論文の概要: Reinforcement Learning for Decision-Making and Control in Power Systems: Tutorial, Review, and Vision

• arxiv url: http://arxiv.org/abs/2102.01168v3
• Date: Fri, 5 Feb 2021 16:44:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-13 20:01:11.041603
• Title: Reinforcement Learning for Decision-Making and Control in Power Systems: Tutorial, Review, and Vision
• Title（参考訳）: 電力系統における意思決定と制御のための強化学習 : チュートリアル, レビュー, ビジョン
• Authors: Xin Chen, Guannan Qu, Yujie Tang, Steven Low, Na Li
• Abstract要約: 近年、強化学習(RL)が注目されています。 我々はRLに焦点をあて、様々なRL技術についてチュートリアルを提供し、電力系統における意思決定と制御にどのように適用できるかを論じる。 特に、周波数制御、電圧制御、エネルギー管理を含む3つの重要な応用を図示として選択する。
• 参考スコア（独自算出の注目度）: 9.363707557258175
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With large-scale integration of renewable generation and ubiquitous distributed energy resources (DERs), modern power systems confront a series of new challenges in operation and control, such as growing complexity, increasing uncertainty, and aggravating volatility. While the upside is that more and more data are available owing to the widely-deployed smart meters, smart sensors, and upgraded communication networks. As a result, data-driven control techniques, especially reinforcement learning (RL), have attracted surging attention in recent years. In this paper, we focus on RL and aim to provide a tutorial on various RL techniques and how they can be applied to the decision-making and control in power systems. In particular, we select three key applications, including frequency regulation, voltage control, and energy management, for illustration, and present the typical ways to model and tackle them with RL methods. We conclude by emphasizing two critical issues in the application of RL, i.e., safety and scalability. Several potential future directions are discussed as well.
• Abstract（参考訳）: 再生可能エネルギーとユビキタス分散エネルギー資源(ders)の大規模統合により、現代の電力システムは、複雑性の増大、不確実性の増加、ボラティリティの悪化など、運用と制御における一連の新たな課題に直面している。 欠点は、広くデプロイされているスマートメーター、スマートセンサー、通信ネットワークのアップグレードによって、より多くのデータが利用できることだ。 その結果、近年、データ駆動制御技術、特に強化学習(RL)が注目を集めています。 本稿では、RLに着目し、様々なRL技術に関するチュートリアルと、電力系統における意思決定と制御にどのように適用できるかを提案する。 特に、周波数制御、電圧制御、エネルギー管理を含む3つの重要な応用を図解として選択し、それらをRL法でモデル化し取り組む典型的な方法を示す。 我々は、RLの適用における2つの重要な問題、すなわち安全性とスケーラビリティを強調して結論付ける。 いくつかの将来の方向性も議論されている。

関連論文リスト

• Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
  我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。 マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
  論文  参考訳（メタデータ） (2023-08-08T04:52:19Z)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• Reinforcement Learning-Empowered Mobile Edge Computing for 6G Edge Intelligence [76.96698721128406]
  モバイルエッジコンピューティング(MEC)は、第5世代(5G)ネットワークなどにおける計算と遅延に敏感なタスクのための新しいパラダイムであると考えた。 本稿では、フリー対応RLに関する総合的な研究レビューと、開発のための洞察を提供する。
  論文  参考訳（メタデータ） (2022-01-27T10:02:54Z)
• Multi-Agent Reinforcement Learning for Active Voltage Control on Power Distribution Networks [2.992389186393994]
  脱炭のトレンドは、配電ネットワークに過度なストレスをかけている。 アクティブ電圧制御は、余分なハードウェア投資をすることなく、電力混雑を緩和し、電圧品質を向上させるための有望な解決策と見なされている。 本稿では,Dec-POMDPの枠組みにおけるアクティブ電圧制御問題を定式化し,オープンソース環境を確立する。
  論文  参考訳（メタデータ） (2021-10-27T09:31:22Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• 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)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• Learning and Fast Adaptation for Grid Emergency Control via Deep Meta Reinforcement Learning [22.58070790887177]
  電力システムは、より不確実性、より少ない慣性、および操作限界に近い重要な変換を受けています。 システムの信頼性とセキュリティを維持するために、グリッド緊急制御を強化する必要がある。 近年、深層補強学習(DRL)ベースのグリッド制御ソリューションの開発に大きな進歩を遂げています。 既存のDRLベースのソリューションには2つの大きな制限がある: 1) グリッドの動作条件、システムパラメータ、コンテンシーにうまく対応できない; 2) 新しいグリッドの動作条件、システムパラメータ、およびコンテンシーに迅速に適応する能力が欠如し、現実のアプリケーションへの適用性が制限されている。
  論文  参考訳（メタデータ） (2021-01-13T19:45:59Z)
• 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)
• Machine Learning in Event-Triggered Control: Recent Advances and Open Issues [0.7699714865575188]
  本稿では、イベントトリガー制御と機械学習の併用に関する文献をレビューする。 機械学習の利用目的に応じて、これらの学習アルゴリズムが異なるアプリケーションにどのように使用できるかについて論じる。
  論文  参考訳（メタデータ） (2020-09-27T08:11:34Z)

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。