Fugu-MT 論文翻訳(概要): Reinforcement Learning for Battery Energy Storage Dispatch augmented with Model-based Optimizer

論文の概要: Reinforcement Learning for Battery Energy Storage Dispatch augmented with Model-based Optimizer

arxiv url: http://arxiv.org/abs/2109.01659v1
Date: Thu, 2 Sep 2021 14:48:25 GMT
ステータス: 処理完了
システム内更新日: 2021-09-07 16:49:54.923427
Title: Reinforcement Learning for Battery Energy Storage Dispatch augmented with Model-based Optimizer
Title（参考訳）: モデルベースオプティマイザを付加した蓄電池用蓄電池の強化学習
Authors: Gayathri Krishnamoorthy and Anamika Dubey
Abstract要約: 本稿では,物理モデルと学習アルゴリズムを組み合わせた分布レベルのOPF問題の解法を提案する。提案手法の有効性をIEEE 34-bus と 123-bus の配電システムを用いて実証した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reinforcement learning has been found useful in solving optimal power flow (OPF) problems in electric power distribution systems. However, the use of largely model-free reinforcement learning algorithms that completely ignore the physics-based modeling of the power grid compromises the optimizer performance and poses scalability challenges. This paper proposes a novel approach to synergistically combine the physics-based models with learning-based algorithms using imitation learning to solve distribution-level OPF problems. Specifically, we propose imitation learning based improvements in deep reinforcement learning (DRL) methods to solve the OPF problem for a specific case of battery storage dispatch in the power distribution systems. The proposed imitation learning algorithm uses the approximate optimal solutions obtained from a linearized model-based OPF solver to provide a good initial policy for the DRL algorithms while improving the training efficiency. The effectiveness of the proposed approach is demonstrated using IEEE 34-bus and 123-bus distribution feeders with numerous distribution-level battery storage systems.
Abstract（参考訳）: 電力配電系統における最適潮流問題(OPF)の解決には強化学習が有用である。しかし,電力グリッドの物理モデルを完全に無視するモデルフリー強化学習アルゴリズムを用いることで,最適化性能が損なわれ,スケーラビリティの課題が生じる。本稿では,物理モデルと模倣学習を用いた学習アルゴリズムを相乗的に組み合わせて分布レベルのOPF問題を解決する手法を提案する。具体的には,電力配電系統における蓄電池ディスパッチの特定の事例に対するOPF問題を解決するために,深部強化学習法(DRL)の模倣学習に基づく改善を提案する。提案した模倣学習アルゴリズムは、線形化モデルベースOPFソルバから得られる近似最適解を用いて、訓練効率を向上しながらDRLアルゴリズムに優れた初期ポリシーを提供する。提案手法の有効性をIEEE 34-bus と 123-bus の配電システムを用いて実証した。

関連論文リスト

Energy-efficient Decentralized Learning via Graph Sparsification [6.290202502226849]
本研究の目的は,学習過程における通信要求を制御する混合行列を最適化することにより,分散学習のエネルギー効率を向上させることである。完全連結基底トポロジーの特殊な場合に対して性能保証の解が提案され、一般の場合ではグリーディアルゴリズムが提案される。実トポロジとデータセットに基づくシミュレーションにより、提案手法はトレーニングされたモデルの品質を維持しながら、最も忙しいノードでのエネルギー消費量を54%-76%削減できることを示した。
論文参考訳（メタデータ） (2024-01-05T23:00:38Z)
GP CC-OPF: Gaussian Process based optimization tool for Chance-Constrained Optimal Power Flow [54.94701604030199]
Gaussian Process (GP) ベースのChance-Constrained Optimal Flow (CC-OPF) は、電力グリッドにおけるエコノミックディスパッチ(ED)問題のためのオープンソースのPythonコードである。 CC-OPモデルに基づく新しいデータ駆動手法を提案し,複雑性と精度のトレードオフにより大規模な回帰問題を解く。
論文参考訳（メタデータ） (2023-02-16T17:59:06Z)
Proximal Policy Optimization with Graph Neural Networks for Optimal Power Flow [4.27638925658716]
グラフニューラルネットワーク(GNN)は、データに機械学習(ML)アルゴリズムを自然に使用可能にする。深層強化学習(DRL)は、複雑な意思決定問題を解決する強力な能力で知られている。問題を解決する方法を学ぶアーキテクチャを提案し、同時にシナリオを発見できるアーキテクチャを提案します。
論文参考訳（メタデータ） (2022-12-23T17:00:00Z)
Efficient Learning of Voltage Control Strategies via Model-based Deep Reinforcement Learning [9.936452412191326]
本稿では,電力系統の短期電圧安定性問題に対する緊急制御戦略を設計するためのモデルベース深部強化学習(DRL)手法を提案する。近年, モデルフリーDRL方式の電力系統への適用が期待できるが, モデルフリー方式はサンプル効率の低下と訓練時間に悩まされている。本稿では,Deep Neural Network(DNN)に基づく動的代理モデルを用いた新しいモデルベースDRLフレームワークを提案する。
論文参考訳（メタデータ） (2022-12-06T02:50:53Z)
Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文参考訳（メタデータ） (2022-12-02T05:07:50Z)
Model-Informed Generative Adversarial Network (MI-GAN) for Learning Optimal Power Flow [5.407198609685119]
最適電力フロー(OPF)問題は、電力系統の運用において重要な要素であり、電力系統にたらされる再生可能エネルギーの変動、断続性、予測不能により、解決がますます困難になる。ニューラルネットワークのようなディープラーニング技術は、最近、データの利用によってOPF問題を解決する際の計算効率を改善するために開発されている。本稿では,不確実性下でOPFを解決するための最適化モデルインフォームド・ジェネレーティブ・逆数ネットワーク(MI-GAN)フレームワークを提案する。
論文参考訳（メタデータ） (2022-06-04T00:37:37Z)
Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文参考訳（メタデータ） (2020-12-25T07:08:50Z)
Model-free and Bayesian Ensembling Model-based Deep Reinforcement Learning for Particle Accelerator Control Demonstrated on the FERMI FEL [0.0]
本稿では,加速物理問題における強化学習の運用レベルでの活用方法を示す。 FERMI FELシステムの強度最適化に適用されるモデルベースとモデルフリー強化学習を比較します。モデルベースアプローチは、高い表現力とサンプル効率を示す一方、モデルフリーメソッドのパフォーマンスはわずかに優れています。
論文参考訳（メタデータ） (2020-12-17T16:57:27Z)
Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-07-27T17:38:51Z)
Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文参考訳（メタデータ） (2020-07-14T12:38:21Z)
Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文参考訳（メタデータ） (2020-05-25T01:42:55Z)

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。