論文の概要: Design and implementation of an environment for Learning to Run a Power Network (L2RPN)

• arxiv url: http://arxiv.org/abs/2104.04080v1
• Date: Tue, 6 Apr 2021 13:31:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 09:50:51.573527
• Title: Design and implementation of an environment for Learning to Run a Power Network (L2RPN)
• Title（参考訳）: 電力ネットワーク(L2RPN)の学習環境の設計と実装
• Authors: Marvin Lerousseau
• Abstract要約: 本報告では,INRIAにおけるインターンシップの一環として実施した成果を要約する。 インターンシップの目的は、電力網内の電力伝送をシミュレートするソフトウェア環境を開発することでした。 私たちの環境は強化学習エージェントで電力網の制御を自動化するのに役立ち、オペレーターを支援します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This report summarizes work performed as part of an internship at INRIA, in partial requirement for the completion of a master degree in math and informatics. The goal of the internship was to develop a software environment to simulate electricity transmission in a power grid and actions performed by operators to maintain this grid in security. Our environment lends itself to automate the control of the power grid with reinforcement learning agents, assisting human operators. It is amenable to organizing benchmarks, including a challenge in machine learning planned by INRIA and RTE for 2019. Our framework, built on top of open-source libraries, is available at https://github.com/MarvinLer/pypownet. In this report we present intermediary results and its usage in the context of a reinforcement learning game.
• Abstract（参考訳）: 本報告では,INRIAにおけるインターンシップの一環として行った研究を,数学と情報学の修士課程の修了に必要な部分的要件として要約する。 インターンシップの目標は、電力網の電気伝達をシミュレートするソフトウェア環境を開発することであり、オペレーターがこのグリッドのセキュリティを維持するために行われた。 私たちの環境は強化学習エージェントで電力網の制御を自動化するのに役立ち、オペレーターを支援します。 INRIAと2019年のRTEが計画している機械学習の課題を含む、ベンチマークの組織化には適している。 私たちのフレームワークはオープンソースライブラリ上に構築されており、https://github.com/marvinler/pypownetで利用可能です。 本稿では,強化学習ゲームにおける中間結果とその使用法について述べる。

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)
• 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)
• SERL: A Software Suite for Sample-Efficient Robotic Reinforcement Learning [85.21378553454672]
  筆者らは,報酬の計算と環境のリセットを行う手法とともに,効率的なオフ・ポリティクス・ディープ・RL法を含むライブラリを開発した。 我々は,PCBボードアセンブリ,ケーブルルーティング,オブジェクトの移動に関するポリシを,非常に効率的な学習を実現することができることを発見した。 これらの政策は完全な成功率またはほぼ完全な成功率、摂動下でさえ極端な堅牢性を実現し、突発的な堅牢性回復と修正行動を示す。
  論文  参考訳（メタデータ） (2024-01-29T10:01:10Z)
• MR-iNet Gym: Framework for Edge Deployment of Deep Reinforcement Learning on Embedded Software Defined Radio [3.503370263836711]
  我々は、GPU組み込みソフトウェア定義無線(SDR)上に、深層強化学習に基づく電力制御エージェントを設計、展開する。 実現可能性を証明するため,コード分割多重アクセス(DS-CDMA)に基づくLPI/Dトランシーバにおける分散電力制御の問題を検討する。 我々は、ハードウェアテストベッドを再現するシナリオで、この ns3-gym シミュレーション環境における電力制御DRLエージェントを訓練する。
  論文  参考訳（メタデータ） (2022-04-09T16:28:43Z)
• On Addressing Heterogeneity in Federated Learning for Autonomous Vehicles Connected to a Drone Orchestrator [32.61132332561498]
  我々は,自動運転車の性能を向上する上で,連邦学習(FL)のシナリオを想定する。 我々は,自律走行車の名目上の操作を損なう可能性のある,特定の種類の臨界物体(CO)の学習を加速する問題に焦点をあてる。
  論文  参考訳（メタデータ） (2021-08-05T16:25:48Z)
• Gym-ANM: Open-source software to leverage reinforcement learning for power system management in research and education [1.370633147306388]
  Gym-ANMは強化学習環境の設計を容易にするPythonパッケージである。 我々は、新しい環境の実装方法と既存の環境と対話するコードを書く方法を説明する。 我々は,Gym-ANMが科学コミュニティに与える影響について論じる。
  論文  参考訳（メタデータ） (2021-05-18T22:10:43Z)
• Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
  グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。 当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。 我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
  論文  参考訳（メタデータ） (2021-03-08T21:48:55Z)
• Self-play Learning Strategies for Resource Assignment in Open-RAN Networks [3.763743638851161]
  open radio access network (oran) は、将来のモバイルデータネットワークのコストを削減し、アクセスを民主化する目的で開発されている。 ORANでは、ネットワーク機能はリモートユニット(RU)、分散ユニット(DU)、中央ユニット(CU)に分解される。
  論文  参考訳（メタデータ） (2021-03-03T19:31:29Z)
• Energy-Harvesting Distributed Machine Learning [38.5300206965018]
  機械学習モデルが環境環境からエネルギーを回収できる多数のデバイス上で訓練される分散学習環境を考察する。 我々のフレームワークはスケーラブルで、エネルギー統計の局所的な推定しか必要とせず、広範囲の分散トレーニング設定に適用できる。
  論文  参考訳（メタデータ） (2021-02-10T18:53:51Z)
• Wireless Communications for Collaborative Federated Learning [160.82696473996566]
  IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。 本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:00:02Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。