論文の概要: Runtime-Assured, Real-Time Neural Control of Microgrids

• arxiv url: http://arxiv.org/abs/2202.09710v1
• Date: Sun, 20 Feb 2022 02:08:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-25 14:18:17.012808
• Title: Runtime-Assured, Real-Time Neural Control of Microgrids
• Title（参考訳）: マイクログリッドのリアルタイムニューラル制御
• Authors: Amol Damare, Shouvik Roy, Scott A. Smolka, Scott D. Stoller
• Abstract要約: 我々は,ニューラルコントローラを用いたマイクログリッドのランタイム保証のための新しい,確実に正しい設計手法であるSimpleMGを提案する。 実験の結果,SimpleMGは複雑なマイクログリッドのための高性能ニューラルコントローラの開発に有効であることが確認された。
• 参考スコア（独自算出の注目度）: 1.3620709226508394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present SimpleMG, a new, provably correct design methodology for runtime assurance of microgrids (MGs) with neural controllers. Our approach is centered around the Neural Simplex Architecture, which in turn is based on Sha et al.'s Simplex Control Architecture. Reinforcement Learning is used to synthesize high-performance neural controllers for MGs. Barrier Certificates are used to establish SimpleMG's runtime-assurance guarantees. We present a novel method to derive the condition for switching from the unverified neural controller to the verified-safe baseline controller, and we prove that the method is correct. We conduct an extensive experimental evaluation of SimpleMG using RTDS, a high-fidelity, real-time simulation environment for power systems, on a realistic model of a microgrid comprising three distributed energy resources (battery, photovoltaic, and diesel generator). Our experiments confirm that SimpleMG can be used to develop high-performance neural controllers for complex microgrids while assuring runtime safety, even in the presence of adversarial input attacks on the neural controller. Our experiments also demonstrate the benefits of online retraining of the neural controller while the baseline controller is in control
• Abstract（参考訳）: 本稿では,ニューラルコントローラを用いたマイクログリッド(mgs)の実行時保証のための新しい,確実に正しい設計手法であるsimplemgを提案する。 われわれのアプローチはNeural Simplex Architectureを中心にしており、ShaらのSimplex Control Architectureをベースとしている。 強化学習はMGのための高性能ニューラルネットワークの合成に用いられる。 バリア証明書はSimpleMGのランタイム保証を確立するために使われる。 本稿では,未検証のニューラルコントローラから検証済みの安全なベースラインコントローラに切り替える条件を導出する新しい手法を提案し,その方法が正しいことを証明した。 3つの分散型エネルギー資源(バッテリ、太陽光発電、ディーゼル発電機)からなるマイクログリッドの現実的なモデルに基づいて、電力系統用高忠実度リアルタイムシミュレーション環境であるrtdsを用いたsimplemgの広範な実験評価を行った。 実験の結果,SimpleMGは,ニューラルネットワークに対する逆入力攻撃があっても,実行時の安全性を確保しつつ,複雑なマイクログリッドのための高性能なニューラルコントローラの開発に有効であることが確認された。 我々の実験は、ベースラインコントローラが制御されている間、ニューラルコントローラのオンラインリトレーニングの利点も示している。

関連論文リスト

• Safe Learning-Based Optimization of Model Predictive Control: Application to Battery Fast-Charging [0.0]
  本稿では,モデル予測制御とベイズ最適化を統合し,長期閉ループ性能を最適化する手法について議論する。 この研究は、閉ループ制約満足度を強調することによって、これまでの研究を拡張した。 本手法をリチウムイオン電池の高速充電に適用する。
  論文  参考訳（メタデータ） (2024-10-07T12:23:40Z)
• Learning Local Control Barrier Functions for Safety Control of Hybrid Systems [11.57209279619218]
  安全はハイブリッドロボットシステムにとって主要な関心事である。 既存のハイブリッドシステムに対する安全クリティカルな制御アプローチは、計算的に非効率であり、システム性能に有害であるか、小規模システムに限定されている。 本研究では,局所制御バリア関数 (CBF) を構築するための学習可能なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-01-26T14:38:43Z)
• Safe Neural Control for Non-Affine Control Systems with Differentiable Control Barrier Functions [58.19198103790931]
  本稿では,非アフィン制御系における安全クリティカル制御の問題に対処する。 制御バリア関数(CBF)を用いて,状態制約と制御制約の2次コストの最適化を2次プログラムのシーケンス(QP)にサブ最適化できることが示されている。 我々は,高次CBFをニューラル常微分方程式に基づく学習モデルに差分CBFとして組み込んで,非アフィン制御系の安全性を保証する。
  論文  参考訳（メタデータ） (2023-09-06T05:35:48Z)
• Dynamic Simplex: Balancing Safety and Performance in Autonomous Cyber Physical Systems [1.3309898919316483]
  本稿では,双方向スイッチングが可能なオンラインコントローラスイッチングロジックを用いたシンプルな戦略を提案する。 提案手法は, 現状技術よりも衝突が少なく, 性能も高いことを示す。
  論文  参考訳（メタデータ） (2023-02-20T04:00:53Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• BarrierNet: A Safety-Guaranteed Layer for Neural Networks [50.86816322277293]
  BarrierNetは、ニューラルコントローラの安全性の制約が環境の変化に適応できるようにする。 本研究では,2次元空間と3次元空間における交通統合やロボットナビゲーションといった一連の制御問題について評価する。
  論文  参考訳（メタデータ） (2021-11-22T15:38:11Z)
• Stable Online Control of Linear Time-Varying Systems [49.41696101740271]
  COCO-LQは、大規模なLTVシステムの入出力安定性を保証する効率的なオンライン制御アルゴリズムである。 COCO-LQの性能を実証実験とパワーシステム周波数制御の両例で実証した。
  論文  参考訳（メタデータ） (2021-04-29T06:18:49Z)
• Learning Hybrid Control Barrier Functions from Data [66.37785052099423]
  ハイブリッドシステムの安全な制御法則を得るための体系的なツールが欠如していることから,データから確実に安全な制御法則を学習するための最適化ベースのフレームワークを提案する。 特に、システムダイナミクスが知られており、安全なシステム動作を示すデータが利用可能であるような設定を仮定する。
  論文  参考訳（メタデータ） (2020-11-08T23:55:02Z)
• Learning Stabilizing Controllers for Unstable Linear Quadratic Regulators from a Single Trajectory [85.29718245299341]
  線形2次制御器(LQR)としても知られる2次コストモデルの下で線形制御器を研究する。 楕円形不確実性集合内の全ての系を安定化させる制御器を構成する2つの異なる半定値プログラム(SDP)を提案する。 高い確率で安定化コントローラを迅速に識別できる効率的なデータ依存アルゴリズムであるtextsceXplorationを提案する。
  論文  参考訳（メタデータ） (2020-06-19T08:58:57Z)

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。