論文の概要: Using Deep Reinforcement Learning to solve Optimal Power Flow problem with generator failures

• arxiv url: http://arxiv.org/abs/2205.02108v1
• Date: Wed, 4 May 2022 15:09:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-05 13:31:42.878332
• Title: Using Deep Reinforcement Learning to solve Optimal Power Flow problem with generator failures
• Title（参考訳）: 深部強化学習を用いた発電機故障による最適潮流問題の解法
• Authors: Muhammad Usman Awais
• Abstract要約: 最適潮流(OPF)問題を解決するために、2つの古典的アルゴリズムが提案されている。 バニラDRLアプリケーションの欠点を論じ,性能向上のためのアルゴリズムを提案する。 DRLにおける固有問題の解法を可能にするOPF問題に対する報奨関数を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep Reinforcement Learning (DRL) is being used in many domains. One of the biggest advantages of DRL is that it enables the continuous improvement of a learning agent. Secondly, the DRL framework is robust and flexible enough to be applicable to problems of varying nature and domain. Presented work is evidence of using the DRL technique to solve an Optimal Power Flow (OPF) problem. Two classical algorithms have been presented to solve the OPF problem. The drawbacks of the vanilla DRL application are discussed, and an algorithm is suggested to improve the performance. Secondly, a reward function for the OPF problem is presented that enables the solution of inherent issues in DRL. Reasons for divergence and degeneration in DRL are discussed, and the correct strategy to deal with them with respect to OPF is presented.
• Abstract（参考訳）: 深層強化学習(DRL)は多くの領域で使われている。 DRLの最大の利点の1つは、学習エージェントの継続的な改善を可能にすることである。 第二に、DRLフレームワークは堅牢で柔軟性があり、様々な性質とドメインの問題に適用できる。 現在の研究は、最適潮流(OPF)問題を解決するためにDRL技術を使用した証拠である。 OPF問題を解決するために、2つの古典的アルゴリズムが提案されている。 バニラDRLアプリケーションの欠点を論じ,性能向上のためのアルゴリズムを提案する。 第二に、DRLにおける固有の問題の解法を可能にするOPF問題に対する報酬関数が提示される。 DRLの多様性と変性の理由について論じ,OPFに関してそれらを扱うための正しい戦略について述べる。

関連論文リスト

• Multiobjective Vehicle Routing Optimization with Time Windows: A Hybrid Approach Using Deep Reinforcement Learning and NSGA-II [52.083337333478674]
  本稿では、時間窓を用いた多目的車両ルーティング問題(MOVRPTW)に対処するために、ウェイト・アウェア・ディープ・強化学習(WADRL)手法を提案する。 WADRLの結果を最適化するために非支配的ソート遺伝的アルゴリズム-II (NSGA-II) 法を用いる。
  論文  参考訳（メタデータ） (2024-07-18T02:46:06Z)
• Generative AI for Deep Reinforcement Learning: Framework, Analysis, and Use Cases [60.30995339585003]
  深部強化学習(DRL)は様々な分野に広く適用されており、優れた成果を上げている。 DRLは、サンプル効率の低下や一般化の低さなど、いくつかの制限に直面している。 本稿では、これらの問題に対処し、DRLアルゴリズムの性能を向上させるために、生成AI(GAI)を活用する方法について述べる。
  論文  参考訳（メタデータ） (2024-05-31T01:25:40Z)
• Federated Reinforcement Learning for Resource Allocation in V2X Networks [46.6256432514037]
  資源配分はV2Xネットワークの性能に大きな影響を及ぼす。 リソース割り当てのための既存のアルゴリズムのほとんどは、最適化や機械学習に基づいている。 本稿では,連合型強化学習の枠組みの下で,V2Xネットワークにおける資源配分について検討する。
  論文  参考訳（メタデータ） (2023-10-15T15:26:54Z)
• Decoupled Prioritized Resampling for Offline RL [120.49021589395005]
  オフライン強化学習のためのオフライン優先体験再生(OPER)を提案する。 OPERは、高度に反転する遷移を優先するように設計された優先順位関数のクラスを備えており、トレーニング中により頻繁に訪問することができる。 優先順位関数のクラスは行動ポリシーの改善を誘導し、この改善されたポリシーに制約された場合、ポリシー制約付きオフラインRLアルゴリズムによりより良い解が得られる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-06-08T17:56:46Z)
• Efficient Diffusion Policies for Offline Reinforcement Learning [85.73757789282212]
  Diffsuion-QLは、拡散モデルでポリシーを表現することによってオフラインRLの性能を大幅に向上させる。 これら2つの課題を克服するために,効率的な拡散政策(EDP)を提案する。 EDPは、サンプリングチェーンの実行を避けるために、トレーニング中の腐敗したアクションからアクションを構築する。
  論文  参考訳（メタデータ） (2023-05-31T17:55:21Z)
• Open Problems and Modern Solutions for Deep Reinforcement Learning [0.0]
  本稿では,DRLの問題点を調査し,効果的な解法を提案する2つの論文をレビューする。 手動で設計した外因性報酬とパラメータ化された内因性報酬関数を組み合わせることで、人間とロボットの協調のための報酬を設計する。 もう一つは、バックプロパゲーションの代わりに近似推論を用いてDRLの重要な事前学習特徴を迅速かつ柔軟に選択するために、選択的注意と粒子フィルタを適用している。
  論文  参考訳（メタデータ） (2023-02-05T04:42:42Z)
• Toward Safe and Accelerated Deep Reinforcement Learning for Next-Generation Wireless Networks [21.618559590818236]
  本稿では,DRL ベースの RRM ソリューションを開発する際に直面する2つの課題について論じる。 特に,DRLアルゴリズムが示す遅延収束と性能不安定性を緩和する,安全かつ高速化されたDRLベースのRRMソリューションの必要性について論じる。
  論文  参考訳（メタデータ） (2022-09-16T04:50:49Z)
• Performance Comparison of Deep RL Algorithms for Energy Systems Optimal Scheduling [0.0]
  DRL(Deep Reinforcement Learning)アルゴリズムは、再生可能エネルギーベースの生成の導入による不確実性の増加に対処することができる。 本稿では,DDPG,TD3,SAC,PPOなどのDRLアルゴリズムの性能比較を行った。 その結果、DRLアルゴリズムは、目に見えない運用シナリオであっても、リアルタイムに高品質なソリューションを提供する能力を示している。
  論文  参考訳（メタデータ） (2022-08-01T10:25:52Z)
• Maximum Entropy RL (Provably) Solves Some Robust RL Problems [94.80212602202518]
  我々は、標準最大エントロピーRLが動的および報酬関数のいくつかの障害に対して堅牢であることを理論的に証明する。 以上の結果から,MaxEnt RL自体が特定の障害に対して頑健であり,追加の修正は不要であることが示唆された。
  論文  参考訳（メタデータ） (2021-03-10T18:45:48Z)

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。