Fugu-MT 論文翻訳(概要): PowerGym: A Reinforcement Learning Environment for Volt-Var Control in Power Distribution Systems

論文の概要: PowerGym: A Reinforcement Learning Environment for Volt-Var Control in Power Distribution Systems

arxiv url: http://arxiv.org/abs/2109.03970v1
Date: Wed, 8 Sep 2021 23:23:21 GMT
ステータス: 処理完了
システム内更新日: 2021-09-10 14:30:48.140965
Title: PowerGym: A Reinforcement Learning Environment for Volt-Var Control in Power Distribution Systems
Title（参考訳）: 配電系統におけるボルトバリア制御のための強化学習環境PowerGym
Authors: Ting-Han Fan, Xian Yeow Lee, Yubo Wang
Abstract要約: 本稿では,Volt-Var制御のためのオープンソースの強化学習環境であるPowerGymを紹介する。 PowerGymは物理的ネットワーク制約下での電力損失と電圧違反を最小限にする。
参考スコア（独自算出の注目度）: 4.254099382808598
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce PowerGym, an open-source reinforcement learning environment for Volt-Var control in power distribution systems. Following OpenAI Gym APIs, PowerGym targets minimizing power loss and voltage violations under physical networked constraints. PowerGym provides four distribution systems (13Bus, 34Bus, 123Bus, and 8500Node) based on IEEE benchmark systems and design variants for various control difficulties. To foster generalization, PowerGym offers a detailed customization guide for users working with their distribution systems. As a demonstration, we examine state-of-the-art reinforcement learning algorithms in PowerGym and validate the environment by studying controller behaviors.
Abstract（参考訳）: 配電系統におけるvolt-var制御のためのオープンソースの強化学習環境powergymを紹介する。 OpenAI Gym APIに続いて、PowerGymは物理的ネットワーク制約下での電力損失と電圧違反を最小限にする。 PowerGymはIEEEベンチマークシステムに基づく4つの分散システム (13Bus, 34Bus, 123Bus, 8500Node) と様々な制御困難のための設計変種を提供する。一般化を促進するため、PowerGymは配布システムで作業するユーザに対して詳細なカスタマイズガイドを提供する。実演として,powergymにおける最先端強化学習アルゴリズムを検証し,コントローラの動作を解析し,環境の検証を行った。

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)
Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文参考訳（メタデータ） (2023-08-08T04:52:19Z)
Scalable Optimal Design of Incremental Volt/VAR Control using Deep Neural Networks [2.018732483255139]
深層ニューラルネットワーク(DNN)のトレーニングとして最適ルール設計(ORD)を改訂し,スケーラブルなソリューションを提案する。我々は、深層ニューラルネットワーク(DNN)のトレーニングとしてORDを再構成することでスケーラブルなソリューションを考案した。分析結果と数値実験により,提案したORD溶液が単相/多相供給装置に適切に適用可能であることが確認された。
論文参考訳（メタデータ） (2023-01-04T04:19:12Z)
Stabilizing Voltage in Power Distribution Networks via Multi-Agent Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文参考訳（メタデータ） (2022-06-08T07:48:42Z)
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)
GridLearn: Multiagent Reinforcement Learning for Grid-Aware Building Energy Management [0.0]
本研究では,マルチエージェント強化学習がグリッドレベルの目標を追求しながら,建築所有者のプライバシと快適性を維持する方法を示す。本研究では, 制御可能なビル負荷, エネルギー貯蔵, スマートインバータを用いたIEEE-33バスネットワークの電圧制御について検討する。
論文参考訳（メタデータ） (2021-10-12T23:19:29Z)
A Graph Policy Network Approach for Volt-Var Control in Power Distribution Systems [11.196936903669386]
ボルトバー制御(VVC)は、電力系統のアクチュエータを制御することで、健全な状態下での電力分配システムの運用の問題である。本稿では、RLとグラフネットワークを組み合わせたフレームワークを提案し、グラフベースのポリシーの利点と限界について検討する。
論文参考訳（メタデータ） (2021-09-24T16:55:41Z)
Enforcing Policy Feasibility Constraints through Differentiable Projection for Energy Optimization [57.88118988775461]
本稿では,ニューラルポリシー内での凸操作制約を強制するために,PROF(Projected Feasibility)を提案する。エネルギー効率の高い建築操作とインバータ制御の2つの応用についてPROFを実証する。
論文参考訳（メタデータ） (2021-05-19T01:58:10Z)
Deluca -- A Differentiable Control Library: Environments, Methods, and Benchmarking [52.44199258132215]
我々は、微分可能な物理学とロボティクス環境のオープンソースライブラリを提示する。ライブラリには,OpenAI Gymの古典的なコントロール設定など,いくつかのポピュラーな環境がある。ライブラリを使用して得られた新しい科学的結果のいくつかのユースケースを提供します。
論文参考訳（メタデータ） (2021-02-19T15:06:47Z)
Learning a Contact-Adaptive Controller for Robust, Efficient Legged Locomotion [95.1825179206694]
四足歩行ロボットのためのロバストコントローラを合成するフレームワークを提案する。高レベルコントローラは、環境の変化に応じてプリミティブのセットを選択することを学習する。確立された制御方法を使用してプリミティブを堅牢に実行する低レベルコントローラ。
論文参考訳（メタデータ） (2020-09-21T16:49:26Z)
Decision Tree Based Hardware Power Monitoring for Run Time Dynamic Power Management in FPGA [20.487660974785943]
微細な実行時電力管理技術は電力削減に有望な解決策となるかもしれない。我々は決定木に基づく電力モデリング手法を活用し,FPGAプラットフォーム上でのハードウェア電力の詳細なモニタリングを行う。ハードウェア電力監視の柔軟なアーキテクチャを提案し、ランタイム電力推定のために任意のRTL設計で実装できる。
論文参考訳（メタデータ） (2020-09-03T03:46:12Z)

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。