Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2507.18738

帮助 | 高级搜索

电气工程与系统科学 > 系统与控制

arXiv:2507.18738 (eess)
[提交于 2025年7月24日 ]

标题: 一种可解释的公平意识点对点能源交易框架用于社会经济多样性的微电网

标题: An Explainable Equity-Aware P2P Energy Trading Framework for Socio-Economically Diverse Microgrid

Authors:Abhijan Theja, Mayukha Pal
摘要: 在社区微电网中实现公平和动态的能源分配仍然是一个关键挑战,尤其是在服务社会经济多样化的参与者时。静态优化和成本分摊方法往往无法适应不断变化的不平等状况,导致参与者不满和不可持续的合作。本文提出了一种新颖的框架,该框架结合了多目标混合整数线性规划(MILP)、合作博弈论和由强化学习(RL)驱动的动态公平调整机制。该框架的核心是一个基于公平相关福利最大化(EqWM)原则的双层优化模型,该模型纳入了罗尔斯式公平,优先考虑最有利者参与者的福利。我们引入了一个近端策略优化(PPO)代理,该代理根据观察到的成本和可再生能源获取中的不平等状况动态调整优化目标中的社会经济权重。这种由RL驱动的反馈循环使系统能够学习和适应,持续努力实现更加公平的状态。为确保透明度,使用可解释的人工智能(XAI)来解释从加权夏普利值得出的收益分配。在六个现实场景中验证,该框架展示了高达72.6%的峰值需求减少和显著的合作收益。自适应RL机制进一步随时间减少基尼系数,展示了真正可持续和公平能源社区的路径。
摘要: Fair and dynamic energy allocation in community microgrids remains a critical challenge, particularly when serving socio-economically diverse participants. Static optimization and cost-sharing methods often fail to adapt to evolving inequities, leading to participant dissatisfaction and unsustainable cooperation. This paper proposes a novel framework that integrates multi-objective mixed-integer linear programming (MILP), cooperative game theory, and a dynamic equity-adjustment mechanism driven by reinforcement learning (RL). At its core, the framework utilizes a bi-level optimization model grounded in Equity-regarding Welfare Maximization (EqWM) principles, which incorporate Rawlsian fairness to prioritize the welfare of the least advantaged participants. We introduce a Proximal Policy Optimization (PPO) agent that dynamically adjusts socio-economic weights in the optimization objective based on observed inequities in cost and renewable energy access. This RL-powered feedback loop enables the system to learn and adapt, continuously striving for a more equitable state. To ensure transparency, Explainable AI (XAI) is used to interpret the benefit allocations derived from a weighted Shapley value. Validated across six realistic scenarios, the framework demonstrates peak demand reductions of up to 72.6%, and significant cooperative gains. The adaptive RL mechanism further reduces the Gini coefficient over time, showcasing a pathway to truly sustainable and fair energy communities.
主题: 系统与控制 (eess.SY) ; 计算机科学与博弈论 (cs.GT); 机器学习 (cs.LG)
引用方式: arXiv:2507.18738 [eess.SY]
  (或者 arXiv:2507.18738v1 [eess.SY] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.18738
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Dr. Mayukha Pal [查看电子邮件]
[v1] 星期四, 2025 年 7 月 24 日 18:38:51 UTC (586 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.SY
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.GT
cs.LG
cs.SY
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号