論文の概要: OpenGridGym: An Open-Source AI-Friendly Toolkit for Distribution Market Simulation

• arxiv url: http://arxiv.org/abs/2203.04410v1
• Date: Sun, 6 Mar 2022 07:03:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 17:05:33.477023
• Title: OpenGridGym: An Open-Source AI-Friendly Toolkit for Distribution Market Simulation
• Title（参考訳）: OpenGridGym: 分散市場シミュレーションのためのオープンソースAIフレンドリなツールキット
• Authors: Rayan El Helou, Kiyeob Lee, Dongqi Wu, Le Xie, Srinivas Shakkottai, Vijay Subramanian
• Abstract要約: OpenGridGymはオープンソースのPythonベースのパッケージで、分散市場シミュレーションと最先端人工知能(AI)意思決定アルゴリズムをシームレスに統合することができる。 1)物理グリッド、(2)市場メカニズム、(3)以前の2つのモジュールと相互作用する訓練可能なエージェントのセット、(4)上記の4つのモジュールを接続し調整する環境モジュールである。 電力流通市場における重要な設計や運用上の問題に研究者が対処する上で,このツールキットの能力と可能性を示すケーススタディが提示されている。
• 参考スコア（独自算出の注目度）: 6.545664750394246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents OpenGridGym, an open-source Python-based package that allows for seamless integration of distribution market simulation with state-of-the-art artificial intelligence (AI) decision-making algorithms. We present the architecture and design choice for the proposed framework, elaborate on how users interact with OpenGridGym, and highlight its value by providing multiple cases to demonstrate its use. Four modules are used in any simulation: (1) the physical grid, (2) market mechanisms, (3) a set of trainable agents which interact with the former two modules, and (4) environment module that connects and coordinates the above three. We provide templates for each of those four, but they are easily interchangeable with custom alternatives. Several case studies are presented to illustrate the capability and potential of this toolkit in helping researchers address key design and operational questions in distribution electricity markets.
• Abstract（参考訳）: 提案するOpenGridGymは,分散市場シミュレーションと最先端人工知能(AI)意思決定アルゴリズムのシームレスな統合を可能にする,Pythonベースのオープンソースパッケージである。 提案フレームワークのアーキテクチャと設計の選択肢を紹介するとともに,ユーザがopengridgymとどのように相互作用するかを詳しく説明するとともに,その使用例を示す複数のケースを提供することで,その価値を強調する。 シミュレーションでは、(1)物理グリッド、(2)市場メカニズム、(3)以前の2つのモジュールと相互作用するトレーニング可能なエージェントのセット、(4)上記の3つのモジュールを接続し調整する環境モジュールの4つのモジュールが使用される。 これら4つそれぞれにテンプレートを提供していますが、カスタムの代替品と簡単に交換可能です。 配電市場における重要な設計と運用上の疑問への研究者の対処を支援するために、このツールキットの能力と可能性を説明するいくつかのケーススタディが提示されている。

関連論文リスト

• xLAM: A Family of Large Action Models to Empower AI Agent Systems [111.5719694445345]
  AIエージェントタスク用に設計された大規模なアクションモデルであるxLAMをリリースする。 xLAMは、複数のエージェント能力ベンチマークで例外的なパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-09-05T03:22:22Z)
• A Comprehensive Sustainable Framework for Machine Learning and Artificial Intelligence [18.510632104241523]
  持続可能な機械学習の4つの重要な柱は、公正性、プライバシー、解釈可能性、温室効果ガスの排出である。 それぞれの柱の間には固有のトレードオフがあり、一緒に考えることがより重要である。 本稿では、持続可能な機械学習のための新しいフレームワークの概要と、汎用AIパイプラインであるFPIGを提案する。
  論文  参考訳（メタデータ） (2024-07-17T09:54:19Z)
• Grounding and Enhancing Grid-based Models for Neural Fields [52.608051828300106]
  本稿では,グリッドモデルに関する理論的枠組みを紹介する。 このフレームワークは、これらのモデルの近似と一般化の挙動がグリッド接カーネル(GTK)によって決定されることを指摘している。 導入されたフレームワークは、Multiplicative Fourier Adaptive Grid(MulFAGrid)と呼ばれる新しいグリッドベースモデルの開発を動機付けている。
  論文  参考訳（メタデータ） (2024-03-29T06:33:13Z)
• ESPnet-SPK: full pipeline speaker embedding toolkit with reproducible recipes, self-supervised front-ends, and off-the-shelf models [51.35570730554632]
  ESPnet-SPKは、話者埋め込み抽出器を訓練するためのツールキットである。 我々は、x-vectorから最近のSKA-TDNNまで、いくつかのモデルを提供している。 開発モデルと他のドメインとの橋渡しも目指しています。
  論文  参考訳（メタデータ） (2024-01-30T18:18:27Z)
• NovelGym: A Flexible Ecosystem for Hybrid Planning and Learning Agents Designed for Open Worlds [18.53489803464924]
  NovelGymはグリッドワールド環境をシミュレートするフレキシブルなエコシステムである。 オープンワールドにおける強化学習(RL)とハイブリッド計画および学習エージェントのベンチマークのための堅牢なプラットフォームとして機能する。
  論文  参考訳（メタデータ） (2024-01-07T17:13:28Z)
• TorchDEQ: A Library for Deep Equilibrium Models [72.65236284030894]
  TorchDEQは、最小限のコードとベストプラクティスで複数のドメイン上でDEQを定義し、トレーニングし、推論することを可能にする、アウト・オブ・ザ・ボックスのライブラリです。 私たちは、異なるドメインにまたがる6つの暗黙のモデルをサポートするDEQ Zoo'を構築します。 DEQ Zooの6つのプロジェクトすべてにまたがる10のデータセット上でのDECのパフォーマンス、トレーニングの安定性、効率を大幅に改善しました。
  論文  参考訳（メタデータ） (2023-10-28T06:16:10Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• PowerGridworld: A Framework for Multi-Agent Reinforcement Learning in Power Systems [6.782988908306483]
  我々はPowerGridworldソフトウェアパッケージを紹介し、パワーシステムにフォーカスしたマルチエージェントGym環境を構築するための軽量でモジュール化されたカスタマイズ可能なフレームワークをユーザに提供します。
  論文  参考訳（メタデータ） (2021-11-10T22:22:07Z)
• Sim-Env: Decoupling OpenAI Gym Environments from Simulation Models [0.0]
  強化学習(RL)は、AI研究の最も活発な分野の1つです。 開発方法論はまだ遅れており、RLアプリケーションの開発を促進するための標準APIが不足している。 多目的エージェントベースのモデルと派生した単一目的強化学習環境の分離開発と保守のためのワークフローとツールを提示する。
  論文  参考訳（メタデータ） (2021-02-19T09:25:21Z)
• DIETERpy: a Python framework for The Dispatch and Investment Evaluation Tool with Endogenous Renewables [62.997667081978825]
  DIETERはオープンソースの電力セクターモデルであり、可変再生可能エネルギー源の非常に高いシェアで将来の設定を分析するように設計されている。 システム全体のコストを最小化し、様々な世代の固定および可変コスト、柔軟性、セクター結合オプションを含む。 我々は、GAMS(General Algebraic Modeling System)で記述された既存のモデルバージョンの上に構築されたDIETERpyを紹介し、それをPythonフレームワークで強化する。
  論文  参考訳（メタデータ） (2020-10-02T09:27:33Z)
• Landscape of R packages for eXplainable Artificial Intelligence [4.91155110560629]
  この記事は主にRで利用可能なツールに特化していますが、Pythonコードの統合が容易であるため、Pythonから最も人気のあるライブラリの例も紹介します。
  論文  参考訳（メタデータ） (2020-09-24T16:54:57Z)

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。