Fugu-MT 論文翻訳(概要): Consensus Multi-Agent Reinforcement Learning for Volt-VAR Control in Power Distribution Networks

論文の概要: Consensus Multi-Agent Reinforcement Learning for Volt-VAR Control in Power Distribution Networks

arxiv url: http://arxiv.org/abs/2007.02991v1
Date: Mon, 6 Jul 2020 18:21:47 GMT
ステータス: 処理完了
システム内更新日: 2022-11-13 03:28:13.477028
Title: Consensus Multi-Agent Reinforcement Learning for Volt-VAR Control in Power Distribution Networks
Title（参考訳）: 配電系統におけるボルトVAR制御のためのマルチエージェント強化学習
Authors: Yuanqi Gao, Wei Wang, Nanpeng Yu
Abstract要約: VVC問題を解くために,コンセンサス多エージェント深部強化学習アルゴリズムを提案する。提案アルゴリズムでは,各エージェントが局所報酬を用いてグループ制御ポリシーを学習することができる。 IEEE分散テストフィードの数値的研究により,提案アルゴリズムは単エージェント強化学習ベンチマークの性能と一致していることがわかった。
参考スコア（独自算出の注目度）: 8.472603460083375
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Volt-VAR control (VVC) is a critical application in active distribution network management system to reduce network losses and improve voltage profile. To remove dependency on inaccurate and incomplete network models and enhance resiliency against communication or controller failure, we propose consensus multi-agent deep reinforcement learning algorithm to solve the VVC problem. The VVC problem is formulated as a networked multi-agent Markov decision process, which is solved using the maximum entropy reinforcement learning framework and a novel communication-efficient consensus strategy. The proposed algorithm allows individual agents to learn a group control policy using local rewards. Numerical studies on IEEE distribution test feeders show that our proposed algorithm matches the performance of single-agent reinforcement learning benchmark. In addition, the proposed algorithm is shown to be communication efficient and resilient.
Abstract（参考訳）: VVC(Volt-VAR Control)は、ネットワーク損失を低減し、電圧プロファイルを改善するために、アクティブな分散ネットワーク管理システムにおいて重要な応用である。不正確なネットワークモデルや不完全なネットワークモデルへの依存を排除し、通信やコントローラの故障に対するレジリエンスを高めるために、VVC問題を解決するためのコンセンサス多エージェント深層強化学習アルゴリズムを提案する。 VVC問題はネットワーク化されたマルチエージェントマルコフ決定プロセスとして定式化され、最大エントロピー強化学習フレームワークと通信効率の高い新しいコンセンサス戦略を用いて解決される。提案手法では,個々のエージェントが局所報酬を用いてグループ制御ポリシーを学習できる。 IEEE分散テストフィードの数値的研究により,提案アルゴリズムは単エージェント強化学習ベンチマークの性能と一致することが示された。さらに,提案アルゴリズムは通信効率が高く,弾力性が高いことを示す。

関連論文リスト

Augmented Lagrangian-Based Safe Reinforcement Learning Approach for Distribution System Volt/VAR Control [1.1059341532498634]
本稿では,Volt-VAR制御問題をマルコフ決定過程(CMDP)として定式化する。本稿では, CMDP を解くために, 安全な非政治強化学習(RL)手法を提案する。オフライントレーニングとオンライン実行には2段階の戦略が採用されているため、正確な分散システムモデルはもはや不要である。
論文参考訳（メタデータ） (2024-10-19T19:45:09Z)
Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。 STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
論文参考訳（メタデータ） (2024-06-19T07:17:04Z)
Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
論文参考訳（メタデータ） (2024-04-04T06:24:11Z)
Distributed-Training-and-Execution Multi-Agent Reinforcement Learning for Power Control in HetNet [48.96004919910818]
We propose a multi-agent Deep reinforcement learning (MADRL) based power control scheme for the HetNet。エージェント間の協調を促進するために,MADRLシステムのためのペナルティベースQラーニング(PQL)アルゴリズムを開発した。このように、エージェントのポリシーは、他のエージェントによってより容易に学習でき、より効率的なコラボレーションプロセスをもたらす。
論文参考訳（メタデータ） (2022-12-15T17:01:56Z)
State-Augmented Learnable Algorithms for Resource Management in Wireless Networks [124.89036526192268]
本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
論文参考訳（メタデータ） (2022-07-05T18:02:54Z)
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)
Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement Learning Approach [56.84948632954274]
本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
論文参考訳（メタデータ） (2021-12-20T15:45:28Z)
A Heuristically Assisted Deep Reinforcement Learning Approach for Network Slice Placement [0.7885276250519428]
本稿では,Deep Reinforcement Learning(DRL)に基づくハイブリッド配置ソリューションと,Power of Two Choices原則に基づく専用最適化を提案する。提案したHuristically-Assisted DRL (HA-DRL) は,他の最先端手法と比較して学習プロセスの高速化と資源利用の促進を可能にする。
論文参考訳（メタデータ） (2021-05-14T10:04:17Z)
Rethink AI-based Power Grid Control: Diving Into Algorithm Design [6.194042945960622]
本稿では、アルゴリズム選択、状態空間表現、および報酬工学の側面からDRLベースの電圧制御の詳細な分析について述べる。本稿では,電力グリッドの動作点を直接効果的な動作にマッピングする模倣学習に基づく新しいアプローチを提案する。
論文参考訳（メタデータ） (2020-12-23T23:38:41Z)
Deep Actor-Critic Learning for Distributed Power Control in Wireless Mobile Networks [5.930707872313038]
深層強化学習は、教師付きディープラーニングと古典的な最適化に代わるモデルなしの代替手段を提供する。本稿では,深いアクター・クリティカル・ラーニングの助けを借りて,分散的に実行された連続電力制御アルゴリズムを提案する。提案した電力制御アルゴリズムを,携帯端末とチャネル条件が急速に変化するタイムスロットシステムに統合する。
論文参考訳（メタデータ） (2020-09-14T18:29:12Z)
Distributed Voltage Regulation of Active Distribution System Based on Enhanced Multi-agent Deep Reinforcement Learning [9.7314654861242]
本稿では,スペクトルクラスタリングと拡張マルチエージェント深部強化学習(MADRL)アルゴリズムに基づくデータ駆動分散電圧制御手法を提案する。提案手法は,システムパラメータの通信と知識の要求を大幅に低減することができる。また、不確実性を効果的に処理し、最新のローカル情報に基づいたオンライン協調制御を提供する。
論文参考訳（メタデータ） (2020-05-31T15:48:27Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。