論文の概要: Gym-ANM: Open-source software to leverage reinforcement learning for
power system management in research and education
- arxiv url: http://arxiv.org/abs/2105.08846v1
- Date: Tue, 18 May 2021 22:10:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-20 23:02:30.939560
- Title: Gym-ANM: Open-source software to leverage reinforcement learning for
power system management in research and education
- Title(参考訳): Gym-ANM:研究開発における電力系統管理のための強化学習を活用したオープンソースソフトウェア
- Authors: Robin Henry and Damien Ernst
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.370633147306388
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gym-ANM is a Python package that facilitates the design of reinforcement
learning (RL) environments that model active network management (ANM) tasks in
electricity networks. Here, we describe how to implement new environments and
how to write code to interact with pre-existing ones. We also provide an
overview of ANM6-Easy, an environment designed to highlight common ANM
challenges. Finally, we discuss the potential impact of Gym-ANM on the
scientific community, both in terms of research and education. We hope this
package will facilitate collaboration between the power system and RL
communities in the search for algorithms to control future energy systems.
- Abstract(参考訳): Gym-ANMは、電気ネットワークにおけるアクティブネットワーク管理(ANM)タスクをモデル化する強化学習(RL)環境の設計を容易にするPythonパッケージである。
ここでは、新しい環境の実装方法と、既存の環境と相互作用するコードを書く方法を説明する。
また、ANM6-Easyは、一般的なANM課題を強調するために設計された環境である。
最後に,sm-anmが科学コミュニティに与える影響について,研究と教育の両面で検討する。
このパッケージは、将来のエネルギーシステムを制御するアルゴリズムの探索において、電力システムとRLコミュニティの協力を促進することを願っている。
関連論文リスト
- The Role of Federated Learning in a Wireless World with Foundation
Models [59.8129893837421]
ファンデーションモデル(FM)は汎用人工知能(AI)モデルである。
現在、FMと連邦学習(FL)の相互作用の探索はまだ初期段階にある。
本稿では、FMが無線ネットワークよりもFLに適した範囲について検討し、その研究課題と機会について概観する。
論文 参考訳(メタデータ) (2023-10-06T04:13:10Z) - Gym-preCICE: Reinforcement Learning Environments for Active Flow Control [0.0]
Gym-preCICEはPythonのアダプタで、Gymnasium (以前はOpenAI Gymとして知られていた) APIに完全に準拠している。
Gym-preCICEは、分割多重物理シミュレーションのためのオープンソースの結合ライブラリであるPreCICEを利用する。
このフレームワークは、リアルな物理ベースのシミュレーションツールボックスとRLアルゴリズムをシームレスに統合する。
論文 参考訳(メタデータ) (2023-05-03T10:54:56Z) - DIAMBRA Arena: a New Reinforcement Learning Platform for Research and
Experimentation [91.3755431537592]
本研究は、強化学習研究と実験のための新しいプラットフォームであるDIAMBRA Arenaを提示する。
高品質な環境のコレクションが,OpenAI Gym標準に完全に準拠したPython APIを公開している。
これらは、離散的なアクションと観測を生のピクセルと追加の数値で構成したエピソディックなタスクである。
論文 参考訳(メタデータ) (2022-10-19T14:39:10Z) - Flexible Attention-Based Multi-Policy Fusion for Efficient Deep
Reinforcement Learning [78.31888150539258]
強化学習(RL)エージェントは、長い間、人間の学習の効率にアプローチしようとしてきた。
RLにおける以前の研究は、エージェントがサンプル効率を改善するために外部知識ポリシーを取り入れていた。
我々は,複数の知識ポリシーを融合させたRLパラダイムであるKGRL(Knowledge-Grounded RL)について述べる。
論文 参考訳(メタデータ) (2022-10-07T17:56:57Z) - pymdp: A Python library for active inference in discrete state spaces [52.85819390191516]
pymdpはPythonでアクティブな推論をシミュレートするオープンソースパッケージである。
我々は,POMDPによるアクティブな推論をシミュレートする,最初のオープンソースパッケージを提供する。
論文 参考訳(メタデータ) (2022-01-11T12:18:44Z) - PowerGridworld: A Framework for Multi-Agent Reinforcement Learning in
Power Systems [6.782988908306483]
我々はPowerGridworldソフトウェアパッケージを紹介し、パワーシステムにフォーカスしたマルチエージェントGym環境を構築するための軽量でモジュール化されたカスタマイズ可能なフレームワークをユーザに提供します。
論文 参考訳(メタデータ) (2021-11-10T22:22:07Z) - Design and implementation of an environment for Learning to Run a Power
Network (L2RPN) [0.0]
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。
論文 参考訳(メタデータ) (2021-04-06T13:31:11Z) - Gym-ANM: Reinforcement Learning Environments for Active Network
Management Tasks in Electricity Distribution Systems [1.370633147306388]
Gym-ANMは強化学習環境を設計するためのフレームワークです。
現状のRLアルゴリズムはANM6-Easy上ですでに高い性能を達成可能であることを示す。
論文 参考訳(メタデータ) (2021-03-14T14:00:27Z) - CityLearn: Standardizing Research in Multi-Agent Reinforcement Learning
for Demand Response and Urban Energy Management [0.0]
米国では、建物は総電力需要の約70%を表し、需要応答は電力のピークを約20%削減する可能性があります。
強化学習アルゴリズムはここ数年で関心が高まっている。
CityLearnはOpenAI Gym環境であり、研究者は要求応答のためにRLの実装を実装し、共有し、複製し、比較することができる。
論文 参考訳(メタデータ) (2020-12-18T20:41:53Z) - Learning Discrete Energy-based Models via Auxiliary-variable Local
Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。
エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。
本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文 参考訳(メタデータ) (2020-11-10T19:31:29Z) - A game-theoretic analysis of networked system control for common-pool
resource management using multi-agent reinforcement learning [54.55119659523629]
マルチエージェント強化学習は近年,ネットワーク型システム制御へのアプローチとして大きな可能性を秘めている。
共通プールの資源は耕作可能な土地、淡水、湿地、野生生物、魚類資源、森林、大気である。
論文 参考訳(メタデータ) (2020-10-15T14:12:26Z)
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。