SY eess.SY math.OC
Control and Optimization Meet the Smart Power Grid - Scheduling of Power Demands for Optimal Energy Management
University of Thessaly（色萨利大学）；Center for Research and Technology Hellas (CERTH)（希腊研究与技术中心（CERTH））
针对智能电网中电力需求调度问题，提出基于阈值的在线调度策略，最小化长期平均运行成本，并证明其渐近最优性。
2010-08-21 cs.NI cs.SY eess.SY
Smart Home Energy Management: VAE-GAN synthetic dataset generator and Q-learning
针对智能家居能耗研究缺乏公开数据集的问题，提出VAE-GAN合成数据生成技术，并结合基于Q学习的HEMS进行测试，结果表明合成数据高度匹配真实分布且能训练出更高性能的HEMS。
2023-05-14 cs.LG cs.SY eess.SY
