論文の概要: An Intelligent Control Strategy for buck DC-DC Converter via Deep
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2008.04542v1
- Date: Tue, 11 Aug 2020 06:38:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 12:40:58.318544
- Title: An Intelligent Control Strategy for buck DC-DC Converter via Deep
Reinforcement Learning
- Title(参考訳): 深層強化学習によるbuck dc-dcコンバータのインテリジェント制御戦略
- Authors: Chenggang Cui, Nan Yan, Chuanlin Zhang
- Abstract要約: 定電力負荷(CPL)を有するバックDC-DCコンバータの革新的な知的制御戦略を初めて構築する。
DC-DCコンバータでは、マルコフ決定プロセス(MDP)モデルとディープQネットワーク(DQN)アルゴリズムが定義される。
エージェント-環境相互作用を調整するために,モデルフリーの深層強化学習(DRL)制御戦略を適切に設計する。
- 参考スコア(独自算出の注目度): 1.4502611532302039
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: As a typical switching power supply, the DC-DC converter has been widely
applied in DC microgrid. Due to the variation of renewable energy generation,
research and design of DC-DC converter control algorithm with outstanding
dynamic characteristics has significant theoretical and practical application
value. To mitigate the bus voltage stability issue in DC microgrid, an
innovative intelligent control strategy for buck DC-DC converter with constant
power loads (CPLs) via deep reinforcement learning algorithm is constructed for
the first time. In this article, a Markov Decision Process (MDP) model and the
deep Q network (DQN) algorithm are defined for DC-DC converter. A model-free
based deep reinforcement learning (DRL) control strategy is appropriately
designed to adjust the agent-environment interaction through the
rewards/penalties mechanism towards achieving converge to nominal voltage. The
agent makes approximate decisions by extracting the high-dimensional feature of
complex power systems without any prior knowledge. Eventually, the simulation
comparison results demonstrate that the proposed controller has stronger
self-learning and self-optimization capabilities under the different scenarios.
- Abstract(参考訳): 典型的なスイッチング電源として、DC-DCコンバータは直流マイクログリッドに広く応用されている。
再生可能エネルギーの変動により, 優れた動的特性を有するDC-DCコンバータ制御アルゴリズムの研究と設計は, 理論的, 実用的価値に有益である。
直流マイクログリッドにおけるバス電圧安定性の問題を軽減するため,直流-DCコンバータの深部強化学習アルゴリズムによる定電力負荷(CPL)による知的制御戦略を初めて構築した。
本稿では,DC-DCコンバータに対して,マルコフ決定プロセス(MDP)モデルとディープQネットワーク(DQN)アルゴリズムを定義する。
モデルフリーの深部強化学習(DRL)制御戦略は、名目電圧への収束を達成するための報酬/報酬機構を介してエージェント環境相互作用を調整するために適切に設計されている。
エージェントは、先行知識のない複雑な電力系統の高次元特徴を抽出して近似決定を行う。
シミュレーション比較の結果,提案するコントローラは,異なるシナリオにおいて,より強力な自己学習能力と自己最適化能力を有することが示された。
関連論文リスト
- Rethinking Decision Transformer via Hierarchical Reinforcement Learning [54.3596066989024]
決定変換器(Decision Transformer, DT)は、強化学習(RL)における変換器アーキテクチャの最近の進歩を活用する革新的なアルゴリズムである。
本稿では,階層RLのレンズを用いたシーケンシャル意思決定のための汎用シーケンスモデリングフレームワークを提案する。
DTは、高レベルかつ低レベルなポリシーを選択することで、このフレームワークの特別なケースとして現れ、これらの選択の潜在的な失敗について議論する。
論文 参考訳(メタデータ) (2023-11-01T03:32:13Z) - Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning
Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。
非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。
ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。
増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-11T13:16:28Z) - Skip Training for Multi-Agent Reinforcement Learning Controller for
Industrial Wave Energy Converters [94.84709449845352]
近年のウェーブ・エナジー・コンバータ(WEC)は、発電を最大化するために複数の脚と発電機を備えている。
従来のコントローラは複雑な波のパターンを捕捉する制限を示しており、コントローラはエネルギー捕獲を効率的に最大化する必要がある。
本稿では,従来のスプリングダンパよりも優れたマルチエージェント強化学習コントローラ(MARL)を提案する。
論文 参考訳(メタデータ) (2022-09-13T00:20:31Z) - Actor-Critic based Improper Reinforcement Learning [61.430513757337486]
我々は,未知のマルコフ決定プロセスに対して,学習者に100万ドルのベースコントローラを付与する不適切な強化学習環境を考える。
本稿では,(1)ポリシーグラディエントに基づくアプローチ,(2)単純なアクター・クリティカル・スキームとNatural Actor-Criticスキームを切り替えるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-07-19T05:55:02Z) - 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) - Artificial Neural Network-Based Voltage Control of DC/DC Converter for
DC Microgrid Applications [2.15242029196761]
DC-DCブーストコンバータには, 人工ニューラルネットワーク(ANN)に基づく電圧制御戦略が提案されている。
トレーニングされたANNモデルの精度は約97%であり、DCアプリケーションに使用するのに適している。
論文 参考訳(メタデータ) (2021-11-05T01:20:27Z) - Transferring Reinforcement Learning for DC-DC Buck Converter Control via
Duty Ratio Mapping: From Simulation to Implementation [0.0]
本稿では,DC-DCコンバータ用のデリケートに設計されたデューティ比マッピング(DRM)を用いた転送手法を提案する。
モデルフリー深部強化学習(DRL)コントローラの実装を可能にするために,詳細なsim-to-realプロセスを提案する。
論文 参考訳(メタデータ) (2021-10-20T11:08:17Z) - Adaptive Energy Management for Real Driving Conditions via Transfer
Reinforcement Learning [19.383907178714345]
本稿では, 並列トポロジを用いたハイブリッド電気自動車(HEV)における伝達強化学習(RL)に基づく適応エネルギー管理手法を提案する。
上位レベルは、駆動サイクル変換(DCT)を介してRLフレームワークのQ値テーブルを変換する方法を特徴付ける。
低レベルは、変換されたQ値テーブルとTPMで対応する制御戦略を設定する方法を決定する。
論文 参考訳(メタデータ) (2020-07-24T15:06:23Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳(メタデータ) (2020-05-25T01:42:55Z) - Reinforcement Learning for Thermostatically Controlled Loads Control
using Modelica and Python [0.0]
このプロジェクトは、電力系統制御に強化学習(RL)を適用する機会を調査し、評価することを目的としている。
The proof of concept (PoC) was developed to voltage control of thermostatically controlled loads (TCLs) for power consumption using Modelica-based pipeline。
本稿では,状態空間の離散化を含むQ-ラーニングパラメータが制御性能に与える影響について述べる。
論文 参考訳(メタデータ) (2020-05-09T13:35:49Z)
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。