We consider a demand management problem of an energy community, in which several users obtain energy from an external organization such as an energy company, and pay for the energy according to pre-specified prices that consist of a time-dependent price per unit of energy, as well as a separate price for peak demand. Since users' utilities are private information which they may not be willing to share, a mediator, known as the planner, is introduced to help optimize the overall satisfaction of the community (total utility minus total payments) by mechanism design. A mechanism consists of message spaces, and a set of tax and allocation functions for each user. Once we implement the mechanism, each user reports a message chosen from her own message space, and then receives some amount of energy determined by the allocation function and pays the tax specified by the tax function. A desirable mechanism induces a game in which Nash equilibria (NE) provides an allocation that coincides with the optimal allocation for the community. As a starting point, we design a standard, "centralized" mechanism for the energy community with desirable properties such as full implementation, strong budget balance and individual rationality for both users and the planner. Then we extend this mechanism to the case of communities where message exchanges only happen among neighborhoods, and consequently, the tax and allocation functions of each user are only determined by the messages from her neighbors. All the properties designed for the centralized mechanism are preserved in the distributed mechanism. Subsequently, we address the problem of learning guarantees for both mechanisms. One set of learning dynamic was found in this primary work, that guarantees users will reach NE if they follow these dynamics.


翻译:我们考虑的是能源界的需求管理问题,在能源界中,一些用户从能源公司等外部组织获取能源,并按事先规定的价格支付能源,包括按单位能源按时间计价的价格,以及按峰值需求分别支付。由于用户公用设施是他们可能不愿意分享的私人信息,因此引入了一个称为规划员的调解人,以帮助通过机制设计优化社区的总体满意度(总效用减去支付总额)。机制包括信息空间和每个用户的一套税收和分配功能。一旦我们实施机制,每个用户都报告从她自己的信息空间选定的信息,然后收到分配功能所决定的一定数量的能源,并支付税收功能规定的税收。一个理想的机制带来了一种游戏,让纳什·艾基利布拉(NE)提供与社区最佳分配相一致的分配。作为起点,我们为能源界设计了一个标准,即“集中”机制,其适当性质包括充分实施、强有力的预算平衡以及用户和规划者的个人合理性。然后,我们从分配功能中接收一定数量的能源量的能源量量,然后从分配功能中向用户和规划者支付一定量的税收,然后,我们从每个用户的排序机制中确定每个学习机制。我们所设计的每个学习机制,然后才确定每个学习机制的顺序。

0
下载
关闭预览

相关内容

专知会员服务
42+阅读 · 2020年12月18日
专知会员服务
50+阅读 · 2020年12月14日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年1月20日
Deep Learning for Energy Markets
Arxiv
10+阅读 · 2019年4月10日
Arxiv
3+阅读 · 2018年10月8日
VIP会员
相关VIP内容
专知会员服务
42+阅读 · 2020年12月18日
专知会员服务
50+阅读 · 2020年12月14日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员