論文の概要: Multi-Agent Reinforcement Learning for Active Voltage Control on Power
Distribution Networks
- arxiv url: http://arxiv.org/abs/2110.14300v1
- Date: Wed, 27 Oct 2021 09:31:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 15:06:51.331670
- Title: Multi-Agent Reinforcement Learning for Active Voltage Control on Power
Distribution Networks
- Title(参考訳): 配電系統におけるアクティブ電圧制御のためのマルチエージェント強化学習
- Authors: Jianhong Wang, Wangkun Xu, Yunjie Gu, Wenbin Song, Tim C. Green
- Abstract要約: 脱炭のトレンドは、配電ネットワークに過度なストレスをかけている。
アクティブ電圧制御は、余分なハードウェア投資をすることなく、電力混雑を緩和し、電圧品質を向上させるための有望な解決策と見なされている。
本稿では,Dec-POMDPの枠組みにおけるアクティブ電圧制御問題を定式化し,オープンソース環境を確立する。
- 参考スコア(独自算出の注目度): 2.992389186393994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a problem in power networks that creates an exciting and
yet challenging real-world scenario for application of multi-agent
reinforcement learning (MARL). The emerging trend of decarbonisation is placing
excessive stress on power distribution networks. Active voltage control is seen
as a promising solution to relieve power congestion and improve voltage quality
without extra hardware investment, taking advantage of the controllable
apparatuses in the network, such as roof-top photovoltaics (PVs) and static var
compensators (SVCs). These controllable apparatuses appear in a vast number and
are distributed in a wide geographic area, making MARL a natural candidate.
This paper formulates the active voltage control problem in the framework of
Dec-POMDP and establishes an open-source environment. It aims to bridge the gap
between the power community and the MARL community and be a drive force towards
real-world applications of MARL algorithms. Finally, we analyse the special
characteristics of the active voltage control problems that cause challenges
for state-of-the-art MARL approaches, and summarise the potential directions.
- Abstract(参考訳): 本稿では,マルチエージェント強化学習(MARL)の適用において,エキサイティングかつ挑戦的な現実シナリオを生み出す電力ネットワークの問題点について述べる。
脱炭のトレンドは、配電ネットワークに過度のストレスをかけている。
アクティブ電圧制御は、屋上太陽光発電(PV)やスタティックヴァル補償器(SVC)といったネットワークの制御可能な機器を活用することにより、余分なハードウェア投資なしに電力混雑を緩和し、電圧品質を向上させるための有望なソリューションと見なされている。
これらの制御可能な装置は膨大な数に出現し、広い地理的領域に分散しているため、MARLは自然な候補となる。
本稿では,Dec-POMDPのフレームワークにおけるアクティブ電圧制御問題を定式化し,オープンソース環境を確立する。
パワーコミュニティとMARLコミュニティのギャップを埋めることを目的としており、MARLアルゴリズムの現実的な応用に向けた原動力となる。
最後に,最先端のmarlアプローチの課題となるアクティブ電圧制御問題の特殊特性を解析し,潜在的な方向を要約する。
関連論文リスト
- A Scalable Network-Aware Multi-Agent Reinforcement Learning Framework
for Decentralized Inverter-based Voltage Control [9.437235548820505]
本稿では,分散型世代(DG)の増加に伴う電力グリッドの分散電圧制御に関する課題に対処する。
従来のモデルベース電圧制御法は、これらのDGの急激なエネルギー変動と不確実性に苦慮している。
本稿では,ネットワーク構造を利用したスケーラブルなネットワーク認識(SNA)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-07T15:42:53Z) - 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) - Bayesian Reinforcement Learning for Automatic Voltage Control under
Cyber-Induced Uncertainty [0.533024001730262]
本研究では,電力系統制御問題に対するベイズ強化学習(BRL)手法を提案する。
サイバー攻撃環境における不確実性の下での持続的な電圧制御に焦点を当てている。
BRL技術は、様々なRL技術における探索と利用のしきい値を自動的に見つけるのに役立つ。
論文 参考訳(メタデータ) (2023-05-25T20:58:08Z) - Reimagining Demand-Side Management with Mean Field Learning [0.0]
本稿では,DSMの新しい手法,特に所望の消費信号に従うために大量の電気機器を制御する問題を提案する。
我々は,凸関数とリプシッツ関数の理論的保証を提供する新しいアルゴリズムMD-MFCを開発した。
論文 参考訳(メタデータ) (2023-02-16T10:15:08Z) - Distributed-Training-and-Execution Multi-Agent Reinforcement Learning
for Power Control in HetNet [48.96004919910818]
We propose a multi-agent Deep reinforcement learning (MADRL) based power control scheme for the HetNet。
エージェント間の協調を促進するために,MADRLシステムのためのペナルティベースQラーニング(PQL)アルゴリズムを開発した。
このように、エージェントのポリシーは、他のエージェントによってより容易に学習でき、より効率的なコラボレーションプロセスをもたらす。
論文 参考訳(メタデータ) (2022-12-15T17:01:56Z) - 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) - 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) - 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) - Reinforcement Learning for Decision-Making and Control in Power Systems:
Tutorial, Review, and Vision [9.363707557258175]
近年、強化学習(RL)が注目されています。
我々はRLに焦点をあて、様々なRL技術についてチュートリアルを提供し、電力系統における意思決定と制御にどのように適用できるかを論じる。
特に、周波数制御、電圧制御、エネルギー管理を含む3つの重要な応用を図示として選択する。
論文 参考訳(メタデータ) (2021-01-27T03:45:44Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳(メタデータ) (2020-02-21T02:14:38Z)
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。