Fugu-MT 論文翻訳(概要): Power Grid Cascading Failure Mitigation by Reinforcement Learning

論文の概要: Power Grid Cascading Failure Mitigation by Reinforcement Learning

arxiv url: http://arxiv.org/abs/2108.10424v1
Date: Mon, 23 Aug 2021 21:41:44 GMT
ステータス: 処理完了
システム内更新日: 2021-08-25 14:06:53.158294
Title: Power Grid Cascading Failure Mitigation by Reinforcement Learning
Title（参考訳）: 強化学習による電力グリッドカスケード故障軽減
Authors: Yongli Zhu
Abstract要約: 本稿では,強化学習(RL)に基づくカスケード障害軽減戦略を提案する。マルチステージカスケード故障問題のボトムレベル補正制御はDCOPFに基づいて定式化される。提案手法によるIEEE 118バスシステム実験は,システム崩壊の低減に有望な性能を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper proposes a cascading failure mitigation strategy based on Reinforcement Learning (RL). The motivation of the Multi-Stage Cascading Failure (MSCF) problem and its connection with the challenge of climate change are introduced. The bottom-level corrective control of the MCSF problem is formulated based on DCOPF (Direct Current Optimal Power Flow). Then, to mitigate the MSCF issue by a high-level RL-based strategy, physics-informed reward, action, and state are devised. Besides, both shallow and deep neural network architectures are tested. Experiments on the IEEE 118-bus system by the proposed mitigation strategy demonstrate a promising performance in reducing system collapses.
Abstract（参考訳）: 本稿では,強化学習(RL)に基づくカスケード障害軽減戦略を提案する。マルチステージカスケード障害(MSCF)問題の動機と気候変動の課題との関連について紹介する。 mcsf問題のボトムレベル補正制御はdcopf(direct current optimal power flow)に基づいて定式化される。そして、高レベルなRL戦略によりMSCF問題を緩和するために、物理学的インフォームド報酬、行動、状態が考案される。さらに、浅層と深層の両方のニューラルネットワークアーキテクチャがテストされている。提案手法によるIEEE 118バスシステム実験は,システム崩壊の低減に有望な性能を示す。

関連論文リスト

Adaptive Horizon Actor-Critic for Policy Learning in Contact-Rich Differentiable Simulation [36.308936312224404]
本稿では, FO-MBRLアルゴリズムであるAdaptive Horizon Actor-Critic (AHAC)を提案する。実験結果から,AHACはMFRLベースラインより優れており,ローコモーションタスク全体で40%以上の報酬が得られ,壁面時間効率が向上した高次元制御環境への効率なスケーリングが可能であった。
論文参考訳（メタデータ） (2024-05-28T03:28:00Z)
Adaptive Decentralized Federated Learning in Energy and Latency Constrained Wireless Networks [4.03161352925235]
中央ノードで集約されたパラメータを持つフェデレートラーニング(FL)では、通信オーバーヘッドがかなり懸念される。最近の研究では、分散フェデレートラーニング(DFL)が実現可能な代替手段として紹介されている。エネルギーと遅延の制約を考慮してDFLの損失関数を最小化する問題を定式化する。
論文参考訳（メタデータ） (2024-03-29T09:17:40Z)
Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement Distribution in FSO Quantum Networks [62.87033427172205]
自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
論文参考訳（メタデータ） (2024-01-19T17:16:40Z)
QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power Flow Solutions Under Constraints [4.1920378271058425]
本稿では,ACOPFネットワークに計算効率よく入力をマッピングする新しい計算学習ACOPFを提案する。提案手法は,既存のアプローチが失敗する状況において,優れた実現可能性率とコストを達成できることをシミュレーションにより示す。
論文参考訳（メタデータ） (2024-01-11T20:17:44Z)
A Neuromorphic Architecture for Reinforcement Learning from Real-Valued Observations [0.34410212782758043]
強化学習(RL)は複雑な環境における意思決定のための強力なフレームワークを提供する。本稿では,実測値を用いてRL問題を解くための新しいスパイキングニューラルネットワーク(SNN)アーキテクチャを提案する。
論文参考訳（メタデータ） (2023-07-06T12:33:34Z)
Learning to Sail Dynamic Networks: The MARLIN Reinforcement Learning Framework for Congestion Control in Tactical Environments [53.08686495706487]
本稿では, 正確な並列化可能なエミュレーション環境を利用して, 戦術ネットワークの環境を再現するRLフレームワークを提案する。衛星通信(SATCOM)とUHFワイドバンド(UHF)の無線リンク間のボトルネックリンク遷移を再現した条件下で、MARLINエージェントを訓練することにより、我々のRL学習フレームワークを評価する。
論文参考訳（メタデータ） (2023-06-27T16:15:15Z)
Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian Processes [57.70237375696411]
入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
論文参考訳（メタデータ） (2022-08-30T09:27:59Z)
Physics-informed Evolutionary Strategy based Control for Mitigating Delayed Voltage Recovery [14.44961822756759]
物理インフォームド・ガイド付きメタ進化戦略(ES)に基づく新しいデータ駆動リアルタイム電力系統電圧制御法を提案する。主な目的は、故障による遅延電圧回復(FIDVR)問題を緩和するための適応制御戦略を迅速に提供することである。
論文参考訳（メタデータ） (2021-11-29T07:12:40Z)
Adversarially Robust Learning for Security-Constrained Optimal Power Flow [55.816266355623085]
我々は、N-kセキュリティ制約付き最適電力流(SCOPF)の課題に取り組む。 N-k SCOPFは電力網の運用における中核的な問題である。 N-k SCOPF を極小最適化問題とみなす。
論文参考訳（メタデータ） (2021-11-12T22:08:10Z)
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)
High-Fidelity Machine Learning Approximations of Large-Scale Optimal Power Flow [49.2540510330407]
AC-OPFは、多くの電力システムアプリケーションにおいて重要なビルディングブロックである。本稿では, 再生可能エネルギーの普及にともなって, AC-OPFの効率的な近似を実現するための深層学習について検討する。
論文参考訳（メタデータ） (2020-06-29T20:22:16Z)

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。