論文の概要: GridLearn: Multiagent Reinforcement Learning for Grid-Aware Building Energy Management

• arxiv url: http://arxiv.org/abs/2110.06396v1
• Date: Tue, 12 Oct 2021 23:19:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-15 04:24:13.231647
• Title: GridLearn: Multiagent Reinforcement Learning for Grid-Aware Building Energy Management
• Title（参考訳）: GridLearn:グリッド対応建築エネルギー管理のためのマルチエージェント強化学習
• Authors: Aisling Pigott, Constance Crozier, Kyri Baker, Zoltan Nagy
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Increasing amounts of distributed generation in distribution networks can provide both challenges and opportunities for voltage regulation across the network. Intelligent control of smart inverters and other smart building energy management systems can be leveraged to alleviate these issues. GridLearn is a multiagent reinforcement learning platform that incorporates both building energy models and power flow models to achieve grid level goals, by controlling behind-the-meter resources. This study demonstrates how multi-agent reinforcement learning can preserve building owner privacy and comfort while pursuing grid-level objectives. Building upon the CityLearn framework which considers RL for building-level goals, this work expands the framework to a network setting where grid-level goals are additionally considered. As a case study, we consider voltage regulation on the IEEE-33 bus network using controllable building loads, energy storage, and smart inverters. The results show that the RL agents nominally reduce instances of undervoltages and reduce instances of overvoltages by 34%.
• Abstract（参考訳）: 分散ネットワークにおける分散生成の増大は、ネットワーク全体にわたる電圧規制の課題と機会を提供する。 スマートインバータやその他のスマートビルディングエネルギ管理システムのインテリジェントな制御は、これらの問題を緩和するために活用できる。 gridlearnは、エネルギーモデルの構築とグリッドレベルの目標を達成するために電力フローモデルの両方を組み込んだマルチエージェント強化学習プラットフォームである。 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ーと快適性を維持する方法を示す。 ビルレベルの目標のためにRLを検討するCityLearnフレームワークに基づいて、この作業は、グリッドレベルの目標が考慮されるネットワーク設定までフレームワークを拡張します。 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考察する。 その結果、RLエージェントは名目上、過電圧のインスタンスを34%減らし、過電圧のインスタンスを34%減らした。

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)
• Multi-Agent Reinforcement Learning for Power Grid Topology Optimization [45.74830585715129]
  本稿では,拡張行動空間に適した階層型マルチエージェント強化学習(MARL)フレームワークを提案する。 実験結果から, 単エージェントRL法とMARLフレームワークの競合性能が示唆された。 また、下位エージェントに対する異なるRLアルゴリズムと上位エージェントに対する異なるポリシーを比較した。
  論文  参考訳（メタデータ） (2023-10-04T06:37:43Z)
• Reinforcement Learning for Resilient Power Grids [0.23204178451683263]
  従来の送電網は、より頻繁で極端な自然災害の下で時代遅れになっている。 ほとんどの電力グリッドシミュレータとRLインタフェースは、大規模なブラックアウトやネットワークがサブネットワークに分割された場合の電力グリッドのシミュレーションをサポートしない。 本研究では,既存のシミュレータとRLインタフェースであるGrid2Op上に構築された電力グリッドシミュレータを提案し,Grid2Opの動作と観測空間を制限する実験を行った。
  論文  参考訳（メタデータ） (2022-12-08T04:40:14Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
  強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。 我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2022-08-12T17:13:25Z)
• 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)
• Multi-Objective Reinforcement Learning based Multi-Microgrid System Optimisation Problem [4.338938227238059]
  エネルギー貯蔵システムと分散型再生可能エネルギー源を備えたマイクログリッドは、従来の電源からの消費を減らし、CO$の排出を抑える上で重要な役割を担っている。 マルチマイクログリッドを分散電力グリッドに接続することで、システムのセキュリティとプライバシを高めるため、より堅牢で信頼性の高い操作が可能になる。 提案モデルは,スマートグリッド層,独立系演算子層(ISO)層,電力グリッド層という3つの層から構成される。
  論文  参考訳（メタデータ） (2021-03-10T23:01:22Z)
• Scalable Voltage Control using Structure-Driven Hierarchical Deep Reinforcement Learning [0.0]
  本稿では,新しい階層型深層強化学習(drl)による電力系統の電圧制御設計を提案する。 本研究では,電力系統の領域分割構造を利用して,大規模グリッドモデルに適用可能な階層型drl設計を提案する。 地域別分散型RLエージェントを訓練し、各エリアの低レベルポリシーを算出し、低レベルポリシーの更新を使用して低レベルエージェントが行う制御アクションを効率的に調整する高レベルDRLエージェントを同時トレーニングします。
  論文  参考訳（メタデータ） (2021-01-29T21:30:59Z)
• A Multi-Agent Deep Reinforcement Learning Approach for a Distributed Energy Marketplace in Smart Grids [58.666456917115056]
  本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。 提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
  論文  参考訳（メタデータ） (2020-09-23T02:17:51Z)

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。