論文の概要: Learning to run a Power Network Challenge: a Retrospective Analysis
- arxiv url: http://arxiv.org/abs/2103.03104v1
- Date: Tue, 2 Mar 2021 09:52:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-07 09:38:42.503269
- Title: Learning to run a Power Network Challenge: a Retrospective Analysis
- Title（参考訳）: 電力ネットワークチャレンジを実行するための学習 - ふりかえりの分析
- Authors: Antoine Marot, Benjamin Donnot, Gabriel Dulac-Arnold, Adrian Kelly,
A\"idan O'Sullivan, Jan Viebahn, Mariette Awad, Isabelle Guyon, Patrick
Panciatici, Camilo Romero
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.442347402316506
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Power networks, responsible for transporting electricity across large
geographical regions, are complex infrastructures on which modern life
critically depend. Variations in demand and production profiles, with
increasing renewable energy integration, as well as the high voltage network
technology, constitute a real challenge for human operators when optimizing
electricity transportation while avoiding blackouts. Motivated to investigate
the potential of Artificial Intelligence methods in enabling adaptability in
power network operation, we have designed a L2RPN challenge to encourage the
development of reinforcement learning solutions to key problems present in the
next-generation power networks. The NeurIPS 2020 competition was well received
by the international community attracting over 300 participants worldwide. The
main contribution of this challenge is our proposed comprehensive Grid2Op
framework, and associated benchmark, which plays realistic sequential network
operations scenarios. The framework is open-sourced and easily re-usable to
define new environments with its companion GridAlive ecosystem. It relies on
existing non-linear physical simulators and let us create a series of
perturbations and challenges that are representative of two important problems:
a) the uncertainty resulting from the increased use of unpredictable renewable
energy sources, and b) the robustness required with contingent line
disconnections. In this paper, we provide details about the competition
highlights. We present the benchmark suite and analyse the winning solutions of
the challenge, observing one super-human performance demonstration by the best
agent. We propose our organizational insights for a successful competition and
conclude on open research avenues. We expect our work will foster research to
create more sustainable solutions for power network operations.
- Abstract（参考訳）: 電力網は、地理的に広い地域を横断する電力輸送を担っており、現代の生活が重く依存する複雑なインフラである。
需要と生産のプロファイルの変化、再生可能エネルギーの統合の増加、および高圧ネットワーク技術は、停電を避けながら電気輸送を最適化する際に、人間のオペレーターにとって真の課題です。
電力ネットワーク運用における適応性を実現するための人工知能手法の可能性を探るため,我々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ため,L2RPNチャレンジを設計した。
NeurIPS 2020コンペティションは、世界中の300以上の参加者が集まる国際コミュニティから好評を博しました。
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、現実的なシーケンシャルネットワーク操作シナリオを実行する関連するベンチマークです。
このフレームワークはオープンソース化されており、GridAliveエコシステムで新しい環境を簡単に定義できます。
既存の非線形物理シミュレータに頼り、予測不可能な再生可能エネルギー源の利用の増加による不確実性(a)ライン切断に必要な堅牢性(b)という2つの重要な問題を表す一連の摂動と課題を創出する。
本論文では,コンペティションのハイライトについて詳しく述べる。
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。
我々は,競争を成功させるための組織的洞察を提案し,オープン研究の道筋で結論づける。
私たちの研究は、電力ネットワーク運用のためのより持続可能なソリューションを作成するための研究を促進することが期待されます。
関連論文リスト
- Optimal Power Grid Operations with Foundation Models [0.0]
本稿では,AIファンデーションモデル(FM)とグラフニューラルネットワークの進歩を利用して,ダウンストリームタスクの低可用性グリッドデータを効率的に活用することを提案する。
グリッドの基盤となる物理を捉えるために、電力流力学を学習する自己教師型モデルの構築は、電力グリッドのためのFMを開発するための重要な第一歩であると信じている。
論文 参考訳（メタデータ） (2024-09-03T09:06:13Z) - SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。
SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2024-07-17T09:01:38Z) - 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) - Causal Reasoning: Charting a Revolutionary Course for Next-Generation
AI-Native Wireless Networks [63.246437631458356]
次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。
本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。
因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
論文 参考訳（メタデータ） (2023-09-23T00:05:39Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳（メタデータ） (2023-09-04T17:30:21Z) - PowRL: A Reinforcement Learning Framework for Robust Management of Power
Networks [2.9822184411723645]
本稿では,予期せぬネットワークイベントの影響を軽減するための強化学習フレームワークPowRLを提案する。
PowRLはL2RPN(Learning to Run a Power Network)がホストするさまざまな競合データセットでベンチマークされる
論文 参考訳（メタデータ） (2022-12-05T16:22:12Z) - 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) - Evaluating Distribution System Reliability with Hyperstructures Graph
Convolutional Nets [74.51865676466056]
本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。
数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2022-11-14T01:29:09Z) - Power Grid Congestion Management via Topology Optimization with
AlphaZero [0.27998963147546135]
本稿では,AlphaZeroをベースとしたグリッドトポロジ最適化手法を提案する。
WCCI 2022ではL2RPN(Learning to Run a Power Network)コンペで1位にランクインした。
論文 参考訳（メタデータ） (2022-11-10T14:39:28Z) - Reinforcement learning for Energies of the future and carbon neutrality:
a Challenge Design [0.0]
この挑戦は、2019年に"Learning to run a power network" (L2RPN)という名前で始まったシリーズに属する。
我々は2050年までに炭素中立に達するためにRTEによって提案された新しいより現実的なシナリオを紹介する。
我々は、最先端の強化学習アルゴリズムを用いて、将来の参加者を刺激するベースラインを提供する。
論文 参考訳（メタデータ） (2022-07-21T06:56:46Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。