Fugu-MT 論文翻訳(概要): Reinforcement Learning for Electricity Network Operation

論文の概要: Reinforcement Learning for Electricity Network Operation

arxiv url: http://arxiv.org/abs/2003.07339v1
Date: Mon, 16 Mar 2020 17:21:35 GMT
ステータス: 処理完了
システム内更新日: 2022-12-23 02:54:55.921356
Title: Reinforcement Learning for Electricity Network Operation
Title（参考訳）: 電気ネットワーク運用のための強化学習
Authors: Adrian Kelly and Aidan O'Sullivan and Patrick de Mars and Antoine Marot
Abstract要約: 本稿では,Learning to Run Power Networks Challengeに必要な背景資料について述べる。この課題は、強化学習を使用して、電力グリッドのリアルタイム操作を管理するエージェントを訓練することに焦点を当てている。
参考スコア（独自算出の注目度）: 2.1410799064827235
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents the background material required for the Learning to Run Power Networks Challenge. The challenge is focused on using Reinforcement Learning to train an agent to manage the real-time operations of a power grid, balancing power flows and making interventions to maintain stability. We present an introduction to power systems targeted at the machine learning community and an introduction to reinforcement learning targeted at the power systems community. This is to enable and encourage broader participation in the challenge and collaboration between these two communities.
Abstract（参考訳）: 本稿では,Learning to Run Power Networks Challengeに必要な背景資料について述べる。この課題は、強化学習を使用してエージェントを訓練し、電力グリッドのリアルタイム操作を管理し、電力の流れのバランスをとり、安定性を維持するための介入を行うことに重点を置いている。本稿では,機械学習コミュニティを対象とした電力システムの導入と,電力システムコミュニティを対象とした強化学習の導入を紹介する。これは、これらの2つのコミュニティ間のチャレンジとコラボレーションへの幅広い参加を可能にするためです。

関連論文リスト

State and Action Factorization in Power Grids [47.65236082304256]
状態と行動成分の相関関係をデータに基づいて推定するドメインに依存しないアルゴリズムを提案する。このアルゴリズムはGrid2Opシミュレータで得られた電力グリッドベンチマークで検証される。
論文参考訳（メタデータ） (2024-09-03T15:00:58Z)
Reinforcement Learning for Sustainable Energy: A Survey [0.9423257767158634]
持続可能性に関する課題、強化学習問題としてモデル化する方法、文献に現在どのような解決策が存在しているのかをリストアップする。我々は,多エージェント,オフライン,安全強化学習など,持続可能性を通じて出現する総合的な強化学習テーマを同定する。
論文参考訳（メタデータ） (2024-07-26T08:37:14Z)
Multi-Agent Reinforcement Learning for Energy Networks: Computational Challenges, Progress and Open Problems [14.10715615781625]
マルチエージェント強化学習は、エネルギーネットワークの分散化と脱炭を支援することができる。これは、エネルギーネットワークの管理における重要な計算上の課題を特定し、それらに対処する最近の研究の進捗をレビューし、MARLを使って対処する可能性のあるオープンな課題を強調することで達成される。
論文参考訳（メタデータ） (2024-04-24T01:35:27Z)
Centralised rehearsal of decentralised cooperation: Multi-agent reinforcement learning for the scalable coordination of residential energy flexibility [6.031345629422314]
ディープマルチエージェント強化学習は、住宅エネルギーの柔軟性のスケーラブルでプライバシー保護の調整を可能にする。本手法では,実行前に調整をリハーサルするために,一元的だが要因的批判を用いた深層多エージェントアクター批判手法を採用する。その結果、調整は、最小限の情報と通信インフラの要件、日々の活動への干渉なし、プライバシー保護など、大規模に達成されている。
論文参考訳（メタデータ） (2023-05-30T09:17:09Z)
Accelerating Self-Supervised Learning via Efficient Training Strategies [98.26556609110992]
自己監督型ディープネットワークのトレーニング時間は、教師付きディープネットワークよりも桁違いに大きい。これらの課題に乗じて,近年の自己指導手法の訓練時間を短縮する方法について検討する。
論文参考訳（メタデータ） (2022-12-11T21:49:39Z)
Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文参考訳（メタデータ） (2022-11-29T01:18:58Z)
Stabilizing Voltage in Power Distribution Networks via Multi-Agent Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文参考訳（メタデータ） (2022-06-08T07:48:42Z)
Closing the Loop: A Framework for Trustworthy Machine Learning in Power Systems [0.0]
エネルギーセクターの深い脱炭には、再生可能エネルギー資源の大量侵入と膨大なグリッドアセット調整が必要である。機械学習(ML)は、今後数十年で電力システムが変化していくにつれて、これらの課題を克服するのに役立つ。物理シミュレーションデータから学習した信頼性の高いMLモデル構築に関わる5つの課題を概説する。
論文参考訳（メタデータ） (2022-03-14T21:30:43Z)
Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
論文参考訳（メタデータ） (2021-10-18T00:50:34Z)
Learning to run a Power Network Challenge: a Retrospective Analysis [6.442347402316506]
L2RPNの課題は、次世代の電力ネットワークにおける重要な問題に対する強化学習ソリューションの開発を促進することです。この課題の主な貢献は、提案された包括的なGrid2Opフレームワークと関連するベンチマークです。ベンチマークスイートを提示し、ベストエージェントによる超人的なパフォーマンス実証を観察し、挑戦の勝利解を解析する。
論文参考訳（メタデータ） (2021-03-02T09:52:24Z)
Autonomous learning and chaining of motor primitives using the Free Energy Principle [68.8204255655161]
運動プリミティブ学習の課題に対して,自由エネルギー原理を適用した。エコー状態ネットワークは、運動軌道を生成するために使用される。このネットワークには知覚モジュールと,そのダイナミクスに影響を与えるコントローラが組み合わさっている。
論文参考訳（メタデータ） (2020-05-11T14:43:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。