論文の概要: A Graph Policy Network Approach for Volt-Var Control in Power
Distribution Systems
- arxiv url: http://arxiv.org/abs/2109.12073v1
- Date: Fri, 24 Sep 2021 16:55:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 17:04:42.440245
- Title: A Graph Policy Network Approach for Volt-Var Control in Power
Distribution Systems
- Title(参考訳): 配電系統におけるvolt-var制御のためのグラフポリシーネットワークアプローチ
- Authors: Xian Yeow Lee, Soumik Sarkar, Yubo Wang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 11.196936903669386
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Volt-var control (VVC) is the problem of operating power distribution systems
within healthy regimes by controlling actuators in power systems. Existing
works have mostly adopted the conventional routine of representing the power
systems (a graph with tree topology) as vectors to train deep reinforcement
learning (RL) policies. We propose a framework that combines RL with graph
neural networks and study the benefits and limitations of graph-based policy in
the VVC setting. Our results show that graph-based policies converge to the
same rewards asymptotically however at a slower rate when compared to vector
representation counterpart. We conduct further analysis on the impact of both
observations and actions: on the observation end, we examine the robustness of
graph-based policy on two typical data acquisition errors in power systems,
namely sensor communication failure and measurement misalignment. On the action
end, we show that actuators have various impacts on the system, thus using a
graph representation induced by power systems topology may not be the optimal
choice. In the end, we conduct a case study to demonstrate that the choice of
readout function architecture and graph augmentation can further improve
training performance and robustness.
- Abstract(参考訳): 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。
既存の研究では主に、パワーシステム(木トポロジーを持つグラフ)を深く強化学習(rl)ポリシーを訓練するベクトルとして表現する従来のルーチンが採用されている。
本稿では,RLとグラフニューラルネットワークを組み合わせたフレームワークを提案し,VVC設定におけるグラフベースのポリシのメリットと限界について検討する。
その結果、グラフベースのポリシーは漸近的に同じ報酬に収束するが、ベクトル表現よりも遅い速度で収束することが示された。
我々は、観測と行動の両方が与える影響についてさらなる分析を行い、観測の最後には、センサ通信障害と測定ミスアライメントの2つの典型的なデータ取得エラーに対するグラフベースのポリシーの堅牢性について検討する。
動作終端では、アクチュエータがシステムに様々な影響を与えることを示すので、電力系トポロジによって誘導されるグラフ表現を使用することが最適な選択ではないかもしれない。
最後に、読み出し関数アーキテクチャとグラフ拡張の選択が、トレーニング性能と堅牢性をさらに向上させることを示すためのケーススタディを行う。
関連論文リスト
- Graph Attention Inference of Network Topology in Multi-Agent Systems [0.0]
本研究は,マルチエージェントシステムの将来の状態を予測するためのアテンションメカニズムを活用する,機械学習に基づく新しいソリューションを提案する。
次に、注目値の強さからグラフ構造を推定する。
提案したデータ駆動型グラフアテンション機械学習モデルにより,マルチエージェントシステムにおけるネットワークトポロジを同定できることを示す。
論文 参考訳(メタデータ) (2024-08-27T23:58:51Z) - Graph Neural Networks on Factor Graphs for Robust, Fast, and Scalable
Linear State Estimation with PMUs [1.1470070927586016]
本稿では、グラフニューラルネットワーク(GNN)を用いて、PMU電圧と電流測定から複雑なバス電圧推定を学習する手法を提案する。
本稿では,電力系統の因子グラフ上でのGNNのオリジナル実装を提案する。
このモデルは非常に効率的でスケーラブルであり、計算複雑性は電力系統のノード数に対して線形である。
論文 参考訳(メタデータ) (2023-04-28T08:17:52Z) - GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。
我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文 参考訳(メタデータ) (2023-04-06T03:02:54Z) - Graph Decision Transformer [83.76329715043205]
グラフ決定変換器(GDT)は、新しいオフライン強化学習手法である。
GDTは入力シーケンスを因果グラフにモデル化し、基本的な異なる概念間の潜在的な依存関係をキャプチャする。
実験の結果,GDT は画像ベース Atari と OpenAI の Gym 上で,最先端のオフライン RL 手法の性能と一致しているか,上回っていることがわかった。
論文 参考訳(メタデータ) (2023-03-07T09:10:34Z) - Let Invariant Rationale Discovery Inspire Graph Contrastive Learning [98.10268114789775]
ハイパフォーマンスな拡張は、インスタンス識別に関するアンカーグラフの健全な意味を保存すべきである。
新たなフレームワーク Rationale-aware Graph Contrastive Learning (RGCL) を提案する。
RGCLは有理数生成器を使用して、グラフのインスタンス識別に関する健全な特徴を論理として明らかにし、対照的な学習のための有理数認識ビューを生成する。
論文 参考訳(メタデータ) (2022-06-16T01:28:40Z) - Robust and Fast Data-Driven Power System State Estimator Using Graph
Neural Networks [1.2891210250935146]
本稿では,グラフニューラルネットワーク(GNN)に基づくモデルトレーニング手法について,PMU電圧と電流測定から推定値を求める。
本稿では,電力系統の因子グラフ上の独自のGNN実装を提案する。
論文 参考訳(メタデータ) (2022-06-06T16:40:54Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳(メタデータ) (2022-05-19T14:08:15Z) - Solving AC Power Flow with Graph Neural Networks under Realistic
Constraints [3.114162328765758]
本稿では,現実的な制約下での交流電力流問題の解法として,グラフニューラルネットワークアーキテクチャを提案する。
本稿では,グラフニューラルネットワークを用いて電力フローの物理的制約を学習するフレームワークの開発を実演する。
論文 参考訳(メタデータ) (2022-04-14T14:49:34Z) - Wireless Link Scheduling via Graph Representation Learning: A
Comparative Study of Different Supervision Levels [4.264192013842096]
本稿では,無線干渉ネットワークにおける二元電力制御(リンクスケジューリング)の問題点を考察し,グラフ表現学習を用いて電力制御ポリシーを訓練する。
ノードの埋め込みは、教師なし、教師なし、自己教師なしの学習など、様々な方法で訓練できることを示す。
論文 参考訳(メタデータ) (2021-10-04T21:22:12Z) - Iterative Graph Self-Distillation [161.04351580382078]
我々は、IGSD(Iterative Graph Self-Distillation)と呼ばれる新しい教師なしグラフ学習パラダイムを提案する。
IGSDは、グラフ拡張による教師/学生の蒸留を反復的に行う。
我々は,教師なしと半教師なしの両方の設定において,さまざまなグラフデータセットに対して,有意かつ一貫したパフォーマンス向上を実現していることを示す。
論文 参考訳(メタデータ) (2020-10-23T18:37:06Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳(メタデータ) (2020-02-04T08:33:49Z)
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。