論文の概要: Stabilizing Voltage in Power Distribution Networks via Multi-Agent
Reinforcement Learning with Transformer
- arxiv url: http://arxiv.org/abs/2206.03721v1
- Date: Wed, 8 Jun 2022 07:48:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-09 23:50:03.172258
- Title: Stabilizing Voltage in Power Distribution Networks via Multi-Agent
Reinforcement Learning with Transformer
- Title(参考訳): 変圧器を用いたマルチエージェント強化学習による配電系統の電圧安定化
- Authors: Minrui Wang, Mingxiao Feng, Wengang Zhou, Houqiang Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 128.19212716007794
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increased integration of renewable energy poses a slew of technical
challenges for the operation of power distribution networks. Among them,
voltage fluctuations caused by the instability of renewable energy are
receiving increasing attention. Utilizing MARL algorithms to coordinate
multiple control units in the grid, which is able to handle rapid changes of
power systems, has been widely studied in active voltage control task recently.
However, existing approaches based on MARL ignore the unique nature of the grid
and achieve limited performance. In this paper, we introduce the transformer
architecture to extract representations adapting to power network problems and
propose a Transformer-based Multi-Agent Actor-Critic framework (T-MAAC) to
stabilize voltage in power distribution networks. In addition, we adopt a novel
auxiliary-task training process tailored to the voltage control task, which
improves the sample efficiency and facilitating the representation learning of
the transformer-based model. We couple T-MAAC with different multi-agent
actor-critic algorithms, and the consistent improvements on the active voltage
control task demonstrate the effectiveness of the proposed method.
- Abstract(参考訳): 再生可能エネルギーの統合の増大は、電力供給網の運用に多くの技術的課題をもたらす。
その中でも再生可能エネルギーの不安定性に起因する電圧変動が注目されている。
電力系統の急激な変化を処理できるグリッド内の複数の制御ユニットをMARLアルゴリズムで調整する手法が近年,アクティブ電圧制御タスクにおいて広く研究されている。
しかし、既存のMARLに基づくアプローチは、グリッドのユニークな性質を無視し、限られた性能を達成する。
本稿では、電力ネットワーク問題に対応する表現を抽出するトランスフォーマーアーキテクチャを導入し、電源ネットワークの電圧を安定させるためのトランスフォーマーベースの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。
また,電圧制御タスクに合わせた新たな補助タスクトレーニングプロセスを採用し,サンプル効率の向上とトランスベースモデルの表現学習の容易化を実現している。
我々は,T-MAACと異なるマルチエージェントアクタークリティカルアルゴリズムを結合し,アクティブ電圧制御タスクにおける一貫した改善により,提案手法の有効性を示す。
関連論文リスト
- Fair Reinforcement Learning Algorithm for PV Active Control in LV Distribution Networks [1.75493501156941]
分散エネルギー資源の導入により、電力ネットワーク制御における新しい複雑な課題が提示された。
PVパネルによる重要なエネルギー生産により、ネットワーク内の電圧問題は問題となっている。
PVパネルのアクティブな出力を減らすことは、一部の顧客に不公平であると見なされ、将来の設置を妨げている。
能動電力削減の公平性を考慮しつつ, 配電系統の電圧問題に対処する強化学習手法を提案する。
論文 参考訳(メタデータ) (2024-09-09T10:51:08Z) - Transmission Interface Power Flow Adjustment: A Deep Reinforcement Learning Approach based on Multi-task Attribution Map [33.929818014940054]
本稿では,データ駆動型深部強化学習(DRL)アプローチを導入し,複数の電力流調整タスクを共同で処理する。
提案手法の中心にはマルチタスク属性マップ (MAM) があり、DRLエージェントは各送信インタフェースタスクを異なる電力系統ノードに明示的に属性付けることができる。
このMAMに基づいて、エージェントは、最適に近い操作コストでマルチタスク調整問題を解決するための効果的な戦略をさらに提供することができる。
論文 参考訳(メタデータ) (2024-05-24T08:20:53Z) - Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。
これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。
本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文 参考訳(メタデータ) (2024-04-17T02:04:10Z) - 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) - Over-the-Air Federated Multi-Task Learning via Model Sparsification and
Turbo Compressed Sensing [48.19771515107681]
本稿では,エッジサーバの協調の下で,エッジデバイス上にデプロイされた複数の学習タスクを非直交型フェードチャネルで共有する,オーバー・ザ・エアのFMTLフレームワークを提案する。
OA-FMTLでは、エッジデバイスの局所的な更新はスパース化され、圧縮され、重ね合わせの方法でアップリンクチャネルに送信される。
提案するOA-FMTLフレームワークとM-Turbo-CSアルゴリズムの性能解析を行った。
論文 参考訳(メタデータ) (2022-05-08T08:03:52Z) - Towards Lightweight Transformer via Group-wise Transformation for
Vision-and-Language Tasks [126.33843752332139]
本稿では,LW-Transformerと呼ばれる視覚・言語タスクのための,普遍的で軽量なトランスフォーマーに対するグループワイズ変換を提案する。
LW-Transformerを一組のTransformerベースのネットワークに適用し、3つの視覚・言語タスクと6つのベンチマークデータセットで定量的に測定する。
実験の結果,LW-Transformerは多数のパラメータや計算を節約しながら,視覚・言語タスクのためのトランスフォーマーネットワークと非常に競合する性能を発揮することがわかった。
論文 参考訳(メタデータ) (2022-04-16T11:30:26Z) - Multi-Agent Reinforcement Learning for Active Voltage Control on Power
Distribution Networks [2.992389186393994]
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。
論文 参考訳(メタデータ) (2021-10-27T09:31:22Z) - An Intelligent Control Strategy for buck DC-DC Converter via Deep
Reinforcement Learning [1.4502611532302039]
定電力負荷(CPL)を有するバックDC-DCコンバータの革新的な知的制御戦略を初めて構築する。
DC-DCコンバータでは、マルコフ決定プロセス(MDP)モデルとディープQネットワーク(DQN)アルゴリズムが定義される。
エージェント-環境相互作用を調整するために,モデルフリーの深層強化学習(DRL)制御戦略を適切に設計する。
論文 参考訳(メタデータ) (2020-08-11T06:38:53Z) - Consensus Multi-Agent Reinforcement Learning for Volt-VAR Control in
Power Distribution Networks [8.472603460083375]
VVC問題を解くために,コンセンサス多エージェント深部強化学習アルゴリズムを提案する。
提案アルゴリズムでは,各エージェントが局所報酬を用いてグループ制御ポリシーを学習することができる。
IEEE分散テストフィードの数値的研究により,提案アルゴリズムは単エージェント強化学習ベンチマークの性能と一致していることがわかった。
論文 参考訳(メタデータ) (2020-07-06T18:21:47Z) - 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。