論文の概要: Physics-informed Evolutionary Strategy based Control for Mitigating Delayed Voltage Recovery

• arxiv url: http://arxiv.org/abs/2111.14352v1
• Date: Mon, 29 Nov 2021 07:12:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-30 19:01:54.975886
• Title: Physics-informed Evolutionary Strategy based Control for Mitigating Delayed Voltage Recovery
• Title（参考訳）: 物理インフォームド進化戦略に基づく遅延電圧回復の緩和制御
• Authors: Yan Du, Qiuhua Huang, Renke Huang, Tianzhixi Yin, Jie Tan, Wenhao Yu, Xinya Li
• Abstract要約: 物理インフォームド・ガイド付きメタ進化戦略(ES)に基づく新しいデータ駆動リアルタイム電力系統電圧制御法を提案する。 主な目的は、故障による遅延電圧回復(FIDVR)問題を緩和するための適応制御戦略を迅速に提供することである。
• 参考スコア（独自算出の注目度）: 14.44961822756759
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this work we propose a novel data-driven, real-time power system voltage control method based on the physics-informed guided meta evolutionary strategy (ES). The main objective is to quickly provide an adaptive control strategy to mitigate the fault-induced delayed voltage recovery (FIDVR) problem. Reinforcement learning methods have been developed for the same or similar challenging control problems, but they suffer from training inefficiency and lack of robustness for "corner or unseen" scenarios. On the other hand, extensive physical knowledge has been developed in power systems but little has been leveraged in learning-based approaches. To address these challenges, we introduce the trainable action mask technique for flexibly embedding physical knowledge into RL models to rule out unnecessary or unfavorable actions, and achieve notable improvements in sample efficiency, control performance and robustness. Furthermore, our method leverages past learning experience to derive surrogate gradient to guide and accelerate the exploration process in training. Case studies on the IEEE 300-bus system and comparisons with other state-of-the-art benchmark methods demonstrate effectiveness and advantages of our method.
• Abstract（参考訳）: 本研究では,物理インフォームド・ガイド付きメタ進化戦略(ES)に基づく,データ駆動型リアルタイム電力系統電圧制御手法を提案する。 主な目的は、故障による遅延電圧回復(FIDVR)問題を緩和するための適応制御戦略を迅速に提供することである。 強化学習法は、同じまたは類似の困難な制御問題に対して開発されてきたが、訓練の非効率性や"コルナー"や"見えない"シナリオに対する堅牢性の欠如に悩まされている。 一方、電力システムでは広範な物理知識が開発されているが、学習に基づくアプローチではほとんど活用されていない。 これらの課題に対処するために,RLモデルに物理知識を柔軟に組み込んで不必要な動作や不都合な動作を排除し,サンプル効率,制御性能,堅牢性において顕著な改善を実現するためのトレーニング可能なアクションマスク技術を導入する。 さらに,過去の学習経験を活かし,サーロゲート勾配を導出し,学習中の探索プロセスを指導し,促進する。 IEEE 300-busシステムに関するケーススタディと、他の最先端ベンチマーク手法との比較により、本手法の有効性と利点が示された。

関連論文リスト

• Unlearning with Control: Assessing Real-world Utility for Large Language Model Unlearning [97.2995389188179]
  最近の研究は、勾配上昇(GA)を通した大規模言語モデル(LLM)の未学習にアプローチし始めている。 その単純さと効率性にもかかわらず、我々はGAベースの手法が過剰な未学習の傾向に直面することを示唆している。 過剰な未学習の度合いを制御できるいくつかの制御手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T14:41:00Z)
• Power Transformer Fault Prediction Based on Knowledge Graphs [9.690455133923667]
  広範なフォールトデータの不足により、機械学習技術を効果的に適用することは困難である。 我々は,知識グラフ(KG)技術と勾配向上決定木(GBDT)を併用した新しい手法を提案する。 本手法は, 変圧器の故障や過去の運用データに影響を及ぼす様々な要因を統合することで, 少数の高次元データから効率的に学習できるように設計されている。
  論文  参考訳（メタデータ） (2024-02-11T19:14:28Z)
• PMU measurements based short-term voltage stability assessment of power systems via deep transfer learning [2.1303885995425635]
  本稿では, 深層移動学習を用いた新しいファサー計測ユニット (PMU) を用いたSTVSA法を提案する。 サンプルラベリングには時間的アンサンブルを採用し、データ拡張には最小2乗生成逆数ネットワーク(LSGAN)を使用している。 IEEE 39-busテストシステムの実験結果から,提案手法は伝達学習によるモデル評価精度を約20%向上することを示した。
  論文  参考訳（メタデータ） (2023-08-07T23:44:35Z)
• Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
  本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。 検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-20T17:11:05Z)
• 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)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Accelerated Policy Learning with Parallel Differentiable Simulation [59.665651562534755]
  微分可能シミュレータと新しいポリシー学習アルゴリズム(SHAC)を提案する。 本アルゴリズムは,スムーズな批判機能により局所最小化の問題を軽減する。 現状のRLと微分可能なシミュレーションベースアルゴリズムと比較して,サンプル効率と壁面時間を大幅に改善した。
  論文  参考訳（メタデータ） (2022-04-14T17:46:26Z)
• Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
  電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。 具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。 本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
  論文  参考訳（メタデータ） (2021-10-18T00:50:34Z)
• Rethink AI-based Power Grid Control: Diving Into Algorithm Design [6.194042945960622]
  本稿では、アルゴリズム選択、状態空間表現、および報酬工学の側面からDRLベースの電圧制御の詳細な分析について述べる。 本稿では,電力グリッドの動作点を直接効果的な動作にマッピングする模倣学習に基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-12-23T23:38:41Z)
• Fault-Tolerant Control of Degrading Systems with On-Policy Reinforcement Learning [1.8799681615947088]
  耐障害性システムに対する適応型強化学習制御手法を提案する。 オンラインとオフラインの学習は、探索とサンプル効率を改善するために組み合わせられる。 本手法の有効性を実証するため,航空機用燃料輸送システムの実験を行った。
  論文  参考訳（メタデータ） (2020-08-10T20:42:59Z)
• Reinforcement Learning with Fast Stabilization in Linear Dynamical Systems [91.43582419264763]
  未知の安定化線形力学系におけるモデルベース強化学習(RL)について検討する。 本研究では,環境を効果的に探索することで,基盤システムの高速安定化を証明できるアルゴリズムを提案する。 提案アルゴリズムはエージェント環境相互作用の時間ステップで$tildemathcalO(sqrtT)$ regretを達成した。
  論文  参考訳（メタデータ） (2020-07-23T23:06:40Z)

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。