Multi-Objective Planning of Community Energy Storage Systems Under Uncertainty
원문 초록
This paper evaluates how the planning of a community energy storage (CES) system under different energy trading schemes (ETSs) can benefit low voltage (LV) prosumers and the CES provider equitably. First, we consider an ETS where the CES provider trades energy with prosumers at the average grid energy trading price, second, an ETS where the CES provider trades energy at a higher price than the grid energy trading price, and third, an ETS where the CES provider trades energy at a lower price than the grid energy trading price. To this end, we present a multi-objective stochastic optimization framework to minimize the investment and annual operating costs of the CES provider and annual operating costs of prosumers, taking into account the uncertainties of real and reactive energy consumption and photovoltaic (PV) generation of prosumers. The uncertainties are modeled using the normal probability density function. Then, the roulette wheel mechanism (RWM) is exploited to formulate a scenario-based stochastic program. The initial scenarios obtained from the RWM, are then reduced using the K-Means clustering algorithm, to make the problem tractable. Our experiments show that the ETS where the CES provider trades energy at the average grid energy trading price benefits prosumers and the CES provider more equitably than the other two ETSs.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
지능의 그림자 가격: LLM 추론에서의 품질 저하와 재시도 피드백
The Shadow Price of Intelligence: Quality Degradation and Retry Feedback in LLM Inference
대규모 언어 모델 제공자는 연산 자원이 제약되어 있으며, 혼잡에 대한 일반적인 대응은 서비스를 저하시키는 것이다. 즉, 질의를 더 작은 모델로 라우팅하거나, 추론 예산을 줄이거나, 컨텍스트 윈도를 단축한다. 만족스럽지 못한 답을 받은 사용자는 재시도하여 시스템이 바쁜 동안 부하를 늘리거나, 이탈하여 잠재적으로 고객 이탈로 이어진다. 우리는 추론 서비스를 서비스 품질이 제공자의 의사결정인 제어 문제로 모델링한다. 재시도를 서비스율에 포함한 2국면 유체 근사는 닫힌 형태의 궤적과 교차 시간을 제공하므로, 품질 등급에 대한 동적 계획법에 시뮬레이션이 필요하지 않다. 우리는 더 약한 등급이 작업당 에너지는 덜 쓰지만 작업당 용량은 더 쓰는 영역을 규명하고, 유체 모델에서 그러한 등급으로의 반응적 스로틀링이 큐가 해소되지 못하게 할 수 있음을 보인다. 이질적인 고객이 있는 경우 이 문제는 재시도로 부풀려진 용량 계수를 갖는 수송 문제가 되며, 최적 라우팅은 $c\mu$ 유형의 지수를 따르고, 용량 제약의 쌍대는 클래스와 시간별로 질의 하나를 더 처리하는 한계 비용을 제공한다. 우리는 공개 벤치마크 데이터로 보정한 다섯 가지 사례에서 이 방법을 예시한다.
SupplyNetPy: 임의 공급망 및 재고 네트워크의 고충실도 모델링과 시뮬레이션을 위한 오픈소스 Python 라이브러리
SupplyNetPy: An Open-Source Python Library for High-Fidelity Modeling and Simulation of Arbitrary Supply Chain and Inventory Networks
본 논문은 임의의 다단계 구조를 갖는 공급망 네트워크의 모델링 및 이산 사건 시뮬레이션을 위한 오픈소스 Python 라이브러리인 SupplyNetPy를 소개한다. 이 라이브러리는 다양한 보충 정책, 부패 가능 재고, 노드(node) 장애, 확률적 수요 및 리드 타임을 지원한다. 모든 컴포넌트는 상속을 통해 확장 가능하다. 사용자는 노드와 링크 속성을 가진 그래프로 공급망을 기술하며, 라이브러리는 시뮬레이션을 처리하고 로그 및 노드·네트워크 수준의 상세 성능 보고서를 제공한다. 본 논문은 SupplyNetPy의 개발 동기, 설계, 주요 기능, 아키텍처와 함께 상세한 검증(validation) 결과(분석적 벤치마크, 상용 도구, 발표된 사례 연구와의 비교)를 제시한다. SupplyNetPy 개발의 핵심 동기는 복잡한 모델의 프로그래밍 방식 생성 및 시뮬레이션으로, 설계 공간 탐험(exploration), 가상 시나리오 분석, 학습(training) 데이터 생성, 공급망 디지털 트윈을 가능하게 하는 데 있다.
적응적 배치가 LLM 사전학습에 도움이 되는 이유는 무엇인가? 비유계 분산의 관점에서
Why Does Adaptive Batching Help LLM Pretraining? A Perspective from Unbounded Variance
학습 중 배치 크기를 늘리는 것은 대규모 언어 모델(LLM) 사전학습에서 흔히 사용되는 방법이지만, 그 성공 이면의 이론적 근거는 잘 이해되지 않고 있다. 확률적 최적화에 대한 분석은 흔히 균일하게 유계인 확률적 그래디언트 분산을 가정하지만, 최근의 증거들은 이 가정이 많은 실제 비convex 문제에서 성립하지 않음을 보여준다. Blum-Gladyshev(BG-0) 노이즈 모델은 분산이 초기화 지점으로부터의 거리에 따라 2차적으로 증가할 수 있도록 허용함으로써 이 가정을 완화하며, 이는 배치 크기 스케줄러가 학습 중 분산 증가를 제어함으로써 도움을 줄 수 있음을 시사한다. 그러나 이러한 증가는 실제로는 지나치게 보수적일 수 있다. 우리는 LLM 사전학습에서의 분산 증가를 실증적으로 조사하였으며, 조정 가능한 증가 지수를 갖는 일반화된 BG 모델이 실제 노이즈 거동을 더 정밀하게 설명한다는 것을 관찰하였다. 이러한 관찰에 기반하여, 우리는 유계 분산($a=0$)과 BG-0 노이즈($a=2$) 사이를 보간하는 일반화된 BG-$a$ 노이즈 모델을 도입한다. $L$-smoothness 하에서, 우리는 증가 지수에 의존하는 오라클 복잡도 $Ω(ε^{-(4+a)})$를 갖는 정보 이론적 하한을 도출하고, 반복(iterate)이 초기화 지점으로부터 멀어질 때 배치 크기를 증가시킴으로써 $ε$ 의존성 측면에서 이에 상응하는 상한을 확립한다. 마지막으로, 우리는 학습 중 동적인 배치 크기 조정을 통해 분산 증가를 제어하는 적응적 배치 스케줄러를 제안한다. C4 데이터셋에서 최대 10억 개 파라미터 규모의 OLMo2 모델을 사전학습하는 실험에서, 우리의 스케줄러는 동일한 토큰 예산 하에서 작은 배치 학습과 큰 배치 학습 모두보다 더 낮은 검증 손실을 달성하면서도, 작은 배치 학습 반복 횟수의 10% 미만만을 사용한다.
상충하는 감독은 역량이 아닌 전념을 이동시킨다: 관례 무관 점수 하에서는 정확히 0이 되는 12.29σ의 배치 효과
Conflicting Supervision Moves Commitment, Not Capability: A 12.29σ arrangement effect that is exactly zero under a convention-agnostic score
둘 다 맞지만 서로 양립할 수 없는 두 가지 관례로 작성된 동일한 문제들로 모델을 학습(training)시키고, 이러한 데이터의 순서가 파라미터에 무엇을 새겨 넣는지 질문해 본다. 학습률 스케줄(learning-rate schedule)은 그 질문에 대한 배경 조건에 불과한 것이 아니다. 그것은 평균화 연산자(averaging operator)이며, 그 해답을 결정한다. 우리는 순서 효과에 배치와 스케줄이 서로 곱해지는 분리된 인수로 들어가는 경계를 증명한다. 배치는 오직 블록 주기(block period)로서만, 스케줄은 종점이 실행 과정의 특정 시점에 얼마나 많은 가중치를 둘 수 있는지로서만 관여한다. 감쇠하는 스케줄(decaying schedule)은 동일한 시점에 큰 보폭(step size)과 수축되지 않은 잔차를 동시에 둘 수 없지만, 상수 스케줄은 마지막 스텝에서 정확히 그렇게 한다. 감쇠가 순서 효과를 완화한다는 점은 사전학습(pre-training)에서 보고된 바 있으나, 그 메커니즘과 분리, 그리고 두 부분에 대한 통제된 측정은 본 연구의 성과이다. 하나의 말뭉치, 하나의 예산으로 경로 외의 모든 것을 고정한 채 10가지 순서로 lr_scheduler_type만 다르고 다른 것은 동일한 군(family) 하에서 두 번 실행하였다. 상수 학습률에서는 내부가 할당에서 0.2221, 11.63의 대비 하한을 차지하며 배치가 얼마나 블록화되어 있는지에 따라 단조성을 띤다. 기발표된 모든 실험군(arm)이 사용하는 단일 코사인 하에서는, 동일한 10개의 실험군이 자체 해상도로는 약 10개를 허용함에도 식별 가능한 2개의 상태를 차지한다. '순서가 중요하다'와 '순서가 중요하지 않다'는 하나의 조절 노브의 양쪽 끝에 해당한다. 경로가 새겨 넣는 것은 모델이 어느 관례에 전념(commit)하는지이며, 어떤 완전 일치(exact-match) 벤치마크도 이를 감지할 수 없다. 12개의 실험군 전반에서 acc_A+acc_B는 9.7% 이내로 일정한 반면 할당 비율은 0.04에서 0.87까지 변동하므로, 본 논문에서 측정하는 12.29-시그마 배치 전환은 관례 무관(convention-agnostic) 지표 하에서는 정확히 0이다. 이러한 보존 법칙은 감쇠군 전체에서 인용된 것으로, 상수 학습률군은 이를 확인하기에 더 노이즈가 많은 환경이다. 프롬프트에 관례를 명시하면 이러한 전환이 붕괴되어 합집합 상한(union ceiling)의 87.5%에 도달한다.
자기균형 순차 표본추출: 통제된 예측 가능성을 갖는 빠른 수렴
Self-Balancing Sequential Sampling: Fast Convergence with Controlled Predictability
감사 및 검사 일정 수립, 대표 표본추출, 처치 배정 등 순차 표본추출의 많은 사례에서는 선택이 고르게 분포되어야 하면서도 쉽게 예측되거나 악용되지 않아야 한다. 우리는 경험적 분포가 원하는 목표 분포로 더 빠르게 수렴하도록 표본추출 확률에 적응적으로 바이어스를 주면서, 동시에 결과 표본을 가능한 한 예측 불가능하게 유지하는 일련의 순차 표본추출 규칙군을 연구한다. 그 결과로 얻어지는 자기균형 샘플러는 구현이 간단하고, 특정 불변성을 공유하는 마르코프 샘플러 클래스 가운데 자연스럽게 등장하며, 확률적 미러 하강(stochastic mirror descent) 해석을 허용한다. 주요 결과는 다음과 같다. (i) 이 자기균형 샘플러는 바이어스 매개변수에 대한 명시적 의존성을 갖고 가능한 가장 빠른 $O(n^{-1})$ 수렴률을 달성하며, IID 표본추출의 표준 $O(n^{-1/2})$ 수렴률을 능가한다. (ii) 이는 경험적 분포의 수렴률과 표본의 예측 불가능성을 균형 있게 맞추는 자연스러운 엔트로피 정규화(entropy-regularized) 최적화 문제의 유일한 해이다. (iii) 약한 바이어스 영역에서는 적절히 중심화된 계수(counts) 과정이 확산 극한(diffusive limit)에서 Ornstein-Uhlenbeck 과정으로 수렴한다. 이러한 결과들은 미래 선택을 과도하게 예측 가능하게 만들지 않으면서 반복 선택과 커버리지 공백을 줄이는 실용적 틀을 뒷받침한다.
대규모 최적화 학습: 확률적 조합 최적화를 위한 Benders 분해-TransfORmer 프레임워크
Learning to Optimize at Scale: A Benders Decomposition-TransfORmers Framework for Stochastic Combinatorial Optimization
우리는 대규모 2단계 확률적 혼합정수 프로그램을 풀기 위한 학습 보강 Benders 분해 프레임워크를 제안한다. 우리는 수요 불확실성 하의 2단계 확률적 용량 제약 lot-sizing 문제(TSSCLSP)에 초점을 맞춘다. 우리의 방법은 시나리오 하위 문제(subproblem)에 대한 고품질 근사해를 신속하게 생성하기 위해 사전학습된 TransfORmer 모델을 사용하여 분해의 수렴을 가속화한다. 이 하이브리드 전략은 TransfORmer 예측을 활용해 강력한 최적성 및 실행 가능성 컷(cut)을 생성하여 Benders 마스터 문제를 효과적으로 안내한다. 우리의 프레임워크에는 새로운 확장 가능 생성 메커니즘이 포함되어, 고정된 시간 구간(horizon)에서 학습된 모델이 임의 길이의 인스턴스를 풀 수 있게 한다. 검토한 테스트 세트에서 우리의 방법은 T = 270까지의 인스턴스를 풀며, 이는 기존 접근법으로는 다루기 어려웠던 규모이며, 생성된 하위 문제 해에서 실행 불가능성(infeasibility)을 0으로 유지한다. 이는 고전적 분해 알고리즘 내에 내장된 강력한 대리(surrogate) 솔버로서 TransfORmer의 잠재력을 보여준다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.